实数编码遗传算法与支持向量机在烟草病害识别中应用.docVIP

实数编码遗传算法与支持向量机在烟草病害识别中应用 　　摘要：为实现计算机诊断烟草病害，提出了依据病害图像的特征，运用实数编码遗传算法优化特征和支持向量机识别病害的方法来诊断病害。通过对病害图像增强处理、彩色病斑分割、病斑特征提取，构建了实数编码遗传算法选择有效特征与支持向量机识别病害的模型。该模型通过实数编码遗传算法将权重较高的前n个特征值xi乘以对应权重wi作为支持向量机的输入向量，将分类精度作为遗传算法的适应度，对个体进行了评估，实现了在获得有效特征的同时提高支持向量机的识别精度。试验结果表明，经过训练的模型具有较好的烟草病害识别能力。 　　关键词：病斑特征；烟草病害；支持向量机；CIE L*a*b*模型；实数编码遗传算法 　　中图分类号： S126；TP391.41文献标志码： A文章编号：1002-1302（2015）09-0435-04 　　随着计算机技术的发展和农业信息化的迫切需求，国内外学者尝试利用计算机图像处理技术和模式识别技术对作物病害进行自动定量的识别，已在水稻、小麦、黄瓜、蔬菜[1-5]等的病害识别上取得了一定的成绩。常用的模式识别工具有贝叶斯决策、神经网络、模糊集法等。常用模式识别工具是以无限多样本训练为前提的，但在实际诊断中对于某一类病害，通常不具有大量的病害样本。支持向量机（SVM）[6]是一种新的模式识别方法，它在处理非线性、小样本等问题上具有特定的优势，在生物信息、医学等领域已得到了成功应用。已有学者开始利用支持向量机对葡萄、黄瓜、小麦等的病害进行识别[2-3]，取得了一定成绩。因作物种类繁多，同一类作物也会有多种病害发生，且病害特征呈现多样化、复杂化，所以至今还没有一种通用的病害识别方法，需针对不同的作物病害分别进行研究。在烟草生长期内有多种病害发生，每年造成的损失很大[7]，病害防治是确保烟草产量和质量的关键技术之一。目前，烟草病害的识别主要通过人为判断，或通过书本、互联网、数据库等提供的烟草病害图片比对诊断，这对于非专业人员，往往会引起人为的误判，从而难以对症下药，造成烟叶质量下降。 　　本研究提出依据病害图像的病斑特征，构建实数编码遗传算法获取有效特征和支持向量机识别病害的模型以诊断烟草病害。以赤星病、野火病等4种常见又容易混淆的烟草病害图像诊断为例，通过分割彩色病斑、提取病斑特征，将提取的特征输入实数编码遗传算法优化特征和支持向量机识别病害的模型，特征通过模型，获得对应的权重，将前n个权重较高的特征向量值xi乘以对应的权重wi，即xi=wi?xi作为支持向量机的输入向量，支持向量机的分类精度作为遗传算法的适应度对个体进行评估，以在去除冗余特征的同时提高支持向量机的识别精度。试验表明，实数编码遗传算法选择病害特征比采用二进制编码及双编码具有更好的识别率和优势，构建的模型能很好地识别烟草病害，可为病害的科学防治和危害程度评价提供依据。 　　1材料和方法 　　1.1病害图像采集与硬件参数 　　本研究中所采集的图像来源于云南德宏潞西，在田间自然光照下，用Nikon D80数码相机（焦距18～20 mm，最大光圈f/3.5～f/5.6），采集4种烟草病害（野火病、炭疽病、赤星病、蛙眼病）500幅，以“jpg”格式存储在电脑中。 　　利用Intel（R） Pentium（R）CPU G3220@3.0GHZ处理器，内存4 G，硬盘500 G，在Windows 2007系统环境下用Matlab2009a软件编程实现图像增强、病斑分割、特征提取、特征筛选、病害识别等操作。 　　1.2研究方法 　　1.2.1图像预处理和病斑分割（1）图像预处理。为减少计算量和外界带来的干扰，在不损害病斑完整性的前提下，根据病斑所在的位置将图像由原来的3 872×2 592像素统一裁剪为800×600像素。由于图像是在田间自然条件下采集，难免会受采集设备、环境等因素影响，往往使采集到的图像含有噪声，若直接进行图像分割和特征提取，会给识别造成误差。为此本研究首先利用3×3矩形窗口对原图像进行中值滤波[8]，以削弱或去除噪声，使病斑轮廓与细节更加清晰，利于后期病斑的分割和处理。 　　（2）颜色空间选择。在众多颜色模型中，因CIE L*a*b*模型符合人的视觉特征[9]，与光线及设备无关，并且处理速度与RGB模型同样快，比CMYK模型快，还是一种均匀的彩色空间，适合于彩色图像的编辑和分析，所以本研究采用了CIE L*a*b*模型。从RGB空间到L*a*b*空间的转化，采用D65白点，其中Xn=0.950 456，Yn=1，Zn=1.088 754。 　　（3）彩色病斑分割。烟草病害图像由病斑区域和正常区域组成，而病斑区域与正常区域之间有明显的突变，即边缘，所以本研究的病斑分割，采用基于支持向量机与多