Plant Phenomics | 南京農(nóng)業(yè)大學(xué)計智偉教授團(tuán)隊提出特征選擇新方法用于植物表型分析

2023年5月，Plant Phenomics在線發(fā)表了南京農(nóng)業(yè)大學(xué)人工智能學(xué)院計智偉教授團(tuán)隊題為A novel Feature Selection Strategy Based on Enhanced Slap Swarm Algorithm for Diseased Plant Classification的研究論文。

這項研究公開了一種群智能優(yōu)化的特征選擇方法SSAFS，并應(yīng)用于植物表型圖像的關(guān)鍵特征提取，實(shí)現(xiàn)植物病害的高精度檢測（圖1）。SSAFS模型的核心，是一種基于改進(jìn)的樽海鞘群優(yōu)化（SSA）的特征選擇策略。SSA作為一種新型的啟發(fā)式群體智能優(yōu)化算法，它具有參數(shù)少，原理簡單，收斂速度快，計算量低等優(yōu)點(diǎn)。正是因?yàn)镾SA的諸多優(yōu)勢，目前已成功應(yīng)用在路徑規(guī)劃、工程優(yōu)化設(shè)計和控制參數(shù)優(yōu)化等領(lǐng)域。

該研究通過二進(jìn)制編碼種群設(shè)計了SSA的增強(qiáng)算法SSAFS，并引入了混沌映射初始化來增加種群的多樣性。此外，采用了正余弦優(yōu)化算法在候選解空間中探索，在一定程度上避免過早陷入局部最優(yōu)，加速算法收斂速度。仿真實(shí)驗(yàn)中，研究人員在4個UCI公共數(shù)據(jù)集和6個植物病害表型數(shù)據(jù)集，將SSAFS與已有的五種群智能特征選擇方法進(jìn)行對比測試。實(shí)驗(yàn)結(jié)果表明，SSAFS能夠獲得較少的特征子集；同時，提供了較高的分類精度。這項工作是首次利用群體智能優(yōu)化算法用于基于圖像的植物病害檢測和嚴(yán)重程度分級估計的研究。
 

圖1基于圖像的植物病害檢測

研究人員從UCI標(biāo)準(zhǔn)數(shù)據(jù)庫中選取了Heart、Urban Land Cover、Arrhythmia和CNAE-9四個數(shù)據(jù)集，同時從Plant Village等公開數(shù)據(jù)庫中選取并構(gòu)建了有關(guān)植物病害的六個葉片圖像數(shù)據(jù)集 (圖2)：Corn diseases、 Apple diseases、 Grape diseases、Coffee diseases、Three grades of corn rust和 Three grades of coffee leaf miner。在圖像預(yù)處理方面，利用顏色矩獲取顏色特征以及利用灰度共生矩陣GLCM和局部二值模式LBP提取紋理特征，每個葉片圖像提取171個特征。
 

圖2 SSAFS測試的六個植物葉片病害數(shù)據(jù)集

1)SSAFS在UCI數(shù)據(jù)集和植物表型數(shù)據(jù)中的性能分析
以分類精度、適應(yīng)值和特征子集規(guī)模作為評價指標(biāo)，分別在UCI數(shù)據(jù)集和圖像數(shù)據(jù)集中測試SSAFS和其他五種算法的性能表現(xiàn)，SSAFS在大多數(shù)數(shù)據(jù)集上性能表現(xiàn)優(yōu)于其他方法（表1-2）。
 

表1 UCI數(shù)據(jù)集上的算法性能比較
 

表2六個植物表型數(shù)據(jù)集上的對比實(shí)驗(yàn)

2) SSAFS在植物表型數(shù)據(jù)中的魯棒性分析
除DS_coffee數(shù)據(jù)集外，SSAFS在其余五個數(shù)據(jù)集上均表現(xiàn)出極高的穩(wěn)定收斂（圖3），驗(yàn)證了種群初始化對SSAFS優(yōu)化的輸出沒有顯著影響。另外，SSAFS比其他五種經(jīng)典算法獲取了更好的特征子集，而且收斂速度也快得多（圖4）。
 

圖3 SSAFS在六個表型數(shù)據(jù)集中穩(wěn)定性分析
 

圖4 SSAFS與其他五種方法在六個表型數(shù)據(jù)集中的收斂曲線對比

3) SSAFS在植物表型數(shù)據(jù)集中的統(tǒng)計分析
進(jìn)一步分析顯示：針對提取的171個圖像特征，有18個重要特征存在于至少三個表型數(shù)據(jù)集的最優(yōu)特征子集中（圖5A）。在這18個特征中，顏色特征的比例高于紋理特征，表明顏色特征在植物圖像分類中發(fā)揮著更重要的作用。另外，只有顏色特征的比例在特征選擇后才會顯著增加（圖5B）。與CLCM相比，基于LBP的特征可能包括一些不相關(guān)的變量，SSAFS可以去除這些變量。   

圖5 SSAFS在六個表型數(shù)據(jù)集中的最優(yōu)特征分析

與目前廣泛報道的深度學(xué)習(xí)方法不同，我們提出的特征選擇方法SSAFS針對的是植物病害圖像的人工設(shè)計特征。通過SSAFS篩選圖像的關(guān)鍵特征，能實(shí)現(xiàn)植物病害圖像的高效、高精度的分類目標(biāo)。此外，我們的研究結(jié)果還提示了圖像局部特征對病害檢測的重要性。

本文的第一作者為南京農(nóng)業(yè)大學(xué)人工智能學(xué)院謝小軍博士，通訊作者為計智偉教授。2020級碩士生夏菲完成圖像數(shù)據(jù)預(yù)處理和算法原型開發(fā)。南京農(nóng)業(yè)大學(xué)劉守陽教授、吳玉峰教授、徐煥良教授以及新加坡國立大學(xué)Ke Yan教授參與了本項研究工作。UNC Chapel Hill的Weiling Zhao教授為文章的撰寫提供了寶貴意見。感謝南京農(nóng)業(yè)大學(xué)海外高層次引進(jìn)人才啟動項目、江蘇省自然科學(xué)基金項目、科技部外專項目、中央高校業(yè)務(wù)經(jīng)費(fèi)等項目的支持。

論文鏈接：
https://doi/10.34133/plantphenomics.0039‍

數(shù)據(jù)獲取鏈接：
https://github.com/JakeJiUThealth/SSAFS_V1.0

——推薦閱讀——
Robust Surface Reconstruction of Plant Leaves from 3D Point Clouds
https://doi/10.34133/2021/3184185
Plant Phenomics | 基于植物葉片三維點(diǎn)云的穩(wěn)健表面重建
Spectral Preprocessing Combined with Deep Transfer Learning to Evaluate Chlorophyll Content in Cotton Leaves
https://doi.org/10.34133/2022/9813841
Plant Phenomics | 光譜預(yù)處理與深度轉(zhuǎn)移學(xué)習(xí)相結(jié)合的葉片葉綠素含量評估
Plant Phenomics | 葉片表型文章合集

加入作者交流群

掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會、專刊發(fā)布會等高質(zhì)量活動。
 

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國科學(xué)促進(jìn)會（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄。科睿唯安JCR2021影響因子為6.961，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。中科院農(nóng)藝學(xué)、植物科學(xué)一區(qū)、遙感二區(qū)、生物大類一區(qū)（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點(diǎn)新刊項目。

說明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
特邀作者：謝小軍、計智偉
排版：王慧敏（南京農(nóng)業(yè)大學(xué)）
審核：孔敏、王平