《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 測(cè)試測(cè)量 > 設(shè)計(jì)應(yīng)用 > 基于平均影響值和支持向量機(jī)的小麥病害識(shí)別
基于平均影響值和支持向量機(jī)的小麥病害識(shí)別
2015年電子技術(shù)應(yīng)用第6期
夏永泉，李耀斌，黃海鵬
鄭州輕工業(yè)學(xué)院 計(jì)算機(jī)與通信工程學(xué)院，河南 鄭州450001
摘要： 為了提高小麥病害識(shí)別準(zhǔn)確率，提出了一種基于平均影響值思想和支持向量機(jī)的小麥病害識(shí)別方法。首先，使用閾值分割方法對(duì)小麥葉片圖像進(jìn)行分割；其次，利用灰度共生矩陣和顏色矩提取病害的紋理和顏色特征；再次，將平均影響值思想應(yīng)用于支持向量機(jī)回歸進(jìn)行特征變量優(yōu)選；最后，將優(yōu)選出的特征變量作為支持向量機(jī)的輸入向量進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明，經(jīng)過特征變量優(yōu)選，特征變量個(gè)數(shù)由14個(gè)減少到7個(gè)，識(shí)別準(zhǔn)確率達(dá)到96.25%，為農(nóng)田小麥病害識(shí)別提供了有效方法。
中圖分類號(hào)： TP391
文獻(xiàn)標(biāo)識(shí)碼： A
文章編號(hào)： 0258-7998(2015)06-0136-03
Recognition of wheat diseases based on mean impact value and support vector machine
Xia Yongquan，Li Yaobin，Huang Haipeng
College of Computer and Communication Engineering，Zhengzhou University of Light Industry，Zhengzhou 450001，China
Abstract： To improve the recognition accuracy of wheat diseases, a recognition method of wheat diseases based on the idea of mean impact value and support vector machine is proposed. Firstly, the threshold segmentation method is used for the segmentation of wheat leaf image. Secondly, the gray-level co-occurrence matrix and the color moment are used for the extraction of texture and color characteristics of diseases. Thirdly, the idea of mean impact value is applied to the support vector machine regression to conduct the characteristic variable optimization. Finally, the optimized characteristic variables are used as the input vectors of support vector machine to conduct the recognition. Experiments showed that the number of characteristic variables was reduced from 14 to 7 and that the recognition accuracy reached 96.25% after the characteristic variable optimization, thereby providing an effective method for the recognition of farmland wheat diseases.
Key words : mean impact value；support vector machine；feature selection；texture feature；color moment

  0 引言

    小麥?zhǔn)俏覈饕募Z食作物之一，種植面積位居第二，僅次于水稻。病蟲害問題是影響小麥產(chǎn)量和質(zhì)量的關(guān)鍵問題之一。全世界正式記載的小麥病害有200余種，在我國發(fā)生較嚴(yán)重的有20余種。小麥病害檢測(cè)識(shí)別的研究具有重要經(jīng)濟(jì)和社會(huì)意義。隨著計(jì)算機(jī)技術(shù)和圖像處理技術(shù)的發(fā)展，自動(dòng)識(shí)別農(nóng)作物病害已經(jīng)成為研究的熱點(diǎn)[1-5]。余秀麗[6]等提取小麥病害形狀特征和紋理特征共13個(gè)特征變量，以支持向量機(jī)作為識(shí)別模型，具有較高準(zhǔn)確率。王美麗[7]等提取小麥病害顏色特征和形狀特征共14個(gè)變量，采用逐步判別分析法進(jìn)行變量篩選，識(shí)別效果較好。李冠林[8]等提取形狀、顏色和紋理特征共50個(gè)特征變量，并通過不同特征結(jié)合進(jìn)行識(shí)別，優(yōu)選出26個(gè)特征變量，可有效對(duì)小麥條銹病和葉銹病識(shí)別。在進(jìn)行病害識(shí)別時(shí)，各種特征變量對(duì)病害識(shí)別的貢獻(xiàn)不同，因此需要進(jìn)行特征變量篩選。當(dāng)特征變量較多時(shí)，拼湊方式進(jìn)行特征變量篩選效率太低。

    病害識(shí)別是防治的前提，本文采集小麥白粉病、條銹病、葉銹病和稈銹病4種病害圖像，通過閾值分割提取小麥病斑區(qū)域，利用灰度共生矩陣和顏色矩提取病害的紋理和顏色特征，并結(jié)合平均影響值思想和支持向量機(jī)實(shí)現(xiàn)特征變量的優(yōu)選和小麥病害的識(shí)別。旨在更好地實(shí)現(xiàn)小麥病害的機(jī)器視覺識(shí)別。

1 特征提取

1.1 紋理特征

    灰度共生矩陣是由Haralick[9]提出的一種用來分析圖像紋理特征的重要方法，它能較精確地反映紋理粗糙程度和重復(fù)方向。Ulaby[10]等人研究發(fā)現(xiàn):在灰度共生矩陣的14個(gè)紋理特征中,僅有4個(gè)特征是不相關(guān)的,這4個(gè)特征不僅便于計(jì)算，而且分類精度較高。其計(jì)算公式如下：

    (1)角二階矩：

    jsj1-gs1-4.gif

    計(jì)算角二階矩、慣性矩、熵、相關(guān)性4個(gè)參量在0°、45°、90°、135° 4個(gè)方向上的值，將角二階矩的均值和方差、慣性矩的均值和方差、熵的均值和方差、相關(guān)性的均值和方差共8個(gè)量作為紋理特征參數(shù)。

1.2 顏色特征

    顏色特征非常穩(wěn)定，是病害識(shí)別的一個(gè)重要參數(shù)[11]。顏色矩[12]是由Stricker和Orengo提出的一種簡單有效的顏色特征表示方法。由于顏色信息主要分布于低階矩中，提取RGB顏色空間各分量的一階矩和二階矩共6個(gè)量作為顏色特征參數(shù)。計(jì)算每一個(gè)顏色通道的一階矩和二階矩，記i通道的第j個(gè)像素為pij，N為像素總數(shù)，其計(jì)算公式如下：

    (1)一階矩：

    jsj1-gs5-6.gif

2 特征變量篩選

    平均影響值(MIV)反應(yīng)了神經(jīng)網(wǎng)絡(luò)中權(quán)重矩陣的變化情況，被認(rèn)為是在神經(jīng)網(wǎng)絡(luò)中評(píng)價(jià)變量相關(guān)性最好的指標(biāo)之一。將平均影響值的思想應(yīng)用于支持向量機(jī)回歸中實(shí)現(xiàn)非線性的特征變量篩選，以提高小麥病害的識(shí)別精度、減少訓(xùn)練和識(shí)別時(shí)間。特征變量篩選過程如下：

    對(duì)于一個(gè)具有n個(gè)變量的自變量向量進(jìn)行m次觀測(cè)，可以得到X=[x1，x2，…，xm]T的變量空間，它所對(duì)應(yīng)的因變量可以寫為Y=[y1，y2，…，ym]T。

    使用擁有m個(gè)樣本的自變量向量X對(duì)支持向量機(jī)進(jìn)行訓(xùn)練得到預(yù)測(cè)模型。將用于訓(xùn)練的自變量空間進(jìn)行如下變換，得到2n個(gè)新的自變量空間(i=1，2，…，n)：

    jsj1-gs7.gif

    把新的自變量空間作為訓(xùn)練得到的預(yù)測(cè)模型的輸入，經(jīng)過支持向量機(jī)回歸預(yù)測(cè)可以得到第i個(gè)自變量變化時(shí)與之對(duì)應(yīng)的2n個(gè)輸出向量(i=1，2，…，n)：

    jsj1-gs8-9.gif

    對(duì)式(8)、式(9)中兩個(gè)向量做差運(yùn)算，得到第i個(gè)自變量變動(dòng)后對(duì)輸出產(chǎn)生的影響變化值向量：

    jsj1-gs10.gif

    將IVi按觀測(cè)例數(shù)平均得到第i個(gè)自變量對(duì)于因變量的平均影響值MIVi：

    jsj1-gs11.gif

    MIVi為第i個(gè)自變量對(duì)輸出結(jié)果產(chǎn)生的平均影響變化值，正負(fù)號(hào)表示自變量對(duì)因變量產(chǎn)生影響的方向，絕對(duì)值大小表示自變量對(duì)因變量的影響程度。根據(jù)MIV絕對(duì)值的大小為自變量排序，刪除對(duì)識(shí)別結(jié)果影響較小的特征變量，即實(shí)現(xiàn)了變量篩選。

3 病害識(shí)別

    將已采集的小麥葉片圖像分割后，分別提取病害區(qū)域紋理特征和顏色特征。紋理特征主要提取的是角二階矩、慣性矩、熵、相關(guān)性在0°、45°、90°、135° 4個(gè)方向的均值和方差，顏色特征主要提取的是R、G、B三通道的顏色一階矩和二階矩。將提取出的特征變量進(jìn)行篩選，選出對(duì)識(shí)別結(jié)果影響較大的特征作為輸入向量。建立基于徑向基核函數(shù)的支持向量機(jī)分類模型，輸入優(yōu)選特征實(shí)施小麥病害識(shí)別實(shí)驗(yàn)。病害識(shí)別流程圖如圖1所示。

jsj1-t1.gif

4 實(shí)驗(yàn)與分析

    葉片健康區(qū)域通常為綠色，病害區(qū)域?yàn)榉蔷G色，依據(jù)植物葉片和病斑顏色特征差異大的特點(diǎn)，采用經(jīng)典閾值分割方法簡單有效，小麥葉片圖像和對(duì)應(yīng)的分割病斑圖像如2所示。

jsj1-t2.gif

    以MATLAB7.0作為圖像處理和分析平臺(tái)進(jìn)行試驗(yàn)，選取小麥白粉病、條銹病、葉銹病和稈銹病病害圖像80張(每種病害各20張)作為訓(xùn)練樣本，再選取80張(每種病害各20張)作為測(cè)試樣本。計(jì)算訓(xùn)練樣本圖像的紋理特征和顏色特征，并對(duì)其進(jìn)行特征變量篩選。根據(jù)每個(gè)特征變量對(duì)識(shí)別結(jié)果的影響程度進(jìn)行排序，排序結(jié)果如表1所示。

jsj1-b1.gif

    為了使得到的支持向量機(jī)分類器的學(xué)習(xí)能力與推廣能力保持平衡，有效地避免過學(xué)習(xí)和欠學(xué)習(xí)狀況的發(fā)生。采用交叉驗(yàn)證(K-CV)的方法進(jìn)行參數(shù)尋優(yōu)，讓c和g在[-10，10]內(nèi)取值，對(duì)于取定的c和g，把訓(xùn)練集作為原始數(shù)據(jù)集利用K-CV方法得到在此組c和g下訓(xùn)練集驗(yàn)證分類準(zhǔn)確率，取訓(xùn)練集驗(yàn)證分類準(zhǔn)確率最高的那組c和g作為最優(yōu)參數(shù)。根據(jù)MIV位次表，當(dāng)取7個(gè)特征變量分類時(shí)，最優(yōu)參數(shù)c=8，g=1.414 2。當(dāng)取14個(gè)特征變量分類時(shí)，最優(yōu)參數(shù)c=1.414 2，g=2。參數(shù)選擇結(jié)果的3D視圖如圖3所示。

jsj1-t3.gif

    計(jì)算測(cè)試樣本圖像的紋理特征和顏色特征，分別使用優(yōu)選的7個(gè)特征變量和14個(gè)特征變量對(duì)小麥病害進(jìn)行分類識(shí)別，分類準(zhǔn)確率如表2所示。

jsj1-b2.gif

    由上述實(shí)驗(yàn)結(jié)果可知，冗余特征變量會(huì)使識(shí)別模型訓(xùn)練時(shí)學(xué)習(xí)過多的樣本特征，而不能反映內(nèi)含的主要規(guī)律，導(dǎo)致預(yù)測(cè)能力下降。將平均影響值的思想應(yīng)用于支持向量機(jī)回歸進(jìn)行非線性變量篩選，篩選出的7個(gè)特征變量作為輸入向量具有更優(yōu)的識(shí)別準(zhǔn)確率，并且程序運(yùn)行時(shí)間縮短。

    以G分量一階矩、G分量二階矩、R分量二階矩、B分量二階矩、R分量一階矩、熵均值、B分量一階矩作為輸入向量對(duì)小麥白粉病、條銹病、葉銹病和稈銹病分類效果較好，表明該方法用于識(shí)別小麥葉部病害是有效可行的。

5 結(jié)語

    本文采用經(jīng)典閾值分割方法對(duì)小麥病害圖像進(jìn)行分割簡單有效。將平均影響值思想應(yīng)用于支持向量機(jī)回歸得到7個(gè)重要特征，簡化了分類模型結(jié)構(gòu)，提高了小麥病害識(shí)別準(zhǔn)確率，為農(nóng)田小麥病害診斷提供了有效的識(shí)別方法。

參考文獻(xiàn)

[1] 楊倩，高曉陽，武季玲，等.基于顏色和紋理特征的大麥主要病害識(shí)別研究[J].中國農(nóng)業(yè)大學(xué)學(xué)報(bào)，2013，(18)5：129-135.

[2] 劉濤，仲曉春，孫成明，等.基于計(jì)算機(jī)視覺的水稻葉部病害識(shí)別研究[J].中國農(nóng)業(yè)科學(xué)，2014，47(4)：664-674.

[3] 劉連忠，張武，朱誠.基于改進(jìn)顏色特征的小麥病害圖像識(shí)別技術(shù)研究[J].安徽農(nóng)業(yè)科學(xué)，2012，40(26)：12877-12879.

[4] PUJARI J D，YAKKUNDIMATH R，BYADGI A S.Classification of fungal disease symptoms affected on cereals using color texture features[J].International Journal of Signal Processing，2013，6(6)：321-330.

[5] SANNAKKI S S，RAJPUROHIT V S，NARGUND V B，et al.Leaf disease grading by machine vision and fuzzy logic[J].Int.J.Comp.Tech.Appl，2011，2(5)：1709-1716.

[6] 余秀麗，徐超，王丹，等.基于SVM的小麥葉部病害識(shí)別方法研究[J].農(nóng)機(jī)化研究，2014，36(11)：151-155.

[7] 王美麗，牛曉靜，張宏鳴，等.小麥葉部常見病害特征提取及識(shí)別技術(shù)研究[J].計(jì)算機(jī)工程與應(yīng)用，2014，50(7)：154-157.

[8] 李冠林，馬占鴻，王海光.基于支持向量機(jī)的小麥條銹病和葉銹病圖像識(shí)別[J].中國農(nóng)業(yè)大學(xué)學(xué)報(bào)，2012，17(2)：72-79.

[9] HARALICK R M，SHANMUGAM K.Texture features for image classification[J].IEEE Trans.on Sys，Man，and Cyb，1973，SMC-3(6)：610-621.

[10] ULABY F T，KOUYATE F，BRISCO B，et al.Textural information in SAR Images[J].IEEE Transactions on Geoscience and Remote Sensing，1986，24(2)：235-245.

[11] 張永梅，吳攀，李煒.一種圖像敏感對(duì)象的識(shí)別方法[J].計(jì)算機(jī)測(cè)量與控制，2014，22(7)：2167-2169.

[12] STRICKER M，ORENGO M.Similarity of color images[C].SPIE Storage and Retrieval for Image and Video Databases Ⅲ，1995：381-392.

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。