基于机器学习的烟草蛙眼病赤星病识别

朱洋 许帅涛 李艺嘉 张亮 刘鹏

[摘要]文章以常见的烟草蛙眼病与赤星病为研究对象，利用图像处理方法分割出病斑，并提取了病斑的颜色、纹理和形态学特征，构建原始特征空间，利用模拟退火算法进行特征优化，选取最优特征组合。利用ABC-SVM技术进行两种病害的判别，识别率达到97%，有效判别出蛙眼病与赤星病，为指导采取合理的烟草病害防治措施提供科学依据。

[关键词]烟草病害;蛙眼病;赤星病;图像处理;特征优化

中图分类号：S572                     文献标识码：A                  DOI：10.16465/j.gste.cn431252ts.20190530

我国是全世界最大的烟草消费国与生产国，占据了全世界卷烟生产和消费量的1/3，近年来，烟草行业经济快速发展，每年向国家交税近千万亿，成为国家重要经济来源之一，为国家的经济发展奠定了有力的基础[1]。

随着社会经济的不断发展，人们生活水平也不断提高，对卷烟产品的质量要求也在提升。保证烟草生产质量是各大生产厂家非常重视的一环。但烟草在生长期间会受到多种病菌的感染，降低了烟草的产量与质量，导致烟草种植户与生产厂家的巨大亏损，影响国家经济的发展。烟草病害的识别与防治工作一直是研究的重点与难点[2-8]。

目前检测烟草病毒的主要方法有生物学鉴定法、血清学鉴定法、电镜法以及分子生物学鉴定法等。其中血清学鉴定法更加简单快速且灵敏度高，被广泛用于烟草病毒的检测[9-10]。

本文以常见的烟草蛙眼病与赤星病为研究对象，采用图像处理的方法分割出病斑区域，提取了形态学特征、颜色和纹理等共计32个特征。利用SAA算法对原始特征空间进行优化，构建最优特征空间，然后利用ABC-SVM技术进行两种病害的判别，识别率达到97%，实现了烟草蛙眼病与赤星病的有效判别，为合理制定防治计划提供科学依据[11]。

1  样本采集与图像处理

本文以可见光拍摄烟草蛙眼病与赤星病样本图片，具体见图1。蛙眼病和赤星病样本图片共400张，其中每种病害样本为200张。

对拍摄的样本进行去噪处理，然后进行图像分割，提取出感兴趣区域。针对提取的彩色病斑，分别通过R、G、B通道和H、S、V通道提取出颜色特征，并求出其纹理特征，最后利用二值化处理，提取目标的形态学特征。赤星病与蛙眼病病斑见图2，赤星病与蛙眼病二值化图像见图3。

2  特征提取与优化组合

2.1  特征提取

本文共提取了颜色、纹理与形态学特征，共计32个特征，其特征定义如下：

（1）颜色矩。颜色矩是一种颜色特征表示方法，有一階矩、二阶矩和三阶矩等，其颜色特征主要分布在低阶矩中，利用一阶矩、二阶矩和三阶矩足以表达图像的颜色分布。

式中：Pi，j表示彩色图像第j个像素的第i个分量，N表示图像中的像素个数。

（2）纹理特征。灰度共生矩阵是一种通过研究灰度的空间相关特性来描述纹理的常用方法，由Haralick等人于1973年提出。

2.2  特征优化组合

模拟退火算法（SAA）是一种随机寻优算法，从某一较高的温度出发，随着温度的降低，结合概率突跳特性在解空间中寻找全局最优解，可有效避免陷入局部最优解。

本文利用模拟退火算法对原始特征空间进行了优化，选取了适应度值最高的特征组合，包含的特征有R通道一阶矩、G通道二阶矩、H通道一阶矩、二阶矩和三阶矩、S通道二阶矩和三阶矩、V通道二阶矩和三阶矩、一致性、逆差矩、平均灰度和三阶矩共计13个特征。

3  基于ABC-SVM技术的蛙眼病和赤星病判别

3.1  ABC-SVM技术简介

ABC算法（人工蜂群算法）是一种智能仿生算法，模仿蜜蜂的寻找食物的行为，当蜜源食物没有改进时，便放弃该蜜源，寻找下一个蜜源，可有效防治局部最优值。

SVM（支持向量机）是一种监督学习算法，基本模型是在特征空间上寻找最佳的分类超平面，使得训练集上不同样本的间隔最大。

本文利用ABC算法优化支持向量机的c、g参数组合，寻找最佳参数组合，使得支持向量机具有更好的识别效果。

3.2  蛙眼病与赤星病的判别

本文中两种病害共采集了400张样本（每种病害200张样本），将每种病害的150张样本特征作为训练集，剩下的50张作为测试集。本文根据优化后的特征组合，利用优化了c、g参数组合的支持向量机技术对样本特征进行判别，识别率达97%，有效地判别出了烟草常见的蛙眼病与赤星病两种病害，识别结果见图4，100张样本中有3张被误识。

4  结  论

（1）根据病斑的不同，本文选取了具有明显不同的颜色、纹理等特征，并采用模拟退火算法进行特征优化，选取最佳特征组合，以尽量少的特征达到最大的识别率。

（2）利用ABC算法优化支持向量机的参数组合，对蛙眼病和赤星病进行判别，识别率达95%以上，实现了基于计算机视觉的烟草常见病害的识别分类，为制定合理的烟草病害防治计划提供科学依据。

参考文献

[1]李敬.基于卷积神经网络的烟草病害自动识别研究[D].泰安：山东农业大学，2016.

[2]王刚.我国烟草病虫害防治研究策略探讨[J].中国烟草科学，2003（4）：37-39.

[3]王凤龙.烟草病毒病综合防治技术[J].烟草科技，2002（4）：43-45.

[4]董志坚，郑新章，刘立全.烟草病虫无公害防治技术研究进展[J].烟草科技，2002（12）：38-45.

[5]方敦煌，白万明，李天飞.烟草病害防治的问题与对策[J].植物医生，1998（1）：32-33.

[6]赵希，杨金香，杨毅.烟草病害图像自动检索与识别[J].中国农业信息，2013（19）：103-104.

[7]陈雪娇，李云飞，李刚，等.烟草主要病害及其相关检测方法研究进展[J].河南农业科学，2013（11）：1-6.

[8]许清孝.烟草花叶病毒的检测方法研究进展[J].现代农业科技，2013（11）：128-129.

[9]翟玉俊，刘红海，李星亮，等.烟草病毒检测技术研究进展[J].农产品加工（学刊），2009（4）：83-88.

[10]马国胜，何博如.烟草病毒研究现状与展望[J].中国生态农业学报，2006（2）：150-153.

[11]刘迦南，朱洋，李艺嘉，等.基于LIBSVM的烟青虫成虫雌雄判别研究[J].粮食科技与经济，2018（9）：117-119.

收稿日期：2019-04-27

基金项目：国家自然科学基金资助项目（31671580）;河南省科技攻关项目（162102110112）。

作者简介：朱洋，男，硕士，研究方向为图像处理与模式识别。