基于高光谱图像和遗传优化神经网络的茶叶病斑识别

张帅堂，王紫烟，邹修国，钱 燕，余 磊



基于高光谱图像和遗传优化神经网络的茶叶病斑识别

张帅堂，王紫烟，邹修国※，钱 燕，余 磊

（南京农业大学工学院/江苏省智能化农业装备重点实验室，南京 210031）

为实现茶叶病害的快速高效识别，提出了基于高光谱成像技术和图像处理技术融合的茶叶病斑识别方法。利用高光谱成像技术采集了炭疽病、赤叶斑病、茶白星病、健康叶片等4类样本的高光谱图像。提取感兴趣区域敏感波段的相对光谱反射率作为光谱特征。通过2次主成分分析，确定第二次主成分分析后的第二主成分图像为特征图像，基于颜色矩和灰度共生矩阵提取特征图像的颜色特征和纹理特征。利用BP神经网络对颜色、纹理和光谱特征向量融合数据进行检验，识别率为89.59%；为提高识别率，提出遗传算法优化BP神经网络的方法，使病斑识别率提高到94.17%，建模时间也缩短至1.7s。试验结果表明：高光谱成像技术和遗传优化神经网络可以快速准确的实现对茶叶病斑的识别，可为植保无人机超低空遥感病害监测提供参考。

算法；优化；神经网络；高光谱成像技术；主成分分析；光谱特征

0 引 言

茶叶作为一种多年生经济作物，在中国有着悠久的历史，因其具有抗菌、消炎、防辐射、调血脂等多种功效而深受消费者的青睐[1]。但在茶叶的种植和生产过程中，病害问题极大影响了茶叶的品质和产量，损失了经济效益，如何准确及时的发现病害并加以防治是解决问题的关键所在。目前对于植物病害的检测方法主要有感官判断、理化检验、常规机器视觉等方法[2]，这些方法误判率高，易造成农药喷洒浪费和环境污染，并且对于大面积的茶园病害识别耗费时间长、成本高，不能满足快速、高效的要求。因此，寻找一种快速、高效的识别方法对农业植保具有重要意义。

近年来，融合了光谱信息和图像信息的高光谱成像技术在无损检测、农产品分级、安全评定等方面显示出了极大的优越性[3]。国内外学者也已经取得了一些研究成果[4-6]。Bravo等[7]利用可见光以及近红外波段的光谱反射率对小麦进行了早期黄锈病的诊断；李锦卫等[8]基于2种颜色空间对马铃薯表面缺陷进行了分割识别，效果显著；Leckie等[9]利用可见光以及近红外内7个特征波段的光谱图像对松树蚜虫侵害进行了检测。冯雷等[10]利用茄子叶片高光谱图像数据提取了3个特征波段下的特征图像，并基于最小二乘支持向量机构建了鉴别模型，模型判断准确率为97.5%。吴迪等[11]利用多光谱成像技术对茄子灰霉病进行检测，通过550、650和800 nm共3个波段的图像对茄子叶片进行病斑识别。王晓庆等[12]研究发现，茶树受到炭疽病胁迫程度存在2个敏感波段742～794 nm和1 374～2 500 nm，基于一阶微分的植被指数(R-R)/ (R+R)对炭疽病的危害程度具有很好的预测效果。目前，国内外高光谱成像技术在茶树病虫害的研究涉及的病虫害种类比较单一[3]，本文尝试利用高光谱成像技术对雨花茶茶树冠层表面最普遍、危害较大的3种病害进行试验[13]，提取其光谱特征和图像特征，结合多种算法实现对病斑的识别分类，以期为农业植保无人机超低空遥感病害检测提供参考。

1 材料与方法

1.1 试验材料

本试验所采用的研究对象为南京雨花茶叶片。从南京市六合区平山森林公园茶叶生产基地（经度118°，纬度32°）采集早期茶树灌丛表面近顶叶部位生长状况基本一致、叶片长度范围在50～60 mm的病害叶片和健康叶片若干。叶片采集为晴天上午9:00，环境温度19 ℃，相对空气湿度45%，采集完后依次装入密封袋，放入微型冰箱保鲜，温度设置0 ℃，并立即送往实验室进行试验[14]。数据采集前经过植保研究人员进一步对比确认，最终筛选出用于试验的炭疽病叶片样本80个、赤叶斑叶片样本72个、茶白星叶片样本80个、健康叶片样本60个。

1.2 高光谱成像系统

试验采用五铃光学（ISUZU OPTICS）高光谱成像系统，如图1所示。系统主要包括：高光谱图像光谱仪（ImSpector V10E）、CCD摄像机（GEV-B1621M）、2个150 W的光纤卤素灯、电位移控制台、暗箱（1 200 mm× 500 mm×1 400 mm）、控制箱、一台高性能计算机等。高光谱摄像机光谱范围为358～1 021 nm，光谱分辨率为2.8 nm。

1.相机 2.光谱仪 3.镜头 4.卤素光源 5.茶叶样本 6.暗箱 7.电动平移台 8.步进电机 9.移动平台控制器 10.计算机

1.3 数据采集

光谱数据采集时的相关参数设置如下：图像分辨率1 632像素×1 415像素，曝光时间50 ms，电位移台速度1.06 mm/s，调节焦距保证图像清晰不失真，确定物距770 mm。采集数据时暗箱内温度20 ℃，先对反射率为99%标准白色校正板进行采集得到全白标定图像，然后盖上镜头盖采集得到全黑的标定图像，最后再进行叶片样本数据采集。

为减少叶面尘降对光谱数据采集的影响，叶片放入载物台之前，用软毛除尘刷清理干净表面，最后放入载物台，调整到适当位置，通过高光谱图像采集软件得到358～1 021 nm范围616个波长的原始高光谱图像I。

2 高光谱数据处理

高光谱数据处理都是基于ENVI 5.3（Exelis Visual Information Solutions，USA）、Excel 2010和Matlab 2016a（MathWorks,USA）软件平台。数据处理的硬件条件为：16GB RAM、Intel(R)Coer(TM)i5-6500 CPU。

2.1 高光谱图像校正

为保证光谱数据的准确性并且消除采集过正中的噪声干扰，按照式（1）对原始高光谱图像I进行校正得到校正后的高光谱图像[15]。

式中为校正后的高光谱图像；I为高光谱系统采集的原始高光谱图像；为高光谱数据采集得到的全黑标定图像（反射率接近0）；为高光谱数据采集得到的全白标定图像（反射率接近99%）。

2.2 感兴趣区域的相对光谱反射率

由于高光谱图像中的每一个像素点都对应了一个全波段的光谱信息，因此根据样本病斑区域平均分布特点选取以主叶脉为轴靠近叶尖一侧200像素×200像素的区域为感兴趣区域（region of interest, ROI）。本研究中，分别提取了80个炭疽病叶片、72个赤叶斑病叶片、80个茶白星病叶片和60个健康叶片4种样本各自ROI的平均光谱反射率，如图2所示。

图2 样本相对光谱反射率曲线

从图2观察得出，高光谱数据在358～400 nm的近紫外、紫光波段和980～1 021 nm的近红外波段存在较大噪声。为提高数据处理的准确性，减少噪声干扰，参考光谱数据处理的方法[16]，剔除首尾共135个波段，最终得到用于光谱分析的有效波段范围是430～950 nm，共481个波段。

3 结果与分析

3.1 特征图像选取

本试验采集的高光谱图像是一个三维数据立方体，相比于二维的图像和一维的光谱，高光谱图像波段丰富、图谱合一、光谱分辨率高，包含信息多，但相邻波段的相关性很大，数据冗余度高，降低了后期处理的准确度和速度[17-18]。

主成分分析（principal component analysis, PCA）能够有效去除数据之间的相关性，常用来数据降维。本试验利用PCA对剔除噪声后430～950 nm波段的样本高光谱图像进行降维，得到主成分（principal component, PC）图像。根据协方差贡献率的大小，确定PC图像。由表1可知，样本前4个主成分的累积贡献率达到了99.89%以上，而PC1的贡献率达到了97%以上，最能表征图像的原始信息[19]。

表1 主成分累积贡献率

试验中，对430～950 nm波段进行第一次主成分分析，耗时较长，计算速度慢，因此根据PC1寻找特征波长进行第二次主成分分析[20]。PC1是481个波段下的图像经过线性组合的结果，比较线性组合中的各权重系数，选出4类样本最大的权重系数所对应的波长为762、700、721、719 nm。对优选出来的4个特征波长进行第二次主成分分析，图3是样本第二次主成分分析后的PC图像。

图3 第二次主成分分析后4幅主成分图像

由图3可知，PC1图像贡献率虽然最大，但病斑区域和非病斑区域对比不明显，不利于病斑提取。炭疽病和茶白星2种病斑在PC2图像中均高亮显示，赤叶斑病斑区域在PC2图像上与正常部位有明显区分。PC3图像中，赤叶斑和茶白星病斑区域与非病斑区域差异明显，但炭疽病病斑区域和非病斑区域灰度级比较接近。PC4图像在部分样本中出现了重影的问题，且各类病斑区域和非病斑区域对比差异小。通过观察分析，不同种类病害叶片的病斑信息在PC2图像中有明显的特点，最终确定PC2图像作为后期病斑提取的特征图像。

3.2 病斑区域分割

图像分割是图像处理的关键步骤，对病斑区域的准确分割很大程度上影响了后期特征提取和算法验证的效果。为保证后期数据处理的准确性，采用了最大类间方差法，又称Otsu算法，其基本原理是以最佳阈值将灰度图像的灰度值分割成2部分，使2部分之间方差最大，具有最大的分离性。图4是对不同类型病斑区域分割前后的图像。

观察图4可以得出，炭疽病和茶白星病病斑分割效果较好，但都存在叶脉根部和叶柄处微小区域误分割的情况。赤叶斑病斑区域和叶片边缘灰度值差异较小，分割效果一般，原因是由于样本表面不平整导致的反射光线不均匀，在图像处理时叶脉根部、叶柄和边缘处产生了与病斑部位近似的灰度值。对得到的二值化图像去除面积小于50的分割区域，并填充病斑中的孔洞，然后再将其与PC2图像进行运算，最终得到只包含病斑区域的图像。

图4 不同类型病斑区域分割前后图像

3.3 图谱特征分析和特征向量提取

纹理特征描述了图像区域所对应的景物的表面性质。通过观察4类样本叶片病斑区域和非病斑区域的纹理特征差异，将纹理特征作为识别病害的特征之一[21]。灰度共生矩阵（gray-level co-occurrence matrix, GLCM）是一种通过研究灰度空间相关性来描述纹理的常用方法，可以用式（2）表示区域灰度共生矩阵(12)。

式中表示目标区域中具有特定空间联系的像素对的集合，右式分子表示了特定空间分布上灰度值分别为1和2的像素对的数量，(11)和(22)表示距离为的2个像素点，#为集合的元素数。

将预处理后的病斑样本图像和健康叶片的ROI区域图像，在MATLAB中计算能量、对比度、相关度、平稳度、熵等5个共生矩阵特征，在0°、45°、90°和135°共4个方向上取距离为2，得到20个纹理特征值，图5显示了样本在4个方向上的纹理特征均值。

注：ASM表示能量，CON表示对比度，COR表示相关度，IDM表示平稳度，ENT表示熵。

由图5可知，4个方向上的对比度对4类样本的区分效果良好，其中茶白星样本的对比度在4类中显示最大，说明茶白星病斑区域相比于其他3类，纹理沟较深，视觉效果清晰。炭疽病样本的能量值总体上高于其他3类，反映出了炭疽病病斑区域的纹理较粗，因为纹理越粗，能量越大。平稳度方面，4类样本差异并不大。在熵值方面则表现为炭疽病样本最小，表明炭疽病叶斑图像的非均匀程度较大。

颜色矩是一种通过计算矩来描述颜色分布的方法。颜色信息的分布主要集中在低阶矩[22]，一阶矩描述平均颜色，二阶矩描述颜色方差、三阶矩描述颜色的偏移性[23-24]。本试验计算灰度图像单通道的一至三阶矩，用式（3）、（4）、（5）表示。

式中P是第个像素的第个颜色分量，是像素数量。一阶矩μ、二阶矩σ、三阶矩ς分别反映了颜色的平均强度、不均匀性以及不对称性[25]。

茶叶表面的光谱信息能够反映其内部生物化学组成信息。叶片受到病害侵袭后，会造成病害位置的叶绿素短缺，水分含量下降，可见光波段光谱反射率表现出极大的差异[26]。光谱曲线上反映为490～560 nm的绿色光区域和620～780 nm的红色光区域反射率上升，而在近红外光区域反射率下降[27]。通过观察分析，4类样本在560、640、780 nm共3个波段处光谱反射率差异较大，因此选定这3个波段所对应的相对光谱反射率作为图像的光谱特征。

3.4 模型检验

为检验光谱特征对分类的有效性，本文尝试用2个特征向量组合进行模型检验。单通道的一阶矩、二阶矩、三阶矩和0°、45°、90°、135°方向的能量、对比度、相关度、平稳度、熵；单通道的一阶矩、二阶矩、三阶矩和0°、45°、90°、135°方向的能量、对比度、相关度、平稳度、熵和560、640、780 nm的相对光谱反射率[28]。组合1为颜色特征+纹理特征，组合2为颜色特征+纹理特征+光谱特征。

针对2组特征向量，本文采用2种模型对样本的病斑进行识别检测。随机选出50个炭疽病样本、48个赤叶斑病样本、50个茶白星病样本和40个健康叶片样本共188个作为训练集，其余104个作为测试集，分别用2种算法进行检验。

BP神经网络输入层节点数与对应的特征数量一致，输出层节点设置为4，输入层和隐含层传递函数为正切S型，输出层传递函数为线性函数。隐含层节点个数由式（6）得到[29]。

式中为隐含层节点数，为输入层节点数，为输出层节点数。设置学习速率为0.05，训练精度为0.001，最大迭代次数为200。

采用台湾大学林智仁博士开发的LibSVM对样本实现一对一方式的多分类，选择分类能力比较强的径向基核函数作为SVM的核函数。用以上2种算法检验结果如表2所示。

由表2检验结果得出：颜色特征和纹理特征组成的特征向量组合对样本的识别率普遍较低，2种算法对赤叶斑病测试集的分类效果略高于其他样本；不同种类样本的能量、对比度、相关度、平稳度、熵等纹理特征值差异不大，很容易造成误识别，这是特征向量组合1识别率普遍较低的重要原因。颜色特征、纹理特征和光谱特征组成的特征向量组合2，对4类样本的识别率高于组合1；BP神经网络和支持向量机对4类样本测试集的识别率都高于83%，并且2种算法对赤叶斑病的识别率均达到了90%以上；不同叶片的光谱反射率存在着明显的差异，组合2中包含的560、640和780 nm相对光谱反射率的光谱特征，能很好地区分4类样本。

BP神经网络和支持向量机通过特征向量组合2都能较好的区分4类叶片样本。支持向量机对4类样本测试集的平均识别率为86.67%，而BP神经网络对其平均识别率为89.59%，高于支持向量机，且对于4类样本的识别稳定性较好，因此采用BP神经网络作为进一步研究的分类算法[30]。

表2 不同算法下特征向量组合检验结果

注：BP：反向传播神经网络；SVM：支持向量机.

Note: BP stands for back propagation neural network;SVM stands for support vector machine.

3.5 遗传算法优化

通过BP神经网络建立的模型，能够对4类样本进行较准确的识别。但该模型的输入自变量多，且自变量之间存在着一定的关系，并非相互独立，容易造成神经网络过拟合，从而影响模型的精度。因此，有必要将26个输入自变量中起主要影响因素的自变量筛选出来参与建模。本文采用遗传算法对建模自变量进行优化选择。

遗传算法模拟了自然选择和遗传中发生的复制、交叉和变异等现象，从一初始种群开始，通过随机选择、交叉、变异，产生一群更适应环境的个体，使群体进化到搜索空间中越来越好的区域，一代一代不断繁衍进化，最终收敛到一群最适应环境的个体，从而得到问题的最优解[31]。

用遗传算法进行优化时，将编码长度设置为26，种群大小设置为20，最大迭代次数设置为50。染色体每一位对应一个输入自变量，每一个位置基因取值都是1和0两种情况。选取测试集数据均方误差的倒数作为遗传算法的适应度函数，经过不断迭代，最终筛选出具有代表性的输出自变量参与建模。图6为种群适应度函数进化曲线图。

图6 种群适应度函数进化曲线

遗传算法优化计算后，筛选出的一组自变量编号为1,2,4,5,6,10,11,14,19,20,23,24,25,26，分别对应颜色一阶矩、二阶矩，0°方向能量、对比度、相关性，45°方向对比度、相关性，90°方向能量，135°方向能量、对比度、熵，560、640、780 nm相对光谱反射率。参与建模的自变量个数大约为全部输入的一半。表3是优化前后BP神经网络对4类样本测试集样本的识别率。

表3 优化前后BP网络测试集识别率

注：BP：反向传播神经网络；GA_BP：遗传算法优化的BP。

Note: BP stands for back propagation neural network;GA_BP stands for genetic algorithm optimize BP.

对比优化前后的结果可以发现，使用14个自变量建模后，BP神经网络对炭疽病、茶白星病、健康叶片的识别率显著提高，整体的平均识别率达到了94.17%。模型建立时间也由优化前的6.6缩短到了1.7 s。

4 结论与展望

本文采用光谱信息和图像信息融合技术，针对茶叶病害快速识别的问题，优选出病害识别的特征向量，建立茶叶病害快速识别模型，研究表明：

1）由光谱特征、颜色特征和纹理特征组成的特征向量组合2，在BP神经网络和支持向量机2种算法的检验下，分类效果明显优于只有颜色特征和纹理特征组成的特征向量组合1；对4类样本的平均识别率达到了89.59%和86.67%。这表明了560、640和780 nm相对光谱反射率构成的光谱特征对茶叶病害的分类效果显著。

2）基于遗传算法对BP神经网络输入特征进行优化降维，将26维输入特征降为14维。通过识别检验，4类样本的平均识别率提高到了94.17%，同时建模时间也缩短至1.7 s。

利用高光谱成像技术和遗传优化神经网络可实现对茶叶病斑的高效识别，但当受到自然条件下光照、背景的影响时，识别效率较低，需做进一步探讨，为无人机超低空遥感病害监测提供有价值的参考。

[1] 宛晓春，李大祥，张正竹，等. 茶叶生物化学研究进展[J].茶叶科学，2015，35(1)：1－10. Wan Xiaochun, Li Daxiang, Zhang Zhengzhu, et al. Advances in biochemistry of tea[J]. Tea Science, 2015, 35(1): 1－10. (in Chinese with English abstract)

[2] 赵娟，彭彦昆，Sagar Dhakal，等. 基于机器视觉的苹果外观缺陷在线检测[J]. 农业机械学报，2013，44(1)：260－263. Zhao Juan, Peng Yankun, Sugar Dhakal, et al. On-line detection of apple surface defect based on image processing method[J]. Transactions of the Chinese Society of Agricultural Machinery, 2013, 44(1): 260－263. (in Chinese with English abstract).

[3] 刘飞，李春华，龚雪蛟，等. 高光谱成像技术在茶叶中的应用研究进展[J].核农学报，2016，30(7)：1386－1394. Liu Fei, Li Chunhua, Gong Xuejiao, et al. Research progress on application of hyperspectral imaging techniques in tea science[J].Journal of Nuclear Agricultural Science, 2016, 30(7): 1386－1394. (in Chinese with English abstract)

[4] 邹修国，丁为民，刘德营，等.基于改进Hu矩和遗传神经网络的稻飞虱识别系统[J].农业机械学报，2013，44(6)：222－226. Zou Xiuguo, Ding Weimin, Liu Deying, et al. Recognition system of rice planthopper based on improved Hu moment and genetic algorithm optimized BP neural network[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(6): 222－226. (in Chinese with English abstract)

[5] 伍南，刘君昂，周国英，等. 利用高光谱微分指数反演油茶炭疽病病情指数的研究[J].中国生态农业学报，2012，20(6)：777－781. Wu Nan, Liu Jun'ang, Zhou Guoying, et al. Using hyper-spectral derivative indices to inverse Colletotrichum gloeosporioides disease indices[J]. Chinese Journal of Eco-Agriculture, 2012, 20(6): 777－781. (in Chinese with English abstract)

[6] 宁井铭，孙京京，朱小元，等. 基于图像和光谱信息融合的红茶凋萎程度量化判别[J]. 农业工程学报，2016，32(24)：303－308. Ning Jingming, Sun Jingjing, Zhu Xiaoyuan, et al. Discriminant of withering quality of Keemun black tea based on information fusion of image and spectrum[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(24): 303－308. (in Chinese with English abstract)

[7] Bravo C, Moshou D. Early disease detection in wheat field useing spectral reflectance[J]. Biosystems Engineering, 2003, 84(22): 137－145.

[8] 李锦卫，廖桂平，金晶，等. 基于灰度截留分割与十色模型的马铃薯表面缺陷检测方法[J]. 农业工程学报，2010，26(10)：236－242. Li Jinwei, Liao Guiping, Jin Jing, et al. Method of potato external defects detection based on fast gray intercept threshold segmentation algorithm and ten-color model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(10): 236－242. (in Chinese with English abstract)

[9] Leckie D G, Cloney E, Joyce S P. Automated detection and mapping of crown discolouration caused by jack pine budworm with 2.5 m resolution multispectral imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2005, 7(1): 61－77.

[10] 冯雷，张德荣，陈双双，等. 基于高光谱成像技术的茄子叶片灰霉病早期检测[J]. 浙江大学学报：农业与生命科学版，2012，38(3)：311－317. Feng Lei, Zhang Derong, Chen Shuangshuan, et al. Early detection of gray mold on eggplant leaves using hyperspectral imaging technique[J]. Journal of Zhejiang University: Agric. & Life Sci., 2012, 38(3): 311－317. (in Chinese with English abstract)

[11] 吴迪，朱登胜，何勇，等. 基于地面多光谱成像技术的茄子灰霉病无损检测研究[J]. 光谱学与光谱分析，2008，28(7)：1496－1500. Wu Di, Zhu Dengsheng, He Yong, et al. Nondestructive Detection of grey mold of eggplant based on ground multi-spectral imaging sensor[J]. Spectoscopy and Spectral Analysis, 2008, 28(7): 1496－1500. (in Chinese with English abstract)

[12] 王晓庆，冉烈，彭萍，等. 炭疽病胁迫下的茶树叶片高光谱特征分析[J]. 植物保护，2014，40(6)：13－17. Wang Xiaoqing, Ran Lie, Peng Ping, et al. Hyperspectral characteristics of tea leaves under anthracnose stress[J]. Plant Protection, 2014, 40(6): 13－17. (in Chinese with English abstract)

[13] 崔宏春，周铁锋，余继忠，等. 油茶皂素对茶轮斑病和茶白星病的抑菌作用[J]. 浙江农业科学，2012，28(9)：1285－1287. Cui Hongchun, Zhou Tiefeng, Yu Jizhong, et al. Antibacterial effect of saponin of Camellia oleifera on tea ring spot and tea white spot [J]. Zhejiang Agricultural Sciences, 2012, 28(9): 1285－1287.(in Chinese with English abstract)

[14] 薛卫东. 果蔬贮藏与保鲜[M]. 成都：电子科技大学出版社，1996.

[15] 郑志雄，齐龙，马旭，等. 基于高光谱成像技术的水稻叶瘟病病害程度分级方法[J]. 农业工程学报，2013，29(19)：138－144. Zheng Zhixiong, Qi Long, Ma Xu, et al. Grading method of rice leaf blast using hyperspectral imaging technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(19): 138－144. (in Chinese with English abstract)

[16] 沈焕锋. ENVI遥感影像处理方法[M]. 武汉：武汉大学出版社，2009.

[17] 吴龙国，王松磊，康宁波，等. 基于高光谱成像技术的灵武长枣缺陷识别[J]. 农业工程学报，2015，31(20)：281－286. Wu Longguo, Wang Songlei, Kang Ningbo, et al. Non-destructive detection of defects inbased on near-infrared hyperspectral imaging[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(20): 281－286. (in Chinese with English abstract)

[18] 金瑞，李小昱，颜伊芸，等. 基于高光谱图像和光谱信息融合的马铃薯多指标检测方法[J]. 农业工程学报，2015，31(16)：258－263. Jin Rui, Li Xiaoyu, Yan Yiyun, et al. Detection method ofmulti-target recognition of potato based on fusion of hyperspectral imaging and spectral information[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(16): 258－263. (in Chinese with English abstract)

[19] Omiadze N T, Mchedlishvili N I, Rodrigez-Lopez J N, et al. Biochemical processes at the stage of withering during black tea production[J]. Applied Biochemistry and Microbiology, 2014, 50(4): 393－397.

[20] 周竹，李小昱，陶海龙，等. 基于高光谱成像技术的马铃薯外部缺陷检测[J]. 农业工程学报，2012，28(21)：221－228. Zhou Zhu, Li Xiaoyu, Tao Hailong, et al. Detection of potato external defects based on hyperspectral imaging technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(21): 221－228. (in Chinese with English abstract)

[21] 杨丹，赵海滨，龙哲. MATLAB图像处理实例详解[M]. 北京：清华大学出版社，2013.

[22] 韩丁，武佩，张强，等. 基于颜色矩的典型草原牧草特征提取与图像识别[J]. 农业工程学报，2016，32(23)：168－175. Han Ding, Wu Pei, Zhang Qiang, et al. Feature extraction and image recognition of typical grassland forage based on color moment[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(23): 168－175. (in Chinese with English abstract)

[23] 张志斌，罗锡文，臧英，等. 基于颜色特征的绿色作物图像分割算法[J]. 农业工程学报，2011，27(7)：183－189.

Zhang Zhibin, Luo Xiwen, Zang Ying, et al. Segmentation algorithm based on color feature for green crop plants[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(7): 183－189. (in Chinese with English Abstract)

[24] Li Bing, Xu De, Lang Congyan. Moment invariants for color constant image description[J]. Chinese Journal of Electronics, 2010, 19(2): 283－287.

[25] 张东彦，张竞成，朱大洲，等. 小麦叶片胁迫状态下的高光谱图像特征分析研究[J]. 光谱学与光谱分析，2011，31(4)：1101－1105. Zhang Dongyan, Zhang Jingcheng, Zhu Dazhou, et al. Investigation of the hyperspectral image characteristics of wheat leaves under different stress[J]. Spectroscopy and Spectral Analysis, 2011, 31(4): 1101－1105. (in Chinese with English abstract)

[26] 孙俊，金夏明，毛罕平，等. 基于高光谱图像光谱与纹理信息的生菜氮素含量检测[J]. 农业工程学报，2014，30(10)：167－173. Sun Jun, Jin Xiaming, Mao Hanping, et al. Detection of nitrogen content in lettuce leaves based on spectroscopy and texture using hyperspectral imaging technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(10): 167－173. (in Chinese with English abstract

[27] 鞠昌华，田永超，朱艳，等. 小麦叠加叶片的叶绿素含量光谱反演研究[J]. 麦类作物学报，2008，28(6)：1068－1074. Ju Changhua, Tian Yongchao, Zhu Yan, et al. Spectral inverse study of stacked leaf chlorophyll concentration in wheat[J]. Journal of Triticeae Crops, 2008, 28(6): 1068－1074. (in Chinese with English abstract

[28] 章海亮，李晓丽，朱逢乐，等. 应用高光谱成像技术鉴别绿茶品牌研究[J].光谱学与光谱分析，2014，34(5)：1373－1377. Zhang Hailiang, Liu Xiaoli, Zhu Fengle, et al. Identification of green tea brand based on hyperspectral imaging[J]. Spectroscopy and Spectral Analysis, 2014, 34(5): 1373－1377. (in Chinese with English abstract)

[29] 李宗儒. 基于图像分析的苹果病害识别技术研究[D]. 杨凌：西北农林科技大学，2010. Li Zongru. Research on Identify Technologies of Applie’s Disease Based on Image Analysis[D]. Yangling: Northwest A&F University, 2010. (in chinese with English abstract)

[30] Ronald P H, Sirinnapa S, Warunee T, et al. Automatic image analysis and spot classification for detection of fruit fly infestation in hyperspectral images of mangoes[J]. Postharvest Biology and Technology, 2013, 6(1): 23－28.

[31] 雷英杰，张善文，李续武，等. MATLAB遗传算法工具箱及应用[M]. 西安：西安电子科技大学出版社，2005.

张帅堂，王紫烟，邹修国，钱 燕，余 磊. 基于高光谱图像和遗传优化神经网络的茶叶病斑识别[J]. 农业工程学报，2017，33(22)：200－207. doi：10.11975/j.issn.1002-6819.2017.22.026 http://www.tcsae.org

Zhang Shuaitang, Wang Ziyan, Zou Xiuguo, Qian Yan, Yu Lei. Recognition of tea disease spot based on hyperspectral image and genetic optimization neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(22): 200－207. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.22.026 http://www.tcsae.org

Recognition of tea disease spot based on hyperspectral image and genetic optimization neural network

Zhang Shuaitang, Wang Ziyan, Zou Xiuguo※, Qian Yan, Yu Lei

(/,,210031,)

In order to achieve fast and efficient identification of tea diseases, the method of identifying tea diseases based on hyperspectral imaging technology was put forward. Four kinds of samples, including anthracnose, brown leaf spot disease, white star disease and healthy leaf, were collected in Pingshan tea plantation of Nanjing. Hyperspectral images of these samples, ranging from 358 to 1 021 nm, were collected by hyperspectral imaging system. Among them, there were 80 samples of anthracnose, 72 samples of brown leaf spot disease, 80 samples of white star disease and 60 samples of healthy leaves. The region of interest (ROI) was an area of 200 pixels × 200 pixels near the tip of the tea leaf. The average spectral reflectance curves of the effective band of ROI were extracted to analyze the spectral characteristics. For the purpose of decreasing the redundancy of hyperspectral data, and reducing the computational complexity, this study used principal component analysis (PCA) to process the original hyperspectral images, and obtained 4 kinds of principal component images for the samples with the maximum weight coefficients, and the wavelengths of 762, 700, 721, 719 nm corresponded were taken as the characteristic wavelengths. The test showed that direct use of 481 bands for the first PCA resulted in low calculation speed and low processing efficiency. Thus, the second principal components with the 4 characteristic wavelengths were employed, and the second principal component image was selected as the feature image through comparing the characteristics of lesion and non lesion regions. To get the accurate extraction of tea leaf spots, OTSU algorithm for image segmentation was adopted, the optimal threshold of 4 kinds of leaf samples was determined, and finally the sample images containing only leaf lesion regions were extracted. After image segmentation, 3 color feature parameters were extracted from the single-channel first moments, second moments and three-order moments of each feature image based on color moments; and 20 texture parameters were calculated from the 4 directions (0 , 45, 90 and 135°) of energy, contrast, correlation, stability and entropy based on gray level co-occurrence matrix (GLCM); and 3 spectral characteristic parameters of relative spectral reflectance of sensitive bands, including 560, 640 and 780 nm, were obtained. The color feature, texture feature and spectral feature were optimized into 2 feature vectors, and the training set and test set were tested by BP (back propagation) neural network and support vector machine (SVM) respectively. A total of 188 samples, including 50 anthracnose samples, 48 brown spot disease samples, 50 white star disease samples and 40 healthy leaf samples, were randomly selected as the training set, and the remaining 104 samples were used as the test set. The recognition rates of the test set through the feature vector combination of color features and texture features were generally low by BP neural network and SVM, and the recognition rates of the test set through the feature vector combination of color feature, texture feature and spectral feature were higher, which were 89.59% and 86.67% for BP neural network and SVM respectively. In order to further improve the recognition rate and shorten the modeling time, genetic algorithm was used to reduce the dimensionality of the input feature. Through taking selection, crossover and mutation operations, 26-dimensional input features were optimized to 14 dimensions, and then BP neural network was to recognize the tea spots. Finally, the average recognition rate was raised to 94.17%, and the model setup time was also shortened from 6.6 to 1.7 s. The result shows that it is possible to achieve fast and efficient identification of tea diseases by the fusion of spectral information and image information with pattern recognition technique. The neural network identification model based on genetic algorithm optimization has the advantages of short modeling time and high recognition accuracy.

algorithms; optimization; neural networks; hyperspectral imaging technology; principal component analysis; spectral characteristics

10.11975/j.issn.1002-6819.2017.22.026

TP391.41; S435.711

A

1002-6819(2017)-22-0200-08

2017-06-07

2017-09-07

国家博士后科学基金资助项目（2015M571782）；中央高校科研业务基本业务费资助项目（KYTZ201661）；江苏省农机基金资助项目（GXZ14002）

张帅堂，主要从事模式识别研究。Email：1035692577@qq.com

邹修国，副教授，博士，主要从事机器视觉与模式识别、农业空气质量检测与控制研究。Email：zouxiuguo@njau.edu.cn