黃太遠(yuǎn) 李旺 邱亞西 余小波

摘? ?要：針對(duì)茶葉常見(jiàn)葉部病斑圖像的形狀特點(diǎn)，將機(jī)器學(xué)習(xí)應(yīng)用于茶葉病害識(shí)別當(dāng)中。以茶葉3種常見(jiàn)病害作為研究對(duì)象，運(yùn)用支持向量機(jī)方法進(jìn)行分類(lèi)識(shí)別研究，對(duì)有病害的茶葉圖像進(jìn)行處理和特征提取，利用徑向基核函數(shù)進(jìn)行分類(lèi)來(lái)提高茶葉病害識(shí)別率。運(yùn)用分類(lèi)識(shí)別方法對(duì)茶葉病害進(jìn)行研究，使茶葉在發(fā)病初期就能得到更好的預(yù)防以及后期能保證茶葉的質(zhì)量和產(chǎn)量，提高當(dāng)?shù)夭枞~的銷(xiāo)量，促進(jìn)經(jīng)濟(jì)發(fā)展。

關(guān)鍵詞：形狀特征;SVM多分類(lèi);茶葉病害;識(shí)別

文章編號(hào)： 1005-2690（2020）06-0007-02? ? ? ?中圖分類(lèi)號(hào)： TP391.41;S435.711? ? ? ?文獻(xiàn)標(biāo)志碼： B

目前，銅仁市在栽茶和茶葉的病害處理方面還很薄弱，小部分做得較好一些的只有私人茶園，且采摘量只占全年總產(chǎn)量的40%左右[1]，大多數(shù)茶葉在樹(shù)上老化或被蟲(chóng)子、病菌感染發(fā)生了病變，茶葉的利用率低。而茶葉作為銅仁茶農(nóng)的主要經(jīng)濟(jì)來(lái)源，以茶葉病害為研究對(duì)象，對(duì)茶葉葉部病斑進(jìn)行圖像預(yù)處理，然后提取其病斑部分的形狀特征，對(duì)提取的特征數(shù)據(jù)利用支持向量機(jī)分類(lèi)方法訓(xùn)練得出分類(lèi)模型，對(duì)茶葉的常見(jiàn)病害進(jìn)行分類(lèi)識(shí)別，以提高識(shí)別率，可促進(jìn)計(jì)算機(jī)智能識(shí)別在農(nóng)業(yè)中的應(yīng)用。

1? ?支持向量

支持向量機(jī)[2-4]（Support Vector Machine，SVM）是一種將數(shù)據(jù)進(jìn)行分類(lèi)后的算法，而SVM通常用于二元分類(lèi)學(xué)習(xí)，對(duì)于多元的主要是將其分為多個(gè)二元來(lái)解決數(shù)據(jù)分類(lèi)。

數(shù)據(jù)的分類(lèi)主要有線性可分、非線性可分兩類(lèi)。為了能讓兩類(lèi)正確分離且它們距離最大的分類(lèi)平面成為最佳超平面，其方程為：

式中，ω表示分離超平面的法向量，b表示截距，位于分離超平面之上的樣本為正樣本，之下的為負(fù)樣本。

本文利用徑向基核函數(shù)[5-7]（Radial Basis Function Kernel）將提取出來(lái)的數(shù)據(jù)進(jìn)行分類(lèi)識(shí)別，RBF函數(shù)具有很強(qiáng)的靈活性，與其他的核函數(shù)相比參數(shù)較少。因此，大多數(shù)情況下，通過(guò)計(jì)算機(jī)計(jì)算時(shí)會(huì)比其他核函數(shù)的效率更高、運(yùn)算速度更快、性能更好。下面就是徑向基RBF核函數(shù)形式：

2? ?茶葉病害圖像特征提取

茶葉病害圖像包含了豐富的特征信息，如圖1所示。例如，形狀特征和紋理特征[8-10]，按照形狀分類(lèi)的現(xiàn)有技術(shù)，本文利用茶葉病害部位的輪廓、凸凸和最小包圍盒得到形狀描述[11-12]，利用這些形狀的相關(guān)數(shù)據(jù)計(jì)算出面積、矩形度、周長(zhǎng)凹凸比、面積凹凸比、茶葉病害部位的伸長(zhǎng)度和茶葉病害部位的圓度6種相對(duì)形態(tài)參數(shù)來(lái)提取所需的數(shù)據(jù)。

本文先提取茶葉病害部位的外部輪廓，通過(guò)采用輪廓跟蹤法對(duì)茶葉病害圖像進(jìn)行輪廓提取，具體算法步驟如下。

（1）對(duì)圖像預(yù)處理后的茶葉病害二值化圖像采用自頂向下、從左到右的順序進(jìn)行掃描，得到第一個(gè)像素點(diǎn)為1的點(diǎn)，此時(shí)將其作為起始點(diǎn)。

（2）通過(guò)步驟（1）得到起始點(diǎn)后，反方向查找此時(shí)該像素點(diǎn)在其8個(gè)方向上的領(lǐng)域點(diǎn)，若查找到該像素值為1的點(diǎn)且領(lǐng)域上包含0像素點(diǎn)，若該像素點(diǎn)在之前沒(méi)有被查找過(guò)，則將這個(gè)像素點(diǎn)作為當(dāng)前點(diǎn)，并記下對(duì)應(yīng)的鏈碼值。

（3）重復(fù)步驟（2），直到回到起始點(diǎn)。

（4）根據(jù)步驟（2）和（3）所記錄的鏈碼值，得到茶葉病害部位的形狀輪廓。

根據(jù)以上步驟提取茶葉病斑的數(shù)據(jù)見(jiàn)表1和表2。

3? ?試驗(yàn)過(guò)程及結(jié)果分析

試驗(yàn)環(huán)境是MATLAB2017b，利用SVM進(jìn)行分類(lèi)。在試驗(yàn)過(guò)程中用到libsvm工具包進(jìn)行測(cè)試和分類(lèi)，先建立分類(lèi)模型，然后利用得到的這個(gè)模型進(jìn)行分類(lèi)。本次試驗(yàn)總共選取了102個(gè)特征數(shù)據(jù)樣本，然后隨機(jī)抽取部分特征數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，再用剩下的特征數(shù)據(jù)作為測(cè)試數(shù)據(jù)。分析過(guò)程如下。試驗(yàn)結(jié)果如圖2所示。

利用訓(xùn)練數(shù)據(jù)建立模型：

Model=svmtrain（trains_label，Trains_matrix，cmd）

其中svmtrain是模型訓(xùn)練函數(shù)，trains_label為訓(xùn)練樣本類(lèi)別，Trains_matrix為歸一化后的訓(xùn)練樣本的特征值，cmd為返回的模型值。

利用建立好的模型放在訓(xùn)練數(shù)據(jù)上的分類(lèi)效果：

[predicts_label_1，accuracys_1，acc]=svmpredict（trains_label，Trains_matrix，Model）

result_1=[trains_label，predicts_label_1]

其中svmpredict是對(duì)測(cè)試集進(jìn)行預(yù)測(cè)，accuracy_1是分類(lèi)的預(yù)測(cè)準(zhǔn)確度，通過(guò)有監(jiān)督的測(cè)試集值和預(yù)測(cè)值求百分比。

圖2a是在102個(gè)特征數(shù)據(jù)中選取40個(gè)進(jìn)行分類(lèi)訓(xùn)練及創(chuàng)建模型，再將62個(gè)特征數(shù)據(jù)作為測(cè)試樣本進(jìn)行茶葉病害分類(lèi)識(shí)別，得出的結(jié)果為87.10%。圖2b是在原本的基礎(chǔ)上選取50個(gè)進(jìn)行分類(lèi)訓(xùn)練及創(chuàng)建模型，再將52個(gè)特征數(shù)據(jù)作為測(cè)試樣本進(jìn)行茶葉病害分類(lèi)識(shí)別，得出的結(jié)果為90.38%。圖2c是在圖2b的基礎(chǔ)上增加了10個(gè)特征數(shù)據(jù)（即選取60個(gè)進(jìn)行分類(lèi)訓(xùn)練及創(chuàng)建模型），再將42個(gè)特征數(shù)據(jù)作為測(cè)試樣本進(jìn)行茶葉病害分類(lèi)識(shí)別，得出的結(jié)果為90.48%。圖2d同圖2c一樣，選取70個(gè)特征數(shù)據(jù)進(jìn)行分類(lèi)訓(xùn)練及創(chuàng)建模型，再將32個(gè)特征數(shù)據(jù)作為測(cè)試樣本進(jìn)行茶葉病害分類(lèi)識(shí)別，最后得出的結(jié)果為93.75%。

綜上所述，樣本數(shù)量一定的時(shí)候所選取的訓(xùn)練樣本越多，識(shí)別率就越高。當(dāng)訓(xùn)練數(shù)據(jù)和測(cè)試的比例達(dá)到一定值時(shí)，識(shí)別率將會(huì)在某一范圍波動(dòng)，就像本試驗(yàn)的數(shù)據(jù)結(jié)果，當(dāng)訓(xùn)練樣本達(dá)到一定的時(shí)候，識(shí)別精度就會(huì)在90.43%上波動(dòng)。所以通過(guò)SVM分類(lèi)器識(shí)別，具有識(shí)別率高、范圍廣等特點(diǎn)，可以有效地解決人工在監(jiān)控茶葉的過(guò)程中保證了茶葉的質(zhì)量和控制疾病的感染。

4? ?結(jié)語(yǔ)

由于茶農(nóng)對(duì)茶葉病害識(shí)別存在：主要依靠經(jīng)驗(yàn)（主觀、局限、模糊），憑感覺(jué)對(duì)茶葉病害進(jìn)行診斷，往往在茶葉的感染程度較嚴(yán)重時(shí)肉眼才能識(shí)別，很難做到“對(duì)癥下藥”和及時(shí)防治，而且可能造成農(nóng)藥超標(biāo)，影響茶葉的質(zhì)量。現(xiàn)提供一種基于人工智能（圖像處理和SVM分類(lèi)）對(duì)茶葉常見(jiàn)病害進(jìn)行識(shí)別方法研究，以提高識(shí)別率。選取適合于茶葉病害的分類(lèi)識(shí)別方法，促進(jìn)計(jì)算機(jī)智能識(shí)別技術(shù)在農(nóng)業(yè)中的應(yīng)用。

參考文獻(xiàn)：

[ 1 ] 徐代剛.銅仁市茶產(chǎn)業(yè)發(fā)展分析[J].中國(guó)茶葉，2018，40（1）：29-33.

[ 2 ] 劉衍琦，詹福宇，蔣獻(xiàn)文，等.MATLAB計(jì)算機(jī)視覺(jué)與深度學(xué)習(xí)實(shí)戰(zhàn)[M].北京：電子工業(yè)出版社，2017.

[ 3 ] 卓金武.MATLAB在數(shù)學(xué)建模中的應(yīng)用[M].北京：北京航空航天大學(xué)出版社，2014.

[ 4 ] Duan Li，Ruizheng Shi，Ni Yao，et al.Real-Time Patient-Specific ECG Arrhythmia Detection by Quantum Genetic Algorithm of Least Squares Twin SVM[J/OL].Journal of?Beijing Institute of Technology：1-10[2019-12-22].

[ 5 ] M. Dirbaz，T. Allahviranloo. Fuzzy multiquadric radial basis functions for solving fuzzy partial differential equations[J].Computational and Applied Mathematics，2019，38（4）.

[ 6 ] 魏鋒濤，盧鳳儀.融合核函數(shù)在改進(jìn)徑向基代理模型中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2019，55（7）：58-65.

[ 7 ] 陳瑤.基于徑向基網(wǎng)絡(luò)和支持向量機(jī)算法的板形缺陷識(shí)別的研究[D].天津：河北工業(yè)大學(xué)，2015.

[ 8 ] Jiao Yin，Jinli Cao，Siuly Siuly，et al.An Integrated MCI?Detection Framework Based on Spectral-temporal Analysis[J].International Journal of Automation and Computing，2019，16（6）：786-799.

[ 9 ] 歐利松.基于SVM的人臉識(shí)別系統(tǒng)設(shè)計(jì)與改進(jìn)[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2019（12）：58-60.

[ 10 ] 周凱紅，喬新新，李福敏.基于支持向量機(jī)的彩色圖像分割研究[J].現(xiàn)代電子技術(shù)，2019，42（18）：103-106，111.

[ 11 ] 郭志強(qiáng)，胡永武，劉鵬，等.基于特征融合的室外天氣圖像分類(lèi)[J/OL].計(jì)算機(jī)應(yīng)用：1-10[2019-12-22].

[ 12 ] 王艷玲，張宏立，劉慶飛，等.基于遷移學(xué)習(xí)的番茄葉片病害圖像分類(lèi)[J].中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2019，24（6）：124-130.