Plant Phenomics | 南京農業大學計智偉教授團隊提出特征選擇新方法用于植物表型分析

2023年5月，Plant Phenomics在線發表了南京農業大學人工智能學院計智偉教授團隊題為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化的特征選擇方法SSAFS，并應用于植物表型圖像的關鍵特征提取，實現植物病害的高精度檢測（圖1）。SSAFS模型的核心，是一種基于改進的樽海鞘群優化（SSA）的特征選擇策略。SSA作為一種新型的啟發式群體智能優化算法，它具有參數少，原理簡單，收斂速度快，計算量低等優點。正是因為SSA的諸多優勢，目前已成功應用在路徑規劃、工程優化設計和控制參數優化等領域。

該研究通過二進制編碼種群設計了SSA的增強算法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，加速算法收斂速度。仿真實驗中，研究人員在4個UCI公共數據集和6個植物病害表型數據集，將SSAFS與已有的五種群智能特征選擇方法進行對比測試。實驗結果表明，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化算法用于基于圖像的植物病害檢測和嚴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標準數據庫中選取了Heart、Urban Land Cover、Arrhythmia和CNAE-9四個數據集，同時從Plant Village等公開數據庫中選取并構建了有關植物病害的六個葉片圖像數據集 (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據集

1)SSAFS在UCI數據集和植物表型數據中的性能分析
以分類精度、適應值和特征子集規模作為評價指標，分別在UCI數據集和圖像數據集中測試SSAFS和其他五種算法的性能表現，SSAFS在大多數數據集上性能表現優于其他方法（表1-2）。
 

表1 UCI數據集上的算法性能比較
 

表2六個植物表型數據集上的對比實驗

2) SSAFS在植物表型數據中的魯棒性分析
除DS_coffee數據集外，SSAFS在其余五個數據集上均表現出極高的穩定收斂（圖3），驗證了種群初始化對SSAFS優化的輸出沒有顯著影響。另外，SSAFS比其他五種經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在六個表型數據集中穩定性分析
 

圖4 SSAFS與其他五種方法在六個表型數據集中的收斂曲線對比

3) SSAFS在植物表型數據集中的統計分析
進一步分析顯示：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據集的最優特征子集中（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的變量，SSAFS可以去除這些變量。   

圖5 SSAFS在六個表型數據集中的最優特征分析

與目前廣泛報道的深度學習方法不同，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計特征。通過SSAFS篩選圖像的關鍵特征，能實現植物病害圖像的高效、高精度的分類目標。此外，我們的研究結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業大學人工智能學院謝小軍博士，通訊作者為計智偉教授。2020級碩士生夏菲完成圖像數據預處理和算法原型開發。南京農業大學劉守陽教授、吳玉峰教授、徐煥良教授以及新加坡國立大學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。感謝南京農業大學海外高層次引進人才啟動項目、江蘇省自然科學基金項目、科技部外專項目、中央高校業務經費等項目的支持。

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

數據獲取鏈接：
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云的穩健表面重建
Spectral Preprocessing Combined with Deep Transfer Learning to Evaluate Chlorophyll Content in Cotton Leaves
https://doi.org/10.34133/2022/9813841
Plant Phenomics | 光譜預處理與深度轉移學習相結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，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、專刊發布會等高質量活動。
 

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》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄。科睿唯安JCR2021影響因子為6.961，位于農藝學、植物科學、遙感一區。中科院農藝學、植物科學一區、遙感二區、生物大類一區（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
特邀作者：謝小軍、計智偉
排版：王慧敏（南京農業大學）
審核：孔敏、王平