萬華，謝志亨，涂淑琴

（華南農(nóng)業(yè)大學數(shù)學與信息學院，廣州 510642）

0 引言

蛹蟲草（Cordyceps Militaris）是一種含有蟲草酸、蟲草素、蟲草多糖等多種生物活性成分的珍貴食用菌，被廣泛的用于免疫力低下、腫瘤、心血管等疾病的臨床治療中[1]。由于其市場價值巨大，蛹蟲草的人工種植被列為廣東省農(nóng)業(yè)主推技術之一。

蛹蟲草從菌絲體培養(yǎng)到最后出草這個過程可分為4個生長階段：菌絲培養(yǎng)期、菌絲變色期、子座培養(yǎng)期和子實體生長期。在不同生長發(fā)育階段，特別是在菌絲轉色到子座出芽的關鍵生長節(jié)點上，對光照、溫度、濕度等環(huán)境因素有著不同的要求[2-3]。如果不及時調(diào)整環(huán)境條件會嚴重影響蛹蟲草的產(chǎn)量和品質，造成較大的經(jīng)濟損失。在目前蛹蟲草的種植過程中，判斷其生長階段的方法仍然停留于人工識別。這需要依賴工作人員的種植經(jīng)驗來識別蛹蟲草的生長情況，在大規(guī)模的培養(yǎng)環(huán)境下費時費力，觀察結果主觀性強，因此這種手工作業(yè)方式亟待改善。

20世紀90年代起，科學家們開始將計算機視覺技術應用于食用真菌領域[4-7]。為了提高蛹蟲草栽培效率，本文引入計算機視覺技術以實現(xiàn)蛹蟲草生長階段的自動識別。首先將蛹蟲草圖像轉化為RGB顏色通道信息提取其SIFT特征，在此基礎上應用稀疏編碼的空間金字塔匹配（Linear Spatial Pyramid Matching using Sparse Coding，ScSPM）方法[8]獲取高層特征，再使用支持向量機進行長勢判別。最后本文應用MATLAB編寫了蛹蟲草生長識別系統(tǒng)接口并進行了演示。

1 基于稀疏編碼的空間金字塔匹配（ScSPM）理論原理

1.1 空間金字塔匹配（SPM）

SPM算法[9]首先在訓練圖像集里提取出大量的圖像塊，隨后對每個圖像塊提取任一種基本特征，然后使用聚類的方法對這些基本特征進行處理獲得特征中心向量。它將圖像樣本投射到不同的層次，每層次劃分成不同的子塊，隨后統(tǒng)計出每個子塊上的詞袋特征信息，再把每個子塊的特征拼接到一起，最后形成了圖像的完整特征。一般而言，字典數(shù)為K、級數(shù)為L的空間金字塔模型，生成向量維數(shù)如公式（1）所示：

1.2 基于稀疏編碼的空間金字塔匹配（ScSPM）

稀疏編碼[10]是對信息進行稀疏表示的一種方法，它通過用少量的基向量線性擬合來逼近目標向量，要求基向量含有數(shù)據(jù)的主要特征。對圖像進行稀疏編碼操作的核心思想是獲得一組基向量?i，預定系數(shù)αi，則圖像的稀疏表達如公式（2）所示：

David在1999年提出了基于圖像局部特征的描述子[11]，即SIFT（全稱為尺度不變特征變換）。從訓練集中提取 SIFT特征可以用 X={x1,x2,…,xN}∈RD×N表示，該特征需要學習獲得一組基向量（碼本或字典），其次根據(jù)稀疏表示算法，約束函數(shù)如公式（3）所示：

其中‖c‖i1是稀疏正則化項，而ci是 xi的稀疏編碼表示。

稀疏編碼可以劃分為兩部分：訓練階段（即構建稀疏字典）、編碼階段。在訓練階段，從訓練圖像樣本集里提取出圖像的特征，用來表示，訓練特征是為了獲得所需的一組基向量。實際上訓練特征的過程就是重復迭代的過程，迭代的過程可以總結如下：先固定字典，再調(diào)整α[k]，令目標函數(shù)達到最小，于是再固定字典α[k]，調(diào)整?[k]，令目標函數(shù)達到最小，重復上述的步驟（迭代的過程）直到收斂為止。在編碼階段，對從新圖像中提取出的SIFT特征進行稀疏編碼，編碼之后獲取的稀疏向量就是圖像的稀疏表達，C是圖像特征的稀疏編碼表示。

在稀疏編碼后，可以用C={c1,c2,…,cm}∈RK×m表示圖像特征的稀疏編碼表示，要令表達特征能包含空間信息與局部信息，需采用金字塔方法來對信息做聚合的操作。首先劃分圖像的金字塔層次，再對每塊區(qū)域中的編碼向量進行最大聚合（程序中用max pooling來表示）。最大聚合實際上是指把某個區(qū)域內(nèi)所有編碼向量相對應的最大分量組成一個K維的向量來表示該區(qū)域，如公式（4）所示：

最終形成ScSPM特征表達，即新圖像可以用（1+4+16+...）*K維的特征向量來表達。

2 實驗過程與結果分析

2.1 實驗數(shù)據(jù)集

本實驗采集的數(shù)據(jù)集是處于不同生長階段的蛹蟲草圖像，分類標準如下：呈白色的菌絲體表示處于菌絲培養(yǎng)期的蛹蟲草樣本；呈黃色菌絲體表示處于變色期的蛹蟲草樣本；呈黃色菌絲且分布米粒狀的突起代表處于子座培養(yǎng)期的蛹蟲草樣本；呈橘黃色的棒狀子實體代表處于子實體生長期的蛹蟲草樣本。菌絲培養(yǎng)期、變色期、子座培養(yǎng)期和子實體生長期四個階段的外觀分別如圖 1中的（A）、（B）、（C）和（D）所示。

圖1 蛹蟲草圖像樣本

圖像采集地點來源于華南農(nóng)業(yè)大學食品學院蛹蟲草人工栽培實驗室。實驗抽取的訓練集數(shù)據(jù)樣本與測試集數(shù)據(jù)樣本共3720張圖片，分為4個類別，每個類別有930張圖像。

2.2 實驗流程

實驗流程如下：從圖像的R、G和B顏色通道中提取SIFT特征，并對融合后的特征進行稀疏編碼，進行空間金字塔匹配，選擇性進行PCA[12]降維處理，最后采用SVM支持向量機[13-14]進行蛹蟲草生長階段判別，具體流程如圖2所示。

2.3 不同實驗的識別準確率比較

為了檢驗基于ScSPM算法在蛹蟲草長勢識別中的效果，表1和表2對比了兩種實驗的識別效果，輸入測試集相同。

表1 提取SIFT特征和稀疏編碼的識別準確率

圖2 基于稀疏表示的蛹蟲草生長階段分類實驗流程圖

表1使用SIFT特征與稀疏編碼獲得的識別效果，平均識別準確率達到91%左右。其中融合了R、G、B三種顏色分量達到的識別準確率最高，達到91.84%；提取R顏色分量的識別準確率最低，達到了91.75%。速度上每張樣本圖片的處理時間也在1.2s-1.3s之間，相差不大。

表2 引入PCA后的識別準確率

為了進一步提高識別準確率，引入主成分分析（PCA）方法對特征表達做處理，實驗結果如表2所示?？梢钥吹?，引入PCA后識別效率提高了2%左右。原因是PCA方法將原始高維數(shù)據(jù)向方差變化最大的若干個方向進行投影得到低維，得到最能反映圖像本質且具有判別性的特征，從而提高了識別準確性。

3 蛹蟲草生長階段識別系統(tǒng)演示

在實現(xiàn)基于ScSPM算法基礎上，使用MATLAB編程進一步設計實現(xiàn)了蛹蟲草生長階段識別系統(tǒng)的用戶接口。本文選取了蛹蟲草生長中最接近的兩個階段——變色期、子座培養(yǎng)期進行演示，這兩個階段也是蛹蟲草生長檢測最關鍵的生長節(jié)點。變色期、子座培養(yǎng)期識別的界面效果如圖3和4所示。

4 結語

本文提出引入計算機視覺技術應用于蛹蟲草長勢的自動識別。在此基礎上，設計實現(xiàn)了一個基于稀疏編碼的空間金字塔匹配模型的蛹蟲草生長識別系統(tǒng)，實驗測試表明取得了較好的識別效果。在下一步工作中，我們將繼續(xù)探索稀疏編碼的求解算法，縮短稀疏編碼處理時長，例如局部約束線性編碼[15]是更有效的稀疏編碼方法，將有可能進一步提升識別性能。

圖3 ScSPM算法識別變色期的結果

圖4 ScSPM算法識別子座培養(yǎng)期的結果