基于ls-svm的稻谷品種鑒別模型

基于ls-svm的稻谷品種鑒別模型

0多光譜融合技術(shù)在糧食無損檢測中的應(yīng)用錯(cuò)誤識(shí)別水稻品種是中國水稻經(jīng)濟(jì)損失的重要原因之一。傳統(tǒng)稻谷品種鑒別的方法主要有形態(tài)學(xué)方法、熒光掃描鑒定法、化學(xué)鑒定法和電泳鑒定法等。形態(tài)學(xué)方法鑒別所需時(shí)間長,精度不高;熒光掃描鑒定法、化學(xué)鑒定法和電泳鑒定法等精度高,但所需時(shí)間長,鑒別過程煩瑣,需要專業(yè)人員操作,不適宜對(duì)樣品進(jìn)行批量分析和無損在線監(jiān)測。近年來,近紅外光譜技術(shù)在稻谷鑒別中有了一定的研究,但近紅外光譜所檢測的區(qū)域通常是樣品表面的某點(diǎn)或較小區(qū)域的近紅外透射、漫反射信息,缺少對(duì)象的空間信息,可能會(huì)影響系統(tǒng)的穩(wěn)定性。因此,稻谷品種的快速無損鑒別仍是目前農(nóng)業(yè)產(chǎn)后研究領(lǐng)域的難點(diǎn)。多光譜成像技術(shù)是一種圖像和光譜的融合技術(shù),可同時(shí)獲取對(duì)象的空間信息及光譜信息,在農(nóng)產(chǎn)品無損檢測領(lǐng)域有著廣泛研究,如黃瓜的冷害檢測,正常小麥與受損小麥的識(shí)別,正常麥粒和萌芽的或已發(fā)芽麥粒的區(qū)分,大麥、小麥和玉米中雜質(zhì)的剔除,玉米粒中黃曲霉毒素感染的檢測等。雖然光譜信息與農(nóng)產(chǎn)品品質(zhì)有著一定的相關(guān)性,并取得了一些研究成果,但由于光譜信息是高維數(shù)據(jù),如何建立光譜與農(nóng)產(chǎn)品品質(zhì)之間的模型仍是一個(gè)開放問題。本文旨在探明稻谷品種的鑒別方法,通過對(duì)稻谷不同波長光譜反射率的測量,結(jié)合稻谷圖像特征,建立基于最小二乘支持向量機(jī)(least-square-supportvectormachine,LS-SVM)的稻谷品種鑒別模型,利用粒子群優(yōu)化算法(particleswarmoptimization,PSO)進(jìn)行SVM參數(shù)尋優(yōu),以期為稻谷品種的快速、無損鑒別提供一種方法。1材料和方法1.1香港特區(qū)主要品種株稻谷由安徽省農(nóng)科院提供,分別為福稻2號(hào)(Fudao2,FD2),荃香優(yōu)512(Quanxiangyou512,QXY512),黑香稻3號(hào)(Heixiangdao3,HXD3),荃香優(yōu)822(Quanxiangyou822,QXY822),皖墾粳11(Wankenjing11,WKJ11),共5個(gè)品種,具體信息見表1。選取完整、未發(fā)芽、無霉變的稻谷,每個(gè)品種50粒,5個(gè)品種共250粒,試驗(yàn)前置于冷庫中存放。1.2多光譜成像系統(tǒng)光譜測定采用VideometerLab多光譜測量儀(VideometerA/S,H?rsholm,丹麥),檢測光譜為405、435、450、470、505、525、570、590、630、645、660、700、780、850、870、890、910、940和970nm19個(gè)波長。圖1為多光譜成像系統(tǒng)主要裝置,其采集系統(tǒng)由攝像頭、LED燈、積分球組成。測量時(shí)將樣品置于積分球內(nèi)部,積分球涂有可使光線均勻散播的不光滑白色顏料,LED燈安放于積分球邊緣,光譜敏感攝像頭放置于積分球頂部。VideometerLab設(shè)備提供了豐富的光譜特征和圖像特征提取方法。實(shí)際操作中,光譜特征的提取首先采用典型判別分析(canonicaldiscriminantanalysis,CDA)和閾值設(shè)定完成背景剔除和感興趣區(qū)域分割,然后采用統(tǒng)計(jì)學(xué)方法獲取稻谷感興趣區(qū)域的平均光譜反射率;圖像特征的提取也是首先進(jìn)行CDA和閾值分割,然后通過Blob分析提取出各個(gè)稻谷的面積、寬長比、圓度、色差等特征值。1.3不同品種稻米的平均反射率特征圖2為所收集各品種稻谷的多光譜圖像,表2為通過光譜圖像提取的圖像特征值。從圖2及表2可以看出,各品種稻谷顆粒在形狀、長度、大小上略有差異,特別是皖墾粳11在形態(tài)上較為圓潤,而黑香稻3在光譜圖顏色上較其他品種黑。圖3為各品種稻谷的平均反射率光譜圖,從圖3中可以看出不同品種稻谷的反射光譜值變化趨勢相似,但存在差別,5個(gè)品種稻谷中,黑香稻3號(hào)的光譜值與其余4種有較大差異,而其他4種的光譜值較為接近?？傮w來看各品種稻谷隨著檢測光波長的增加,反射值有所增加。在405~470nm范圍內(nèi),反射值相似度較高,在505~850nm范圍內(nèi)反射值相差較大,而高于870nm后反射值又有所交叉難以區(qū)分。1.4谷胱甘肽的基因特征主成分分析(principalcomponentanalysis,PCA)通過對(duì)多個(gè)變量的線性變換選出較少的成分信息,可以在保證信息量充分的條件下實(shí)現(xiàn)降維的目的。稻谷的光譜特征值是19維的高維數(shù)據(jù),基于光譜特征的稻谷品種主成分分析結(jié)果如圖4所示。從圖4中可以看出稻谷光譜特征的前2個(gè)主成分貢獻(xiàn)率達(dá)到95%以上,在主成分空間中各品種稻谷成條狀分布,聚合度均較好,但荃香優(yōu)512與皖墾粳11相互重疊無法區(qū)別?；诠庾V特征的主成分空間中存在2種稻谷難以區(qū)分的問題,但是從表2的稻谷圖像特征值中可明顯看出這2種稻谷在形態(tài)上有較大差異。因此,可結(jié)合稻谷圖像特征和光譜特征對(duì)稻谷品種進(jìn)行鑒別。1.5svm的參數(shù)尋優(yōu)結(jié)合光譜特征和圖像特征作為特征向量進(jìn)行稻谷品種的鑒別,其輸入特征維數(shù)將會(huì)高達(dá)25,常用回歸建模方法難以獲得較為準(zhǔn)確的分類模型。最小二乘支持向量機(jī)(LS-SVM)通過非線性映射將輸入向量映射到高維特征空間,然后在這個(gè)特征空間中求解凸優(yōu)化問題,較好解決了小樣本、非線性、高維數(shù)、局部極小點(diǎn)等問題,其表達(dá)式如式(1)所示。式中:uf077為回歸函數(shù)參數(shù);f(xi)為變量xi的模型回歸值;yi為標(biāo)定值;C為邊界參數(shù);m為樣本數(shù);uf078i、uf078i*為松弛變量;uf065用于定義uf065線性不敏感損失函數(shù);其回歸方程的最終表述為:式中:uf061i*,uf061i為二次規(guī)劃中的Lagrange乘子;b為回歸函數(shù)的常數(shù)項(xiàng);K(x,xi)為滿足Mercer條件的核函數(shù),本文采用的是RBF核函數(shù)。即K(x,xi)=exp(-g(x-xi)2),nv為支持向量個(gè)數(shù)。SVM分類器性能的關(guān)鍵是參數(shù)的選擇。RBF核函數(shù)的SVM參數(shù)包括邊界參數(shù)C和核寬度g。參數(shù)C是結(jié)構(gòu)風(fēng)險(xiǎn)和樣本無誤差的折中,其取值與訓(xùn)練可容忍的誤差相關(guān);核寬度g的取值和輸入樣本的范圍有關(guān),傳統(tǒng)的參數(shù)尋優(yōu)使用交叉驗(yàn)證(crossvalidation,CV)方法,以分類結(jié)果最優(yōu)意義下的SVM為最優(yōu)模型,但其過程繁瑣,搜索范圍較小。粒子群優(yōu)化算法(PSO)能夠在更大范圍內(nèi)尋找出最佳的參數(shù)C和g,提高搜索效率,獲得更優(yōu)模型。PSO定義了一個(gè)由n個(gè)粒子組成的種群X=(X1,X2,…,Xn),其中第j個(gè)粒子表示為一個(gè)D維的向量Xj=(Xj1,Xj2,…,XjD),XjD代表第j個(gè)粒子在D維搜索空間中的位置,亦代表問題的一個(gè)潛在解。根據(jù)定義的目標(biāo)函數(shù)可計(jì)算出每個(gè)粒子位置Xj對(duì)應(yīng)的適應(yīng)度值。第j個(gè)粒子的速度為vj=(vj1,vj2,…,vjD)T,其個(gè)體極值為Pj=(Pj1,Pj2,…,PjD)T,種群的全局極值為Pg=(Pg1,Pg2,..,PgD)T。迭代過程中,粒子按式(3)和式(4)更新自己的位置和速度:其中,j=1,2,…,m,d=1,2,…,D,k是迭代次數(shù)。PSO計(jì)算過程中通過r1和r22個(gè)參數(shù)用來保持種群的多樣性;通過調(diào)整學(xué)習(xí)因子c1和c2減小局部最小值,加快收斂速度。設(shè)定了粒子速度的最大值vmax和最小值vmin進(jìn)行速度限制;定義慣性權(quán)重uf077權(quán)衡局部最優(yōu)能力和全局最優(yōu)能力。由于粒子群優(yōu)化算法存在容易早熟收斂、后期迭代效率不高等缺點(diǎn),本文采用變異操作,對(duì)某些變量以一定概率重新初始化,拓展在迭代中不斷縮小的種群搜索空間,使粒子能夠跳出先前搜索到的最佳位置,在更大空間開展搜索,提高算法尋找到更優(yōu)值的可能。1.6模擬訓(xùn)練集和測試集的建立在MATLAB2009環(huán)境下,利用libsvm工具箱,對(duì)5個(gè)品種稻谷樣本進(jìn)行基于粒子群優(yōu)化的LS-SVM分類預(yù)測,將5個(gè)品種稻谷共250個(gè)樣本隨機(jī)分為訓(xùn)練集和測試集,每個(gè)品種稻谷各取40個(gè)共200個(gè)樣本作為訓(xùn)練集,其余每個(gè)品種稻谷10個(gè)共50個(gè)作為測試集,本文算法流程如圖5所示。具體步驟如下:1)建立學(xué)習(xí)樣本和測試樣本,將樣本隨機(jī)分為訓(xùn)練集和測試集。2)特征屬性變量選擇。輸入特征向量包括稻谷樣本在405~970nm中19個(gè)波長的反射光譜值和光譜圖像中的形態(tài)特征值包括稻谷的面積、寬長比、色差等。3)粒子群初始化。對(duì)粒子群的相關(guān)參數(shù)進(jìn)行設(shè)置,粒子群的種群是200個(gè)訓(xùn)練樣本(X1,X2,…X200),其中第j個(gè)粒子表示為一個(gè)含支持向量機(jī)參數(shù)的2維向量Xj=(C,g)T,根據(jù)文獻(xiàn)[17-19]中的研究結(jié)果,PSO算法中參數(shù)的設(shè)定為變權(quán)重uf077為ωstart=0.85、ωend=0.38;學(xué)習(xí)因子cl=c2=2,C、g的搜索范圍分別取為Cuf0ce[2-2,24]、guf0ce[2-4,24],步長設(shè)為0.5;終止迭代次數(shù)為200。4)SVM訓(xùn)練。采用MATLAB中l(wèi)ibsvm工具箱的SVM訓(xùn)練函數(shù)在訓(xùn)練集200個(gè)樣本空間中進(jìn)行訓(xùn)練。5)檢測是否滿足迭代終止條件。本文設(shè)定的終止條件為訓(xùn)練集分類預(yù)測精度為100%或者達(dá)到最大迭代次數(shù)。如不滿足終止條件則按式(3)、式(4)更新粒子群的相關(guān)參數(shù),直到滿足終止條件。6)用所得SVM模型對(duì)測試集中的樣本進(jìn)行分類并計(jì)算出分類結(jié)果的正確率。2基于pso的ls-svm建模方法的篩選分別將本文算法訓(xùn)練所得模型及其他方法所得模型對(duì)測試集樣本進(jìn)行預(yù)測,并將預(yù)測結(jié)果進(jìn)行對(duì)比,結(jié)果如表3所示。1)Model1是用本文提出的方法,輸入特征向量為稻谷的19個(gè)波長光譜反射率和6個(gè)形態(tài)、顏色值共25個(gè)特征,分別對(duì)建模集和預(yù)測集進(jìn)行分類;2)Model2是用本文所提方法,輸入特征向量為不使用稻谷顏色、形態(tài)特征,僅使用19個(gè)光譜反射率,分別對(duì)建模集和預(yù)測集進(jìn)行分類;3)Model3是采用一般交叉驗(yàn)證訓(xùn)練的LS-SVM訓(xùn)練方法,輸入特征向量同Model1,即稻谷的光譜和顏色、形態(tài),共25維特征向量;4)Model4是基于主成分分析的誤差反向傳播神經(jīng)網(wǎng)絡(luò)(principalcomponentanalysis-backpropagationneuralnetwork,PCA-BPNN)訓(xùn)練方法。Model4首先對(duì)原始光譜數(shù)據(jù)進(jìn)行主成分提取,得到前4個(gè)主成分,其累積貢獻(xiàn)率可達(dá)99.2%。將前4個(gè)主成分作為BP神經(jīng)網(wǎng)絡(luò)的輸入,稻谷品種值作為輸出。通過誤差對(duì)比,確定最佳的3層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),隱層節(jié)點(diǎn)數(shù)為20,輸出維數(shù)為3,迭代次數(shù)為1000。從表3可以看出,以稻谷光譜信息和圖像形態(tài)、顏色信息作為特征,結(jié)合基于PSO的LS-SVM建模方法所獲得的各稻谷品種鑒別正確率均在90%以上,而使用單一光譜特征值進(jìn)行鑒別時(shí),皖墾粳11、荃香優(yōu)512和荃香優(yōu)822的識(shí)別正確率較低,皖墾粳11和荃香優(yōu)822的正確率均為70%,而荃香優(yōu)512的正確率只有50%;在使用同樣特征向量的條件下,基于PSO參數(shù)尋優(yōu)算法的LS-SVM所得分類正確率高于傳統(tǒng)交叉驗(yàn)證的LS-SVM,表明其可以得到更好的SVM參數(shù);另外,在本文的研究中,所采用的方法得到的稻谷品種鑒別正確率也高于PCA-BP神經(jīng)網(wǎng)絡(luò)法。3支持向量機(jī)模型建立的有效性本文應(yīng)用多光譜測量儀VideometerLab基于稻谷光譜特征及圖像顏色、形態(tài)特征對(duì)其品種鑒別問題進(jìn)行了研究。結(jié)果表明:1)稻谷的光譜特征和圖像特征均為稻谷品種鑒別的重要特征,是對(duì)稻谷品種進(jìn)行無損鑒別分析的重要途徑。2)采用基于粒子群尋優(yōu)(particleswarmoptimization,PSO)的最小二乘支持向量機(jī)(least-square-support