王志彬 王開義 王書鋒 王曉鋒 潘守慧

(1.北京農(nóng)業(yè)信息技術(shù)研究中心， 北京 100097； 2.農(nóng)業(yè)部農(nóng)業(yè)信息技術(shù)重點實驗室， 北京 100097；3.北京工業(yè)大學信息學部， 北京 100124)

基于動態(tài)集成的黃瓜葉部病害識別方法

王志彬1,2王開義1,2王書鋒1,2王曉鋒1,3潘守慧1,2

(1.北京農(nóng)業(yè)信息技術(shù)研究中心， 北京 100097； 2.農(nóng)業(yè)部農(nóng)業(yè)信息技術(shù)重點實驗室， 北京 100097；3.北京工業(yè)大學信息學部， 北京 100124)

對作物病害類型的準確識別是病害防治的前提。為提高病害識別的準確度，以黃瓜葉部病害識別為例，提出一種基于動態(tài)集成的作物葉部病害種類的識別方法。首先利用圖像分塊策略提取病害圖像的75維顏色統(tǒng)計特征，然后采用不一致度量方法對構(gòu)建的10個BP神經(jīng)網(wǎng)絡(luò)單分類器進行差異性度量，并按照差異性大小進行排序，最后根據(jù)分類器的可信度，動態(tài)選擇差異性大的分類器子集對病害圖像進行集成識別。在由512幅白粉病、霜霉病、灰霉病和正常葉片4類黃瓜葉片組織圖像構(gòu)成的測試集上，所提方法的識別錯誤率為3.32%，分別比BP神經(jīng)網(wǎng)絡(luò)、SVM、Bagging、AdaBoost算法降低了1.37個百分點、1.56個百分點、1.76個百分點、0.78個百分點。試驗結(jié)果表明：所提方法能夠?qū)崿F(xiàn)黃瓜葉部病害種類的準確識別，可為其它作物病害的識別提供借鑒。

黃瓜; 葉部病害; 圖像識別; 集成學習; 差異性度量; 動態(tài)選擇

引言

近年來，我國蔬菜產(chǎn)業(yè)得到穩(wěn)步發(fā)展，播種面積呈逐年遞增。據(jù)聯(lián)合國糧農(nóng)組織統(tǒng)計，我國蔬菜播種面積和產(chǎn)量分別占世界的43%和49%，均居世界第一[1]。在蔬菜生產(chǎn)過程中，病害是制約蔬菜高產(chǎn)、優(yōu)質(zhì)、高效益的重要因素，一般可造成蔬菜產(chǎn)量損失的10%～30%，病害嚴重時損失可達60%～70%甚至絕產(chǎn)[2-3]。因此，快速準確地識別作物病害，采取有效的防治措施，對確保蔬菜產(chǎn)量和質(zhì)量具有十分重要的社會意義和經(jīng)濟價值。

傳統(tǒng)的病害識別方法主要依靠植保專家的個人經(jīng)驗和病理學分析，存在實時性差、工作效率低、識別結(jié)果主觀性強等問題，且往往會耽誤病害防治，易造成農(nóng)藥的誤用、濫用，缺乏科學合理的病害防治方法[4-5]。隨著農(nóng)業(yè)信息化進程的推進，基于機器視覺的作物病害識別方法能夠顯著克服上述問題，成為該領(lǐng)域當前研究的熱點[6-9]。該方法采用機器視覺和圖像分析技術(shù)在獲取病害葉片圖像的同時可將病害種類、危害程度和防治方法同步顯示給用戶，實現(xiàn)作物病害的無損檢測、快速診斷。目前，常用于作物病害圖像識別的方法主要包括Fisher法、D-S證據(jù)論法、分類規(guī)則法、神經(jīng)網(wǎng)絡(luò)法和支持向量機(Support vector machine, SVM)法等。

文獻[10-20]對作物病害診斷時，大多采用單一分類器進行識別，這需要選取最優(yōu)的單一特征或特征組合，同時設(shè)計出最優(yōu)的單分類器才能取得最佳的識別效果。在實際應(yīng)用中，存在最優(yōu)特征集和最優(yōu)分類器難以獲取的問題，且識別算法極易受到參數(shù)、訓(xùn)練集等因素的影響，算法缺乏足夠的穩(wěn)健性。為此，研究者提出基于集成學習的病害識別方法，利用多個單分類器集成的方式來實現(xiàn)作物病害的識別，以獲得更好的識別效果[21-23]。但是，該方法存在集成規(guī)模難以確定的問題，且多采用靜態(tài)的集成方式，未能充分利用各個單分類器之間的互補性去除冗余實現(xiàn)最優(yōu)集成識別。

本文以黃瓜白粉病、霜霉病、灰霉病3種病害為研究對象，提出一種基于動態(tài)集成的作物葉部病害種類的識別方法，以期為實現(xiàn)田間作物病害的準確識別提供新的技術(shù)和方法。

1 材料與方法

1.1 試驗材料

試驗選取黃瓜的3種常見病害：白粉病、霜霉病、灰霉病，和黃瓜的健康葉片圖像進行識別。根據(jù)病情發(fā)展，可將病害分為發(fā)病初期、發(fā)病中期和發(fā)病晚期3個階段。由于發(fā)病初期病癥往往難以察覺而發(fā)病晚期則存在葉片枯死的問題，因此，本文采用葉部病癥明顯的發(fā)病中期圖像進行試驗。

采用的黃瓜葉片圖像由2個途徑獲取。一是在大田開放環(huán)境下，采用人工手持數(shù)碼相機(SONY DSC-W35)拍攝方法收集了北京市小湯山國家精準農(nóng)業(yè)研究示范基地的黃瓜病害葉片圖像。在拍攝圖像時，相機設(shè)置為微距模式，自動調(diào)節(jié)焦距和光圈，自動白平衡，關(guān)閉閃光燈。選擇表面潔凈的黃瓜葉片并在光照適中的晴天進行圖像采集，避免光照直射和避開刮風、降雨的天氣。二是從公共網(wǎng)站 (中國農(nóng)業(yè)網(wǎng), http:∥www.agronet.com.cn/)[24]上收集黃瓜葉片圖像。在植保專家的指導(dǎo)下，主要收集黃瓜白粉病、霜霉病、灰霉病3種病害中期的葉片圖像和黃瓜健康葉片圖像，并對病害的準確性和唯一性進行判別。部分黃瓜葉片圖像如圖1所示。

圖1 黃瓜葉片圖像Fig.1 Images of cucumber leaf

采用上述2種方式進行樣本圖像的收集，較容易獲得不同地點、不同季節(jié)、不同生長時期的黃瓜葉片圖像，以有效地驗證本文算法。

1.2 特征提取方法

葉部病害識別時，經(jīng)常采用的特征有顏色、形狀、紋理等[10,25]。各種特征中，以顏色信息最為直觀和有效。作物染病后，健康葉片和病斑的顏色往往存在一定的差異。目前，已有多種識別算法據(jù)此實現(xiàn)病害種類的準確識別，而且對于部分顏色類似的病斑也有較好的識別效果[26-28]。根據(jù)黃瓜白粉病、霜霉病、灰霉病和健康葉片圖像的特點[3]，本文在RGB顏色空間上，利用分塊圖像的紅色(R)、綠色(G)、藍色(B)3個顏色分量的統(tǒng)計信息，構(gòu)建病害識別算法的有效特征集，進而實現(xiàn)病害特征的定量化、數(shù)字化表示。特征提取方法如下[29]：

首先，沿圖像水平方向和垂直方向進行均勻劃分，分成M×N個大小相等的子圖像。經(jīng)過圖像劃分后，圖像I可以用集合表示為

I={I11,I12,…,IMN}

(1)

其中，元素Iij(i=1,2,…,M;j=1,2,…,N)是圖像I經(jīng)過劃分后得到的每一個子圖像。

然后，對任意子圖像Iij，利用該圖像在R、G、B顏色通道上的顏色值和的平均值作為其顏色特征。假設(shè)Iij高為m像素，寬為n像素，則其顏色特征計算公式為

(2)

式中rlz——Iij中像素點(l,z)在R顏色通道上的顏色值

glz——Iij中像素點(l,z)在G顏色通道上的顏色值

blz——Iij中像素點(l,z)在B顏色通道上的顏色值

子圖像Iij就可以表示為一個三元向量

(3)

最后，經(jīng)過子圖像劃分和特征提取，圖像I可以表示為

(4)

式中AI——圖像I的特征矩陣

根據(jù)特征矩陣AI，圖像I可以表示為特征向量

VI=(v1,v2,…,vM)

(5)

其中，元素vi對應(yīng)式(4)中矩陣的第i行。VI即為所提取的作物葉部病害特征向量。

上述特征提取方法能夠兼顧圖像的整體和局部特性，從而可以更準確地表示葉片不同組織之間的特征差異。

1.3 病害識別算法

在對作物葉部病害識別時，采用集成學習技術(shù)能夠獲得更好的識別效果[30-32]。但在實際應(yīng)用中，作物葉部病害識別是一個實時性過程。在該過程中，不但要保證識別的準確性，而且要保證識別結(jié)果的可靠性。若在集成系統(tǒng)中，采用全部的分類器對葉部病害組織進行識別，必然會影響系統(tǒng)的識別性能，缺乏識別的針對性，且對識別結(jié)果的可靠性缺少評估。為此，將動態(tài)選擇集成[33]應(yīng)用到病害識別中，設(shè)計了一種基于分類器動態(tài)選擇集成的作物葉部病害識別方法，該方法主要包括2部分：分類器排序；分類器的動態(tài)選擇集成。

1.3.1分類器排序

分類器的差異性是保證集成系統(tǒng)具有較高識別率和泛化能力的關(guān)鍵，是分類器動態(tài)選擇的重要依據(jù)。現(xiàn)有的差異性度量方法主要分為2大類：成對差異性度量方法和非成對差異性度量方法[34]。其中，成對差異性度量方法中的不一致度量為常采用的度量方法。

不一致度量表示2個分類器cq、ck在識別N個樣本時，識別不一致時的樣本實例占整個測試實例的比例，計算公式為

(6)

式中 N01——分類器cq識別錯誤、分類器ck識別正確時樣本所占比重

N10——分類器cq識別正確、分類器ck識別錯誤時樣本所占比重

N11——分類器cq、ck均識別正確時樣本所占比重

N00——分類器cq、ck均識別錯誤時樣本所占比重

F的取值范圍為[0,1]，F(xiàn)越大，分類器間的差異性越大。推廣到L個分類器，則不一致度量計算公式為

(7)

式中 Fqk——分類器cq、ck之間不一致度量值

根據(jù)上述差異性度量公式，本文將分類器的選擇與差異性的度量進行結(jié)合，實現(xiàn)分類器子集按照差異性進行排序。分類器排序算法流程圖如圖2所示。

圖2 分類器排序算法流程圖Fig.2 Flow chart of classifier sorting

按照該排序算法可以保證在對病害圖像識別時，當需要n個分類器時，序列P中的前n個分類器的組合就是互補性最強的分類器子集；當只需要1個分類器時，選擇的是所有分類器中識別率最高的分類器。

1.3.2動態(tài)選擇集成

所采用的動態(tài)選擇集成方法能夠針對不同的待識別樣本，挑選出不同數(shù)目的分類器進行集成識別，從而有效地提高系統(tǒng)的識別性能。當一個或少數(shù)幾個分類器就能滿足識別可信度要求時，則無需選擇更多的分類器；否則依次添加分類器，直至所有分類器都入選；若所有分類器都已入選，仍不能滿足識別可信度要求時，則將每次集成時的識別結(jié)果進行投票，得票最多的類別即為識別結(jié)果，算法流程圖如圖3所示。

圖3 分類器動態(tài)選擇集成算法流程圖Fig.3 Flow chart of dynamic selective ensemble of classifiers

在圖3中，yd是第d個參與集成的分類器的輸出結(jié)果，Y=(o1,o2,…,oω)T，ω為類別數(shù)，其中每一維分量o表達了該分量所對應(yīng)類別在集成后的可信度，Smax為各分量中的最大值，所對應(yīng)的類別即為識別結(jié)果，θ為系統(tǒng)識別結(jié)果的可信度，其取值范圍為[0,1]，Q為候選分類器的個數(shù)。

按照上述算法，對作物葉部病害識別過程為：首先根據(jù)識別精度的需要設(shè)定初始可信度閾值θ0，然后根據(jù)分類器排序結(jié)果P選取第1個分類器對葉部病害圖像樣本x進行識別，當識別結(jié)果滿足可信度的要求時，則輸出識別結(jié)果R，無需集成其它分類器；否則依次選入w(w≥2)個分類器，并對入選的分類器進行集成，保存集成識別結(jié)果Rw，當滿足輸出條件Smax≥wθ時，輸出識別結(jié)果R；若所有分類器都已選入仍不滿足輸出條件，則對每次集成時的識別結(jié)果Rw進行投票，得票最多的類別即為該葉部病害圖像樣本的最終識別結(jié)果。

2 結(jié)果與分析

在Matlab 2011環(huán)境下，通過編程實現(xiàn)本文所提的病害識別算法，并以實際黃瓜葉片圖像為測試對象進行試驗驗證。試驗中所采用的計算機配置為：Intel Pentium 4 CPU 3.0 GHz 中央處理器，2 GB內(nèi)存，Windows XP操作系統(tǒng)。

2.1 樣本集

試驗用到的圖像全部來源于所建立的黃瓜葉片圖像庫。在植保專家的指導(dǎo)下，從不同黃瓜葉片上截取部分典型組織圖像，構(gòu)成樣本集。該樣本集包括3部分：訓(xùn)練集、測試集和驗證集，共2 443幅圖像。其中，訓(xùn)練集包含1 721幅圖像，測試集包含512幅圖像，驗證集包含210幅圖像。樣本集具體構(gòu)成如表1所示。試驗中，將黃瓜葉部組織圖像分為4類：白粉病、霜霉病、灰霉病和正常葉片，采用75維的顏色特征。

表1 黃瓜葉部病害樣本集Tab.1 Sample sets of cucumber leaf diseases

2.2 單分類構(gòu)建

本文采用3層BP神經(jīng)網(wǎng)絡(luò)作為單分類器對黃瓜葉片組織圖像進行識別。其中，BP神經(jīng)網(wǎng)絡(luò)采用75-5-4三層結(jié)構(gòu)，學習速率為0.5，慣性系數(shù)設(shè)為0.8，目標誤差為0.001，迭代次數(shù)設(shè)置為500，輸出層的神經(jīng)元采用S型變換函數(shù)將輸出結(jié)果轉(zhuǎn)換為[0,1]上的可信度。

為構(gòu)建更多的單分類器，通過重采樣技術(shù)對訓(xùn)練集有放回地抽取，為每個單分類器都構(gòu)建一個跟訓(xùn)練集同樣大小但各不相同的訓(xùn)練集，從而訓(xùn)練出不同的單分類器。本文隨機產(chǎn)生10個BP單分類器，其識別錯誤率如表2所示。

表2 各單分類器在測試集上的識別錯誤率Tab.2 Recognition error rate of individual classifiers for test set

由表2可知，利用重采樣技術(shù)獲得的10個BP神經(jīng)網(wǎng)絡(luò)單分類器各不相同，性能最高的BP神經(jīng)網(wǎng)絡(luò)在測試集上的識別錯誤率為4.69%，識別錯誤率最高為25.59%，平均識別錯誤率為10.51%。

2.3 動態(tài)集成識別結(jié)果

在單分類器設(shè)計完成后，采用驗證樣本集對上述單分類器進行差異性度量和排序，其結(jié)果如表3所示。

表3 分類器排序結(jié)果Tab.3 Ranking results of classifier sorting

按照表3的排序結(jié)果，在測試樣本集上，采用動態(tài)選擇集成算法對黃瓜葉部病害圖像進行識別，并與常用的病害識別算法SVM、經(jīng)典集成學習算法Bagging、AdaBoost進行對比試驗。試驗結(jié)果如表4所示。

表4 各算法識別性能對比Tab.4 Recognition performances comparison of different methods

在表4中，SVM采用運算復(fù)雜度小、穩(wěn)定性高的徑向基函數(shù)(Radial basis function, RBF) 作為核函數(shù)，并通過試驗確定懲罰因子C=30，核函數(shù)g=5；Bagging算法和AdaBoost算法則均采用BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)作為單分類器，分別產(chǎn)生10個單分類器并對其進行線性集成。本文采用的動態(tài)選擇集成算法的可信度閾值設(shè)置為θ0=0.6。

由表4可以看出，本文提出的病害識別算法在測試集上的識別錯誤率為3.32%，分別比BP神經(jīng)網(wǎng)絡(luò)、SVM、Bagging、AdaBoost算法降低了1.37個百分點、1.56個百分點、1.76個百分點、0.78個百分點。所提算法具有更好的識別效果，其原因為：在對病害葉片圖像進行識別時，本文采用動態(tài)集成的方式，即針對每一病害葉片圖像，均動態(tài)選擇出性能最優(yōu)的分類器或組合進行識別(參與集成的分類器個數(shù)不同)，這樣的識別更有針對性，獲得了更好的識別效果。但是，該算法存在耗時較長的問題。Bagging算法與BP神經(jīng)網(wǎng)絡(luò)識別性能最優(yōu)的C5相比，Bagging算法對產(chǎn)生的10個單分類器進行線性集成，但識別結(jié)果未能達到最優(yōu)，則進一步說明產(chǎn)生的多分類器之間存在冗余，直接對所有分類器進行集成，會融合一些無效的決策而影響最終的識別結(jié)果。AdaBoost與Bagging算法相比，AdaBoost算法識別性能更優(yōu)，錯誤率降低了0.98個百分點，其原因在于：AdaBoost對產(chǎn)生的分類器進行加權(quán)集成，即差異性大的分類器其集成權(quán)值更高，從而獲得更高的識別性能。此外，本文所提算法在初始可信度為0.6時，對每一樣本進行識別時，平均集成分類器個數(shù)為1.041個，這說明在此可信度下，大部分樣本的識別精度均已滿足可信度的要求，只有少數(shù)難以識別的樣本需進行動態(tài)選擇集成，因此所提算法結(jié)構(gòu)更靈活、識別更有針對性。

可信度是影響算法識別性能的重要參數(shù)，為研究其與識別錯誤率、算法耗時之間的關(guān)系，本文進行了3種可信度情況下的算法性能測試，試驗結(jié)果如表5所示。

由表5可以看出，算法的初始可信度越大，參與集成的分類器個數(shù)越多，算法的耗時越大，算法的識別錯誤率越高，但識別結(jié)果越可靠。改變初始可信度會影響算法識別性能的原因在于: 改變初始可信度閾值，會影響算法識別結(jié)果的可靠性。當對算法識別的可靠性要求越高時，單一分類器的識別結(jié)果若不能滿足該識別精度要求時，必然要求參與集成的分類器個數(shù)增加，從而增加算法的執(zhí)行時間，且識別可靠性要求高，易導(dǎo)致算法識別精度的降低；反之亦然。所以在實際應(yīng)用中，應(yīng)根據(jù)應(yīng)用場景對識別結(jié)果可靠性設(shè)置合適的初始可信度，以兼顧識別精度和效率。

表5 初始可信度對算法性能的影響Tab.5 Influences of initial confidence on algorithm performance

此外，顏色是區(qū)分作物病害種類的一個重要特征。傳統(tǒng)人工診斷方法由于病害診斷標準含糊不清，加之人眼分辨顏色的能力有限，有時會妨礙對病害的判斷。但是，通過顏色特征提取病害圖像后，能夠?qū)Σ『μ卣鬟M行數(shù)字化、精細化、定量化的描述，從而有利于實現(xiàn)病害種類的準確識別。本文在RGB顏色空間上，利用分塊圖像的R、G、B3個顏色分量的統(tǒng)計信息，構(gòu)建了75維有效特征向量集，取得較好的識別效果。隨著多特征融合技術(shù)的發(fā)展，利用多特征實現(xiàn)作物病害的準確識別已得到越來越多研究者的關(guān)注[12,19,35]。但是，在病害識別時，選擇何種特征以及采用何種融合方法更能表達作物病害信息，仍需要進一步的研究。此外，在算法實際應(yīng)用時，田間光照強度的不均特別是光照直射，會影響算法的識別性能[22,25,36]，如何克服光照影響，提高算法的魯棒性也將是本文算法改進的一個重要方向。

3 結(jié)論

(1)在512幅由白粉病、霜霉病、灰霉病和正常葉片4類黃瓜葉片組織圖像構(gòu)成的測試集上，所提出的識別算法的識別錯誤率為3.32%，分別比BP神經(jīng)網(wǎng)絡(luò)、SVM、Bagging、AdaBoost算法降低了1.37個百分點、1.56個百分點、1.76個百分點、0.78個百分點。

(2)在病害識別時，采用Bagging算法比10個BP單分類器均值的識別錯誤率低5.43個百分點，而AdaBoost算法比Bagging算法識別錯誤率降低了0.98個百分點，集成多個分類器通常能夠獲得更好的識別效果，且分類器之間差異性越大，集成識別效果越明顯。

(3)所采用的特征提取方法能夠很好的表達黃瓜葉部不同病害組織的顏色特征，且計算簡單、實用性高。

(4)算法在可信度為0.6、0.95、1時，算法平均參與集成分類器個數(shù)依次為：1.041、1.932、10個；算法的平均耗時為0.544、0.611、0.926 s；算法的識別錯誤率為：3.32%、5.08%、5.27%，算法的可信度越大，參與集成的分類器個數(shù)越多，算法的耗時越大，算法的識別錯誤率越高，但識別結(jié)果越可靠。

1 李寶聚. 蔬菜主要病害2013年發(fā)生概況及2014年發(fā)生趨勢[J]. 中國蔬菜, 2014(2): 5-8.

2 騰葳, 柳琪, 郭棟梁. 我國蔬菜病蟲害的基本概況及對蔬菜安全質(zhì)量的影響分析[J]. 食品研究與開發(fā), 2003, 24(5): 3-5.

3 王恒亮, 倪云霞, 李好海, 等. 蔬菜病蟲害診治原色圖鑒[M]. 北京: 中國農(nóng)業(yè)科學技術(shù)出版社, 2013: 110-177.

4 SANKARAN S, MISHRA A, EHSANI R, et al. A review of advanced techniques for detecting plant diseases[J]. Computers and Electronics in Agriculture, 2010, 72(1): 1-13.

5 劉君, 王振中, 李寶聚, 等. 基于圖像處理的作物病害自動識別系統(tǒng)的研究[J]. 計算機工程與應(yīng)用, 2012, 48(13): 154-158.

6 賴軍臣, 李少昆, 明博, 等. 作物病害機器視覺診斷研究進展[J]. 中國農(nóng)業(yè)科學, 2009, 42(4): 1215-1221. LAI Junchen, LI Shaokun, MING Bo, et al. Advances in research on computer-vision diagnosis of crop diseases[J]. Scientia Agricultura Sinica, 2009, 42(4): 1215-1221. (in Chinese)

7 DIAO Z, ZHAO C, WU G, et al. Review of application of mathematical morphology in crop disease recognition[C]∥Computer and Computing Technologies in Agriculture, 2008, 2: 981-990.

8 BARBEDO J G A. Digital image processing techniques for detecting, quantifying and classifying plant diseases[J]. SpringerPlus, 2013,2:660.

9 BARBEDO J G A. A review on the main challenges in automatic plant disease identification based on visible range images[J]. Biosystems Engineering, 2016, 144: 52-60.

10 賈建楠, 吉海彥. 基于病斑形狀和神經(jīng)網(wǎng)絡(luò)的黃瓜病害識別[J]. 農(nóng)業(yè)工程學報, 2013, 29(增刊): 115-121. JIA Jiannan, JI Haiyan. Recognition for cucumber disease based on leaf spot shape and neural network[J]. Transactions of the CSAE, 2013, 29(Supp.): 115-121. (in Chinese)

11 PHADIKAR S, SIL J, DAS A K. Rice diseases classification using feature selection and rule generation techniques[J]. Computers and Electronics in Agriculture, 2013, 90: 76-85.

12 王獻鋒, 張善文, 王震, 等. 基于葉片圖像和環(huán)境信息的黃瓜病害識別方法[J]. 農(nóng)業(yè)工程學報, 2014, 30(14): 148-153. WANG Xianfeng, ZHANG Shanwen, WANG Zhen, et al. Recognition of cucumber diseases based on leaf image and environmental information[J]. Transactions of the CSAE, 2014, 30(14): 148-153. (in Chinese)

13 田凱, 張連寬, 熊美東, 等. 基于葉片病斑特征的茄子褐紋病識別方法[J]. 農(nóng)業(yè)工程學報, 2016, 32(增刊): 184-189. TIAN Kai, ZHANG Liankuan, XIONG Meidong, et al. Recognition of phomopsis vexans in solanum melongena based on leaf disease spot features[J]. Transactions of the CSAE, 2016, 32(Supp.): 184-189. (in Chinese)

14 BARBEDO J G A, KOENIGKAN L V, SANTOS T T. Identifying multiple plant diseases using digital image processing[J]. Biosystems Engineering, 2016, 147: 104-116.

15 HU M, BU X, SUN X, et al. Rape plant disease recogniton method of multi-feature fusion based on D-S evidence theory[J]. Mathematical and Computational Applications, 2017, 22(18): 1-7.

16 霍迎秋, 唐晶磊, 尹秀珍, 等. 基于壓縮感知理論的蘋果病害識別方法[J/OL]. 農(nóng)業(yè)機械學報, 2013, 44(10): 227-232. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20131036&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2013.10.036. HUO Yingqiu, TANG Jinglei, YIN Xiuzhen, et al. Apple disease recogniton based on compressive sensing[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(10): 227-232. (in Chinese)

17 葉海建, 郎睿, 劉成啟, 等. 基于視覺顯著性圖的黃瓜霜霉病識別方法[J/OL]. 農(nóng)業(yè)機械學報, 2016, 47(5): 270-274. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160536&journal_id=jcsam. DOI:10.6041/j.issn.1000-1298.2016.05.036. YE Haijian, LANG Rui, LIU Chengqi, et al. Recogniton of cucumber downy mildew disease based on visual saliency map[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(5): 270-274. (in Chinese)

18 CAMARGO A, SMITH J S. Image pattern classification for the identification of disease causing agents in plants[J]. Computers and Electronics in Agriculture, 2009, 66(2): 121-125.

19 馬浚誠, 溫皓杰, 李鑫星, 等. 基于圖像處理的溫室黃瓜霜霉病診斷系統(tǒng)[J/OL]. 農(nóng)業(yè)機械學報, 2017, 48(2): 195-202. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170226&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2017.02.026. MA Juncheng, WEN Haojie, LI Xinxing, et al. Downy mildew diagnosis system for greenhouse cucumbers based on image processing[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(2): 195-202. (in Chinese)

20 張建華, 孔繁淘, 李哲敏, 等. 基于最優(yōu)二叉樹支持向量機的蜜柚葉部病害識別[J]. 農(nóng)業(yè)工程學報, 2014， 30(19): 222-231. ZHANG Jianhua, KONG Fantao, LI Zhemin, et al. Recogniton of honey pomelo leaf diseases based on optimal binary tree support vector machine[J]. Transactions of the CSAE, 2014, 30(19): 222-231. (in Chinese)

21 TIAN Y, ZHAO C, LU S, et al. Multiple classifier combination for recogniton of wheat leaf diseases[J]. Intelligent Automation and Soft Computing, 2011, 17(5): 519-529.

22 許良鳳, 徐小兵, 胡敏, 等. 基于多分類器融合的玉米葉部病害識別[J]. 農(nóng)業(yè)工程學報, 2015, 31(14): 194-201. XU Liangfeng, XU Xiaobing, HU Min, et al. Corn leaf disease identificaiton based on multiple classifiers fusion[J]. Transactions of the CSAE, 2015, 31(14): 194-201. (in Chinese)

23 馬曉丹, 關(guān)海鷗, 祁廣云, 等. 基于改進級聯(lián)神經(jīng)網(wǎng)絡(luò)的大豆葉部病害診斷模型[J/OL]. 農(nóng)業(yè)機械學報, 2017, 48(1): 163-168. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170121&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2017.01.021. MA Xiaodan, GUAN Haiou, QI Guangyun, et al. Diagnosis model of soybean leaf diseases based on improved cascade neural network[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(1): 163-168. (in Chinese)

24 MA J, LI X, WEN H, et al. A key frame extraction method for processing greenhouse vegetables production monitoring video[J]. Computers and Electronics in Agriculture, 2015, 111: 92-102.

25 耿長興, 張俊雄, 曹崢勇, 等. 基于色度和紋理的黃瓜霜霉病識別與特征提取[J]. 農(nóng)業(yè)機械學報, 2011, 42(3): 170-174. GENG Changxing, ZHANG Junxiong, CAO Zhengyong, et al. Recognition and features extraction of cucumber downy mildew based on color and textue[J]. Transactions of the Chinese Society for Agricultural Machinery, 2011, 42(3): 170-174. (in Chinese)

26 岑喆鑫, 李寶聚, 石延霞, 等. 基于彩色圖像顏色統(tǒng)計特征的黃瓜炭疽病和褐斑病的識別研究[J]. 園藝學報, 2007, 34(6): 1425-1430. CEN Zhexin, LI Baoju, SHI Yanxia, et al. Discrimination of cucumber anthracnose and cucumber brown speck base on color image statistical characteristics[J]. Acta Horticulturae Sinica, 2007, 34(6): 1425-1430. (in Chinese)

27 李旺, 唐少先, 陳榮. 基于顏色特征和支持向量機的黃瓜葉部病害識別[J]. 農(nóng)機化研究, 2014，36(1):73-75.

28 田有文, 張長水, 李成華. 基于支持向量機和色度矩的植物病害識別研究[J]. 農(nóng)業(yè)機械學報, 2004, 35(3): 95-98. TIAN Youwen, ZHANG Changshui, LI Chenghua. Study on plant disease recognition using support vector machine and chromaticity moments[J]. Transactions of the Chinese Society for Agricultural Machinery, 2004, 35(3): 95-98. (in Chinese)

29 SHEN H, HAO H, WEI L, et al. An image based classification method for cataract[C]∥2008 International Symposium on Computer Science and Computational Technology, 2008: 583-586.

30 張春霞, 張講社. 選擇性集成學習算法綜述[J]. 計算機學報, 2011, 34(8): 1399-1410. ZHANG Chunxia, ZHANG Jiangshe. A survey of selective ensemble learning algorithms[J]. Chinese Journal of Computers, 2011, 34(8): 1399-1410. (in Chinese)

31 YIN X, HUANG K, HAO H, et al. A novel classifier ensemble method with sparsity and diversity[J]. Neurocomputing, 2014, 134:214-221.

32 KRAWCZYK B, MINKU L L, GAMA J, et al. Ensemble learning for data stream analysis: a survey[J]. Information Fusion, 2017, 37: 132-156.

33 YAN Y, YIN X, WANG Z, et al. Sorting-based dynamic classifier ensemble selection[C]∥12th International Conference on Document Analysis and Recognition, 2013: 673-677.

34 楊春, 殷緒成, 郝紅衛(wèi), 等. 基于差異性的分類器集成: 有效性分析及優(yōu)化集成[J]. 自動化學報, 2014, 40(4): 660-674. YANG Chun, YIN Xucheng, HAO Hongwei, et al. Classifier ensemble with diversity: effectiveness analysis and ensemble optimization[J]. Acta Automatica Sinica, 2014, 40(4): 660-674. (in Chinese)

35 ZHANG S, WU X, YOU Z, et al. Leaf image based cucumber disease recognition using sparse representation classification[J]. Computers and Electronics in Agriculture, 2017, 134: 135-141.

36 OUYANG C, LI D, WANG J, et al. The research of the strawberry disease identification based on image processing and pattern recognition[C]∥6th International Conference on Computer and Computing Technologies in Agriculture, 2012: 69-77.

RecognitionMethodofCucumberLeafDiseaseswithDynamicEnsembleLearning

WANG Zhibin1,2WANG Kaiyi1,2WANG Shufeng1,2WANG Xiaofeng1,3PAN Shouhui1,2

(1.BeijingResearchCenterforInformationTechnologyinAgriculture,Beijing100097,China2.KeyLaboratoryofAgri-informatics,MinistryofAgriculture,Beijing100097,China3.FacultyofInformationTechnology,BeijingUniversityofTechnology,Beijing100124,China)

Crop disease is one of the most important influencing factors for agricultural high yield and high quality. Accurate classification of diseases is a key and basic step for early disease monitoring, diagnostics and prevention. The optimal individual classifier design is currently the common limitation in most crop disease recognition methods based images. To improve the accuracy and stability of disease identification, a disease recognition method of cucumber leaf images via dynamic ensemble learning was proposed. The approach consisted of three major stages. Firstly, totally 75-dimension color features of leaf image were extracted with image block processing. Secondly, a disagreement approach was used to measure the diversity among 10 classifiers of neural networks with an ensemble technique, where the classifiers were ordered according to the diversity. Finally, with the confidence of classifiers, a classifier subset was dynamically selected and integrated to identify the images of crop leaf diseases. To verify the effectiveness of the proposed method, classification experiments were performed on images of four kinds of cucumber leaf tissues, including 512 samples composed of powdery milder, downy mildew, gray mold and normal leaf. The experimental results showed that the recognition error rate of the proposed method was 3.32%, compared with those of BP neural network, SVM, Bagging and AdaBoost methods, it was reduced by 1.37 percentage point, 1.56 percentage point, 1.76 percentage point and 0.78 percentage point, respectively. The proposed method identified the diseases accurately from cucumber leaf images. Moreover, the method was feasible and effective, and it can also be utilized and modified for the classification of other crop diseases.

cucumber; leaf diseases; image recognition; ensemble learning; diversity measure; dynamic selection

S431.9; TP391.4

A

1000-1298(2017)09-0046-07

10.6041/j.issn.1000-1298.2017.09.006

2017-03-27

2017-07-13

國家自然科學基金項目(61403035、71301011)和北京市自然科學基金項目(9152009)

王志彬(1983—)，男，助理研究員，博士，主要從事作物病蟲害圖像識別技術(shù)研究，E-mail： wangzb@nercita.org.cn

王開義(1974—)，男，研究員，博士，主要從事農(nóng)業(yè)信息化技術(shù)研究，E-mail： wangky@nercita.org.cn