基于機器學習的煙草蛙眼病赤星病識別

朱洋 許帥濤 李藝嘉 張亮 劉鵬

[摘要]文章以常見的煙草蛙眼病與赤星病為研究對象，利用圖像處理方法分割出病斑，并提取了病斑的顏色、紋理和形態學特征，構建原始特征空間，利用模擬退火算法進行特征優化，選取最優特征組合。利用ABC-SVM技術進行兩種病害的判別，識別率達到97%，有效判別出蛙眼病與赤星病，為指導采取合理的煙草病害防治措施提供科學依據。

[關鍵詞]煙草病害;蛙眼病;赤星病;圖像處理;特征優化

中圖分類號：S572? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? DOI：10.16465/j.gste.cn431252ts.20190530

我國是全世界最大的煙草消費國與生產國，占據了全世界卷煙生產和消費量的1/3，近年來，煙草行業經濟快速發展，每年向國家交稅近千萬億，成為國家重要經濟來源之一，為國家的經濟發展奠定了有力的基礎[1]。

隨著社會經濟的不斷發展，人們生活水平也不斷提高，對卷煙產品的質量要求也在提升。保證煙草生產質量是各大生產廠家非常重視的一環。但煙草在生長期間會受到多種病菌的感染，降低了煙草的產量與質量，導致煙草種植戶與生產廠家的巨大虧損，影響國家經濟的發展。煙草病害的識別與防治工作一直是研究的重點與難點[2-8]。

目前檢測煙草病毒的主要方法有生物學鑒定法、血清學鑒定法、電鏡法以及分子生物學鑒定法等。其中血清學鑒定法更加簡單快速且靈敏度高，被廣泛用于煙草病毒的檢測[9-10]。

本文以常見的煙草蛙眼病與赤星病為研究對象，采用圖像處理的方法分割出病斑區域，提取了形態學特征、顏色和紋理等共計32個特征。利用SAA算法對原始特征空間進行優化，構建最優特征空間，然后利用ABC-SVM技術進行兩種病害的判別，識別率達到97%，實現了煙草蛙眼病與赤星病的有效判別，為合理制定防治計劃提供科學依據[11]。

1? 樣本采集與圖像處理

本文以可見光拍攝煙草蛙眼病與赤星病樣本圖片，具體見圖1。蛙眼病和赤星病樣本圖片共400張，其中每種病害樣本為200張。

對拍攝的樣本進行去噪處理，然后進行圖像分割，提取出感興趣區域。針對提取的彩色病斑，分別通過R、G、B通道和H、S、V通道提取出顏色特征，并求出其紋理特征，最后利用二值化處理，提取目標的形態學特征。赤星病與蛙眼病病斑見圖2，赤星病與蛙眼病二值化圖像見圖3。

2? 特征提取與優化組合

2.1? 特征提取

本文共提取了顏色、紋理與形態學特征，共計32個特征，其特征定義如下：

（1）顏色矩。顏色矩是一種顏色特征表示方法，有一階矩、二階矩和三階矩等，其顏色特征主要分布在低階矩中，利用一階矩、二階矩和三階矩足以表達圖像的顏色分布。

式中：Pi，j表示彩色圖像第j個像素的第i個分量，N表示圖像中的像素個數。

（2）紋理特征。灰度共生矩陣是一種通過研究灰度的空間相關特性來描述紋理的常用方法，由Haralick等人于1973年提出。

2.2? 特征優化組合

模擬退火算法（SAA）是一種隨機尋優算法，從某一較高的溫度出發，隨著溫度的降低，結合概率突跳特性在解空間中尋找全局最優解，可有效避免陷入局部最優解。

本文利用模擬退火算法對原始特征空間進行了優化，選取了適應度值最高的特征組合，包含的特征有R通道一階矩、G通道二階矩、H通道一階矩、二階矩和三階矩、S通道二階矩和三階矩、V通道二階矩和三階矩、一致性、逆差矩、平均灰度和三階矩共計13個特征。

3? 基于ABC-SVM技術的蛙眼病和赤星病判別

3.1? ABC-SVM技術簡介

ABC算法（人工蜂群算法）是一種智能仿生算法，模仿蜜蜂的尋找食物的行為，當蜜源食物沒有改進時，便放棄該蜜源，尋找下一個蜜源，可有效防治局部最優值。

SVM（支持向量機）是一種監督學習算法，基本模型是在特征空間上尋找最佳的分類超平面，使得訓練集上不同樣本的間隔最大。

本文利用ABC算法優化支持向量機的c、g參數組合，尋找最佳參數組合，使得支持向量機具有更好的識別效果。

3.2? 蛙眼病與赤星病的判別

本文中兩種病害共采集了400張樣本（每種病害200張樣本），將每種病害的150張樣本特征作為訓練集，剩下的50張作為測試集。本文根據優化后的特征組合，利用優化了c、g參數組合的支持向量機技術對樣本特征進行判別，識別率達97%，有效地判別出了煙草常見的蛙眼病與赤星病兩種病害，識別結果見圖4，100張樣本中有3張被誤識。

4? 結? 論

（1）根據病斑的不同，本文選取了具有明顯不同的顏色、紋理等特征，并采用模擬退火算法進行特征優化，選取最佳特征組合，以盡量少的特征達到最大的識別率。

（2）利用ABC算法優化支持向量機的參數組合，對蛙眼病和赤星病進行判別，識別率達95%以上，實現了基于計算機視覺的煙草常見病害的識別分類，為制定合理的煙草病害防治計劃提供科學依據。

參考文獻

[1]李敬.基于卷積神經網絡的煙草病害自動識別研究[D].泰安：山東農業大學，2016.

[2]王剛.我國煙草病蟲害防治研究策略探討[J].中國煙草科學，2003（4）：37-39.

[3]王鳳龍.煙草病毒病綜合防治技術[J].煙草科技，2002（4）：43-45.

[4]董志堅，鄭新章，劉立全.煙草病蟲無公害防治技術研究進展[J].煙草科技，2002（12）：38-45.

[5]方敦煌，白萬明，李天飛.煙草病害防治的問題與對策[J].植物醫生，1998（1）：32-33.

[6]趙希，楊金香，楊毅.煙草病害圖像自動檢索與識別[J].中國農業信息，2013（19）：103-104.

[7]陳雪嬌，李云飛，李剛，等.煙草主要病害及其相關檢測方法研究進展[J].河南農業科學，2013（11）：1-6.

[8]許清孝.煙草花葉病毒的檢測方法研究進展[J].現代農業科技，2013（11）：128-129.

[9]翟玉俊，劉紅海，李星亮，等.煙草病毒檢測技術研究進展[J].農產品加工（學刊），2009（4）：83-88.

[10]馬國勝，何博如.煙草病毒研究現狀與展望[J].中國生態農業學報，2006（2）：150-153.

[11]劉迦南，朱洋，李藝嘉，等.基于LIBSVM的煙青蟲成蟲雌雄判別研究[J].糧食科技與經濟，2018（9）：117-119.

收稿日期：2019-04-27

基金項目：國家自然科學基金資助項目（31671580）;河南省科技攻關項目（162102110112）。

作者簡介：朱洋，男，碩士，研究方向為圖像處理與模式識別。