基于WPA-SVM的多肉植物分类识别

王守富　孟昭磊　何利华　杨杰锋

摘 要：为提高多肉植物分类效率和识别精度，融合多肉植物颜色特征和纹理特征，提出一种基于多肉植物图像复合特征的多肉植物分类算法。将颜色特征和纹理特征组成的复合特征作为WPA-SVM的输入，多肉植物类别作为WPA-SVM的输出，建立WPA-SVM多肉植物分类识别模型。与SVM、ELM和BPNN对比发现，研究结果表明，WPA-SVM可以有效提高多肉植物分类识别的精度，为多肉植物识别研究和应用提供了新的方法和途径。

关键词： 狼群算法; 支持向量机; 极限学习机; 神经网络; 多肉植物

中图分类号： TP391.1

文献标志码： A

Abstract： In order to improve the classification efficiency and recognition precision of succulent plants， a succulent plant classification algorithm based on the composite features of succulent plant images is proposed. The composite characteristics of color characteristics and texture features are used as input of WPA-SVM， and the succulent plant category is used as output of WPA-SVM to establish a WPA-SVM succulent plant classification recognition model. Compared with SVM， ELM， and BPNN， the research results show that WPA-SVM can effectively improve the accuracy of succulent plant classification and identification， and provide new methods and approaches for succulent plant identification and application.

Key words： wolf pack algorithm; support vector machine; extreme learning machine; neural networks; succulent plants

0 引言

由于多肉植物的外觀特征很难进行定量和精确的数值描述，因此凭借经验识别多肉植物种类具有效率低下和识别误差的缺点[1]。为提高多肉植物分类识别的效率和识别精度，针对支持向量机（Support Vector Machine，SVM）分类性能易受惩罚系数C和核函数参数g的影响，运用狼群算法[2-3]（Wolf Pack Algorithm，WPA）对SVM惩罚系数C和核函数参数g进行优化选择。融合灰度共生矩阵法提取的纹理特征和颜色矩提取的颜色特征组成复合特征。将多肉植物图像的复合特征作为WPA-SVM的输入，多肉植物类别作为WPA-SVM的输出。选择小红衣、睡莲、绿蔷薇、蓝云和基尼普等5种多肉植物为研究对象，与SVM、ELM和BPNN对比发现，研究结果表明，WPA-SVM具有更高的识别准确率，提高了多肉植物识别的精度，为多肉植物识别研究和应用提供了新的方法和途径。

5.3 实验结果

为了验证多肉植物分类识别算法的效果，小红衣、睡莲、绿蔷薇、蓝云和基尼普等5种多肉植物样本一共310组，其中训练样本240组，测试样本70组。训练样本用于建立WPA-ELM多肉植物分类模型，测试样本用于验证WPA-ELM多肉植物分类模型。将本文算法WPA-SVM和SVM[17]、极限学习机（Extreme Learning Machine，ELM）[18]

和前馈神经网络（Back-propagation neutral network，BPNN）[19]进行对比，对比结果，如表2、图4—图7所示。

图4—图7中，“*”表示多肉植物的预测类别，“○”表示多肉植物的实际类别，通过对比展示可以直观地显示多肉植物识别结果和多肉植物实际类别，其中1、2、3、4、5分别表示多肉植物为小红衣、睡莲、绿蔷薇、蓝云和基尼普。当“*”和“○”重合时，多肉植物的预测类别和实际类别一致，说明识别正确;当“*”和“○”不重合时，多肉植物的预测类别和实际类别不一致，此时多肉植物识别错误。由表2和图2-5可知，WPA-SVM的识别准确率和误判率分别为99.42%和0.58%，优于SVM的96.27%和3.73%，ELM的96.40%和3.55%和BPNN的92.30%和2.70%。与SVM、ELM和BPNN对比发现，WPA-SVM具有更高的识别准确率，提高了多肉植物识别的精度，为多肉植物识别研究和应用提供了新的方法和途径。

6 总结

为提高多肉植物的识别精度，提出一种基于颜色特征和纹理特征WPA-SVM多肉植物分类识别方法。融合灰度共生矩阵法提取的纹理特征和颜色矩提取的颜色特征组成复合特征。将多肉植物图像的复合特征作为WPA-SVM的输入，多肉植物类别作为WPA-SVM的输出。选择小红衣、睡莲、绿蔷薇、蓝云和基尼普等5种多肉植物为研究对象，与SVM、ELM和BPNN对比发现，研究结果表明，WPA-SVM具有更高的识别准确率，提高了多肉植物识别的精度，为多肉植物识别研究和应用提供了新的方法和途径。

参考文献

[1] 祁亨年， 寿韬， 金水虎. 基于叶片特征的计算机辅助植物识别模型[J]. 浙江农林大学学报， 2003， 20（3）：281-284.

[2] 李常洪， 赵伟栋. 基于狼群算法优化的BP神经网络[J]. 科技创新与生产力， 2016，3（1）：56-58.

[3] 刘永兰， 李为民， 吴虎胜， 等. 基于狼群算法的无人机航迹规划[J]. 系统仿真学报， 2015， 27（8）：1838-1843.

[4] 李国亮， 魏振华， 徐蕾. 基于改进搜索策略的狼群算法[J]. 计算机应用， 2015， 35（6）：1633-1636.

[5] 阚江明， 王怡萱， 杨晓微， 等. 基于叶片图像的植物识别方法[J]. 科技导报， 2010， 28（23）：81-85.

[6] 崔占虎， 袁媛， 张景景， 等. 基于快速PCR方法的人参属药用植物鉴别研究[J]. 中药材， 2015， 38（8）：1634-1638.

[7] 高翔， 王正， 丁见亚， 等. 基于复合叶片特征的计算机植物识别方法[J]. 植物学报， 2014， 49（4）：450-461.

[8] 杨辉军， 陈立伟. 基于分形特征的植物识别[J]. 计算机工程与设计， 2010， 31（24）：5321-5323.

[9] 刘骥， 曹凤莲， 甘林昊. 基于叶片形状特征的植物识别方法[J]. 计算机应用， 2016，11（2）：202-226.

[10] 李萍， 张波， 张善文. 基于叶片图像处理和稀疏表示的植物识别方法[J]. 江苏农业科学， 2016， 44（9）：364-367.

[11] 张善文， 张传雷， 王旭启， 等. 基于叶片图像和监督正交最大差异伸展的植物识别方法[J]. 林业科学， 2013， 49（6）：184-188.

[12] 张帅， 淮永建. 基于分層卷积深度学习系统的植物叶片识别研究[J]. 北京林业大学学报， 2016， 38（9）：108-115.

[13] 韩方凯， 张雪柯， 吕日琴， 等. 基于极限学习机的高品质葡萄酒等级识别模型[J]. 宿州学院学报， 2018， 8（2）：106-109.

[14] 傅弘， 池哲儒， 常杰， 等. 基于人工神经网络的叶脉信息提取——植物活体机器识别研究[J]. 植物学通报， 2004， 21（4）：429-436.

[15] 梁礼明， 朱莎， 吴健. 基于混合核函数的极限学习机遥感图像分类[J]. 科技通报， 2018，2（3）：11-15.

[16] 林怡， 季昊巍， 李超 ， 等. 基于鱼群算法的极限学习机影像分类方法优化[J]. 农业机械学报， 2017，6（10）：161-169.

[17] 吕飞， 韩敏. 基于深度极限学习机的高光谱遥感影像分类研究[J]. 大连理工大学学报， 2018，4（3）：27-33.

[18] 杜吉祥， 汪增福. 基于径向基概率神经网络的植物叶片自动识别方法[J]. 模式识别与人工智能， 2008， 21（2）：206-213.

[19] 黄林， 贺鹏， 王经民. 基于概率神经网络和分形的植物叶片机器识别研究[J]. 西北农林科技大学学报（自然科学版）， 2008， 36（9）：212-218.

（收稿日期： 2019.08.16）