基于GA-BP神經(jīng)網(wǎng)絡和特征向量優(yōu)化組合的黃瓜葉片病斑識別

李 頎，趙 潔，楊 柳，王 俊，高一星

(陜西科技大學 電氣與信息工程學院，陜西 西安，710021)

目前對于水培黃瓜常見病害的識別，仍然停留在結(jié)合已有經(jīng)驗的人工目測檢驗和對比的階段。然而這種單單依靠肉眼觀測的方法客觀性差、效率低、勞動強度大，并且有經(jīng)驗的專家教授畢竟是少數(shù)，大部分家庭種植者并不一定具有種植經(jīng)驗，病害識別準確率無法保證。近年來，隨著計算機及機器視覺的發(fā)展，國內(nèi)外專家學者對基于圖像處理的葉片病斑識別進行了廣泛研究。Sammany等[1-2]利用粗糙集來優(yōu)化神經(jīng)網(wǎng)絡的輸入特征向量，并結(jié)合支持向量機算法(support vectormachine，SVM)來提高植物病害識別效率。Camargo等[3]對棉花病害的彩色圖像提取特征，指出紋理特征子集在分類中的重要性，使用SVM分類器對棉花的病害識別取得較好的效果。白鐵成等[4]利用小波包結(jié)合遺傳神經(jīng)網(wǎng)絡(genetic algorithm-back propagation，GA-BP)實現(xiàn)對紅棗病害的準確、快速識別，提高了分類效率。王雪等[5]從黃瓜病斑的形狀和顏色兩方面提取特征參數(shù)，利用k近鄰法對黃瓜霜霉病進行了分類識別，識別率達到95%。胡敏等[6]對黃瓜病害通過核主成分分析對顏色和紋理特征進行融合，利用支持向量機對病害進行分類識別，取得了94.11%的識別率。王獻鋒等[7]利用圖像處理和統(tǒng)計分析，提出一種基于病害葉片圖像和環(huán)境信息的黃瓜病害類別識別方法，對黃瓜的霜霉病、褐斑病和炭疽病3種葉部病害的識別率高達90%以上。現(xiàn)有對病斑識別的研究雖已取得較好的成果[8-9]，但在病害特征參數(shù)組合的選擇方面多是通過反復實驗或簡單的分析進行選取，存在著變量和學習過程的不穩(wěn)定問題。針對以上方法對病害特征提取的不穩(wěn)定性，本研究應用自適應小波對原始圖像進行降噪處理，在HSV空間通過閾值分割結(jié)合形態(tài)學操作獲得理想的黃瓜葉片分割圖像，并通過自適應閾值分離病斑。提取病斑形態(tài)學、顏色和紋理原始特征參數(shù)。通過遺傳算法(genetic algorithm，GA)結(jié)合BP(back propagation，BP)神經(jīng)網(wǎng)絡優(yōu)化定義原始特征向量對分類結(jié)果的靈敏度，遞歸剔除冗余特征向量，實現(xiàn)特征參數(shù)的優(yōu)化組合。根據(jù)提取的組合特征參數(shù)，利用SVM分類器進行黃瓜葉片病斑識別，并通過實驗驗證對黃瓜炭疽病和白粉病的有效性，以期提高黃瓜病害的識別精度。

1 圖像獲取與處理

隨著陽臺蔬菜機的普及，水培蔬菜也走進了千家萬戶。針對家庭種植水培黃瓜中用戶難以準確識別病害的問題，本文以黃瓜炭疽病和白粉病為研究對象。如圖1、圖2所示，分別為黃瓜炭疽病、白粉病不同時期病斑圖像。

在家庭陽臺背景下采用奧尼A9S/059-1C5高清數(shù)碼攝像頭(最低照度≤30 lx，像素高達200萬)，進行黃瓜葉片圖像采集。系統(tǒng)方案示意圖如圖3所示，為確保所拍攝的圖像具有相同的初始條件，固定焦距將攝像頭安裝于陽臺蔬菜機正前方0.5 m處。攝像頭與陽臺蔬菜機控制器樹莓派通過USB2.0接口相連，于每日09:00、12：00、16：00分別采集一次黃瓜葉片圖片，圖像采用1 920×1 080分辨率，將拍攝的圖片以JPEG格式存入樹莓派，以供后續(xù)圖像處理步驟使用。

本研究選取4月中旬至7月期間采集的不同拍照時間、不同生長階段、不同病害程度的黃瓜病害100張，其中炭疽病和白粉病樣本各50個。

圖2 黃瓜白粉病葉片圖像Fig.2 Leaf image of cucumber powdery mildew

圖3 系統(tǒng)方案示意圖Fig.3 Schematic diagram of the system

2 黃瓜葉片圖像處理

病斑識別分類的流程圖如圖4所示。本文利用Matlab R2016B進行仿真，實現(xiàn)對黃瓜炭疽病和白粉病的分類識別。

2.1 圖像預處理

2.1.1 原始圖像降噪

圖像采集過程在家庭陽臺背景下進行，容易因為光照條件及圖像傳感器長期工作引起的溫度過高的原因出現(xiàn)高斯噪聲。葉片圖像受到高斯噪聲的污染導致圖像的質(zhì)量下降，這對后期的圖像處理造成了一定的難度。因此需要對圖像進行降噪處理。

圖4 黃瓜葉片病斑識別流程圖Fig.4 Identification flow chart of cucumber leaf spot

如圖5所示，圖5-a為采集到的原始圖像，圖5-b為加入σ=20高斯噪聲的葉片圖像。

由于葉片圖像中存在雜亂背景及噪聲，在空間域上對這些成分進行分析和分離較為困難，本文將圖像轉(zhuǎn)換至頻率域中進行分析。通過對圖像的快速傅里葉變換，分析頻率特征，從而將噪聲與有用信息分離開。頻譜圖如圖6所示。

通過頻譜圖可以看出圖像空間分布的特點。黑色部分為低頻特征，白色部分為高頻特征聚集，對比圖6-a、b后發(fā)現(xiàn)，加噪后對圖像中高頻部分的干擾最大。

為獲得定量的分析，選取半徑Δr=1的同心圓環(huán)對頻譜總能量進行統(tǒng)計，由于頻譜總能量較大，所以對縱坐標進行l(wèi)og變換。結(jié)果如圖7所示。

由圖7可看出，加噪前后黃瓜葉片的能量譜幾乎重合，隨著頻率增大到60(周/圖像)左右，加噪圖像與原圖出現(xiàn)明顯分界，噪聲的能量譜幅值開始平穩(wěn)，而原始圖像的能量譜幅值開始緩慢下降，因此也驗證了噪聲對圖像的高頻部分產(chǎn)生了較大的影響。

圖5 原始圖像(a)與加噪圖像(b)Fig.5 Original image(a) and noise-containing image(b)

圖6 原圖(a)和加躁后(b)圖像頻譜圖Fig.6 Spectrum map of original image (a) and noise-containing image (b)

圖7 加噪前后圖像能量譜一維分布曲線Fig.7 One-dimensional distribution curve of image energy spectrum before and after noise

圖像的能量主要在低頻，而病斑、細節(jié)等信息卻主要集中在高頻。選用單純?yōu)V波器時會濾除圖像高頻部分，同時會導致邊緣模糊。因此本文采用自適應小波去噪。在消除噪聲的同時，利用小波去噪具有多分辨率的特性使得葉片病斑圖像的細節(jié)、邊緣等特征得以保留。自適應小波去噪與均值濾波、中值濾波去噪效果對比圖如圖8所示。由效果圖對比可以看出，相比于均值濾波與中值濾波，自適應小波去噪既能有效去除高斯噪聲，同時保留了病斑圖像的細節(jié)、邊緣等特征信息。

2.1.2 背景分割

采集的黃瓜葉片圖像中有家庭陽臺雜物等背景，會對識別結(jié)果造成影響。所以如何分割出感興趣的黃瓜葉片對識別結(jié)果尤為重要。同時由于陽臺光線變化較大，采集的葉片圖像容易受到自然光照、窗戶雜物遮擋陰影等情況的影響，對亮度比較敏感。

本文將拍攝的黃瓜葉片圖像從RGB空間轉(zhuǎn)換到HSV空間，通過閾值分割去除圖片中非綠背景，并利用形態(tài)學操作中的閉操作將位置較近的點進行連接，去掉面積小于一定值的連通區(qū)域，獲得理想的黃瓜葉片分割圖像，結(jié)果如圖9所示。

圖8 去噪效果圖Fig.8 Image of denoising effect

2.1.3 病斑分離

黃瓜葉片若出現(xiàn)病斑，病斑處灰度值會不同于正常區(qū)域的灰度值，根據(jù)得到的黃瓜葉片區(qū)域，對其采用行自適應閾值分割法。結(jié)果如圖10所示，可將黃瓜葉片病斑區(qū)域完全分離出來。

2.2 病斑原始特征向量提取

針對黃瓜葉片病斑目標圖像本身的特點，并結(jié)合大量文獻及他人實驗結(jié)果。本系統(tǒng)選取不同情況下病斑分類中常用并具有代表性的病斑形態(tài)學、顏色和紋理三類特征。方法對有其他需求的特征參數(shù)同樣可行。

(1)不同類型的病斑其外觀形狀有很大的差異，計算病斑圖像的面積、周長、圓形度、矩形度、偏心率、方向角、最小外接矩形面積和Hu的7個不變矩共14個形態(tài)學特征。

(2)顏色信息是區(qū)分病害種類的重要特征，分別計算病斑圖像R、G、B的偏度、均值、峰值、標準差、方差等共15個顏色分類特征。

(3)紋理信息中包含大量病斑的本質(zhì)信息，本文利用灰度共生矩陣法分別計算病斑區(qū)域的能量、熵、慣性矩、相關性、均值、方差等6個統(tǒng)計特征，由其構成病害的紋理特征。

圖9 黃瓜葉片分割圖Fig.9 Cucumber leaf segmentation

圖10 黃瓜葉片病斑分離圖Fig.10 Spot separation of cucumber leaves

由以上3個方面可以得到黃瓜葉片病斑圖像的顏色、紋理和形狀等共35個特征，構成黃瓜病害葉片的原始分類特征向量，記為xi。

3 基于GA-BP神經(jīng)網(wǎng)絡的特征參數(shù)組合優(yōu)化

病斑的特征有很多種，實際診斷過程中，為了獲得足夠的診斷信息，總是去采集盡可能多的特征信息，而大量的特征信息也會占用大量的存儲空間和計算時間，甚至會影響訓練模型的收斂性，降低分類的精度。如何從茫茫“特征大軍”中剔除冗余特征，構建精簡合適的特征參數(shù)，對病斑的識別尤為重要。

3.1 GA-BP神經(jīng)網(wǎng)絡模型的建立

常用的特征優(yōu)化法有基于PCA-主成分分析法、基于Relief的特征權重算法等。雖然這些方法都能達到特征集降維的目的，但是存在著變量和學習過程的不穩(wěn)定問題。

遺傳算法通過對BP神經(jīng)網(wǎng)絡初始權值和閾值的優(yōu)化，即避免了BP神經(jīng)網(wǎng)絡隨機選取初始權值和閾值的缺點，未成熟收斂得以改善，非線性映射能力得到充分發(fā)揮，且保留遺傳算法收斂速度快的優(yōu)點，學習能力強的優(yōu)點，在特征優(yōu)化方面有很大潛力。具體流程圖如圖11所示。

實驗中，BP神經(jīng)網(wǎng)絡的輸入層xi(i=1，2，3…m，m=35)為病斑的35個原始特征；根據(jù)經(jīng)驗公式并結(jié)合構造法確定隱含層節(jié)點數(shù)q為10；輸出層n個單元對應n種待識別的病斑類型，本文識別對象為黃瓜炭疽病和白粉病，故n=2，設定“0”表示黃瓜炭疽病、“1”表示黃瓜白粉病。

BP神經(jīng)網(wǎng)絡主要由輸入層(I)，隱含層(H)和輸出層(O)構成，圖12是m×q×n的三層GA-BP神經(jīng)網(wǎng)絡模型。

傳遞函數(shù)f(x)為神經(jīng)元的激活函數(shù)，本文取為(0，1)內(nèi)連續(xù)取值sigmoid函數(shù)。

(1)

當網(wǎng)絡收斂后，隱含層的單元值Hk為：

(2)

圖11 GA-BP流程圖Fig.11 GA-BP flow chart

圖12 GA-BP網(wǎng)絡結(jié)構圖Fig.12 GA-BP network structure diagram

當網(wǎng)絡收斂后，輸出層的結(jié)果為yj。

(3)

3.2 特征參數(shù)組合的優(yōu)化

要從m個原始特征參數(shù)中選擇m′個分類能力強的特征參數(shù)(m′

(4)

εi，j反映特征參數(shù)xi對分類模式病斑yj的敏感程度，εi，j越大，分類能力越強。

特征參數(shù)集的形成是反向遞歸特征去除過程，一次特征參量靈敏度的分析結(jié)果無法滿足多個候選特征參數(shù)子集的選擇，需多次反復訓練與剔除。具體過程如下：

1) 使用35組黃瓜葉片病斑原始特征參數(shù)集xm訓練GA-BP神經(jīng)網(wǎng)絡模型；

2) 通過公式(4)分別計算原始特征向量對識別結(jié)果的靈敏度；

5) 選取對黃瓜炭疽病和白粉病靈敏度大的特征參數(shù)m′個，由其構成最終特征參數(shù)組合。

通過靈敏度對原始特征參數(shù)xm分類能力的分析，剔除對分類貢獻小的次要和冗余特征參數(shù)，保留分類貢獻大的特征參數(shù)，完成對特征參數(shù)組合的優(yōu)化。

4 SVM分類

由于本文中所采集的黃瓜葉片圖像較少，且需求分類精度高。支持向量機(support vector machine，SVM)能利用有限樣本訓練獲取具有較高泛化能力的決策函數(shù)，在解決小樣本、非線性和高維數(shù)等模式識別問題中表現(xiàn)出良好的分類能力。所以本文選擇SVM作為分類器。

本文在MATLAB中進行仿真，生成分類模型。主要步驟如圖13所示。

根據(jù)Matlab中的仿真結(jié)果，實際應用中在樹莓派中基于opencv完成對黃瓜葉片病斑的自動識別。

5 實驗結(jié)果與分析

隨機選擇黃瓜炭疽病和白粉病各35個樣本作為訓練樣本，剩余15個樣本為測試集。在Matlab平臺中通過GA-BP對黃瓜葉片病斑提取的共35個原始特征進行訓練學習，訓練過程曲線如圖14所示。

根據(jù)靈敏度對35個原始特征分類能力進行排序，分類能力與選取的黃瓜病斑特征集維數(shù)如圖15所示。

根據(jù)分類能力-特征維數(shù)間的曲線關系，可以看出當候選特征基因子集xi的維數(shù)下降到8時，錯分數(shù)已降到最低；且隨著維數(shù)的增加，分類模型的訓練時間也隨之增加。因此，選擇靈敏度遞歸排序前8個特征參數(shù)(即特征維數(shù)m′=8)。選取結(jié)果如表1所示。

圖13 SVM分類流程圖Fig.13 SVM classification flow char

圖14 GA-BP網(wǎng)絡訓練結(jié)果Fig.14 GA-BP network training results

為避免過學習現(xiàn)象發(fā)生，利用K-CV方法在訓練集驗證分類準確率，不同懲罰系數(shù)c、核函數(shù)參數(shù)g對黃瓜葉片病斑的識別結(jié)果如圖16所示。

圖15 分類能力-特征維數(shù)圖Fig.15 classification capability-feature dimension diagram

根據(jù)識別效果，確定最優(yōu)懲罰系數(shù)c=16，g=0.25。

候選病斑特征參數(shù)子集對測試樣本集的分類結(jié)果如圖17所示。

將上圖的分類結(jié)果轉(zhuǎn)化成表2，分別統(tǒng)計分類模型對黃瓜炭疽病和白粉病的分類準確率。

表1特征參量的優(yōu)化組合

Table1Optimal combination of characteristic parameters

病害Disease圖像ImageR峰值R peakG均值G meanB偏度B skewnessB均值B meanB峰值B peakH距7階距H distance 7 order圓形度Roundness相關性Correlation炭疽病13.62320.06450.09040.02813.6561-1.33×10-257.52410.0643Anthracnose21.72550.08050.12720.02821.82242.79×10-249.38090.052331.15670.16200.301170.10611.2625-4.84×10-246.45420.0231………………………501.45970.05060.11140.01851.62271.91×10-248.58470.0823白粉病18.83760.05350.08060.04798.85207.05×10-203.27170.0616Powdery mildew27.29270.04880.08150.04267.30196.93×10-223.99440.0730239.74770.05090.070520.04359.74661.42×10-233.89550.0721………………………505.98870.03740.08380.03866.04095.82×10-244.81190.1020

圖16 識別結(jié)果圖Fig.16 Recognition result diagram

圖17 測試集識別結(jié)果圖Fig.17 Test set recognition results

表2識別結(jié)果

Table2Recognition results

組合Group特征向量維數(shù)Eigenvector dimension特征提取時間Feature extractiontime/sSVM訓練時間SVM trainingtime/s分類正確率Classificationaccuracy/%原始特征參數(shù)組合(A組)35121.363.7492.61Original characteristic parameter set (Group A)GA-BP優(yōu)化后特征參數(shù)組合(B組)833.591.9796.67GA-BP optimized feature parameter set (Group B)

經(jīng)過分析可得出，直接利用A組原始特征參數(shù)組合進行病害識別，其識別率僅為90.61%，訓練時間較長，這是因為35個特征中存在一些冗余特征，有些特征甚至還影響病害的識別率；通過GA-BP對黃瓜葉片病斑原始特征參數(shù)組合的優(yōu)化，用于識別分類的黃瓜葉片病斑參數(shù)組合維數(shù)得以降低，B組特征提取時間和SVM訓練時間較A組大大降低，對黃瓜炭疽病和白粉病的識別率高達96.7%。由此可得出經(jīng)過GA-BP對黃瓜葉片病斑原始特征參數(shù)組合的優(yōu)化提高了黃瓜炭疽病和白粉病分類識別的準確率以及分類識別效率。

6 小結(jié)

本文針對家庭陽臺背景下的水培黃瓜，設計了基于圖像處理的黃瓜葉片病斑識別系統(tǒng)。利用圖像處理技術對黃瓜葉片圖像進行預處理，提取黃瓜葉片病斑形態(tài)學特征、顏色特征和紋理特征共35種原始特征參數(shù)，通過GA-BP定義特征參數(shù)對分類結(jié)果的靈敏度，剔除冗余特征，保留了8種分類能力強的特征參數(shù)。最后對優(yōu)化后的參數(shù)組合使用SVM分類器進行分類識別，對黃瓜炭疽病和白粉病綜合辨識正確率達到96.67%。實驗結(jié)果表明，該方法相比于未經(jīng)過優(yōu)化的特征參數(shù)組合，能有效降低分類模型訓練時間、提高識別率，為復雜環(huán)境下的黃瓜病害識別提供了科學的依據(jù)。本研究雖以黃瓜葉片病斑為研究對象，但此方法也可以應用于其他農(nóng)作物的病害識別。