[發(fā)明專利]基于LSELM-RFE的糧食作物病害癥狀的有效特征識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011046610.7
• 申請(qǐng)日: 2020-09-29
• 公開(kāi)（公告）號(hào): CN112232387A
• 公開(kāi)（公告）日: 2021-01-15
• 發(fā)明（設(shè)計(jì)）人: 丁曉劍;楊帆;劉健;曹杰
• 申請(qǐng)（專利權(quán)）人: 南京財(cái)經(jīng)大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06Q10/06;G06Q50/02
• 代理公司: 南京理工大學(xué)專利中心 32203
• 代理人: 朱炳斐

本發(fā)明公開(kāi)了一種基于LSELM?RFE的糧食作物病害癥狀的有效特征識(shí)別方法，該方法首先初始化有效特征排序表和當(dāng)前特征子集表，并獲取當(dāng)前訓(xùn)練樣本集，接著訓(xùn)練最小二乘超限學(xué)習(xí)機(jī)分類器并計(jì)算特征的排序系數(shù)，找出排序得分最小的因素特征，然后更新有效特征排序表和當(dāng)前特征子集表，并重復(fù)以上步驟直至當(dāng)前特征子集表為空。本發(fā)明的方法相比于傳統(tǒng)的遞歸特征消除類方法，只需調(diào)節(jié)學(xué)習(xí)模型參數(shù)C，能快速識(shí)別糧食作物病害癥狀的有效特征。通過(guò)在UCI標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)中的Soybean數(shù)據(jù)集上的實(shí)驗(yàn)表明，相比傳統(tǒng)SVM?RFE方法，本發(fā)明方法僅需3％的計(jì)算時(shí)間，而且僅需1個(gè)有效特征在測(cè)試集上得到最高的測(cè)試精度，識(shí)別出的特征更有效。

技術(shù)領(lǐng)域

本發(fā)明屬于糧食作物病害癥狀的有效特征識(shí)別領(lǐng)域，特別涉及一種基于LSELM-RFE的糧食作物病害癥狀的有效特征識(shí)別方法。

背景技術(shù)

大豆是作為我國(guó)乃至世界的經(jīng)濟(jì)作物之一，對(duì)人們的日常生活起著舉足輕重的作用。由于經(jīng)濟(jì)發(fā)展所帶來(lái)的環(huán)境污染問(wèn)題越來(lái)越嚴(yán)重，空氣污染和土壤污染，以及昆蟲(chóng)傳播等諸多原因都可能引發(fā)大豆病害，造成大豆品質(zhì)的下降。隨著輪作周期不斷減少，病蟲(chóng)害預(yù)防不及時(shí)致使大豆產(chǎn)量降低，大豆的價(jià)格不斷提升。

在大豆的種植生產(chǎn)過(guò)程中，病蟲(chóng)害危害不僅會(huì)降低其產(chǎn)量及質(zhì)量，而且對(duì)其生產(chǎn)效益可產(chǎn)生不可逆轉(zhuǎn)的影響。大豆病蟲(chóng)害種類繁多，其中危害大豆粒莢的病害主要有大豆炭疽病(Soybean Anthracnose)、大豆紫斑病(Soybean Purple Speck)、大豆赤霉病(Soybean Fusarium Head Blight，又稱大豆粉霉病)、大豆莢枯病(Soybean Pod Blight)、大豆輪紋病(Soybean Zonate Spot)、大豆黑痘病(Soybean Scab)、大豆灰斑病(frog-eye-leaf-spot)、大豆蘭格苞葉斑病(alternaria leaf spot)等數(shù)十種。針對(duì)大豆各種病害的診斷監(jiān)測(cè)一直以來(lái)都是一項(xiàng)重要且緊迫的工作。

針對(duì)糧食作物病害的傳統(tǒng)檢測(cè)方法是靠人類感官判斷，不僅效率低、準(zhǔn)確率差且難度大，需要檢測(cè)人員具備較強(qiáng)的專業(yè)知識(shí)或經(jīng)驗(yàn)，難以大范圍推廣。生物學(xué)和化學(xué)的檢測(cè)方法在病害檢測(cè)中的應(yīng)用也較多，但是這種檢測(cè)方法對(duì)檢測(cè)樣品的精度以及檢測(cè)者的操作技術(shù)要求都很高，且成本高、耗時(shí)長(zhǎng)、對(duì)樣品產(chǎn)生破壞較多，還容易造成環(huán)境污染。隨著科技的發(fā)展，計(jì)算機(jī)智能識(shí)別機(jī)器學(xué)習(xí)技術(shù)逐漸被應(yīng)用于糧食作物病害的自動(dòng)診斷與防治領(lǐng)域，為糧食作物病害的無(wú)損檢測(cè)及快速診斷奠定了理論基礎(chǔ)。但是大豆病害癥狀表現(xiàn)具有復(fù)雜性和模糊性，病害種類與表現(xiàn)特征之間存在著較強(qiáng)的潛在規(guī)律，難以用精確數(shù)學(xué)模型表示。不同的病害種類呈現(xiàn)出的病斑區(qū)域的形狀特征、顏色特征及紋理特征存在較強(qiáng)獨(dú)立性又相互關(guān)聯(lián)。找出最能代表某種病害種類的表現(xiàn)特征，是識(shí)別病害和對(duì)病害進(jìn)行防治的關(guān)鍵手段。

識(shí)別影響糧食作物發(fā)生病害的有效特征在機(jī)器學(xué)習(xí)領(lǐng)域可以看作是一種特征選擇問(wèn)題，即收集到的發(fā)生某種病害的糧食作物數(shù)據(jù)的多個(gè)表現(xiàn)特征中選取最能體現(xiàn)病害癥狀的有效特征。目前的特征選擇方法主要有：過(guò)濾法(Filter)：按照發(fā)散性或者相關(guān)性對(duì)各個(gè)特征進(jìn)行評(píng)分，設(shè)定閾值或者待選擇閾值的個(gè)數(shù)，選擇特征。封裝法(Wrapper)：根據(jù)目標(biāo)函數(shù)(通常是預(yù)測(cè)效果評(píng)分)，每次選擇若干特征，或者排除若干特征。相對(duì)于過(guò)濾法方法，封裝法方法找到的特征子集分類性能通常更好。

支持向量機(jī)遞歸特征消除(SVM-RFE)是Guyon等人提出的包裝器算法。它使用從SVM模型中支持向量的權(quán)重得出的得分函數(shù)訪問(wèn)特征，并遞歸地消除得分最低的特征。重復(fù)此過(guò)程，直到模型中剩下少量變量為止。由于其在微陣列分類中的成功應(yīng)用，SVM-RFE獲得了極大的歡迎，并被公認(rèn)為最有效的特征選擇方法之一。盡管SVM-RFE在分類率上表現(xiàn)更好，但是它通常需要大量的計(jì)算，尤其是針對(duì)于非線性SVM的應(yīng)用。由于非線性SVM中的映射函數(shù)是未知的，因此無(wú)法顯式計(jì)算權(quán)重向量。盡管可以通過(guò)特殊策略將線性SVM-RFE擴(kuò)展到非線性情況，但它將花費(fèi)額外的計(jì)算成本。雖然目前有很多研究從各種角度提升SVM-RFE的效率，但是SVM固有的模型選擇問(wèn)題還是會(huì)為SVM-RFE引入大量額外的計(jì)算代價(jià)。

發(fā)明內(nèi)容