基于WPA-SVM的多肉植物分類識別

王守富　孟昭磊　何利華　楊杰鋒

摘 要：為提高多肉植物分類效率和識別精度，融合多肉植物顏色特征和紋理特征，提出一種基于多肉植物圖像復合特征的多肉植物分類算法。將顏色特征和紋理特征組成的復合特征作為WPA-SVM的輸入，多肉植物類別作為WPA-SVM的輸出，建立WPA-SVM多肉植物分類識別模型。與SVM、ELM和BPNN對比發現，研究結果表明，WPA-SVM可以有效提高多肉植物分類識別的精度，為多肉植物識別研究和應用提供了新的方法和途徑。

關鍵詞： 狼群算法; 支持向量機; 極限學習機; 神經網絡; 多肉植物

中圖分類號： TP391.1

文獻標志碼： A

Abstract： In order to improve the classification efficiency and recognition precision of succulent plants， a succulent plant classification algorithm based on the composite features of succulent plant images is proposed. The composite characteristics of color characteristics and texture features are used as input of WPA-SVM， and the succulent plant category is used as output of WPA-SVM to establish a WPA-SVM succulent plant classification recognition model. Compared with SVM， ELM， and BPNN， the research results show that WPA-SVM can effectively improve the accuracy of succulent plant classification and identification， and provide new methods and approaches for succulent plant identification and application.

Key words： wolf pack algorithm; support vector machine; extreme learning machine; neural networks; succulent plants

0 引言

由于多肉植物的外觀特征很難進行定量和精確的數值描述，因此憑借經驗識別多肉植物種類具有效率低下和識別誤差的缺點[1]。為提高多肉植物分類識別的效率和識別精度，針對支持向量機（Support Vector Machine，SVM）分類性能易受懲罰系數C和核函數參數g的影響，運用狼群算法[2-3]（Wolf Pack Algorithm，WPA）對SVM懲罰系數C和核函數參數g進行優化選擇。融合灰度共生矩陣法提取的紋理特征和顏色矩提取的顏色特征組成復合特征。將多肉植物圖像的復合特征作為WPA-SVM的輸入，多肉植物類別作為WPA-SVM的輸出。選擇小紅衣、睡蓮、綠薔薇、藍云和基尼普等5種多肉植物為研究對象，與SVM、ELM和BPNN對比發現，研究結果表明，WPA-SVM具有更高的識別準確率，提高了多肉植物識別的精度，為多肉植物識別研究和應用提供了新的方法和途徑。

5.3 實驗結果

為了驗證多肉植物分類識別算法的效果，小紅衣、睡蓮、綠薔薇、藍云和基尼普等5種多肉植物樣本一共310組，其中訓練樣本240組，測試樣本70組。訓練樣本用于建立WPA-ELM多肉植物分類模型，測試樣本用于驗證WPA-ELM多肉植物分類模型。將本文算法WPA-SVM和SVM[17]、極限學習機（Extreme Learning Machine，ELM）[18]

和前饋神經網絡（Back-propagation neutral network，BPNN）[19]進行對比，對比結果，如表2、圖4—圖7所示。

圖4—圖7中，“*”表示多肉植物的預測類別，“○”表示多肉植物的實際類別，通過對比展示可以直觀地顯示多肉植物識別結果和多肉植物實際類別，其中1、2、3、4、5分別表示多肉植物為小紅衣、睡蓮、綠薔薇、藍云和基尼普。當“*”和“○”重合時，多肉植物的預測類別和實際類別一致，說明識別正確;當“*”和“○”不重合時，多肉植物的預測類別和實際類別不一致，此時多肉植物識別錯誤。由表2和圖2-5可知，WPA-SVM的識別準確率和誤判率分別為99.42%和0.58%，優于SVM的96.27%和3.73%，ELM的96.40%和3.55%和BPNN的92.30%和2.70%。與SVM、ELM和BPNN對比發現，WPA-SVM具有更高的識別準確率，提高了多肉植物識別的精度，為多肉植物識別研究和應用提供了新的方法和途徑。

6 總結

為提高多肉植物的識別精度，提出一種基于顏色特征和紋理特征WPA-SVM多肉植物分類識別方法。融合灰度共生矩陣法提取的紋理特征和顏色矩提取的顏色特征組成復合特征。將多肉植物圖像的復合特征作為WPA-SVM的輸入，多肉植物類別作為WPA-SVM的輸出。選擇小紅衣、睡蓮、綠薔薇、藍云和基尼普等5種多肉植物為研究對象，與SVM、ELM和BPNN對比發現，研究結果表明，WPA-SVM具有更高的識別準確率，提高了多肉植物識別的精度，為多肉植物識別研究和應用提供了新的方法和途徑。

參考文獻

[1] 祁亨年， 壽韜， 金水虎. 基于葉片特征的計算機輔助植物識別模型[J]. 浙江農林大學學報， 2003， 20（3）：281-284.

[2] 李常洪， 趙偉棟. 基于狼群算法優化的BP神經網絡[J]. 科技創新與生產力， 2016，3（1）：56-58.

[3] 劉永蘭， 李為民， 吳虎勝， 等. 基于狼群算法的無人機航跡規劃[J]. 系統仿真學報， 2015， 27（8）：1838-1843.

[4] 李國亮， 魏振華， 徐蕾. 基于改進搜索策略的狼群算法[J]. 計算機應用， 2015， 35（6）：1633-1636.

[5] 闞江明， 王怡萱， 楊曉微， 等. 基于葉片圖像的植物識別方法[J]. 科技導報， 2010， 28（23）：81-85.

[6] 崔占虎， 袁媛， 張景景， 等. 基于快速PCR方法的人參屬藥用植物鑒別研究[J]. 中藥材， 2015， 38（8）：1634-1638.

[7] 高翔， 王正， 丁見亞， 等. 基于復合葉片特征的計算機植物識別方法[J]. 植物學報， 2014， 49（4）：450-461.

[8] 楊輝軍， 陳立偉. 基于分形特征的植物識別[J]. 計算機工程與設計， 2010， 31（24）：5321-5323.

[9] 劉驥， 曹鳳蓮， 甘林昊. 基于葉片形狀特征的植物識別方法[J]. 計算機應用， 2016，11（2）：202-226.

[10] 李萍， 張波， 張善文. 基于葉片圖像處理和稀疏表示的植物識別方法[J]. 江蘇農業科學， 2016， 44（9）：364-367.

[11] 張善文， 張傳雷， 王旭啟， 等. 基于葉片圖像和監督正交最大差異伸展的植物識別方法[J]. 林業科學， 2013， 49（6）：184-188.

[12] 張帥， 淮永建. 基于分層卷積深度學習系統的植物葉片識別研究[J]. 北京林業大學學報， 2016， 38（9）：108-115.

[13] 韓方凱， 張雪柯， 呂日琴， 等. 基于極限學習機的高品質葡萄酒等級識別模型[J]. 宿州學院學報， 2018， 8（2）：106-109.

[14] 傅弘， 池哲儒， 常杰， 等. 基于人工神經網絡的葉脈信息提取——植物活體機器識別研究[J]. 植物學通報， 2004， 21（4）：429-436.

[15] 梁禮明， 朱莎， 吳健. 基于混合核函數的極限學習機遙感圖像分類[J]. 科技通報， 2018，2（3）：11-15.

[16] 林怡， 季昊巍， 李超 ， 等. 基于魚群算法的極限學習機影像分類方法優化[J]. 農業機械學報， 2017，6（10）：161-169.

[17] 呂飛， 韓敏. 基于深度極限學習機的高光譜遙感影像分類研究[J]. 大連理工大學學報， 2018，4（3）：27-33.

[18] 杜吉祥， 汪增福. 基于徑向基概率神經網絡的植物葉片自動識別方法[J]. 模式識別與人工智能， 2008， 21（2）：206-213.

[19] 黃林， 賀鵬， 王經民. 基于概率神經網絡和分形的植物葉片機器識別研究[J]. 西北農林科技大學學報（自然科學版）， 2008， 36（9）：212-218.

（收稿日期： 2019.08.16）