文/王孝宇

特约编辑：艾 华

【导读】本文基于粒子群优化后的支持向量机技术，通过MATLAB R2017b平台提取柑桔叶片的形态、颜色、纹理等8个特征参数，建立了可以对大雅柑、爱媛38号和晚熟血橙进行分类的模型。该模型的识别准确率为93.33%，预测一份样本的时间约为0.514 s。试验结果表明，该模型能够快速准确地对各类柑桔叶片进行分类，为柑桔分类机的研究提供了决策依据。

我国是柑桔的重要原产地之一，柑桔资源丰富，优良品种繁多，柑桔味甘酸、性凉，入肺、胃经；具有顺气、止咳、健胃、化痰、消肿、止痛、疏肝理气等多种功效，所以是很好的中药材[1-2]。不同柑桔品种由于受遗传特征影响，生长期间的外观形状也有差异。传统的柑桔品种识别方法是借助植株颜色和纹理等外观特征进行判断，劳动强度大，长时间的识别容易产生视觉疲劳，很难满足快速识别的要求[3]。因此，利用图像处理技术快速准确识别不同柑桔品种的方法成为最新的研究方向。

图像处理技术已广泛应用于植物生产管理和品种识别中，如田间杂草识别[4-5]、病虫害识别[6-7]、葡萄品种识别[8-9]、柑桔质量检测与分级[10]等。基于柑桔植株的特征提取来识别柑桔品种的研究未见报道。由于柑桔叶片中包含大量用来区分不同品种的外观特征信息，且存活时间长，易于采集[11]。本研究在柑桔基地随机采集了3个品种的叶片，每个品种分别采集50片叶片，随机选取30片叶作为研究对象。以电脑、相机、光源等搭建硬件采集系统，分别对每张柑桔叶片进行图像采集。然后基于MATLAB R2017b平台提取颜色、纹理共8个特征参数，利用粒子群优化算法的支持向量机建立模型进行品种识别，并对识别结果进行分析。

1 材料与方法

1.1 供试材料 在某柑桔苗基地随机采集采用常规方法栽培的3个品种的柑桔苗叶片，1#品种大雅柑、2#品种爱媛38号、3#品种晚熟血橙。采集时间为2018年4月25日。

1.2 图像采集 每个品种分别采集30张图片(见图1)。在特制的有灯光的密闭箱体中，用相机拍摄叶片。灯箱的规格（长×宽×高）为30 cm×15 cm×25 cm。箱体用黑色棉布遮挡，防止外界光线干扰；箱体中部偏下放置4 mm的双面毛玻璃载物台；箱体底部的照明光源为4只30 W的日光灯管，顶部固定相机。一共采集90幅图片，按照1∶4的比例，随机选择4份作为训练集，1份作为预测集。本研究硬件实验环境为：Win7专业版64位操作系统，惠普i5处理器，CPU为3.10GHz，6G运行内存。图片的格式为JPG。软件环境为MATLAB R2017b。采集图像的硬件系统如图2。

1.3 特征提取 利用MATLAB软件平台分别提取了叶片颜色、纹理等8个外观特征（见表1）。将提取的特征写入MAT文件中。

图1 柑桔苗叶片图像

1.4 支持向量机（SVM）由Vapnik与其领导的贝尔实验室研究小组根据统计学理论中的结构风险最小化原则提出，它是一种新的机器学习技术，可用于模式分类和非线性回归[12]，其主要思想是建立一个分类超平面作为决策曲面，使得正例和反例的隔离边缘被最大化[13-14]。支持向量机最大优势是在小样本情况下，也能得到识别效果。

1.5 粒子群优化算法（PSO）的支持向量机。粒子群优化算法是由美国社会心理学家James Kennedy和电工程学博士Russell Eberhart于1995年共同提出的，它是通过群体中粒子间的合作与竞争产生的群体智能指导优化搜索[12]。在实际应用中，为了获取精确度更高的SVM分类器，则需要对SVM建模的各个参数进行优化调整。本文利用PSO算法，针对SVM建模过程的参数取值进行优化调整，获得较为精确、分类效果较好的分类器。基于粒子群优化算法的支持向量机实现步骤[15-17]如下：

（1）首先从获取样本向量集中筛选出支持向量构成样本训练集Y。

（2）利用样本训练集Y中的每个支持向量可以获得一组SVM分类器的参数组成一个粒子，从而组建粒子种群X。

（3）初始化获得粒子种群X和速度，包括设定粒子群的初始参数c1,c2,初始速度矩阵V以及每个初始粒子个体最优位置pi和全局最优位置pg。

（4）选取函数作为粒子群的适应度函数，对粒子群中各个粒子的适应度定标。

图2 采集图像的硬件系统

表1 软件提取的柑桔叶片特征

（5）根据所获得粒子的适应度函数值调整粒子个体最优位置pi和全局最优位置pg。

（6）根据前述（1）（2）对粒子的状态进行更新，从而获得一组新的SVM分类器的参数。

（7）当迭代次数达到所要求的最大迭代次数或获得满足要求的粒子适应函数值时，终止迭代，输出最优解，否则返回第（4）步继续运算，直到达到最大迭代的次数或获得满足要求的粒子适应值为止。

2 结果与分析

2.1 支持向量机。对测试集的90份柑桔叶片样本进行测试，预测的结果如图3。建立的模型可以百分之百地准确预测出大雅柑 （类别标签为“1”）和爱媛38号（类别标签为“2”）。但是该模型几乎无法区分爱媛38号和晚熟血橙 （类别标签为“3”），只能准确地预测出2份晚熟血橙，而将剩下的8份样本都预测成了爱媛38号。因此，该模型不太实用。

2.2 粒子群算法优化后的支持向量机。由于仅仅基于支持向量机技术不能很好地预测柑桔叶片样本的种类。因此考虑通过粒子群算法优化支持向量机的参数后，建立模型。粒子群算法优化支持向量机参数的进化曲线如图4。粒子群进化曲线中最佳适应度在93%附近，各代平均适应度在70%附近上下波动，各代最佳适应度在最佳适应度和各代平均适应度之间波动，主要靠近最佳适应度。

粒子群优化算法优化支持向量机后，建立的模型预测结果如图5。该模型能够百分之百准确地识别出大雅柑。将1份爱媛38号样本错误地预测为晚熟血橙，将1份晚熟血橙样本错误地预测为爱媛38号。该模型的准确率为93.33%，预测一份样本的时间约为0.514 s。本文针对传统的支持向量分类器和粒子群优化的支持向量机分类器做了对比分析（见表2）。实验结果表明，粒子群优化的模型能快速准确地区分3类柑桔叶片样本，可应用于实际中。

3 讨论

本研究在柑桔基地随机采集了3个品种的叶片，基于MATLAB R2017b平台提取颜色、纹理等8个特征参数，利用本文提出的粒子群优化后的支持向量机技术，建立了可以对大雅柑、爱媛38号和晚熟血橙进行分类的模型。该模型的准确率为93.33%，预测一份样本的时间约为0.514 s。结果表明，该模型能够快速准确地对各类柑桔叶片进行分类，为柑桔分类机的研究提供了决策依据。本文使用的样本较少，共90份。在今后的研究中如果增加样本，可能会提高模型的准确率。本文只对大雅柑、爱媛38号和晚熟血橙这3类样本的分类进行了试验，在今后的研究中，如果增加柑桔叶片样本的种类，更能扩大它的应用范围。

图3 基于SVM建立模型的柑桔品种预测结果

图4 粒子群进化曲线

图5 基于PSO优化SVM建立模型的柑桔品种预测结果

表2 两种算法对比

[1] 赵祖华，华琦孜，李陶桂，等.广西全州县柑橘种植的气候适宜性分析及区划[J].安徽农业科学.2013,41（35）：13496-13497

[2] 张雯娟，张正桂，刘永忠，等.3种常见草种对桔园杂草控制能力及对柑桔根系分布的影响[J].中国南方果树，2018,47（1）：22-24，29

[3] 庄珍珍，祝诗平，孙雪剑，等．基于机器视觉的烟叶自动分组方法[J]．西南师范大学学报（自然科学版），2016，41(4)：122-129

[4] 纪寿文，王荣本，陈佳娟，等.应用计算机图像处理技术识别玉米苗期田间杂草的研究[J].农业工程学报，2001,17（2）:154-156

[5] 刘振恒.应用图像处理技术识别田间杂草方法的研究[D].哈尔滨：东北农业大学，2004

[6] 陈 丽，王兰英.概率神经网络在玉米叶部病害识别中的应用[J].农机化研究，2011,33（6）:145-148

[7] 汪京京，张 武，刘连忠，等.农作物病虫害图像识别技术的研究综述 [J].计算机工程与科学，2014,36（7）：1363-1370

[8] 孙宏杰.基于叶片图像分析的葡萄品种识别方法研究[D].杨凌：西北农林科技大学，2014

[9] 宋 真，蔡 骋，颜永丰.基于叶片形态特征的葡萄品种自动识别[J].计算机仿真，2012,29（3）：307-310

[10] 敖 勤，徐桂珍.一种基于机器视觉的柑橘表面质量检测方法[J].科技传播，2014（4）：141-142

[11] 邓立苗，马文杰.基于支持向量机的玉米叶片品种识别[J].江苏农业科学，2014，42（6）：372-374

[12] 张 艳.基于粒子群优化支持向量机的变压器故障诊断和预测[D].成都：西华大学，2011

[13]MATLAB中文论坛.MATLAB神经网络30个案例分析[M].北京：北京航空航天大学出版社，2010：4

[14]AdelAbusitta,MartineBellaiche,MichelDagenais.AnSVM-based framework fordetecting DoS attacks invirtualized clouds under changing environment[J].Journal of Cloud Computing:Advances,SystemsandApplications,2018,7:9

[15] HOUShourong,ZHOUYujie,LIUHongming,etal.ExploitingSupport Vector Machine Algorithm to Break the Secret Key[J].RADIOENGINEERING,2018,27(1):289-298

[16] 谷文成，柴宝仁，滕艳平.基于粒子群优化算法的支持向量机研究[J].北京理工大学学报，2014,34（7）：705-709

[17] 潘 泓，李晓兵，金立左，等.一种基于二值粒子群优化和支持向量机的目标检测算法 [J].电子与信息学报，2011,33（1）:117-121