李 敏，鄧?yán)^忠，袁之報(bào)，黃華盛，王 張

(1.華南農(nóng)業(yè)大學(xué)工程學(xué)院，廣東廣州 510642;2.海南出入境檢驗(yàn)檢疫局熱帶植物隔離檢疫中心，海南?？?570311)

小麥腥黑穗病是毀滅性的檢疫對(duì)象，一般發(fā)病田塊的小麥將減產(chǎn)10% ～20%，嚴(yán)重的減產(chǎn)50%以上，甚至絕收［1］。小麥的網(wǎng)腥、印度腥和矮腥等3種黑穗病?；烊脒M(jìn)口小麥原糧中，而且它們的冬孢子形態(tài)特征比較相似［2］，采用顯微鏡人工觀察方式進(jìn)行檢疫是較為繁瑣且困難的。針對(duì)小麥腥黑穗病害的顯微圖像，結(jié)合圖像分析與模式識(shí)別技術(shù)對(duì)其進(jìn)行分類診斷，不但能夠?qū)崿F(xiàn)檢驗(yàn)檢疫的自動(dòng)化，也將有助于提高病害檢測(cè)的客觀性與穩(wěn)定性。文中設(shè)計(jì)了一個(gè)BP神經(jīng)網(wǎng)絡(luò)分類器，將其用于3種小麥病害的分類。

1 小麥腥黑穗病的BP網(wǎng)絡(luò)分類器設(shè)計(jì)

1.1 BP神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)是一種分層型網(wǎng)絡(luò)，其結(jié)構(gòu)如圖1所示。從左至右的圓圈分別代表輸入層、隱含層和輸出層的神經(jīng)元，相同層次間的神經(jīng)元之間沒(méi)有連接，不同層次之間的神經(jīng)元形成全互連連接。輸入單元的狀態(tài)代表輸入到此網(wǎng)絡(luò)中的原始信息，隱含單元的狀態(tài)取決于輸入單元的狀態(tài)及該輸入單元與隱含單元之間連接的權(quán)值。輸出單元的狀態(tài)取決于隱含單元的狀態(tài)及隱含單元和輸出單元之間連接的權(quán)值［3］。

圖1 含有1個(gè)隱含層的BP網(wǎng)絡(luò)模型

1.2 輸入層與輸出層設(shè)計(jì)

小麥的網(wǎng)腥黑穗、印度腥黑穗及矮腥黑穗等3類病害都有自己獨(dú)特的圖像特征。圖2所示為通過(guò)圖像處理技術(shù)分離出的小麥病害孢子圖像。孢子圖像的特征，可以通過(guò)提取圖像的形狀與紋理特征加以定量描述。經(jīng)過(guò)分析，選擇了描述孢子圖像的長(zhǎng)軸、短軸、等價(jià)橢圓短軸、面積、周長(zhǎng)及慣性矩［4］等6個(gè)參數(shù)作為描述3類病害的典型特征參數(shù)。由此，BP網(wǎng)絡(luò)分類器的輸入層由6個(gè)進(jìn)行了歸一化處理的特征向量構(gòu)成，即輸入層的神經(jīng)元數(shù)為6維;輸出層根據(jù)應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的目的而定，文中的目的是為了能區(qū)分出病害類別，所以可以將輸出層設(shè)定為一維，即只有一個(gè)輸出，但為了更好地實(shí)現(xiàn)病害的分類，文中對(duì)目標(biāo)期望輸出進(jìn)行編碼。其中，“1”代表網(wǎng)腥，“2”代表印度腥，“3”代表矮腥。對(duì)于輸出“1”，用目標(biāo)輸出向量(0，0，0，1)來(lái)表示;對(duì)于“2”，用(0，0，1，0)表示;同理，對(duì)于“3”，用(0，1，0，0)表示。由此可以確定輸出層的神經(jīng)元數(shù)目為4，即輸出層的向量維數(shù)為4。

圖2 提取的小麥病害孢子圖像

但通過(guò)后續(xù)實(shí)驗(yàn)發(fā)現(xiàn)，當(dāng)采用目標(biāo)輸出向量(0，0，0，0)的時(shí)候，BP網(wǎng)絡(luò)無(wú)法收斂，因?yàn)椴捎玫膫鬟f函數(shù)的輸出永遠(yuǎn)不能達(dá)到0或者1，而只能接近。所以，需要糾正目標(biāo)輸出向量。對(duì)其重新編碼后，最終編碼方案如下:

1 的編碼:0.1，0.1，0.1，0.9

2 的編碼:0.1，0.1，0.9，0.1

3 的編碼:0.1，0.9，0.1，0.1

1.3 初始權(quán)值

由于系統(tǒng)是非線性的，初始權(quán)值與學(xué)習(xí)是否達(dá)到局部最小、是否能夠收斂以及訓(xùn)練時(shí)間的長(zhǎng)短關(guān)系很大。如果初始權(quán)值太大，則使得加權(quán)后的輸入落在激活函數(shù)的飽和區(qū)，從而使調(diào)節(jié)過(guò)程幾乎停滯。所以，一般總是希望經(jīng)過(guò)初始加權(quán)后的每個(gè)神經(jīng)元的輸出值都接近于零，這樣可以保證每個(gè)神經(jīng)元的權(quán)值都能夠在它們的激活函數(shù)變化最大處進(jìn)行調(diào)節(jié)。因此，選取初始權(quán)值在(－0.5，0.5)之間的隨機(jī)浮點(diǎn)數(shù)。

1.4 隱含層設(shè)計(jì)

網(wǎng)絡(luò)訓(xùn)練精度的提高，可以通過(guò)采用不增加隱含層，而增加其神經(jīng)元個(gè)數(shù)的方法獲得。這在實(shí)現(xiàn)上，要比增加隱含層簡(jiǎn)單得多。在具體設(shè)計(jì)時(shí)，通過(guò)對(duì)不同隱含層神經(jīng)元數(shù)個(gè)數(shù)的網(wǎng)絡(luò)進(jìn)行訓(xùn)練比較、對(duì)比，然后加上適當(dāng)余量。研究采用一個(gè)隱含層，隱含層的神經(jīng)元數(shù)通過(guò)式(1)計(jì)算得到。

其中，N為輸入層神經(jīng)元數(shù);M為輸出層神經(jīng)元數(shù)［5］。文中選取隱含層為10層。

1.5 傳遞函數(shù)

傳遞函數(shù)也叫激活函數(shù)，傳遞函數(shù)必須可導(dǎo)。本研究的傳遞函數(shù)選定為S形的Sigmoid函數(shù)，表達(dá)式如下

1.6 學(xué)習(xí)速率

學(xué)習(xí)速率決定每一次循環(huán)訓(xùn)練中所產(chǎn)生的權(quán)值變化量。過(guò)大的學(xué)習(xí)速率可能導(dǎo)致系統(tǒng)不穩(wěn)定，但過(guò)小的學(xué)習(xí)速率將導(dǎo)致訓(xùn)練時(shí)間較長(zhǎng)，收斂速度很慢。所以，一般情況下，傾向于選取適中的學(xué)習(xí)速率以保證系統(tǒng)的穩(wěn)定性。學(xué)習(xí)速率的選取范圍0.01～0.8。經(jīng)過(guò)比較試驗(yàn)，該分類器的學(xué)習(xí)速率最終設(shè)定為0.1。

圖3所示為設(shè)計(jì)的用于小麥腥黑穗病診斷的BP神經(jīng)網(wǎng)絡(luò)分類器模型圖。

圖3 用于小麥腥黑穗病診斷的BP網(wǎng)絡(luò)分類器模型

2 驗(yàn)證與分析

2.1 小麥腥黑穗病害的BP算法

利用BP網(wǎng)絡(luò)對(duì)小麥腥黑穗病害分類的算法步驟［6］如下:

Step1:把訓(xùn)練樣本的特征向量歸一化到(0，1)范圍內(nèi)。

Step2:設(shè)置輸入向量 Xk=［xk1，xk2，xk3，xk4，xk5，xk6］，k=1，2，…，N，N為訓(xùn)練樣本的個(gè)數(shù)。

權(quán)值向量Wij(n)、Wjp(n)，i代表輸入層，j代表隱含層，p表示輸出層。

輸出向量 Yk(n)=［yk1(n)，yk2(n)，yk3(n)，yk4(n)］，k=1，2，…，N;表示第n次迭代時(shí)網(wǎng)絡(luò)的實(shí)際輸出;令學(xué)習(xí)速率η=0.1，最大迭代次數(shù)n=200 000，動(dòng)量項(xiàng)α=0.9，期望誤差=0.01。

Step3:隨機(jī)初始化權(quán)值，為(－0.5，0.5)之間的隨機(jī)浮點(diǎn)數(shù);迭代次數(shù)n=0。

Step4:輸入訓(xùn)練樣本，計(jì)算BP網(wǎng)絡(luò)每層神經(jīng)元的輸入信號(hào)u和輸出信號(hào)v。

Step5:由期望輸出和Step4求出的實(shí)際輸出計(jì)算誤差Err，判斷其是否滿足最小平均誤差要求，若滿足轉(zhuǎn)至第8步，不滿足轉(zhuǎn)至Step6。

Step6:判斷是否達(dá)到最大迭代次數(shù)，若大于轉(zhuǎn)至Step8，否則對(duì)輸入樣本反向計(jì)算每層神經(jīng)元的局部梯度δ;

Step7:按式(5)計(jì)算權(quán)值修正量Δω，并按式(6)修正權(quán)值;n=n+1，轉(zhuǎn)至Step4。

Step8:判斷訓(xùn)練樣本是否學(xué)習(xí)完畢，是則結(jié)束，否則轉(zhuǎn)至Step4。

2.2 試驗(yàn)結(jié)果表示方法

由于BP網(wǎng)絡(luò)的輸出為四維，文中用向量的相似度表示分類結(jié)果。即將BP網(wǎng)絡(luò)的4個(gè)輸出層看作一個(gè)4維向量。相似性函數(shù)是用函數(shù)的方法來(lái)表征兩向量相似的程度。文中采用夾角余弦法計(jì)算待測(cè)病害樣本和3類標(biāo)準(zhǔn)樣本輸出向量的相似度，用其表示輸出結(jié)果。其計(jì)算公式為

其中，x，y是用于度量的向量;n表示向量的維數(shù);i=1，2，…，n。sim(x，y)取值越大表明兩向量夾角越小，兩者越相近。

2.3 試驗(yàn)結(jié)果

試驗(yàn)用原始顯微圖像均由海南省出入境檢驗(yàn)檢疫局提供，分辨率為2 048×1 536 pixel、jpg格式。從顯微圖像中提取包括小麥矮腥黑穗病、小麥網(wǎng)腥黑穗病及小麥印度腥黑穗病共48個(gè)病害孢子樣本圖像進(jìn)行了分類診斷的初步試驗(yàn)，其中15個(gè)作為訓(xùn)練樣本集，另外33個(gè)樣本作為測(cè)試集輸入BP網(wǎng)絡(luò)，測(cè)試結(jié)果如表1所示?？梢钥闯?，對(duì)這3類病害的平均識(shí)別率可以達(dá)到81.8%，且有一定的準(zhǔn)確性;對(duì)印度腥、矮腥分別有1個(gè)和3個(gè)樣本不能正確識(shí)別，原因在于:訓(xùn)練樣本太少，由此提取的各類特征數(shù)據(jù)典型性不足;不能識(shí)別的測(cè)試樣本圖像不夠清晰，因而提取的特征數(shù)據(jù)被削弱。

表1 3類病害分類診斷測(cè)試結(jié)果

3 結(jié)束語(yǔ)

將圖像分析技術(shù)與模式識(shí)別技術(shù)應(yīng)用于小麥腥黑穗病害的分類診斷，對(duì)于提高出入境植物病害檢驗(yàn)檢疫工作的自動(dòng)化程度具有實(shí)際意義的。通過(guò)分析與比較，選擇小麥矮腥、印度腥及網(wǎng)腥病害圖像的長(zhǎng)軸、短軸、等價(jià)橢圓短軸、面積、周長(zhǎng)及慣性矩等6個(gè)形狀和紋理特征作為分類的典型特征，構(gòu)成BP網(wǎng)絡(luò)的輸入向量，按照分類目標(biāo)，選擇輸出向量的維數(shù)為4，由此構(gòu)建了含一個(gè)隱含層的BP網(wǎng)絡(luò)分類器。通過(guò)對(duì)15個(gè)樣本進(jìn)行訓(xùn)練，對(duì)33個(gè)樣本進(jìn)行了分類測(cè)試，平均正確識(shí)別率達(dá)到81.8%，結(jié)果表明，采用BP網(wǎng)絡(luò)作為分類器對(duì)小麥腥黑穗病進(jìn)行診斷具有一定的準(zhǔn)確性，今后可通過(guò)分析各類病害樣本，提取更加典型的特征，并增加BP網(wǎng)絡(luò)的訓(xùn)練樣本量，能夠進(jìn)一步提高識(shí)別的準(zhǔn)確性。此外，獲取更為清晰的顯微圖像，更準(zhǔn)確地提取其中的孢子區(qū)域都有助于提高后續(xù)分類診斷的準(zhǔn)確性。

［1］中國(guó)農(nóng)業(yè)網(wǎng).小麥腥黑穗病防治技巧.［EB/OL］［2010－04－10］(2011 －05 －11)http://www.zgny.com.cn/ifm/tech/2010 －4 －10/101504.shtml.

［2］梁再群，郭翼奮，朱穎初，等.根據(jù)統(tǒng)計(jì)分析冬孢子形態(tài)特性區(qū)分小麥矮腥黑穗病和網(wǎng)腥黑穗病的方法［J］.植物保護(hù)學(xué)報(bào)，1982，9(4):243 －250.

［3］BURKS T F，SHEARER S A，GATES R S.Backpropagation neural network design and evaluation for classifying weed species using color image texture［J］.Transactions of the A-merican Society of Agricultural Engineers，2000，43(4):1029－1037.

［4］賀夫昌.基于圖像分析的出入境小麥病害診斷方法研究［D］.廣州:華南農(nóng)業(yè)大學(xué)，2010.

［5］?？?基于特征提取及神經(jīng)網(wǎng)絡(luò)的圖像分類識(shí)別與目標(biāo)跟蹤［D］.西安:西安電子科技大學(xué)，2008.

［6］高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例［M］.北京:機(jī)械工業(yè)出版社，2007.

［7］彭淑敏，王軍寧.基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法［J］.電子科技，2005，18(1):39 －42.

［8］姚慧娟，欒曉明.改進(jìn)的BP網(wǎng)絡(luò)算法在圖像識(shí)別中的應(yīng)用［J］.電子科技，2010，23(9):90 －92.