基于約束性多目標優化算法的柑橘黃龍病識別算法

王 慧, 李康順, 蔡 鐵, 王文祥, 董純鏗

(1.深圳信息職業技術學院,廣東深圳 518172; 2.華南農業大學數學與信息學院,廣東廣州 510642)

柑橘類水果是人們最喜愛、世界上產量較大的水果之一,同時也是農業經濟中重要的組成部分。但在20世紀初,在我國華南很多地區首次同時發現了柑橘黃龍病(HLB),之后又在其他省區(四川省、廣西壯族自治區、江西省等地方)柑橘生產地相繼發現了黃龍病[1]。黃龍病的病菌是一種主要通過木虱傳播的類細菌病原體[2-3],是世界上影響柑橘種植的最大的病害之一。該病菌的傳染性及致病率極高,柑橘樹一旦感染黃龍病病菌,將在短時間內失去長果實的能力,這將造成柑橘的生產量急劇下降[4-5]。對此,柑橘種植戶對柑橘黃龍病已經演變成了“談黃龍色變”的狀態,嚴重影響了柑橘種植戶的經濟收入。傳統的人工識別農作物病害,不但耗費時間精力,而且有效性低,精確迅速地辨識出農作物病害有助于及時救助,對降低黃龍病病害帶來的產量和品質影響具有重大意義。

1 研究現狀

隨著智能識別技術在物體分類和圖像處理方面能力的增強,智能識別在農作物病害識別上得到了廣泛的應用,如卷積神經網絡已成功用于識別監測玉米、小麥、水稻和藍莓等植物病蟲害[6-14]。但是柑橘黃龍病的特征及其傳播方式不同于其他農作物病害,因此學者們做了相關深入研究,肖懷春等提出了基于物聯網柑橘黃龍病檢測防控技術,具有成本小、快速識別等優點,但是其識別率有待提高,提高其識別率的關鍵是找到有效的病害圖像識別算法,即針對柑橘黃龍病的特征提出有效的圖像識別方法[15]。陸健強等提出了一種基于Mixup算法和卷積神經網絡的柑橘黃龍病果實識別模型——XResNeXt模型,采用Mixup算法建立樣本之間的線性關系,遷移Xception網絡在ImageNet數據集上的先驗知識,通過動量梯度下降優化方法,有效地減緩振蕩影響,并且有效地加速模型向局部最優點收斂[16]。范世達等提出,基于深度學習的柑橘黃龍病遠程診斷算法,利用深度學習相關算法構建柑橘黃龍病病害識別模型,在柑橘生長過程中實現黃龍病在線實時監測與病害遠程診斷。目前已在試驗地初步開展柑橘黃龍病遠程診斷試驗,結果表明,田間遠程診斷準確率為77.1%,已初步實現針對柑橘黃龍病的遠程病害診斷,提高了實際生產過程中黃龍病的識別效率,降低了黃龍病檢測成本[17]。林少丹等提出了一個適用于小樣本顯微圖像數據集的增強特征的無監督訓練柑橘黃龍病檢測模型。該模型首先采用無監督訓練結合遷移學習構成上游網絡,再利用Yolact模型設計出增強特征網絡與DETR相結合構成下游網絡,最終建立 E-HLBUP-DETR診斷模型[18]。林奕桐等構建了基于無人機可見光通道和支持向量機(SVM)模型的柑橘黃龍病個體識別模型,通過柑橘黃龍病黃化識別模型確定具備黃龍病黃化特征的植株,再通過黃龍病斑駁特征識別模型對黃化植株的葉片進行斑駁特征分析確認黃龍病植株;對模型進行1次個體識別試驗和2次普適性驗證試驗[19]。Sankaran等采用基于深度卷積網絡的模型識別柑橘黃龍病,研究了周期性的或暫時性的模型對于涉及序列、視覺和其他方面的任務是否有效,開發了一種循環卷積體系結構,適用于端到端可訓練的大規模視覺學習,并論證了這些模型在基準視頻識別任務、圖像描述和檢索問題以及視頻旁白挑戰等方面的價值[20]。Mishra等研究可見光和近紅外(VIS-NIR)光譜技術鑒定感染HLB的柑橘樹的潛在能力[21],采用光譜范圍為350～2 500 nm的2個不同分光輻射儀收集冠層反射光譜數據,使用3種分類技術對數據進行分類:近鄰鄰居(KNN)、邏輯回歸(LR)、支持向量機(SVM),得出的結論是每棵樹僅使用1次樹冠反射率觀察是不夠的,由于冠層反射光譜數據的差異很大,因此沒有一種分類方法能夠成功地將健康樹與黃龍感染樹區分開。Pourreza等從葉片圖像中提取了幾種類型的紋理特征,并使用5種不同的特征選擇方法對可以描述感染特征的最佳特征集進行了排序,7個分類器的性能以逐步的分類方法進行了評估[22-26]。

但是以上檢測算法均存在成本高、檢測精確度低等缺陷,主要原因是黃龍病病害圖像的特征之間的特性相似及其維數較大,病害圖像的特征之間還可能相關,導致特征冗余的產生,這對柑橘黃龍病病害圖像識別的效率和精度有嚴重影響。這一影響將發生在圖像切割特征提取階段,因此本研究采用LCMOPSO[27]選擇黃龍病特征及感染黃龍病后柑橘樹呈現的特征,同時也會提取黃龍病傳播源的特征,基于LCMOPSO的柑橘黃龍病識別算法,從原始病害圖像特征中自動篩選出分類能力較強的特征向量,用于黃龍病病害圖像識別。

2 基于LCMOPSO的柑橘黃龍病識別算法

由于柑橘黃龍病特征呈現較為復雜,傳播源特征復雜,因此將柑橘黃龍病的特征選擇傳化為約束性多目標優化問題,約束性多目標優化問題常規化形式如下:

Fi(x)=minfi(x)=minfi(x1,x2,…,xn),i=1,2,…,k

s.t.gj(x)=gj(x1,x2,…,xn)<0,j=1,2,…,q

hj(x)=hj(x1,x2,…,xn)=0,j=q+1,…,m

(1)

2.1 LCMOPSO

由于柑橘黃龍病特征選擇的約束性多目標優化問題中的約束條件之間具有不同程度的相關性,因此不能使用典型的約束條件處理技術處理這個問題。由于基于勒貝格測度的約束性多目標粒子算法考慮了約束條件之間的影響對優化目標的影響,本研究采用基于勒貝格測度的多目標粒子群優化算法最優化柑橘黃龍病特征選擇。這里將要簡要概述基于勒貝格測度的約束性多目標粒子群算法。

第1步,初始化種群中粒子,同時采用原始目標函數估算所有粒子對應的目標值;將目標函數值進行非支配排序,并把非支配解拷貝到存檔中得到A1。

第2步,采用網格方法目標空間劃分成小區域,以此獲得當代種群中的全局最優粒子及局部最優粒子,然后更新粒子的運動速度及位置;根據個體的約束違反度判斷當前粒子是否可行粒子,保存出現的任意一個可行解到存檔中得到At,其中t表示第t代。

第3步,根據上一步得出的粒子群中粒子的可行率,采用公式(1)估算所有粒子對應的矯正后的目標函數值;根據矯正后的目標函數值對個體進行非支配排序,矯正后的目標值公式對于約束條件的處理是靈活而準確的,這將有效處理不可行的個體。

第4步,采用網格法選擇當代種群中的全局最優粒子及局部最優粒子;更新粒子的運動速度及位置獲得最優解。

第5步,更新存檔,如果一個可行子代支配存檔At+1中的某一個解,那么這個新的子代解將代替被支配的這個解。更新存檔的過程如下:(1)如果存檔At為空,將種群中的非支配解直接復制到At+1。(2)如果存檔At不是空集,只要種群中的某個粒子非支配存檔At中的粒子。

第6步,存檔At+1的截斷操作,當存檔中的粒子數超過了規定大小時,需要刪除多余的個體以維持穩定的At+1規模,對于粒子數多于1個的網格,網格中要刪除的粒子數為PN=lnt{(At+1-N)/At+1×Grid[kg,2]+0.5},然后在網格kg中,隨機刪除PN個粒子。

第7步,采用基于推拉搜索的自適應調整機制調整最優解與真實的Pareto前沿(PFtrue),在推入階段,使用無約束的多目標粒子群優化算法搜索不占優勢的解,而不考慮任何約束。在拉動階段,不可行的解決方案通過約束處理機制被拉到可行和非主導區域,該約束處理機制用來懲罰不可行的解決方案。自適應調整機制的目的是將不受約束的PF的位置移動到受約束的PF。

第8步,輸出存檔A中的粒子信息。

2.2 基于LCMOPSO的柑橘黃龍病特征選擇

圖像識別隨著其特征數量的增加,識別的復雜程度也增加,其主要原因是不能在大量的候選特征中快速準確地找出能夠代表問題性質的最優特征。找出較好的特征優選方法尤其重要,根據特征的集的特點(區分性、可靠性、獨立性),特征選擇的方法主要有窮舉法、隨機法與啟發式方法。窮舉法確保能找出最優,其缺點是有較高的復雜度且魯棒性低;隨機法簡單快速,但其缺點是不能保證結果最優;啟發式方法尋優速度快,魯棒性強,但其缺點是不能保證結果最優及未考慮約束性條件。因此,本研究采用LCMOPSO選擇具有代表性的特征,具體步驟如下。

2.2.1 構建柑橘黃龍病優化目標函數 圖像特征識別過程中主要特征依據為顏色特征及紋理特征,通常需要從眾多特征中選出最優特征進行對柑橘黃龍病圖像進行識別,因此特征優選過程是多目標優化過程。以選擇最大顏色特征值與最大紋理特征值為目標,如公式(2)、公式(3)所示。

對于顏色特征,帶黃龍病病斑的葉片也有大量的綠色部分,因此通過歸一化顏色分量藍色分量、藍色色度分量、顏色信息之間的相關度等因素選擇最優顏色特征,公式化改目標函數如下:

(2)

式中:x表示黃龍病的病斑特征;α1表示調整系數,通過隨機函數獲得;n1為原始特征總數;k1為預計所選特征個數;dy為黃色特征值;dg為綠色值。

對于紋理特征,在病斑周長、病斑面積、病斑圓度、形狀因子、相關信息測度因素特征中選擇最優紋理特征,其目標函數如下:

(3)

式中:so為特征值最大的紋理特征;sg是紋理特征平均值;n2為原始特征總數;k2為預計所選特征個數;α2為調整系數。

目標函數公式化為

maxfm(x)=[f1(x),f2(x)],m=1,2

k1

k2

。

(4)

2.2.2 基于LCMOPSO柑橘黃龍病特征優化的算法流程 采用LCMOPSO進行選擇最優特征,具體計算過程如下:

(1)初始化種群:

FORi=0 TOn;#n=粒子數

初始化POP[i];#將顏色特征與紋理特征作為粒子。

(2)初始化每個粒子的速度:

FORi=0 TOn;

Xj(k)=0;#第k代粒子i的速度。

(3)初始化每個粒子的內存(此內存在搜索空間粒子飛行過程中起指導性作用。該內存也存儲在存儲庫REP中):

FORi=0 TOn;

PBESRS[i]=POP[i]。

(4)采用距離測度約束條件處理方法[26]矯正目標空間,即是估計種群POP中的每個粒子的目標函數值。

(5)目標函數值進行非支配排序,同時采用archive控制器決定是否將某個非支配粒子的位置存儲到REP。采用支配排序法[26]判斷粒子是否存儲到REP中。

(6)將矯正后目標空間網格化,生成探索當前搜索空間的網格空間,并以這些網格作為坐標系統定位粒子,在這個坐標系統中,根據其目標函數的值定義每個粒子的坐標系。通過網格化空間選擇全局最優粒子最優特征組合。

2.3 柑橘黃龍病的識別

鑒于基于勒貝格測度的約束性多目標粒子群優化算法獲得了柑橘黃龍病最優特征子集,這里采用K近鄰分類算法實現識別柑橘黃龍病。將從贛南地區采集的臍橙圖片數據集劃分為數據訓練集(已知分類的樣本集)和測試集(未知分類的樣本集),將選出的最優特征子集作為已知分類的樣本集,將已知分類數據集標記為A,未知分類數據集標記為B。基于K近鄰分類算法的柑橘黃龍病分類的計算過程如下:

(1)采用scale歸一化對數據集A和B進行歸一化處理,scale歸一化的公式為:

(5)

式中:x表示特征值,mean(x)表示特征值的均值,sqrt[var(x)]表示特征值的方差的平方。

(2)采用歐氏距離計算測試集B中的每個樣本與已知樣本之間的距離。

(3)選擇K值,設置K=5。

(4)按距離從小到大進行排序,選取與當前點距離最小的K個點,并記錄對應的類。

(5)統計前K個點所在的類別出現的頻率。

(6)輸出前K個點出現頻率最高的類別作為當前點的預測分類,即是輸出柑橘黃龍病類別。

2.4 柑橘黃龍病識別系統設計

為方便用戶使用識別柑橘黃龍病,基于 CMOA-CHDIA開發PC端的web網頁柑橘黃龍病病害識別系統(圖1)。前端界面提供圖庫、上傳圖片、保存、保存并增加另1個和保存并繼續編輯等5個按鈕,可提供調用相冊上傳識別圖片、快速識別作物病害、保存識別記錄3種功能。

3 試驗仿真結果分析

試驗地點為贛州市安遠縣臍橙園,試驗時間為2020年1月至2021年12月。在通過基于LCMOPSO特征優選算法獲得的最優特征組基礎上,采用基于近鄰分類算法進行預測柑橘葉片的健康狀態,從而達到識別柑橘黃龍病的目的。本研究采用Python 3.7軟件進行仿真,測試了8 000張柑橘葉片樣本,柑橘葉片樣本來源于贛州市安遠縣臍橙園,將樣本數據庫中的不健康圖片標記為Positve,健康葉片標記為Negative,預測結果的信任度用Confidence標記。采用特征指標分析基于約束性多目標粒子群算法的柑橘黃龍病識別算法的性能,并與基于粒子群算法的多目標特征選擇算法(PSO-based multi-objective feature selection approach,簡稱PSO-MOFSA)、基于遺傳算法的特征選擇算法(feature selection method based on evolutionary algorithm,簡稱FSMEA)、基于差分進化算法(feature selection method based on difference evolutionary algorithm,簡稱FSMDEA)進行比較。試驗結果顯示,本研究提出的算法識別準確度為99.9%,這說明本研究提出的算法識別柑橘黃龍病具有良好的有效性。

3.1 數據集的獲取

試驗中需要的所有柑橘黃龍病病害圖片數據來源于江西省贛州市安遠縣臍橙園,通過無人機采集了100張原始圖像,大小為8 200×5 600,將原始圖像分割成大小為224×224的小圖片,最后選取 8 000 個樣本作為本試驗的數據集,其中6 500個樣本含有柑橘黃龍病,1 500個樣本未含有柑橘黃龍病。

3.2 圖像數據預處理

本研究從通過預處理的柑橘黃龍病圖像中提取出顏色特征及紋理特征。采用灰度統計直方圖特征進行顏色特征提取,從每個圖像的灰度矩陣的歸一化直方圖[p(k)]中提取顏色統計特征。采用局部二進制模式和局部相似性模式進行圖像紋理特征提取,局部二進制模式是一種創新的圖像紋理描述符。在此方法中,將3×3鄰域中的每個矩陣元素與中心元素進行比較,如果大于中心元素的值,則將其替換為1;如果小于中心元素,則將其替換為0。然后,將閾值假定為8位二進制數,并且其對應的十進制數將替換中央元素。類似地,在局部相似性模式中,將鄰域元素與中心元素進行比較。但是,每個相鄰元素和中心元素之間的關系用2位代碼描述。在此方法中,如果鄰域元素分別位于定義的相似性范圍內、之下或之內,則分別用00、01或10代替。然后,將每個元素代碼乘以其各自的權重。局部二進制模式和局部相似性模式采用相同的方法來防止由代碼旋轉引起的變化。通過旋轉代碼以獲得最小可能的十進制值來獲得旋轉不變性。采用公式(6)～公式(22)進行紋理特征提取。

灰度等級均值(μ):

(6)

其中,k表示灰度等級;p(k)表示第k灰度級出現的概率。

標準差(σ):

(7)

光滑度(SM):

SM=1-1/(1+σ2)。

(8)

均勻度(UN):

(9)

熵(EN):

(10)

最大灰度等級概率(pn):

pn=[k|p(k)=max]。

(11)

值域長度(VL):

VL={max[k|p(k)≠0]-min[k|p(k)≠0)]。

(12)

均值(μ′):

(13)

其中,i、j表示灰度等級;g(i,j)表示灰度等級i、j同時出現的概率。

方差(σ′2):

(14)

不同灰度等級之間的熵(END):

(15)

不同灰度等級之間的均勻度(UND):

(16)

不同灰度等級之間的同質度(HO):

(17)

慣性(IN):

(18)

簇陰影(CL):

(19)

簇突出(CLP):

(20)

不同灰度等級之間的最大灰度等級概率(pnd):

pnd=max[g(i,j)]。

(21)

不同灰度等級之間的相關度(RE):

(22)

圖像數據經過以上數據模型處理后,輸出Excel表,用于特征選擇和識別。

3.3 衡量性能指標

采用以下衡量指標衡量本研究提出的基于約束性多目標優化算法的柑橘黃龍病識別算法的性能。

3.3.1 準確度(Accuracy) 準確度是正確預測(錯誤和正常)總數與實際數據集大小的比例,準確度越高,說明算法識別質量越高。

(23)

式中:TP表示正確檢測到的目標數量;FP表示錯誤目標被檢測成正類的目標數量;TN表示錯誤類被檢測成錯誤類的目標數量;FN表示正確目標被檢測成正類的目標數量。

3.3.2 召回率(Recall) 召回率是正確預測的目標圖像數與目標檢測數量實際大小的比例,召回率越高,說明準確率越高。

(24)

3.3.3 精確率(Precision) 精確率是正確預測的目標圖像相對于預測的目標圖像大小的比例,精確率越大,說明預測的正確率越高。

(25)

3.3.4 F1-score F1-score是評價精確率和召回率的值,F1-score值越大,說明算法的綜合性能越好。

(26)

3.3.5 誤報率(FalseAlarmRate) 誤報率是錯誤預測的正常目標與正常目標實際大小的比例。

(27)

3.4 性能分析

這一部分將根據識別結果分析本研究提出的識別柑橘黃龍病算法的性能。由于篇幅關系,這里只列出部分識別結果。柑橘黃龍病的部分識別結果如圖2所示,將樣本數據庫中的不健康圖片標記為Positve,健康葉片標記為Negative,預測結果的信任度用Confidence標記,rigin表示原始圖像樣本標記類型,Predict表示圖像數據樣本預測結果,圖2-a表示不健康柑橘葉片的預測結果,圖2-b表示健康葉片的預測結果。

可以得到TP=6 432,FP=68,TN=1 452,FN=48,則可以計算算法CMOA-CHDIA、FSMEA、PSO-MOFSA和FSMDEA的準確度、召回率、精確率、F1-score和誤報率,計算結果見表1。從表1可知,本研究提出的算法CMOA-CHDIA的識別準確度為98.55%,相比于算法FSMEA、PSO-MOFSA和FSMDEA,CMOA-CHDIA的識別準確度是最高的,說明算法CMOA-CHDIA的識別正確率最高。本研究提出的算法CMOA-CHDIA的召回率為99.26%,遠遠高于算法FSMEA、PSO-MOFSA和FSMDEA的召回率,說明識別出每一個對象的能力最強。CMOA-CHDIA算法的精確率為98.95%,相對于算法FSMEA、PSO-MOFSA和FSMDEA,CMOA-CHDIA的精確率是最高的,說明它對正樣本結果中的預測準確程度是最高的。CMOA-CHDIA算法的F1-score為99.10%,相對于算法FSMEA、PSO-MOFSA和FSMDEA,CMOA-CHDIA的F1-score最大,說明算法CMOA-CHDIA的識別模型是最好的。CMOA-CHDIA算法的誤報率為4.47%,相對于算法FSMEA、PSO-MOFSA和FSMDEA,CMOA-CHDIA的誤報率最小,說明CMOA-CHDIA算法的識別錯誤率最小。

除了分析算法CMOA-CHDIA的準確率、召回率、精確率、F1-score和誤報率之外,還需要分析算法CMOA-CHDIA的運行時間。算法CMOA-CHDIA、FSMEA、PSO-MOFSA和FSMDEA的運行時間開銷比較結果(表1)表明,算法FSMEA的運行時間開銷為12.10 s,是最少的,算法CMOA-CHDIA的運行時間開銷為13.31 s, 排列第2位,但算法CMOA-CHDIA的準確率、召回率、精確率、F1-score 和誤報率遠遠高于算法FSMEA、PSO-MOFSA和FSMDEA,說明算法CMOA-CHDIA犧牲了運行時間獲得了更高的識別效果和有用性。針對柑橘黃龍病識別難的問題,識別效果和識別有用性比識別時間更重要,因此用算法CMOA-CHDIA識別柑橘黃龍病的性價比是最高的。

表1 算法CMOA-CHDIA、FSMEA、PSO-MOFSA、FSMDEA的比較結果

4 結論

相對于現階段病蟲害識別技術未考慮嚴重影響特征選擇的約束條件之間的影響,本研究將基于LCMOPSO的特征優選方法應用于柑橘黃龍病病害識別中,提出了基于LCMOPSO特征優選的柑橘黃龍病識別算法,得出以下結論:(1)分析柑橘黃龍病特征及傳染源特征得知,柑橘黃龍病特征之間交互較多,受環境影響變化較大,因此轉化最優化特征問題為一個約束性多目標優化問題。(2)采用LCMOPSO求解最優化柑橘黃龍病特征的約束性多目標優化問題,提出基于LCMOPSO的特征優選方法,獲取最優化特征子集。(3)將最優特征集輸入 近鄰分類算法,完成柑橘黃龍病分類,這使得柑橘黃龍病識別準確率更高。通過試驗證明,本研究提出的識別算法的識別準確率達到98.55%,說明本研究提出的算法能夠有效識別柑橘黃龍病病害葉片。