2023年5月，Plant Phenomics在线发表了南京农业大学人工智能学院计智伟教授团队题为A novel Feature Selection Strategy Based on Enhanced Slap Swarm Algorithm for Diseased Plant Classification的研究论文。

这项研究公开了一种群智能优化的特征选择方法SSAFS，并应用于植物表型图像的关键特征提取，实现植物病害的高精度检测（图1）。SSAFS模型的核心，是一种基于改进的樽海鞘群优化（SSA）的特征选择策略。SSA作为一种新型的启发式群体智能优化算法，它具有参数少，原理简单，收敛速度快，计算量低等优点。正是因为SSA的诸多优势，目前已成功应用在路径规划、工程优化设计和控制参数优化等领域。

该研究通过二进制编码种群设计了SSA的增强算法SSAFS，并引入了混沌映射初始化来增加种群的多样性。此外，采用了正余弦优化算法在候选解空间中探索，在一定程度上避免过早陷入局部最优，加速算法收敛速度。仿真实验中，研究人员在4个UCI公共数据集和6个植物病害表型数据集，将SSAFS与已有的五种群智能特征选择方法进行对比测试。实验结果表明，SSAFS能够获得较少的特征子集；同时，提供了较高的分类精度。这项工作是首次利用群体智能优化算法用于基于图像的植物病害检测和严重程度分级估计的研究。

图1基于图像的植物病害检测

研究人员从UCI标准数据库中选取了Heart、Urban Land Cover、Arrhythmia和CNAE-9四个数据集，同时从Plant Village等公开数据库中选取并构建了有关植物病害的六个叶片图像数据集 (图2)：Corn diseases、 Apple diseases、 Grape diseases、Coffee diseases、Three grades of corn rust和 Three grades of coffee leaf miner。在图像预处理方面，利用颜色矩获取颜色特征以及利用灰度共生矩阵GLCM和局部二值模式LBP提取纹理特征，每个叶片图像提取171个特征。

图2 SSAFS测试的六个植物叶片病害数据集

1)SSAFS在UCI数据集和植物表型数据中的性能分析

以分类精度、适应值和特征子集规模作为评价指标，分别在UCI数据集和图像数据集中测试SSAFS和其他五种算法的性能表现，SSAFS在大多数数据集上性能表现优于其他方法（表1-2）。

表1 UCI数据集上的算法性能比较

表2六个植物表型数据集上的对比实验

2) SSAFS在植物表型数据中的鲁棒性分析

除DS_coffee数据集外，SSAFS在其余五个数据集上均表现出极高的稳定收敛（图3），验证了种群初始化对SSAFS优化的输出没有显著影响。另外，SSAFS比其他五种经典算法获取了更好的特征子集，而且收敛速度也快得多（图4）。

图3 SSAFS在六个表型数据集中稳定性分析

图4 SSAFS与其他五种方法在六个表型数据集中的收敛曲线对比

3) SSAFS在植物表型数据集中的统计分析

进一步分析显示：针对提取的171个图像特征，有18个重要特征存在于至少三个表型数据集的最优特征子集中（图5A）。在这18个特征中，颜色特征的比例高于纹理特征，表明颜色特征在植物图像分类中发挥着更重要的作用。另外，只有颜色特征的比例在特征选择后才会显著增加（图5B）。与CLCM相比，基于LBP的特征可能包括一些不相关的变量，SSAFS可以去除这些变量。

图5 SSAFS在六个表型数据集中的最优特征分析

与目前广泛报道的深度学习方法不同，我们提出的特征选择方法SSAFS针对的是植物病害图像的人工设计特征。通过SSAFS筛选图像的关键特征，能实现植物病害图像的高效、高精度的分类目标。此外，我们的研究结果还提示了图像局部特征对病害检测的重要性。

本文的第一作者为南京农业大学人工智能学院谢小军博士，通讯作者为计智伟教授。2020级硕士生夏菲完成图像数据预处理和算法原型开发。南京农业大学刘守阳教授、吴玉峰教授、徐焕良教授以及新加坡国立大学Ke Yan教授参与了本项研究工作。UNC Chapel Hill的Weiling Zhao教授为文章的撰写提供了宝贵意见。感谢南京农业大学海外高层次引进人才启动项目、江苏省自然科学基金项目、科技部外专项目、中央高校业务经费等项目的支持。

论文链接：

https://doi/10.34133/plantphenomics.0039‍

数据获取链接：

https://github.com/JakeJiUThealth/SSAFS_V1.0

——推荐阅读——

Robust Surface Reconstruction of Plant Leaves from 3D Point Clouds

https://doi/10.34133/2021/3184185

Plant Phenomics | 基于植物叶片三维点云的稳健表面重建

Spectral Preprocessing Combined with Deep Transfer Learning to Evaluate Chlorophyll Content in Cotton Leaves

https://doi.org/10.34133/2022/9813841

Plant Phenomics | 光谱预处理与深度转移学习相结合的叶片叶绿素含量评估

Plant Phenomics | 叶片表型文章合集

加入作者交流群