基于ABC-SVM的內部含蟲麥粒多光譜圖像特征選擇研究

張紅濤，阮朋舉，母建茹，孫志勇，李德偉

(華北水利水電大學，河南鄭州 450045)

?

基于ABC-SVM的內部含蟲麥粒多光譜圖像特征選擇研究

張紅濤，阮朋舉，母建茹，孫志勇，李德偉

(華北水利水電大學，河南鄭州 450045)

為探討利用人工蜂群算法(ABC)對內部含蟲麥粒進行特征選擇的可行性，基于該算法，以交叉驗證訓練模型的識別率作為特征子集的性能評價準則, 對內部含蟲麥粒的特征進行分析。結果表明，該算法從內部含蟲麥粒的32維直方圖特征和紋理特征中自動選擇出6個特征的最優特征子空間，采用參數優化之后的SVM分類器對80個麥粒樣本進行分類，識別率達到92%以上，說明應用人工蜂群算法對內部含蟲麥粒進行特征選擇是可行的。

內部含蟲麥粒；人工蜂群算法；支持向量機；特征選擇；識別

近年來，麥粒內部害蟲的檢測在糧蟲檢測領域備受關注，傳統的麥粒內部害蟲檢測方法有直觀檢查法、伯利斯漏斗法、染色法等[1]。這些方法都存在或多或少的不足，如主觀性強、過程復雜、費時、具有破壞性等。因此，一些新型物理類檢測方法被用于糧蟲檢測領域，如聲測法、電導率法、電子鼻、多光譜成像法等。Shuman等研制了依據害蟲進食活動所發出的聲信號來判別谷物內部侵染的檢測系統，利用聲傳感器陣列可確定發聲幼蟲的方位[2-3]。隨后，國內耿森林、彭 慧等對麥粒內部害蟲聲信號采集傳輸、識別分類等方面進行了研究，實現了聲信號的實時遠程傳輸，但該法易受環境噪聲的影響，不易檢測低齡幼蟲和“假死”害蟲[4-5]。Pearson等提出利用電導率法檢測麥粒內部的害蟲，但該法需壓碎麥粒，無法檢測幼蟲侵染的麥粒[6]。張紅梅等利用電子鼻傳感器陣列來判斷糧食是否受到害蟲的侵染，該法對檢測樣本容器的密閉性要求較高，樣本準備和采樣的時間過長[7]。目前，這些新的檢測方法多數不能檢測侵染程度較低的麥粒。

多光譜成像技術是采集可見光、近紅外等波段的光譜圖像，并進行分析處理的技術,它不僅結合了光譜分析技術和機器視覺技術，而且也彌補了光譜儀抗干擾能力較弱和RGB圖像波段感受范圍窄的缺陷,由于其同時獲取可見光和近紅外圖像，且采集圖像成本相對較低,因此利用多光譜相機來獲取麥粒的多光譜圖像，在經過預處理后可為麥粒原始特征空間的構建奠定基礎。提取內部含蟲麥粒的最優特征子集可縮短糧蟲分類的時間和提高識別的精度，因此內部含蟲麥粒的特征選擇是麥粒圖像識別中一個關鍵的預處理環節。實質上內部含蟲麥粒的特征選擇是一個組合優化問題，可以采用一些啟發式的搜索算法來選擇特征子空間。窮舉法和啟發法是經典的特征選擇方法，通過遍歷或按照設定的方向重復迭代來選擇最優或次優特征組合，但這兩類方法的計算量太大，或者優化程度比較低。人工蜂群算法(artificial bee colony algorithm，ABC)是由土耳其埃爾吉斯大學的Karaboga于2005年提出的一種基于蜜蜂群智能搜索行為的隨機優化算法,其模擬蜂群采蜜過程，蜜蜂根據分工不同完成采蜜過程的各階段任務，通過蜜源信息的收集與共享，尋找問題的最優解[8]。本研究提出應用ABC算法對內部含蟲麥粒特征進行最優特征子集的自動選擇，實驗結果驗證了ABC算法用于內部含蟲麥粒特征選擇的可行性和有效性。

1 內部含蟲麥粒特征空間的建立

本實驗采用MS3100多光譜相機采集麥粒的多光譜圖像，該相機幀速為10 fps，通過棱鏡實現光譜波段的過濾，可同時獲取紅、綠、藍、近紅外四個波段通道的單色圖像以及RGB全色圖像，采集卡通過PCI總線將采集到的圖像傳送保存到計算機。

運用多波段圖像融合及彩色空間轉換后的圖像融合技術提高麥粒圖像的質量，針對多種融合方式，采用主成分分析法進行評價，最終選擇出紅(R)和近紅外-紅(IR-R)圖像的最佳圖像組合方式。分別提取R和IR-R圖像下10個直方圖特征(Ni)和均值(m)、標準偏差(σ)、平滑度(γ)、三階矩(μ)、一致性(U)、熵(e)等6種紋理特征，共32個特征指標，并進行歸一化處理，消除特征之間量綱、量級等不同的影響，形成原始特征空間。32個特征指標分別記為NR1、NR2、…、NR10、mR、σR、γR、μR、UR、eR和NI1、NI2、…、NI10、mI、σI、γI、μI、UI、eI.

2 ABC算法的基本原理

蜜蜂是自然界中一種典型的群居生物，在采蜜過程中，蜜蜂能通過不同個體之間的協作在短時間內找到優質的蜜源。人工蜂群算法是模仿蜂群覓食行為提出的一種優化方法，算法包括蜜源和蜜蜂兩個基本要素。其中蜜源代表候選解，蜜蜂負責搜索蜜源。算法中的蜂群由引領蜂、跟隨蜂和偵察蜂構成。

人工蜂群算法包括蜜源初始化過程、引領蜂搜索過程、跟隨蜂選擇過程和偵察蜂搜索過程4個重要的步驟[9]。對于D維待優化問題，假設蜜蜂總數為SN，蜜源數目為FN,向量αij表示第i個蜜源(j=1,2,…，D),蜜源位置的初始化如式(1)所示。

αij=αmin,j+rand(0,1)*(αmax,j-αmin,j)

(1)

式中,i=1,2,…,FN；αmax,j和αmin,j分別表示第j維的最大值和最小值。

引領蜂按式(2)搜索新的蜜源。

βij=αij+rand(-1,1)*(αij-αkj)

(2)

式中，βij是一個新蜜源，k∈{1，2，…，FN}，且k≠i。

跟隨蜂以輪盤賭的方式選擇待搜索優良蜜源，第i個蜜源被選擇的概率計算如式(3)所示,其中proi表示第i個蜜源的收益度。跟隨蜂選擇蜜源后，同樣通過式(2)搜索新蜜源。

(3)

MSN是算法中的一個重要參數，負責控制蜜源質量未改善的迭代次數，當某個蜜源質量沒有改善的次數超過參數MSN時，此蜜源將被放棄，該蜜源對應的引領蜂將變成偵察蜂，并由公式(1)隨機搜索產生新蜜源。

3 特征選擇的算法實現

內部含蟲麥粒的特征選擇是一個離散組合優化問題，其基本任務就是從32個特征指標中自動選擇出n個特征指標的最優組合，使其性能評價準則達到最大。蜂群采蜜行為與特征優化問題對應關系如表1所示。由表1可知，在ABC算法解決特征優化問題中，蜜源對應問題的若干個特征組合，蜜源的收益度對應解的質量，決定蜜源收益度的因素對應問題的各個特征，尋找并采集蜜源的速度對應問題求解的速度[10-11]。將ABC算法用于糧蟲特征選擇涉及到蜜源初始化方式、解的表示方法、收益度函數的選取及鄰域搜索方法的問題等,在優化算法中，NP、EN、D、MI、MSN、Iter分別為蜂群規模、引領蜂數量、解空間維數、最大循環迭代次數、蜜源質量未改善次數和當前迭代次數。

表1 蜂群覓食行為與特征優化問題的對應關系

3.1 解的表示與蜜源初始化

本研究采用一個二進制位串表示一個可行解。因為計算過程是對32個特征指標進行優化，故可用長度為32的二進制位串，每一位對應一個特征指標。若某位取值為1，則表示選擇其對應的特征；若某位取值為0，則表示去除其對應的特征。蜜源初始化時，根據式(4)隨機產生EN個可行解：

(4)

其中，i∈{1,2,…,EN},j∈{1,2,…,D}。這里EN=10，D=32。

3.2 收益度函數

定義收益度函數如下：

pro(ξ)=100*PSVM-d/D

(5)

其中，PSVM為v折交叉驗證訓練模型的識別率，d為所選特征子集的特征個數，v折交叉驗證是指將每類麥粒的訓練樣本分為v份，其中v-1份作為訓練數據集，剩下的1份作為驗證數據集，以驗證采用所選特征子集時分類器的識別率，一般需要循環v次，直到所有v份數據全部被選擇一遍為止，v次識別率的平均值即為PSVM，參數v表示交叉驗證的折數，取v=5。這里采用SVM分類器，懲罰因子C=20，徑向基核函數參數g=10/d。由此可見， pro越大，選擇的特征子集性能越好，即利用較少的特征獲得了較高的分類正確率。

3.3 鄰域搜索

在引領蜂完成解的搜索后，利用跟隨蜂在解空間內搜索策略以提高生成解的質量。搜索策略采用遺傳算法中的變異操作，對于蜜源αi的鄰域搜索，采用單點變異并按公式(6)產生新蜜源βi，然后計算新蜜源收益度值，若新蜜源的收益度值較大，則保存新蜜源。

(6)

其中，k是[1,D]的隨機整數。

人工蜂群算法分為引領蜂階段、跟隨蜂階段和偵察蜂階段三個搜索階段，算法主要有蜜源初始化、收益度評價、蜜源的更新和選擇等步驟，具體算法流程如表2所示。

4 實驗結果及其分析

在參數設置方面，蜂群規模NP取值越大，蜜源的選擇性越廣，存在更好蜜源的概率越高，但NP取值也并非沒有限制，蜂群數量過大不僅會增加算法復雜度，同時也會大幅度增加算法的計算時間，這里取NP=20；MI是算法的終止條件，控制算法的循環次數，直接影響算法的計算時間，這里取MI=100；MSN是最重要的參數之一，取值太低會產生過多的偵察蜂，整個蜂群對空間的拓展能力會增強，隨機性也隨之增強，但收斂性就會變慢,取值太高會導致覓食過程中偵察蜂不常出現，這會使蜂群的探索能力變弱，易陷入局部最優，這里取MSN=10。本研究著力于內部含蟲麥粒的特征選擇，最終目的是選擇優化出最優特征子集，使其分類正確率達到最高，因而從兩類麥粒中隨機選取200個樣本進行訓練，80個樣本進行驗證。選用上述參數設置后，ABC-SVM算法優化10次的特征選擇和識別試驗結果見表3。

表2 基于ABC-SVM特征選擇實現的偽代碼

由表3可以看出，在10次實驗中，效果最差的第10次實驗也成功將32維特征壓縮至10維，與原始特征相比，極大地壓縮了特征空間，并且10次結果都能夠保持高于原始特征的正確分類率87.5%(表4)，識別率最高提升了3.75%。表明ABC-SVM算法能夠成功選擇出特征空間中較優的特征子集。

由表3可以得出，運行10次結果顯示，實驗4收益度達到最大為90.812，實驗3和4驗證集識別率都達到最高為91.25%。兩次實驗對比，實驗4選擇出的特征較少，因此實驗4選擇出的6個特征即為ABC算法優化出的最優結果。這6個特征指標分別是mR、UR、NI4、NI9、NI10、γi。在實驗4中，收斂特性曲線如圖1所示。由圖1可見，收益度隨著迭代次數的增加而增加，表明可行解的質量不斷提高，逐漸向最優解靠近，結果顯示在循環53次時收益度達到了最優值90.812，也就表明此刻的結果是優化出來的最優解。總之，在特征組合優化問題上，ABC-SVM算法具有尋優能力強、收斂速度快的特點。

表3 ABC-SVM算法優化10次的特征選擇結果

圖1 實驗4收斂特性曲線

由表4可知， 與原始特征法相比，ABC算法特征空間由32維降為6維，識別率提高了3.75%。這是由于ABC算法在尋優的過程中拋棄了對分類識別起干擾作用的不良特征及冗余特征，保留了對分類貢獻較大的特征。

表4 2種方法的特征選擇和分類實驗結果

5 內部含蟲麥粒的識別分類

支持向量機(support vector machine，SVM)是依據統計學理論中的結構風險最小化原則，從線性可分情況下的最優分類面發展而來的，在解決小樣本、非線性及高維數等模式識別問題中表現出良好的分類能力。在采用SVM分類器識別的過程中，懲罰因子C和徑向基核函數參數g選擇對識別率有較大的影響。參數C和g的取值范圍分別為C∈(2-5,215)和g∈(2-16,24)。當這兩個參數優化之后，識別率可能有所提高。若采用ABC算法選擇出的6維特征子集，并按照文獻[12]的方法對這兩個參數進行優化，當PSVM達到最高值91.0%時，C=4.924 6，g=3.732 1。用訓練好的SVM分類器對80個麥粒(含蟲和健康各40粒)樣本進行檢驗，僅有6個被錯判，得到的正確識別率為92.5%。可見，利用ABC算法所選擇的特征子集，利用優化之后的SVM分類器進行識別，取得了較好的分類效果。

6 結 論

本研究提出將ABC-SVM算法應用到內部含蟲麥粒的特征選擇上，該算法自動從32個特征中選擇出6個特征的最優特征子集。與原始特征法相比較，該算法不僅可壓縮特征空間，而且識別率提高了3.75%。同時，利用ABC-SVM算法所選擇的特征子集，運用優化之后的SVM分類器進行識別分類，識別率達到92.5%，從而證實了基于ABC-SVM算法在內部含蟲麥粒特征選擇的應用是可行和有效的。

[1]HU Y X,ZHANG H T,LUO K,etal.Feature extraction of stored-grain insects based on ant colony optimization and support vector machine algorithm [J].AgriculturalScience&Technology-Hunan,2012,13(2):457.

[2]SHUMAN D,COFFELT J A,VICK K W,etal.Quantitative acoustical detection of larvae feeding inside kernels of grain [J].JournalofEconomicEntomology,1993,86(3):933.

[3]SHUMAN D,WEAVER D K,MANKIN R W.Quantifying larval infestation with an acoustical sensor array and cluster analysis of cross-correlation outputs [J].AppliedAcoustics,1997,50(4):279.

[4]耿森林,尚志遠.倉儲糧食中害蟲活動聲的提取與頻譜分析[J].西南師范大學學報(自然科學版),2005,30(6):1057.

GENG S L,SHANG Z Y.The sampling of the insect activity sound in the storage grain and its frequency spectrum analysis [J].JournalofSouthwestChinaNormalUniversity(NaturalScience),2005,30(6):1057.

[5]彭 慧,趙子愷,洪 俊.基于壓縮感知的無線糧蟲聲信號采集方案[J].農機化研究,2014,36(5):83.

PENG H,ZHAO Z K,HONG J.Research on wireless audio sensor networks data compression method based on compressive sensing [J].JournalofAgriculturalMechanizationResearch,2014,36(5):83.

[6]PEARSON T,BRABEC D L.Detection of wheat kernels with hidden insect infestations with an electrically conductive roller mill [J].AppliedEngineeringinAgriculture,2007,23(5):639.

[7]ZHANG H M,WANG J.Detection of age and insect damage incurred by wheat,with an electronic nose [J].JournalofStoredProductsResearch,2007,43(4):489.

[8]KARABOGA D.Artificial bee colony algorithm [J].Scholarpedia,2010,5(3):6915.

[9]SCHIEZARO M,PEDRINI H.Data feature selection based on artificial bee colony algorithm [J].EURASIPJournalonImageandVideoProcessing,2013,2013(1):1.

[10]PALANISAMY S,KANMANI S.Artificial bee colony approach for optimizing feature selection [J].InternationalJournalofComputerScienceIssues,2012,9(3):432.

[11]OZTURK C,HANCER E,KARABOGA D.A novel binary artificial bee colony algorithm based on genetic operators [J].InformationSciences,2015,297:154.

[12]胡玉霞,張紅濤.基于模擬退火算法-支持向量機的儲糧害蟲識別分類[J].農業機械學報,2008,39(9):108.

HU Y X,ZHANG H T.Recognition of the stored-grain pests based on simulated annealing algorithm and support vector machine [J].TransactionsoftheChineseSocietyforAgriculturalMachinery,2008,39(9):108.

Multispectral Image Feature Selection of Insect-infected Wheat Grains Based on ABC and SVM Algorithm

ZHANG Hongtao, RUAN Pengju, MU Jianru, SUN Zhiyong, LI Dewei

(North China University of Water Resources and Electric Power, Zhengzhou，Henan 450045, China)

In order to study the feature selection of insect-infected wheat grains based on artificial bee colony algorithm and support vector machine algorithm, and to explore the feasibility of the feature selection of insect-infected wheat grains, the feature selection was firstly proposed based on the artificial bee colony algorithm, and the recognition accuracy of fold cross validation training model was taken as the evaluation principle of the feature subset. The artificial bee colony algorithm was applied to the feature selection of the insect-infected wheat grains.The results showed that the the optimal feature subspace of six features were extracted from 32 histogram features and textural features, and 80 image samples of the insect-infected wheat grains were automatically recognized by the optimized SVM classifier, with the recognition accuracy over 92%. The experiment showed that the application of artificial bee colony algorithm for the feature selection of grain insects was feasible．

Insect-infected wheat grains; Artificial bee colony algorithm; Support vector machine; Feature selection; Recognition

時間：2016-10-08

2016-03-22

2016-05-18

國家自然科學基金項目(31671580)；國家自然科學基金項目(31101085)；河南省科技攻關項目(162102110112)；華北水利水電大學教學名師培育項目(2104108)

E-mail：zht1977@ncwu.edu.cn

S512.1；S186

A

1009-1041(2016)10-1391-05

網絡出版地址：http://www.cnki.net/kcms/detail/61.1359.S.20161008.0932.032.html