《電子技術(shù)應用》
您所在的位置：首頁 > 測試測量 > 設計應用 > 基于平均影響值和支持向量機的小麥病害識別
基于平均影響值和支持向量機的小麥病害識別
2015年電子技術(shù)應用第6期
夏永泉，李耀斌,，黃海鵬
鄭州輕工業(yè)學院 計算機與通信工程學院,，河南 鄭州450001
摘要： 為了提高小麥病害識別準確率,，提出了一種基于平均影響值思想和支持向量機的小麥病害識別方法,。首先,，使用閾值分割方法對小麥葉片圖像進行分割,；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用于支持向量機回歸進行特征變量優(yōu)選,；最后,，將優(yōu)選出的特征變量作為支持向量機的輸入向量進行識別。實驗結(jié)果表明,，經(jīng)過特征變量優(yōu)選,，特征變量個數(shù)由14個減少到7個，識別準確率達到96.25%,，為農(nóng)田小麥病害識別提供了有效方法,。
中圖分類號： TP391
文獻標識碼： A
文章編號： 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

    小麥是我國主要的糧食作物之一,，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)生較嚴重的有20余種,。小麥病害檢測識別的研究具有重要經(jīng)濟和社會意義,。隨著計算機技術(shù)和圖像處理技術(shù)的發(fā)展，自動識別農(nóng)作物病害已經(jīng)成為研究的熱點[1-5],。余秀麗[6]等提取小麥病害形狀特征和紋理特征共13個特征變量,，以支持向量機作為識別模型，具有較高準確率,。王美麗[7]等提取小麥病害顏色特征和形狀特征共14個變量,，采用逐步判別分析法進行變量篩選,，識別效果較好,。李冠林[8]等提取形狀、顏色和紋理特征共50個特征變量,，并通過不同特征結(jié)合進行識別,，優(yōu)選出26個特征變量，可有效對小麥條銹病和葉銹病識別,。在進行病害識別時,，各種特征變量對病害識別的貢獻不同，因此需要進行特征變量篩選,。當特征變量較多時,，拼湊方式進行特征變量篩選效率太低。

    病害識別是防治的前提,，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實現(xiàn)特征變量的優(yōu)選和小麥病害的識別。旨在更好地實現(xiàn)小麥病害的機器視覺識別,。

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方向。Ulaby[10]等人研究發(fā)現(xiàn):在灰度共生矩陣的14個紋理特征中,僅有4個特征是不相關(guān)的,這4個特征不僅便于計算,，而且分類精度較高,。其計算公式如下：

    (1)角二階矩：

    jsj1-gs1-4.gif

    計算角二階矩、慣性矩,、熵,、相關(guān)性4個參量在0°、45°,、90°,、135° 4個方向上的值，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,，是病害識別的一個重要參數(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個量作為顏色特征參數(shù)。計算每一個顏色通道的一階矩和二階矩,，記i通道的第j個像素為pij,，N為像素總數(shù)，其計算公式如下：

    (1)一階矩：

    jsj1-gs5-6.gif

2 特征變量篩選

    平均影響值(MIV)反應了神經(jīng)網(wǎng)絡中權(quán)重矩陣的變化情況,，被認為是在神經(jīng)網(wǎng)絡中評價變量相關(guān)性最好的指標之一,。將平均影響值的思想應用于支持向量機回歸中實現(xiàn)非線性的特征變量篩選，以提高小麥病害的識別精度,、減少訓練和識別時間,。特征變量篩選過程如下：

    對于一個具有n個變量的自變量向量進行m次觀測，可以得到X=[x1,，x2,，…，xm]T的變量空間,，它所對應的因變量可以寫為Y=[y1,，y2，…,，ym]T,。

    使用擁有m個樣本的自變量向量X對支持向量機進行訓練得到預測模型,。將用于訓練的自變量空間進行如下變換，得到2n個新的自變量空間(i=1,，2,，…，n)：

    jsj1-gs7.gif

    把新的自變量空間作為訓練得到的預測模型的輸入,，經(jīng)過支持向量機回歸預測可以得到第i個自變量變化時與之對應的2n個輸出向量(i=1,，2，…,，n)：

    jsj1-gs8-9.gif

    對式(8),、式(9)中兩個向量做差運算，得到第i個自變量變動后對輸出產(chǎn)生的影響變化值向量：

    jsj1-gs10.gif

    將IVi按觀測例數(shù)平均得到第i個自變量對于因變量的平均影響值MIVi：

    jsj1-gs11.gif

    MIVi為第i個自變量對輸出結(jié)果產(chǎn)生的平均影響變化值,，正負號表示自變量對因變量產(chǎn)生影響的方向,，絕對值大小表示自變量對因變量的影響程度。根據(jù)MIV絕對值的大小為自變量排序,，刪除對識別結(jié)果影響較小的特征變量,，即實現(xiàn)了變量篩選。

3 病害識別

    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行篩選,，選出對識別結(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)的支持向量機分類模型,，輸入優(yōu)選特征實施小麥病害識別實驗,。病害識別流程圖如圖1所示。

jsj1-t1.gif

4 實驗與分析

    葉片健康區(qū)域通常為綠色,，病害區(qū)域為非綠色,，依據(jù)植物葉片和病斑顏色特征差異大的特點，采用經(jīng)典閾值分割方法簡單有效,，小麥葉片圖像和對應的分割病斑圖像如2所示,。

jsj1-t2.gif

    以MATLAB7.0作為圖像處理和分析平臺進行試驗,，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)作為訓練樣本,，再選取80張(每種病害各20張)作為測試樣本。計算訓練樣本圖像的紋理特征和顏色特征,，并對其進行特征變量篩選,。根據(jù)每個特征變量對識別結(jié)果的影響程度進行排序，排序結(jié)果如表1所示,。

jsj1-b1.gif

    為了使得到的支持向量機分類器的學習能力與推廣能力保持平衡,，有效地避免過學習和欠學習狀況的發(fā)生。采用交叉驗證(K-CV)的方法進行參數(shù)尋優(yōu),，讓c和g在[-10,，10]內(nèi)取值，對于取定的c和g,，把訓練集作為原始數(shù)據(jù)集利用K-CV方法得到在此組c和g下訓練集驗證分類準確率,，取訓練集驗證分類準確率最高的那組c和g作為最優(yōu)參數(shù)。根據(jù)MIV位次表,，當取7個特征變量分類時,，最優(yōu)參數(shù)c=8，g=1.414 2,。當取14個特征變量分類時,，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

    計算測試樣本圖像的紋理特征和顏色特征，分別使用優(yōu)選的7個特征變量和14個特征變量對小麥病害進行分類識別,，分類準確率如表2所示,。

jsj1-b2.gif

    由上述實驗結(jié)果可知，冗余特征變量會使識別模型訓練時學習過多的樣本特征,，而不能反映內(nèi)含的主要規(guī)律,，導致預測能力下降。將平均影響值的思想應用于支持向量機回歸進行非線性變量篩選,，篩選出的7個特征變量作為輸入向量具有更優(yōu)的識別準確率,，并且程序運行時間縮短。

    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)典閾值分割方法對小麥病害圖像進行分割簡單有效,。將平均影響值思想應用于支持向量機回歸得到7個重要特征,，簡化了分類模型結(jié)構(gòu)，提高了小麥病害識別準確率,，為農(nóng)田小麥病害診斷提供了有效的識別方法,。

參考文獻

[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別研究[J].中國農(nóng)業(yè)大學學報，2013,，(18)5：129-135.

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

[3] 劉連忠,，張武,，朱誠.基于改進顏色特征的小麥病害圖像識別技術(shù)研究[J].安徽農(nóng)業(yè)科學，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的小麥葉部病害識別方法研究[J].農(nóng)機化研究，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別技術(shù)研究[J].計算機工程與應用,，2014,，50(7)：154-157.

[8] 李冠林，馬占鴻,，王海光.基于支持向量機的小麥條銹病和葉銹病圖像識別[J].中國農(nóng)業(yè)大學學報,，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.一種圖像敏感對象的識別方法[J].計算機測量與控制,，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。