试验结果是从天津市农科院植保所农业创新基地日光温室6号棚中采集到黄瓜褐斑病、 白粉病、 霜霉病叶片, 并由植保专家协助拍摄, 每种病害照片各70幅。 图像采集于晴天, 采集时间为: 2016年5月15日早上4:00— 6:00, 图像采集设备为Cannon SX710HS数码相机, 采用自动模式。 在获取图后, 将图的尺寸统一处理为1 200× 900并保存为JPEG格式。 图像处理算法采用Matlab2017a 编程实现。

通过总结分析国内外相关研究现状^[9], 并结合所采集的黄瓜可见光图像数量, 选用训练集与测试集50:20的比例。 从采集的黄瓜叶部病害图像中, 挑选其中病斑特征较明显、 正常光照条件下、 正常角度下的病害图像, 挑选霜霉病、 白粉病、 褐斑病各50幅图像为训练样本, 每种病害各20幅为测试样本。 在作物叶片特征参数研究方面, 贾建楠^[10]提取了面积、 周长、 矩形度等10个黄瓜叶部病斑形状特征, 并将其运用于黄瓜病害的识别; 丁永军^[11]提取了面积、 矩形度、 圆形度等4个番茄冠层叶片形状特征参数, 为基于多光谱图像分析的番茄叶片营养素含量检测提供了一定的技术支持; Bashish^[12]提取了植物病斑的熵、 惯性矩、 逆差矩等10个纹理特征, 作为后续病害识别的依据, 结果正确率达到 93%。 Muthukannan^[13]提取了惯性矩、 能量、 相关度、 逆差矩、 面积等5个特征参数, 进行植物叶部病害识别; Verma^[14]提取了惯性矩、 相关性、 能量、 熵, R/G/B一阶矩、 R/G/B二阶矩等水稻叶片特征参数。 Singh^[15]提取了惯性矩、 能量、 逆差矩、 熵等4个植物叶片纹理参数, 达到了较高的病害正确识别率。 邓立苗^[16]圆形度, RGB和HSV颜色空间的R, G, B, H, S和V六个分量的一阶矩、 二阶矩, 熵等玉米叶片参数, 实现了玉米品种的识别在总结分析国内外相关文献的基础上, 在植物叶片特征参数提取领域内, 很多学者提取面积、 周长、 矩形度、 惯性矩、 逆差矩, 5个形状特征参数; 能量、 熵、 圆形度、 纵横轴比, 4个纹理特征参数; R/G/V一阶矩、 R/G/V二阶矩, 6个纹理特征参数, 因此, 本研究提取该15个特征值。 另外, 对RGB颜色空间下的霜霉病、 褐斑病和白粉病的各分量灰度图进行处理, 发现通过R和G分量灰度图比较清楚看到黄瓜病斑, 受光照影响较小。

小波分析具有低熵性、 多分辨率、 去相关性和选基灵活性的特点, 广泛应用于去除光谱背景噪音、 仪器干扰方面。 由于经过软阈值函数的作用, 小波系数在小波域就比较光滑了, 得到的图像很平滑。

因此利用软阈值估计小波系数, 软门限去噪滤波器阈值表达式为式(1), 小波系数表达式为式(2), 完成表达式为式(3)。 完成软门限去噪算法处理后, 各高频子带进行小波反变换。

其中, N是图像像素个数, σ 为方差。

f(i, j)=sign(y(i, j))×(|y(i, j)|-λ)=y(i, j)-λ, y(i, j)> λ0, y(i, j)=λy(i, j)+λ, y(i, j)< λ(3)

支持向量机(SVM)是二十世纪九十年代兴起的一种机器学习方法, 它遵循结构风险最小化原则, 能解决传统机器学习中在小样本、 非线性等情形下常见的陷入局部最优以及过学习等问题, 对于非线性建模、 解决样本量偏少和数据挖掘领域具有很强的能力。 SVM使用的核函数通过将数据映射到高维空间, 来解决在原始空间中线性不可分的问题。 在SVM分类中, 不同的核函数, 分类精度也不同, 本研究通过交叉验证选择最优参数c和g, 对核函数参数进行优化处理, 并对比3种核函数, 建立识别效果最好的核函数SVM识别模型。

采用K均值聚类算法, 使用最大类间方差确定的阈值作为K均值聚类算法初始聚类中心的数据筛选参考, K均值聚类方法的公式如式(4)。 采用大津法、 Sobel算子分割和Canny算子分割与K均值聚类算法进行对比, 如图1和图2所示, 其中图中标题“ 最终结果” 是K均值聚类算法的效果图。

peakDis=∑i=0Mdis(i)M(4)

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 霜霉病分割方法结果对比Fig.1 Comparison of the downy mildew segmentation results

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 褐斑病分割方法结果对比Fig.2 Comparison of the target leaf spot segmentation results

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 白粉病分割方法结果对比Fig.3 Comparison of the powdery mildew segmentation results

随机选取30幅黄瓜叶部病害样本进行病斑分割, 对三种分割结果进行对比分析, 如表1所示。

表1

Table 1

表1(Table 1)

表1 4种分割方法效果对比 Table 1 Comparison of segmentation results 分割方法 平均错分率/% 运行时间/s 最大类间方差法 43.71 1.41 Canny算子边缘分割 59.85 1.37 Sobel算子边缘分割 52.15 1.23 K均值聚类 7.27 1.12

表1 4种分割方法效果对比 Table 1 Comparison of segmentation results

对提取出来的病斑数据进行复原, 得到彩色病斑图, 如图4所示。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 病斑特征提取结果部分图像Fig.4 The detection results of the lesion image

从图1— 图4可看出, 基于K均值聚类算法能够完整的保留病斑信息, 同时也会把部分健康叶片保留下来, 虽有可能会形成一定的干扰, 但并不会影响最终的结果。

2.2.1 核函数参数优化处理

使用不同的核函数表现为不同的SVM算法。 常用的核函数主要有: 线性核函数、 多项式核函数、 径向基核函数等, 如下所示:

①线性核函数

K(X, Y)=< X, Y> (5)

②多项式核函数

K(X, Y)=(< X, Y> +c)q(6)

式(5)和式(6)中: c为常数; q为多项式指数。 当c=0, q=1时, 该核函数就是线性核函数。

③径向基核函数

K(X, Y)=exp|X-Y|22σ2(7)

式(7)中: |X-Y|为两个向量之间的距离; g=1/2σ ²是特定范围内的常数。

2.2.2 核函数参数优化处理

在MATLAB中可利用程序段随机生成在[0, 100]范围内的参数c和在[-100, 100]范围内的参数g。 对于取定的c和g把训练样本作为原始数据样本利用常见的K折交叉验证法(K-CV)得到在此组c和g下训练集验证分类准确率, 最终取最高准确率的那组c和g作为最佳参数, 若存在最高准确率相同的情况, 选择c最小时搜索到的第一组c和g, 因为过高的c会导致过学习状态发生。 将c和g划分网格进行搜索, 采用K-CV方法将训练样本大致分为k组, 以此时的训练样本作为测试样本, 其他作为训练样本, 记录下此时的准确率。 由于必须将c和g的值进行离散化查找, 在这里将c和g在2的指数范围网格内进行查找。 其中训练样本和训练样本标签是必须输入的参数, 其他的采用默认值即可。 可以先在大的范围内寻找最佳参数c和g, 参数粗略选择结果如图5所示。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 参数c和g粗略选择结果Fig.5 Parameter c and g rougi selection results chart

图5中x轴表示c取以2为底的对数后的值, y轴表示g取以2为底的对数后的值, 等高线表示的取相应的c和g后对应的K-CV方法的准确率, 从图5看出, 可将c的范围缩小至2^-2~2⁴, 同时g的范围可以缩小至2^-4~2⁴, 即可进行精细参数选择, 参她精细选择结果图如图6所示, 由图6可知, c取值为0.13, g取值为0.13为最优参数。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 参数c和g精细选择结果图Fig.6 Parameter c and g fine selection results chart

2.2.3 多种核函数分析对比

此时在不同核函数情况下的正确识别率如图7所示。

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 不同核函数的病害正确识别率(%)Fig.7 The correct identification rate of diseases with different kernel functions(%)

由图7实验结果可知, 当选用上文中确定的c为0.13, g为0.13的参数值, 并采用RBF核函数时, 病害平均正确识别率最高91.667%; 因此本研究采用RBF核函数作为SVM的核函数, 惩罚参数c=0.13, 核函数参数g=0.13。

模式识别是对时间和空间不同方面的信息分布, 通过某种模型方法, 将具体的模式分类到不同的类别中去。 随着近些年来学者们对模式识别技术研究不断深入, 常用的模式识别方法除了SVM识别方法外, 还有BP神经网络识别方法和模糊聚类识别方法。

利用这3种常见模式识别方法分别构建黄瓜叶部病害识别模型, 并通过分析比较3种不同模式识别方法对黄瓜霜霉病、 褐斑病、 白粉病的正确识别率和对应的运行时间, 验证出最佳的模式识别方法。 本研究构建BP神经网络模型: 首先结合本研究, 确定一个3层BP神经网络, 输入层含15个神经元(15个特征参数), 输出层含3个神经元(3种病害), 通过最小二乘法拟合值确定隐含层节点个数的初始值8, 选用试凑法确定最佳的节点数, 当隐含层节点数为16时, 收敛速度适中、 误差小, 收敛适中且分类误差率小。 在MATLAB软件的BP网络工具箱中包含的多种工具函数, 进行BP网络分析和设计。 本研究构建模糊聚类模型: 根据黄瓜病害识别的特征向量及其他约束条件, 要将待识未知病害图像分配到各自的模式类中去。 试验中分类器的设计分为样本训练和模糊聚类。 样本训练就是为了得到标准的模糊模式, 使其与未知病害图像数据进行比较, 从而对输入的图像数据分类。 根据农业植保专家提出的黄瓜这三种病害(霜霉病、 褐斑病、 白粉病)诊断标准, 选择150个样本(三种病害各50个样本)作为训练样本集, 得到训练样本的特征向量矩阵, 再把150个样本划分成k个区域(设k=3)。 样本训练结束后, 模式库中就保存了已知样本的模式特征, 这些特征将作为输入黄瓜未知病害图像的分类依据。 利用模糊C-均值算法对黄瓜病害进行聚类分析, 该算法基于最小方差准则的模糊聚类。 算法流程如下: (1)输入病害的150个样本; (2)提取15个特征值, 组成特征向量, 并将其归一化, 组成模糊向量; (3)计算3个模式中的聚类中心; (4)输入待识别样本; (5)提取样本的15个特征值, 将特征向量归一化, 转换为模糊向量; (6)计算样本与各聚类中心的贴近度, 将其指派到最大贴近度的聚类中心的类中。

2.3.1 正确识别率的分析

将60个测试样本(霜霉病、 褐斑病、 白粉病各随机20个)所提取的特征值作为SVM和BP神经网络和模糊聚类三种分类器的输入, 进行各模型验证测试。 图8— 图10中横坐标表示测试样本数, 纵坐标表示病害种类, “ 1” 表示霜霉病实际值, “ 2” 表示褐斑病实际值, “ 3” 表示白粉病实际值;

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 SVM病害识别正确识别率对比Fig.8 Classification results of SVM identification model

图9

Fig.9

	Figure Option ViewDownloadNew Window
	图9 BP神经网络病害识别正确识别率对比Fig.9 Classification results of BP neural network identification model

图10

Fig.10

	Figure Option ViewDownloadNew Window
	图10 模糊聚类病害识别正确识别率对比Fig.10 Classification results of fuzzy clustering identification model

“ 蓝色线” 表示预测值。 以下是基于正确识别率对识别结果进行的比较与分析。

从上述病害分类识别结果图可看出, 基于SVM的霜霉病分类识别中20个测试数据有1个出现分类识别错误, 故正确识别率为95%; 同理可知, 基于SVM的褐斑病分类识别中20个测试数据有2个出现分类识别错误, 正确识别率为90%; 白粉病与褐斑病相同, 也有2个错误识别, 正确识别率为90%。 由于白粉病与褐斑病在形状、 纹理特征方面有较高的相似性, 出现了白粉病和褐斑病的识别错误, 在以后的研究中, 会加强特征参数提取方面的研究。 基于BP神经网络的霜霉病分类识别中20个测试数据中出现了2个分类识别错误, 故正确识别率为90%; 同理可知, 褐斑病分类识别中20个测试数据有3个出现分类识别错误, 正确识别率为85%; 白粉病分类识别中20个测试数据有4个出现分类识别错误, 正确识别率为80%。 基于模糊聚类的霜霉病和褐斑病分类识别中均出现了3个分类识别错误, 故正确识别率均为85%; 白粉病分类识别中20个测试数据有5个出现分类识别错误, 正确识别率为75%。

将上述结论进行总结, 如表2所示。

表2

Table 2

表2(Table 2)

表2 基于不同分类器3种黄瓜病害的正确识别率 Table 2 Correct identification rate of three kinds of identification model 正确识别数/幅 识别率/% SVM BP 模糊聚类 SVM BP 模糊聚类 霜霉病 19 18 17 95 90 85 褐斑病 18 17 17 90 85 85 白粉病 18 16 15 90 80 75 平均 18 17 16 92 85 82

表2 基于不同分类器3种黄瓜病害的正确识别率 Table 2 Correct identification rate of three kinds of identification model

2.3.2 运行时间的分析

运行时间多少直接影响识别效率的高低, 因此在考虑正确识别率的同时, 运行时间的长短也要作为评判方法优劣的必要因素。

从表3可以看出, 识别同种病害时, 无论是白粉病、 褐斑病还是霜霉病都是SVM运行时间明显加快; 若不考虑病害种类, 仍然是采用支持向量机模式识别方法运行时间最短。

表3

Table 3

表3(Table 3)

表3 基于不同分类器的3种黄瓜病害识别的运行时间(s) Table 3 Disease identification operation time three kinds of identification model SVM BP 模糊聚类 霜霉病 3.98 7.31 7.30 褐斑病 4.03 7.47 7.62 白粉病 4.22 8.06 7.45

表3 基于不同分类器的3种黄瓜病害识别的运行时间(s) Table 3 Disease identification operation time three kinds of identification model

2.3.3 综合比较与分析

综合以上两点分析指标, 通过柱状图的表达方式, 可以更加直观地对不同病害不同识别方法进行比较, 如图11、 图12所示。

图11

Fig.11

	Figure Option ViewDownloadNew Window
	图11 基于不同分类器3种黄瓜病害分类识别的正确识别率(%)Fig.11 The correct recognition rate of three cucumber diseases classification based on different classifiers

图12

Fig.12

	Figure Option ViewDownloadNew Window
	图12 基于不同分类器的3种黄瓜病害识别的运行时间(s)Fig.12 The operation times of three cucumber disease identification based on different classifiers

试验结果表明, 对于白粉病, 模糊聚类分类方法识别准确率为75%, 识别效果较差, 而基于SVM分类方法有较好的识别效果, 识别准确率高达90%; 对于褐斑病来说, 模糊聚类和BP神经网络的识别准确率均为85%, 基于SVM分类方法的识别准确率为90%; 对于霜霉病来说, 模糊聚类和BP神经网络均有较好的识别效果, 识别准确率均为90%, 而基于SVM分类方法识别准确率高达95%, 识别效果最佳。 对于黄瓜以上三种病害的识别基于SVM识别方法准确率均高于另两种识别方法, 可见基于支持向量机的模式识别法是一种可行的识别方法。 从运行时间上看, 在同样条件下基于SVM的三种病害识别速度比BP神经网络和模糊聚类识别速度都快, 且有一定差距。 综合考虑正确识别率和识别速度, 分析可得出基于SVM的识别方法更适合黄瓜叶部病害识别。