王秀清，陳 琪，楊世鳳

(天津科技大學電子信息與自動化學院，天津300222)

番茄病害會導致產量與作物品質嚴重下滑，因而在病害發(fā)生時需要快速反應并合理施藥.由于農產品生產者依靠經驗判斷病害時存在一定主觀性和局限性，因此病害識別模型的研究必不可少.

近些年，對農作物病害識別的研究引起了越來越多學者的關注，目前研究方向有：植物葉片特征描述和更優(yōu)分類算法[1]等.王雪等[2]提取植物葉片形狀和顏色特征，利用k 近鄰算法作為分類識別器，將黃瓜霜霉病從其他病害中識別出來，且識別率達到95%.王臨銘等[3]以3 種甘肅啤酒大麥病斑圖像為研究對象，提取其RGB 顏色特征及基于灰度共生矩陣的紋理特征等特征，利用反向傳播(back propagation，BP)神經網絡作為分類器訓練，最終識別正確率達86.7%.祁釗等[4]提取3 種玉米葉片病害病斑的顏色、紋理及不變矩特征，并采用主成分分析和SVM相結合的方法進行分類識別，最終識別精度為90.74%.夏永泉等[5]利用隨機森林方法對小麥葉片病害進行了分類識別，整體識別準確率達95%.Soni等[6]提出用PNN 分類器實現植物病害識別，得到了良好的識別效果.王秀清等[7]利用聲發(fā)射技術檢測植物是否發(fā)生病害，也取得了良好的效果.

布谷鳥搜索算法(cuckoo search，CS)具有優(yōu)化參數少，全局搜索能力強等特點，已被用于人體行為識別[8]、圖像分割[9]、股價預測等領域，但至今仍未用于病害識別領域.孫晨等[10]提出布谷鳥優(yōu)化BP 神經網絡(CS-BP)的方法預測股價，該算法將CS 搜索的最優(yōu)鳥巢直接作為BP 網絡的權值閾值構建預測模型，但CS 算法具有后期收斂速度較慢，易陷入局部最優(yōu)等缺點.因此，本文對CS-BP 算法加以改進，利用BP 算法的反向傳播特性優(yōu)化CS 算法搜索步驟，構造布谷鳥與BP 網絡協(xié)同算法(CS and BP collaborative algorithm，CS-BPCA)搜索最佳權值，并引入自適應調節(jié)步長機制加快布谷鳥搜索算法收斂速度，構造出自適應步長布谷鳥與 BP 協(xié)同搜索算法(selfadaptive step cuckoo search and BP collaborative algorithm，ASCS-BPCA)，并將其用于番茄病害識別模型.本文首先選用番茄病害葉片作為研究對象，基于圖像處理的高斯混合模型(Gaussian mixture model，GMM)聚類算法分離復雜背景以及RGB-HSI 坐標變換實現完整病斑分割，再選擇病斑部位3 種顏色空間以及各顏色空間的灰度梯度共生矩陣作為本文特征描述，利用ASCS-BPCA 作為本文分類識別器，并將識別正確率與CS-BP 網絡進行比較分析.

1 病斑分割與特征提取

1.1 病害圖像采集

本文病害圖像來源于網絡，共收集了3 種病害及正常葉片各100 張共400 張圖像，并經專家驗證所屬病害類別無誤.選取圖像大都為自然背景，分割病害部位時復雜自然背景的剪除更容易造成誤差，但更加貼合實際應用.

1.2 病害葉片背景分離與病斑分割

選用GMM 聚類算法去除400 張病害圖像的雜草、陰影等復雜背景.利用背景部分與番茄病害葉片部分存在的差異，利用GMM 計算數據集的概率分布，實現聚類分離帶病斑的番茄植株葉片與模糊背景.

(1)將病害圖像轉為像素點作為原始數據，利用k-means 聚類方法對樣本聚類，得到標記像素點矩陣作為GMM 隱含類別標簽 z(i).

(2)已知 z(i)后，高斯混合模型簡化為式(1)，式中 p (x, z) 為最大似然估計.

(3)通過不斷迭代更新均值jμ 和協(xié)方差矩陣 ∑j計算最大似然估計，直至收斂得到最佳聚類結果，從而分離病害圖像的背景部位.

分離復雜背景后，利用HSI 模型中色度信息提取病斑.HSI 模型反映人的視覺系統(tǒng)觀察彩色的方式，模型可以將彩色圖像色度(H)、飽和度(S)，強度(I)分離，在圖像分割領域應用優(yōu)勢很大.病害葉片RGB 坐標到HSI 坐標色度(H)轉換公式為式(4).

歸一化色度分量，將其作為色度調節(jié)因子h 去除綠色部分，分離出病斑.分割結果如圖1 所示.圖中第1 列為分類樣本原圖，第2—5 列為調節(jié)因子h∈[1/7，0.45]、h∈[1/6，0.5]、h∈[1/5，0.6]、h∈[1/4，0.65]時病斑分割結果.

由圖1 可知：h∈[1/6，0.5]時圖1(b)中第2 行分割效果不太理想，但其他都能分離出清晰病斑部位；h∈[1/5，0.6]時圖1(b)中第2 行分割效果好，但其他圖像都有少量綠色區(qū)域殘留，h 選取其他范圍時分割效果會變差.因此，使用算法ASCS-BPCA 進行病斑分割時，選擇h∈[1/6，0.5]為基本值，效果較差時在[1/6，0.6]間微調，可快速優(yōu)良地分割本文中3 種病害病斑.經實驗，本算法分割100 張圖像病斑在Matlab中運行耗時2.036 s，執(zhí)行速度較快，且適應度廣，適合快速提取大量病害葉片病斑.

圖1 葉片病斑分割Fig.1 Segmentation of disease spots

1.3 提取病斑識別特征參數

本文以分割出的400 張病斑圖像為樣本，提取病斑特征集.分別提取顏色直方圖RGB 的R、G、B 顏色成分，顏色空間HSV 的色調、飽和度、明度，顏色模型HSI 中的色度、飽和度、強度共9 種顏色特征；利用灰度-梯度共生矩陣方法[11]分別提取RGB 直方圖，HSV 顏色空間通道H、S、V，HSI 顏色模型通道H、S、I 的灰度平均、逆差距、慣性、混合熵、梯度熵、灰度熵、相關性、灰度均方差、梯度平均等共45 個紋理特征.利用Tamura 方法[12]提取病斑RGB 坐標下的粗糙度、對比度共2 個統(tǒng)計特征，綜上本文共提取400 張病斑圖像的56 個特征向量，組成維度空間[400，56]的特征集，選取每種病害圖像各65 張共260張作為驗證集構成番茄葉片病斑識別網絡模型，并將剩余圖像作為測試集.

2 ASCS-BPCA的具體設計

2.1 布谷鳥搜索算法

標準布谷鳥搜索算法是通過自然界布谷鳥寄生育雛(brood parasitism)行為的啟發(fā)提出的一種群智能搜索算法，每個鳥巢代表一個候選解，通過基于萊維(Levy)飛行隨機游走方式搜索新解代替舊解，最終搜索巢群中的最優(yōu)解，即式(5).

式中：xn為舊巢n；xb為當前最優(yōu)解；s 為Levy 飛行步長，即式(6).

其中給出變量β∈[0.3，1.99]，u 和v 都服從正態(tài)分布

2.2 BP神經網絡

神經網絡是由多個神經元組成的多層感知機(multi layer perceptron，MLP)，用反向傳播算法訓練，即BP 神經網絡.其結構包含輸入層、隱藏層、輸出層，本文構造的神經網絡模型如圖2 所示.

圖2 BP模型Fig.2 Model of BP

在第L 層即輸出層中，對于每一個訓練集樣本分類數 yt，有誤差 δL= aL- yt，由反向傳播算法從右到左計算得到第l 層誤差，見式(7).

此時對于每個神經元權值更新公式見式(8).

為加快學習效率，引入矯正矩陣機制，更新矯正矩陣公式，見式(9).

2.3 CS-BPCA的設計

由于CS 算法尋優(yōu)后期收斂較慢、易陷入局部最小化，本文結合BP 神經網絡反向傳播能力，自動調整權值閾值特點，提出了布谷鳥與BP 協(xié)同算法(CSBPCA)，該算法有利于讓CS 尋優(yōu)后期跳出局部最小，改善易陷入局部最小缺點.

該協(xié)同網絡中，本文構建的三層BP 網絡(圖2)權值閾值{w1}{b2}{w2}{b3}，其中{b2}{b3}分別為隱藏層輸出層閾值，由編碼公式(10)組成布谷鳥搜索算法中巢向量xbp.

與CS 算法搜索的最優(yōu)鳥巢位置xcs根據式(11)比較判別

得到更優(yōu)解向量xb，將xb由式(5)和式(8)迭代更新并不斷比較擇優(yōu)，直至結束條件為止，最終搜索到CS-BPCA 網絡中最優(yōu)解向量.該算法中利用BP 算法反向傳播特性自動更新xbp，產生更優(yōu)的xbp替代xcs巢向量，將xb利用更新式(8)自動修正權值得到新巢xbp和f(xbp)，利用CS 算法式(5)更新25 個巢向量并擇出最優(yōu)新巢xcs和f(xcs)，再由式(10)得到更優(yōu)巢向量xb，不斷循環(huán)迭代，直到f(xb)＜ε，訓練達到設定誤差精度或迭代次數達到最大迭代次數為止.協(xié)同網絡最終輸出向量xb解碼得到最優(yōu)權值閾值.

2.4 ASCS-BPCA的設計

CS 算法中，由于Levy 飛行產生步長越大，越容易搜索到全局最優(yōu)，但同時降低搜索精度，甚至會出現震蕩現象，為增強其自適應性，對本文構造的CSBPCA 引入自適應度步長調節(jié)機制，見式(12)[13].

式中：ni表示第i 個鳥窩位置；nbest表示最優(yōu)鳥窩位置；dmax表示最優(yōu)鳥窩與其余鳥窩間最大距離值.

由此式引入自適應調整步長策略，見式(13).

式中：smax為Levy 飛行步長最大值，smin為最小值.

由式(12)和式(13)引入本文協(xié)同算法，構造自適應步長布谷鳥與BP 協(xié)同搜索算法(ASCS-BPCA).

3 病害識別的實驗結果與分析

3.1 仿真實驗

為了分析ASCS-BPCA 的病害識別模型有效性與優(yōu)越性，用Matlab 2014 仿真軟件進行病害識別仿真實驗.將樣本特征集[400，56]均勻抽取[260，56]作為訓練集，其余作為測試集構建識別模型.將協(xié)同搜索得到的最優(yōu)鳥巢xb作為網絡權值閾值，構建本文的ASCS-BPCA 識別模型，并在相同條件下構造CSBP 識別模型作為對比.其中鳥巢規(guī)模為30，迭代次數為50.

3.2 結果與分析

將兩種算法構造模型分別連續(xù)進行5 次獨立重復實驗，主要從網絡性能和番茄病害識別正確率分析，模型適應度隨迭代次數的變化如圖3 所示.由圖3 可知：ASCS-BPCA 僅需26 次迭代后算法收斂，用時28.3 s，此時適應度值降為最低；而CS-BP 算法至少需45 次迭代后才收斂，至少用時48.3 s，且最低適應度值仍比ASCS-BPCA 高很多.由此可知ASCSBPCA 收斂速度有了較大提升，且訓練效果更好.

圖3 識別網絡性能圖Fig.3 Performance of recognition network

對于兩種算法，在訓練后保存訓練網絡，并將測試集[140，56]作為輸入，對改進算法和傳統(tǒng)算法進行了多次迭代計算，分析改進算法和傳統(tǒng)算法的每次執(zhí)行的平均運行時間、算法收斂所需的平均時間和識別準確率.分別進行連續(xù)不斷的測試并保存連續(xù)5 次的測試結果.選擇迭代次數為35 次、50 次和65 次的識別結果進行對比(表1)，用于對比兩種算法的識別準確率，并驗證ASCS-BPCA 算法收斂速度快于傳統(tǒng)算法.

由表1 可見：兩種算法迭代次數相同時，ASCSBPCA 的識別準確率均高于CS-BP 的，說明ASCSBPCA 識別準確率確實優(yōu)于傳統(tǒng)算法；ASCS-BPCA迭代35 次、50 次和迭代65 次時平均識別準確率都在90%以上，而CS-BP 算法平均識別準確率都在75%左右，且最低只有47.1%，應是尋優(yōu)時陷入局部最小所致.由此說明傳統(tǒng)的CS-BP 算法不太穩(wěn)定.

表1 網絡識別結果對比Tab.1 Comparison of network recognition results

ASCS-BPCA 迭代35 次內算法就能收斂，平均收斂時間25 s；而CS-BP 算法迭代次數至35 時未能收斂，依據圖3 也說明了CS-BP 算法至少需45 次迭代后才能收斂.增加迭代次數至65 后，ASCS-BPCA迭代平均收斂時間28.3 s，CS-BP 算法迭代平均收斂時間55.5 s，表明改進算法收斂速度有了較大提升.

通過仿真實驗分析表明：本文構造的 ASCSBPCA 確能使CS 算法尋優(yōu)跳出局限，實現更好的全局搜索能力，且能提高整體性能，使平均識別準確率達到90%以上.

4 結 語

本文將患有白粉病、灰霉病、晚疫病的番茄病害葉片及健康葉片共400 張圖像作為識別樣本，其中260 張用于訓練，140 張用于測試驗證.利用圖像處理方法進行背景分離，并選擇RGB-HSI 轉換算法實現病斑分割，分析其最優(yōu)色度調節(jié)因子范圍，提取出優(yōu)質完整的病斑.對病斑部位提取顏色特征、紋理特征等56 種特征參數，組成特征集用于構建病害識別模型.對CS-BP 算法進行優(yōu)化，提出ASCS-BPCA 算法，該算法借助反向傳播算法跳出CS 尋優(yōu)局限性，實現更優(yōu)權值搜索，并引入自適應步長調節(jié)機制，加快收斂速度.仿真實驗表明該改進算法收斂速度確有提升，且識別率高，網絡性能優(yōu)于CS-BP 網絡.