基于高光譜圖像和遺傳優化神經網絡的茶葉病斑識別

張帥堂，王紫煙，鄒修國，錢 燕，余 磊

?

基于高光譜圖像和遺傳優化神經網絡的茶葉病斑識別

張帥堂，王紫煙，鄒修國※，錢 燕，余 磊

（南京農業大學工學院/江蘇省智能化農業裝備重點實驗室，南京 210031）

為實現茶葉病害的快速高效識別，提出了基于高光譜成像技術和圖像處理技術融合的茶葉病斑識別方法。利用高光譜成像技術采集了炭疽病、赤葉斑病、茶白星病、健康葉片等4類樣本的高光譜圖像。提取感興趣區域敏感波段的相對光譜反射率作為光譜特征。通過2次主成分分析，確定第二次主成分分析后的第二主成分圖像為特征圖像，基于顏色矩和灰度共生矩陣提取特征圖像的顏色特征和紋理特征。利用BP神經網絡對顏色、紋理和光譜特征向量融合數據進行檢驗，識別率為89.59%；為提高識別率，提出遺傳算法優化BP神經網絡的方法，使病斑識別率提高到94.17%，建模時間也縮短至1.7s。試驗結果表明：高光譜成像技術和遺傳優化神經網絡可以快速準確的實現對茶葉病斑的識別，可為植保無人機超低空遙感病害監測提供參考。

算法；優化；神經網絡；高光譜成像技術；主成分分析；光譜特征

0 引 言

茶葉作為一種多年生經濟作物，在中國有著悠久的歷史，因其具有抗菌、消炎、防輻射、調血脂等多種功效而深受消費者的青睞[1]。但在茶葉的種植和生產過程中，病害問題極大影響了茶葉的品質和產量，損失了經濟效益，如何準確及時的發現病害并加以防治是解決問題的關鍵所在。目前對于植物病害的檢測方法主要有感官判斷、理化檢驗、常規機器視覺等方法[2]，這些方法誤判率高，易造成農藥噴灑浪費和環境污染，并且對于大面積的茶園病害識別耗費時間長、成本高，不能滿足快速、高效的要求。因此，尋找一種快速、高效的識別方法對農業植保具有重要意義。

近年來，融合了光譜信息和圖像信息的高光譜成像技術在無損檢測、農產品分級、安全評定等方面顯示出了極大的優越性[3]。國內外學者也已經取得了一些研究成果[4-6]。Bravo等[7]利用可見光以及近紅外波段的光譜反射率對小麥進行了早期黃銹病的診斷；李錦衛等[8]基于2種顏色空間對馬鈴薯表面缺陷進行了分割識別，效果顯著；Leckie等[9]利用可見光以及近紅外內7個特征波段的光譜圖像對松樹蚜蟲侵害進行了檢測。馮雷等[10]利用茄子葉片高光譜圖像數據提取了3個特征波段下的特征圖像，并基于最小二乘支持向量機構建了鑒別模型，模型判斷準確率為97.5%。吳迪等[11]利用多光譜成像技術對茄子灰霉病進行檢測，通過550、650和800 nm共3個波段的圖像對茄子葉片進行病斑識別。王曉慶等[12]研究發現，茶樹受到炭疽病脅迫程度存在2個敏感波段742～794 nm和1 374～2 500 nm，基于一階微分的植被指數(R-R)/ (R+R)對炭疽病的危害程度具有很好的預測效果。目前，國內外高光譜成像技術在茶樹病蟲害的研究涉及的病蟲害種類比較單一[3]，本文嘗試利用高光譜成像技術對雨花茶茶樹冠層表面最普遍、危害較大的3種病害進行試驗[13]，提取其光譜特征和圖像特征，結合多種算法實現對病斑的識別分類，以期為農業植保無人機超低空遙感病害檢測提供參考。

1 材料與方法

1.1 試驗材料

本試驗所采用的研究對象為南京雨花茶葉片。從南京市六合區平山森林公園茶葉生產基地（經度118°，緯度32°）采集早期茶樹灌叢表面近頂葉部位生長狀況基本一致、葉片長度范圍在50～60 mm的病害葉片和健康葉片若干。葉片采集為晴天上午9:00，環境溫度19 ℃，相對空氣濕度45%，采集完后依次裝入密封袋，放入微型冰箱保鮮，溫度設置0 ℃，并立即送往實驗室進行試驗[14]。數據采集前經過植保研究人員進一步對比確認，最終篩選出用于試驗的炭疽病葉片樣本80個、赤葉斑葉片樣本72個、茶白星葉片樣本80個、健康葉片樣本60個。

1.2 高光譜成像系統

試驗采用五鈴光學（ISUZU OPTICS）高光譜成像系統，如圖1所示。系統主要包括：高光譜圖像光譜儀（ImSpector V10E）、CCD攝像機（GEV-B1621M）、2個150 W的光纖鹵素燈、電位移控制臺、暗箱（1 200 mm× 500 mm×1 400 mm）、控制箱、一臺高性能計算機等。高光譜攝像機光譜范圍為358～1 021 nm，光譜分辨率為2.8 nm。

1.相機 2.光譜儀 3.鏡頭 4.鹵素光源 5.茶葉樣本 6.暗箱 7.電動平移臺 8.步進電機 9.移動平臺控制器 10.計算機

1.3 數據采集

光譜數據采集時的相關參數設置如下：圖像分辨率1 632像素×1 415像素，曝光時間50 ms，電位移臺速度1.06 mm/s，調節焦距保證圖像清晰不失真，確定物距770 mm。采集數據時暗箱內溫度20 ℃，先對反射率為99%標準白色校正板進行采集得到全白標定圖像，然后蓋上鏡頭蓋采集得到全黑的標定圖像，最后再進行葉片樣本數據采集。

為減少葉面塵降對光譜數據采集的影響，葉片放入載物臺之前，用軟毛除塵刷清理干凈表面，最后放入載物臺，調整到適當位置，通過高光譜圖像采集軟件得到358～1 021 nm范圍616個波長的原始高光譜圖像I。

2 高光譜數據處理

高光譜數據處理都是基于ENVI 5.3（Exelis Visual Information Solutions，USA）、Excel 2010和Matlab 2016a（MathWorks,USA）軟件平臺。數據處理的硬件條件為：16GB RAM、Intel(R)Coer(TM)i5-6500 CPU。

2.1 高光譜圖像校正

為保證光譜數據的準確性并且消除采集過正中的噪聲干擾，按照式（1）對原始高光譜圖像I進行校正得到校正后的高光譜圖像[15]。

式中為校正后的高光譜圖像；I為高光譜系統采集的原始高光譜圖像；為高光譜數據采集得到的全黑標定圖像（反射率接近0）；為高光譜數據采集得到的全白標定圖像（反射率接近99%）。

2.2 感興趣區域的相對光譜反射率

由于高光譜圖像中的每一個像素點都對應了一個全波段的光譜信息，因此根據樣本病斑區域平均分布特點選取以主葉脈為軸靠近葉尖一側200像素×200像素的區域為感興趣區域（region of interest, ROI）。本研究中，分別提取了80個炭疽病葉片、72個赤葉斑病葉片、80個茶白星病葉片和60個健康葉片4種樣本各自ROI的平均光譜反射率，如圖2所示。

圖2 樣本相對光譜反射率曲線

從圖2觀察得出，高光譜數據在358～400 nm的近紫外、紫光波段和980～1 021 nm的近紅外波段存在較大噪聲。為提高數據處理的準確性，減少噪聲干擾，參考光譜數據處理的方法[16]，剔除首尾共135個波段，最終得到用于光譜分析的有效波段范圍是430～950 nm，共481個波段。

3 結果與分析

3.1 特征圖像選取

本試驗采集的高光譜圖像是一個三維數據立方體，相比于二維的圖像和一維的光譜，高光譜圖像波段豐富、圖譜合一、光譜分辨率高，包含信息多，但相鄰波段的相關性很大，數據冗余度高，降低了后期處理的準確度和速度[17-18]。

主成分分析（principal component analysis, PCA）能夠有效去除數據之間的相關性，常用來數據降維。本試驗利用PCA對剔除噪聲后430～950 nm波段的樣本高光譜圖像進行降維，得到主成分（principal component, PC）圖像。根據協方差貢獻率的大小，確定PC圖像。由表1可知，樣本前4個主成分的累積貢獻率達到了99.89%以上，而PC1的貢獻率達到了97%以上，最能表征圖像的原始信息[19]。

表1 主成分累積貢獻率

試驗中，對430～950 nm波段進行第一次主成分分析，耗時較長，計算速度慢，因此根據PC1尋找特征波長進行第二次主成分分析[20]。PC1是481個波段下的圖像經過線性組合的結果，比較線性組合中的各權重系數，選出4類樣本最大的權重系數所對應的波長為762、700、721、719 nm。對優選出來的4個特征波長進行第二次主成分分析，圖3是樣本第二次主成分分析后的PC圖像。

圖3 第二次主成分分析后4幅主成分圖像

由圖3可知，PC1圖像貢獻率雖然最大，但病斑區域和非病斑區域對比不明顯，不利于病斑提取。炭疽病和茶白星2種病斑在PC2圖像中均高亮顯示，赤葉斑病斑區域在PC2圖像上與正常部位有明顯區分。PC3圖像中，赤葉斑和茶白星病斑區域與非病斑區域差異明顯，但炭疽病病斑區域和非病斑區域灰度級比較接近。PC4圖像在部分樣本中出現了重影的問題，且各類病斑區域和非病斑區域對比差異小。通過觀察分析，不同種類病害葉片的病斑信息在PC2圖像中有明顯的特點，最終確定PC2圖像作為后期病斑提取的特征圖像。

3.2 病斑區域分割

圖像分割是圖像處理的關鍵步驟，對病斑區域的準確分割很大程度上影響了后期特征提取和算法驗證的效果。為保證后期數據處理的準確性，采用了最大類間方差法，又稱Otsu算法，其基本原理是以最佳閾值將灰度圖像的灰度值分割成2部分，使2部分之間方差最大，具有最大的分離性。圖4是對不同類型病斑區域分割前后的圖像。

觀察圖4可以得出，炭疽病和茶白星病病斑分割效果較好，但都存在葉脈根部和葉柄處微小區域誤分割的情況。赤葉斑病斑區域和葉片邊緣灰度值差異較小，分割效果一般，原因是由于樣本表面不平整導致的反射光線不均勻，在圖像處理時葉脈根部、葉柄和邊緣處產生了與病斑部位近似的灰度值。對得到的二值化圖像去除面積小于50的分割區域，并填充病斑中的孔洞，然后再將其與PC2圖像進行運算，最終得到只包含病斑區域的圖像。

圖4 不同類型病斑區域分割前后圖像

3.3 圖譜特征分析和特征向量提取

紋理特征描述了圖像區域所對應的景物的表面性質。通過觀察4類樣本葉片病斑區域和非病斑區域的紋理特征差異，將紋理特征作為識別病害的特征之一[21]。灰度共生矩陣（gray-level co-occurrence matrix, GLCM）是一種通過研究灰度空間相關性來描述紋理的常用方法，可以用式（2）表示區域灰度共生矩陣(12)。

式中表示目標區域中具有特定空間聯系的像素對的集合，右式分子表示了特定空間分布上灰度值分別為1和2的像素對的數量，(11)和(22)表示距離為的2個像素點，#為集合的元素數。

將預處理后的病斑樣本圖像和健康葉片的ROI區域圖像，在MATLAB中計算能量、對比度、相關度、平穩度、熵等5個共生矩陣特征，在0°、45°、90°和135°共4個方向上取距離為2，得到20個紋理特征值，圖5顯示了樣本在4個方向上的紋理特征均值。

注：ASM表示能量，CON表示對比度，COR表示相關度，IDM表示平穩度，ENT表示熵。

由圖5可知，4個方向上的對比度對4類樣本的區分效果良好，其中茶白星樣本的對比度在4類中顯示最大，說明茶白星病斑區域相比于其他3類，紋理溝較深，視覺效果清晰。炭疽病樣本的能量值總體上高于其他3類，反映出了炭疽病病斑區域的紋理較粗，因為紋理越粗，能量越大。平穩度方面，4類樣本差異并不大。在熵值方面則表現為炭疽病樣本最小，表明炭疽病葉斑圖像的非均勻程度較大。

顏色矩是一種通過計算矩來描述顏色分布的方法。顏色信息的分布主要集中在低階矩[22]，一階矩描述平均顏色，二階矩描述顏色方差、三階矩描述顏色的偏移性[23-24]。本試驗計算灰度圖像單通道的一至三階矩，用式（3）、（4）、（5）表示。

式中P是第個像素的第個顏色分量，是像素數量。一階矩μ、二階矩σ、三階矩?分別反映了顏色的平均強度、不均勻性以及不對稱性[25]。

茶葉表面的光譜信息能夠反映其內部生物化學組成信息。葉片受到病害侵襲后，會造成病害位置的葉綠素短缺，水分含量下降，可見光波段光譜反射率表現出極大的差異[26]。光譜曲線上反映為490～560 nm的綠色光區域和620～780 nm的紅色光區域反射率上升，而在近紅外光區域反射率下降[27]。通過觀察分析，4類樣本在560、640、780 nm共3個波段處光譜反射率差異較大，因此選定這3個波段所對應的相對光譜反射率作為圖像的光譜特征。

3.4 模型檢驗

為檢驗光譜特征對分類的有效性，本文嘗試用2個特征向量組合進行模型檢驗。單通道的一階矩、二階矩、三階矩和0°、45°、90°、135°方向的能量、對比度、相關度、平穩度、熵；單通道的一階矩、二階矩、三階矩和0°、45°、90°、135°方向的能量、對比度、相關度、平穩度、熵和560、640、780 nm的相對光譜反射率[28]。組合1為顏色特征+紋理特征，組合2為顏色特征+紋理特征+光譜特征。

針對2組特征向量，本文采用2種模型對樣本的病斑進行識別檢測。隨機選出50個炭疽病樣本、48個赤葉斑病樣本、50個茶白星病樣本和40個健康葉片樣本共188個作為訓練集，其余104個作為測試集，分別用2種算法進行檢驗。

BP神經網絡輸入層節點數與對應的特征數量一致，輸出層節點設置為4，輸入層和隱含層傳遞函數為正切S型，輸出層傳遞函數為線性函數。隱含層節點個數由式（6）得到[29]。

式中為隱含層節點數，為輸入層節點數，為輸出層節點數。設置學習速率為0.05，訓練精度為0.001，最大迭代次數為200。

采用臺灣大學林智仁博士開發的LibSVM對樣本實現一對一方式的多分類，選擇分類能力比較強的徑向基核函數作為SVM的核函數。用以上2種算法檢驗結果如表2所示。

由表2檢驗結果得出：顏色特征和紋理特征組成的特征向量組合對樣本的識別率普遍較低，2種算法對赤葉斑病測試集的分類效果略高于其他樣本；不同種類樣本的能量、對比度、相關度、平穩度、熵等紋理特征值差異不大，很容易造成誤識別，這是特征向量組合1識別率普遍較低的重要原因。顏色特征、紋理特征和光譜特征組成的特征向量組合2，對4類樣本的識別率高于組合1；BP神經網絡和支持向量機對4類樣本測試集的識別率都高于83%，并且2種算法對赤葉斑病的識別率均達到了90%以上；不同葉片的光譜反射率存在著明顯的差異，組合2中包含的560、640和780 nm相對光譜反射率的光譜特征，能很好地區分4類樣本。

BP神經網絡和支持向量機通過特征向量組合2都能較好的區分4類葉片樣本。支持向量機對4類樣本測試集的平均識別率為86.67%，而BP神經網絡對其平均識別率為89.59%，高于支持向量機，且對于4類樣本的識別穩定性較好，因此采用BP神經網絡作為進一步研究的分類算法[30]。

表2 不同算法下特征向量組合檢驗結果

注：BP：反向傳播神經網絡；SVM：支持向量機.

Note: BP stands for back propagation neural network;SVM stands for support vector machine.

3.5 遺傳算法優化

通過BP神經網絡建立的模型，能夠對4類樣本進行較準確的識別。但該模型的輸入自變量多，且自變量之間存在著一定的關系，并非相互獨立，容易造成神經網絡過擬合，從而影響模型的精度。因此，有必要將26個輸入自變量中起主要影響因素的自變量篩選出來參與建模。本文采用遺傳算法對建模自變量進行優化選擇。

遺傳算法模擬了自然選擇和遺傳中發生的復制、交叉和變異等現象，從一初始種群開始，通過隨機選擇、交叉、變異，產生一群更適應環境的個體，使群體進化到搜索空間中越來越好的區域，一代一代不斷繁衍進化，最終收斂到一群最適應環境的個體，從而得到問題的最優解[31]。

用遺傳算法進行優化時，將編碼長度設置為26，種群大小設置為20，最大迭代次數設置為50。染色體每一位對應一個輸入自變量，每一個位置基因取值都是1和0兩種情況。選取測試集數據均方誤差的倒數作為遺傳算法的適應度函數，經過不斷迭代，最終篩選出具有代表性的輸出自變量參與建模。圖6為種群適應度函數進化曲線圖。

圖6 種群適應度函數進化曲線

遺傳算法優化計算后，篩選出的一組自變量編號為1,2,4,5,6,10,11,14,19,20,23,24,25,26，分別對應顏色一階矩、二階矩，0°方向能量、對比度、相關性，45°方向對比度、相關性，90°方向能量，135°方向能量、對比度、熵，560、640、780 nm相對光譜反射率。參與建模的自變量個數大約為全部輸入的一半。表3是優化前后BP神經網絡對4類樣本測試集樣本的識別率。

表3 優化前后BP網絡測試集識別率

注：BP：反向傳播神經網絡；GA_BP：遺傳算法優化的BP。

Note: BP stands for back propagation neural network;GA_BP stands for genetic algorithm optimize BP.

對比優化前后的結果可以發現，使用14個自變量建模后，BP神經網絡對炭疽病、茶白星病、健康葉片的識別率顯著提高，整體的平均識別率達到了94.17%。模型建立時間也由優化前的6.6縮短到了1.7 s。

4 結論與展望

本文采用光譜信息和圖像信息融合技術，針對茶葉病害快速識別的問題，優選出病害識別的特征向量，建立茶葉病害快速識別模型，研究表明：

1）由光譜特征、顏色特征和紋理特征組成的特征向量組合2，在BP神經網絡和支持向量機2種算法的檢驗下，分類效果明顯優于只有顏色特征和紋理特征組成的特征向量組合1；對4類樣本的平均識別率達到了89.59%和86.67%。這表明了560、640和780 nm相對光譜反射率構成的光譜特征對茶葉病害的分類效果顯著。

2）基于遺傳算法對BP神經網絡輸入特征進行優化降維，將26維輸入特征降為14維。通過識別檢驗，4類樣本的平均識別率提高到了94.17%，同時建模時間也縮短至1.7 s。

利用高光譜成像技術和遺傳優化神經網絡可實現對茶葉病斑的高效識別，但當受到自然條件下光照、背景的影響時，識別效率較低，需做進一步探討，為無人機超低空遙感病害監測提供有價值的參考。

[1] 宛曉春，李大祥，張正竹，等. 茶葉生物化學研究進展[J].茶葉科學，2015，35(1)：1－10. Wan Xiaochun, Li Daxiang, Zhang Zhengzhu, et al. Advances in biochemistry of tea[J]. Tea Science, 2015, 35(1): 1－10. (in Chinese with English abstract)

[2] 趙娟，彭彥昆，Sagar Dhakal，等. 基于機器視覺的蘋果外觀缺陷在線檢測[J]. 農業機械學報，2013，44(1)：260－263. Zhao Juan, Peng Yankun, Sugar Dhakal, et al. On-line detection of apple surface defect based on image processing method[J]. Transactions of the Chinese Society of Agricultural Machinery, 2013, 44(1): 260－263. (in Chinese with English abstract).

[3] 劉飛，李春華，龔雪蛟，等. 高光譜成像技術在茶葉中的應用研究進展[J].核農學報，2016，30(7)：1386－1394. Liu Fei, Li Chunhua, Gong Xuejiao, et al. Research progress on application of hyperspectral imaging techniques in tea science[J].Journal of Nuclear Agricultural Science, 2016, 30(7): 1386－1394. (in Chinese with English abstract)

[4] 鄒修國，丁為民，劉德營，等.基于改進Hu矩和遺傳神經網絡的稻飛虱識別系統[J].農業機械學報，2013，44(6)：222－226. Zou Xiuguo, Ding Weimin, Liu Deying, et al. Recognition system of rice planthopper based on improved Hu moment and genetic algorithm optimized BP neural network[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(6): 222－226. (in Chinese with English abstract)

[5] 伍南，劉君昂，周國英，等. 利用高光譜微分指數反演油茶炭疽病病情指數的研究[J].中國生態農業學報，2012，20(6)：777－781. Wu Nan, Liu Jun'ang, Zhou Guoying, et al. Using hyper-spectral derivative indices to inverse Colletotrichum gloeosporioides disease indices[J]. Chinese Journal of Eco-Agriculture, 2012, 20(6): 777－781. (in Chinese with English abstract)

[6] 寧井銘，孫京京，朱小元，等. 基于圖像和光譜信息融合的紅茶凋萎程度量化判別[J]. 農業工程學報，2016，32(24)：303－308. Ning Jingming, Sun Jingjing, Zhu Xiaoyuan, et al. Discriminant of withering quality of Keemun black tea based on information fusion of image and spectrum[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(24): 303－308. (in Chinese with English abstract)

[7] Bravo C, Moshou D. Early disease detection in wheat field useing spectral reflectance[J]. Biosystems Engineering, 2003, 84(22): 137－145.

[8] 李錦衛，廖桂平，金晶，等. 基于灰度截留分割與十色模型的馬鈴薯表面缺陷檢測方法[J]. 農業工程學報，2010，26(10)：236－242. Li Jinwei, Liao Guiping, Jin Jing, et al. Method of potato external defects detection based on fast gray intercept threshold segmentation algorithm and ten-color model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(10): 236－242. (in Chinese with English abstract)

[9] Leckie D G, Cloney E, Joyce S P. Automated detection and mapping of crown discolouration caused by jack pine budworm with 2.5 m resolution multispectral imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2005, 7(1): 61－77.

[10] 馮雷，張德榮，陳雙雙，等. 基于高光譜成像技術的茄子葉片灰霉病早期檢測[J]. 浙江大學學報：農業與生命科學版，2012，38(3)：311－317. Feng Lei, Zhang Derong, Chen Shuangshuan, et al. Early detection of gray mold on eggplant leaves using hyperspectral imaging technique[J]. Journal of Zhejiang University: Agric. & Life Sci., 2012, 38(3): 311－317. (in Chinese with English abstract)

[11] 吳迪，朱登勝，何勇，等. 基于地面多光譜成像技術的茄子灰霉病無損檢測研究[J]. 光譜學與光譜分析，2008，28(7)：1496－1500. Wu Di, Zhu Dengsheng, He Yong, et al. Nondestructive Detection of grey mold of eggplant based on ground multi-spectral imaging sensor[J]. Spectoscopy and Spectral Analysis, 2008, 28(7): 1496－1500. (in Chinese with English abstract)

[12] 王曉慶，冉烈，彭萍，等. 炭疽病脅迫下的茶樹葉片高光譜特征分析[J]. 植物保護，2014，40(6)：13－17. Wang Xiaoqing, Ran Lie, Peng Ping, et al. Hyperspectral characteristics of tea leaves under anthracnose stress[J]. Plant Protection, 2014, 40(6): 13－17. (in Chinese with English abstract)

[13] 崔宏春，周鐵鋒，余繼忠，等. 油茶皂素對茶輪斑病和茶白星病的抑菌作用[J]. 浙江農業科學，2012，28(9)：1285－1287. Cui Hongchun, Zhou Tiefeng, Yu Jizhong, et al. Antibacterial effect of saponin of Camellia oleifera on tea ring spot and tea white spot [J]. Zhejiang Agricultural Sciences, 2012, 28(9): 1285－1287.(in Chinese with English abstract)

[14] 薛衛東. 果蔬貯藏與保鮮[M]. 成都：電子科技大學出版社，1996.

[15] 鄭志雄，齊龍，馬旭，等. 基于高光譜成像技術的水稻葉瘟病病害程度分級方法[J]. 農業工程學報，2013，29(19)：138－144. Zheng Zhixiong, Qi Long, Ma Xu, et al. Grading method of rice leaf blast using hyperspectral imaging technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(19): 138－144. (in Chinese with English abstract)

[16] 沈煥鋒. ENVI遙感影像處理方法[M]. 武漢：武漢大學出版社，2009.

[17] 吳龍國，王松磊，康寧波，等. 基于高光譜成像技術的靈武長棗缺陷識別[J]. 農業工程學報，2015，31(20)：281－286. Wu Longguo, Wang Songlei, Kang Ningbo, et al. Non-destructive detection of defects inbased on near-infrared hyperspectral imaging[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(20): 281－286. (in Chinese with English abstract)

[18] 金瑞，李小昱，顏伊蕓，等. 基于高光譜圖像和光譜信息融合的馬鈴薯多指標檢測方法[J]. 農業工程學報，2015，31(16)：258－263. Jin Rui, Li Xiaoyu, Yan Yiyun, et al. Detection method ofmulti-target recognition of potato based on fusion of hyperspectral imaging and spectral information[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(16): 258－263. (in Chinese with English abstract)

[19] Omiadze N T, Mchedlishvili N I, Rodrigez-Lopez J N, et al. Biochemical processes at the stage of withering during black tea production[J]. Applied Biochemistry and Microbiology, 2014, 50(4): 393－397.

[20] 周竹，李小昱，陶海龍，等. 基于高光譜成像技術的馬鈴薯外部缺陷檢測[J]. 農業工程學報，2012，28(21)：221－228. Zhou Zhu, Li Xiaoyu, Tao Hailong, et al. Detection of potato external defects based on hyperspectral imaging technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(21): 221－228. (in Chinese with English abstract)

[21] 楊丹，趙海濱，龍哲. MATLAB圖像處理實例詳解[M]. 北京：清華大學出版社，2013.

[22] 韓丁，武佩，張強，等. 基于顏色矩的典型草原牧草特征提取與圖像識別[J]. 農業工程學報，2016，32(23)：168－175. Han Ding, Wu Pei, Zhang Qiang, et al. Feature extraction and image recognition of typical grassland forage based on color moment[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(23): 168－175. (in Chinese with English abstract)

[23] 張志斌，羅錫文，臧英，等. 基于顏色特征的綠色作物圖像分割算法[J]. 農業工程學報，2011，27(7)：183－189.

Zhang Zhibin, Luo Xiwen, Zang Ying, et al. Segmentation algorithm based on color feature for green crop plants[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(7): 183－189. (in Chinese with English Abstract)

[24] Li Bing, Xu De, Lang Congyan. Moment invariants for color constant image description[J]. Chinese Journal of Electronics, 2010, 19(2): 283－287.

[25] 張東彥，張競成，朱大洲，等. 小麥葉片脅迫狀態下的高光譜圖像特征分析研究[J]. 光譜學與光譜分析，2011，31(4)：1101－1105. Zhang Dongyan, Zhang Jingcheng, Zhu Dazhou, et al. Investigation of the hyperspectral image characteristics of wheat leaves under different stress[J]. Spectroscopy and Spectral Analysis, 2011, 31(4): 1101－1105. (in Chinese with English abstract)

[26] 孫俊，金夏明，毛罕平，等. 基于高光譜圖像光譜與紋理信息的生菜氮素含量檢測[J]. 農業工程學報，2014，30(10)：167－173. Sun Jun, Jin Xiaming, Mao Hanping, et al. Detection of nitrogen content in lettuce leaves based on spectroscopy and texture using hyperspectral imaging technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(10): 167－173. (in Chinese with English abstract

[27] 鞠昌華，田永超，朱艷，等. 小麥疊加葉片的葉綠素含量光譜反演研究[J]. 麥類作物學報，2008，28(6)：1068－1074. Ju Changhua, Tian Yongchao, Zhu Yan, et al. Spectral inverse study of stacked leaf chlorophyll concentration in wheat[J]. Journal of Triticeae Crops, 2008, 28(6): 1068－1074. (in Chinese with English abstract

[28] 章海亮，李曉麗，朱逢樂，等. 應用高光譜成像技術鑒別綠茶品牌研究[J].光譜學與光譜分析，2014，34(5)：1373－1377. Zhang Hailiang, Liu Xiaoli, Zhu Fengle, et al. Identification of green tea brand based on hyperspectral imaging[J]. Spectroscopy and Spectral Analysis, 2014, 34(5): 1373－1377. (in Chinese with English abstract)

[29] 李宗儒. 基于圖像分析的蘋果病害識別技術研究[D]. 楊凌：西北農林科技大學，2010. Li Zongru. Research on Identify Technologies of Applie’s Disease Based on Image Analysis[D]. Yangling: Northwest A&F University, 2010. (in chinese with English abstract)

[30] Ronald P H, Sirinnapa S, Warunee T, et al. Automatic image analysis and spot classification for detection of fruit fly infestation in hyperspectral images of mangoes[J]. Postharvest Biology and Technology, 2013, 6(1): 23－28.

[31] 雷英杰，張善文，李續武，等. MATLAB遺傳算法工具箱及應用[M]. 西安：西安電子科技大學出版社，2005.

張帥堂，王紫煙，鄒修國，錢 燕，余 磊. 基于高光譜圖像和遺傳優化神經網絡的茶葉病斑識別[J]. 農業工程學報，2017，33(22)：200－207. doi：10.11975/j.issn.1002-6819.2017.22.026 http://www.tcsae.org

Zhang Shuaitang, Wang Ziyan, Zou Xiuguo, Qian Yan, Yu Lei. Recognition of tea disease spot based on hyperspectral image and genetic optimization neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(22): 200－207. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.22.026 http://www.tcsae.org

Recognition of tea disease spot based on hyperspectral image and genetic optimization neural network

Zhang Shuaitang, Wang Ziyan, Zou Xiuguo※, Qian Yan, Yu Lei

(/,,210031,)

In order to achieve fast and efficient identification of tea diseases, the method of identifying tea diseases based on hyperspectral imaging technology was put forward. Four kinds of samples, including anthracnose, brown leaf spot disease, white star disease and healthy leaf, were collected in Pingshan tea plantation of Nanjing. Hyperspectral images of these samples, ranging from 358 to 1 021 nm, were collected by hyperspectral imaging system. Among them, there were 80 samples of anthracnose, 72 samples of brown leaf spot disease, 80 samples of white star disease and 60 samples of healthy leaves. The region of interest (ROI) was an area of 200 pixels × 200 pixels near the tip of the tea leaf. The average spectral reflectance curves of the effective band of ROI were extracted to analyze the spectral characteristics. For the purpose of decreasing the redundancy of hyperspectral data, and reducing the computational complexity, this study used principal component analysis (PCA) to process the original hyperspectral images, and obtained 4 kinds of principal component images for the samples with the maximum weight coefficients, and the wavelengths of 762, 700, 721, 719 nm corresponded were taken as the characteristic wavelengths. The test showed that direct use of 481 bands for the first PCA resulted in low calculation speed and low processing efficiency. Thus, the second principal components with the 4 characteristic wavelengths were employed, and the second principal component image was selected as the feature image through comparing the characteristics of lesion and non lesion regions. To get the accurate extraction of tea leaf spots, OTSU algorithm for image segmentation was adopted, the optimal threshold of 4 kinds of leaf samples was determined, and finally the sample images containing only leaf lesion regions were extracted. After image segmentation, 3 color feature parameters were extracted from the single-channel first moments, second moments and three-order moments of each feature image based on color moments; and 20 texture parameters were calculated from the 4 directions (0 , 45, 90 and 135°) of energy, contrast, correlation, stability and entropy based on gray level co-occurrence matrix (GLCM); and 3 spectral characteristic parameters of relative spectral reflectance of sensitive bands, including 560, 640 and 780 nm, were obtained. The color feature, texture feature and spectral feature were optimized into 2 feature vectors, and the training set and test set were tested by BP (back propagation) neural network and support vector machine (SVM) respectively. A total of 188 samples, including 50 anthracnose samples, 48 brown spot disease samples, 50 white star disease samples and 40 healthy leaf samples, were randomly selected as the training set, and the remaining 104 samples were used as the test set. The recognition rates of the test set through the feature vector combination of color features and texture features were generally low by BP neural network and SVM, and the recognition rates of the test set through the feature vector combination of color feature, texture feature and spectral feature were higher, which were 89.59% and 86.67% for BP neural network and SVM respectively. In order to further improve the recognition rate and shorten the modeling time, genetic algorithm was used to reduce the dimensionality of the input feature. Through taking selection, crossover and mutation operations, 26-dimensional input features were optimized to 14 dimensions, and then BP neural network was to recognize the tea spots. Finally, the average recognition rate was raised to 94.17%, and the model setup time was also shortened from 6.6 to 1.7 s. The result shows that it is possible to achieve fast and efficient identification of tea diseases by the fusion of spectral information and image information with pattern recognition technique. The neural network identification model based on genetic algorithm optimization has the advantages of short modeling time and high recognition accuracy.

algorithms; optimization; neural networks; hyperspectral imaging technology; principal component analysis; spectral characteristics

10.11975/j.issn.1002-6819.2017.22.026

TP391.41; S435.711

A

1002-6819(2017)-22-0200-08

2017-06-07

2017-09-07

國家博士后科學基金資助項目（2015M571782）；中央高校科研業務基本業務費資助項目（KYTZ201661）；江蘇省農機基金資助項目（GXZ14002）

張帥堂，主要從事模式識別研究。Email：1035692577@qq.com

鄒修國，副教授，博士，主要從事機器視覺與模式識別、農業空氣質量檢測與控制研究。Email：zouxiuguo@njau.edu.cn