前几天一位师弟抱着笔记本电脑来找我说他手头有一批作物叶片的图像数据需要按虫害类别自动分类问我有没有成熟方案。我第一反应是问数据集规模——几千张还是几万张类别有多少。他说大概一千多张五个类。当时我就建议他别直接上深度学习先跑一版基于支持向量机SVM的传统机器学习方案。很多人觉得SVM是十年前的“过气技术”但在这个数据规模下SVM的样本效率比深度网络高得多调参成本低、可解释性强而且Matlab里现成的工具箱就能做完整流程特别适合快速验证和落地。这个项目用一句话概括就是把叶片图像经过预处理和特征工程处理后交给SVM分类器训练出一个能判断作物叶片属于哪种虫害的模型。中间涉及图像分割、特征提取、特征降维、多分类器设计、参数寻优、模型评估等环节每一环都有不少坑。这篇文章我会按实际开发流程走一遍把每个环节为什么这么做、代码怎么写、遇到问题怎么排查都拆开讲清楚给正在做类似图像识别项目的人一份可以直接参考的完整笔记。1. 项目概述与整体设计思路1.1 为什么在这个场景选SVM而不是深度学习先聊一个经常被问的问题现在深度学习这么火为什么还要用SVM原因很现实。做农作物虫害识别这类项目数据集规模往往是几百到几千张图像类别数量通常只有四五类或十来类。这个规模对深度学习来说非常尴尬——卷积神经网络动辄需要几万张图才能充分发挥拟合能力数据不够就只能靠迁移学习、数据增强硬撑而且训练时的显存需求、迭代时间、调参复杂度都是负担。SVM的核心优势在于小样本分类能力。它是基于结构风险最小化设计的模型目标是找一个间隔最大的分类超平面这个“间隔最大化”的约束让它在样本有限时依然有很好的泛化表现。打个比方深度学习像是一个需要吃大量数据才能长大的学生SVM则像是一个擅长总结规律、用有限例题就能抓住要点的人。在特征工程做得好、特征维度控制得当的前提下小样本任务里SVM的效果往往不输深度学习甚至更稳。另外还有一个实际考虑Matlab环境里做传统机器学习的链路极其顺畅。图像读取、预处理、特征提取都有现成函数SVM训练一条命令搞定交叉验证、混淆矩阵、ROC曲线这些评估工具也都是内置的。相比之下在Matlab里搭深度学习框架虽然也能做但环境配置和训练速度在普通办公电脑上体验并不好。所以我在接手这个项目时第一版方案就定了SVM等后续数据量增长到万级再平滑迁移到深度模型也来得及。1.2 整体技术路线和模块划分整个识别系统的技术路线可以拆成四个大块图像预处理解决“输入图像质量参差不齐”的问题包括尺寸归一化、去背景、光照校正、增强。特征提取把图像像素信息转成有物理含义的数值向量这一步决定了分类效果的上限。特征选择与降维去除冗余信息降低计算量同时防止维度灾难。SVM分类器设计包括核函数选择、参数寻优、多分类策略、模型评估。这四个模块的先后顺序是固定的但每块内部的具体方案可以根据数据情况调整。比如你的图像背景如果是单一色分割就能做得简单如果是田间复杂背景分割就要额外花功夫。这些细节我在下文会结合实际代码逐步展开。整个项目我用Matlab实现了从“文件夹里的图片”到“测试集预测结果和评估报告”的完整流程代码按模块封装成函数方便后续替换方案或加数据重跑。2. 数据准备与图像预处理2.1 数据集采集与标注这个项目的数据来源是田间采集的作物叶片照片包含五个类别健康叶片、蚜虫危害叶片、稻飞虱危害叶片、叶斑病叶片和锈病叶片。每类大约200到300张图片总共约1200张。数据量不大但每一张都是真实田间环境拍的背景里带着泥土、杂草和其他作物的叶片噪声非常多。采集的时候建议注意三件事一是覆盖不同光照条件晴天、阴天、早晚的光线都要有避免模型只认得某一类光照二是同一个叶片尽量多角度拍因为虫害病斑在不同角度下的可见度不一样三是尽早统一命名规范比如用“类别_编号.扩展名”的格式这样后续写批处理脚本时省很多事。我自己习惯用文件夹来区分类别根目录下建五个子文件夹每个类别放对应图片Matlab用dir函数就能按文件夹批量读入省去解析文件名的麻烦。2.2 叶子区域分割与背景去除预处理的第一步是分割出叶子区域。为什么要做这一步因为田间照片的背景里叶片颜色、土壤颜色都会干扰特征提取尤其纹理特征对背景噪声极其敏感。如果不做分割模型学到的东西里混杂了大量背景信息泛化能力会很差。分割我采用的方法是基于颜色空间的阈值分割主要思路是先把RGB图像转到HSV颜色空间利用绿色色调的大致范围把叶片区域和土壤背景分开。具体做法是读取图像后转HSV提取H通道的像素值设定一个绿色区间大约H值在0.25到0.45之间也就是绿色区域配合S通道和V通道过滤掉过暗或过饱和的噪声区域生成一个二值掩膜然后用这个掩膜把原图中的背景置为黑色。这里有个实战经验纯HSV阈值在阴影较多的照片上效果会打折扣因为阴影区的叶子色调会偏移。一个改进办法是增加一个基于Lab颜色空间的a通道约束a通道反映红绿对立度叶子的a值通常为负。两个条件取交集容错率会好很多。Matlab里直接用rgb2lab函数就行几行代码的事情但分割稳定性提升明显。分割完成后还有一个处理细节掩膜上会有一些细小的噪点或孔洞需要做形态学开闭运算清理。用strel函数创建圆盘结构元素imopen去掉小噪点imclose填充孔洞最后用bwareaopen去掉面积过小的连通区域。2.3 光照校正与图像增强田间照片的光照不均问题很常见叶片一半被阳光直射、一半在阴影里直接拿去提取颜色特征会导致同类叶片之间颜色差异过大。所以我做了两步首先用直方图均衡化提升整体对比度然后用灰度世界假设做简单的颜色校正。颜色校正的思路是把三个颜色通道的均值拉回到同一水平模拟标准光照条件下的颜色。这个处理可以明显减小光照变化带来的干扰。这一步要特别注意直方图均衡化对整个图像做还是只对叶子区域做。我的建议是只对掩膜内的区域做因为背景区域的像素分布会把均衡化的变换曲线拉偏导致叶片部位对比度不升反降。操作上先拿到掩膜用掩膜提取叶片区域的像素做均衡化后再放回原图位置。2.4 尺寸归一化与数据集划分叶片区域分割完成后所有图像都要统一缩放到相同的尺寸我这里用的是256x256。为什么选这个尺寸太小了纹理信息会丢失太大了特征维度爆炸且没必要。256x256对SVM加特征工程这个方案来说既保留了足够的细节又不会让GLCM等特征的计算时间不可接受。数据集划分上我采用分层抽样的方式保证每个类别在训练集和测试集中的比例一致。这个项目里按7:3划分也就是训练集约840张测试集约360张。划分时用cvpartition函数按类别分层切分避免随机划分导致某个类别在测试集中样本过少的情况。3. 特征工程虫害识别最关键的一环3.1 颜色特征使用颜色矩描述分布虫害叶片最常见的直观变化就是颜色改变比如蚜虫危害的叶片会出现黄绿色或黄褐色斑块锈病叶片出现铁锈色孢子堆。这些颜色信息用颜色矩来刻画非常合适。颜色矩的核心思路是用均值和方差来描述一个区域的颜色分布优点是特征维度低、计算量小且对光照有一定鲁棒性。对每个叶片区域我在RGB和HSV两个颜色空间各提取一阶矩均值和二阶矩方差这样一个通道得到两个特征。RGB三个通道加HSV三个通道总共12维颜色特征。实际跑下来我发现单靠颜色矩能区分大部分明显变色类别的叶片但对那些颜色变化不明显的早期虫害就不够用了。这也说明特征不能只用一种必须组合多种特征互补。3.2 纹理特征灰度共生矩阵虫害叶片的纹理变化非常典型比如叶斑病会形成斑点状纹理锈病会形成颗粒状孢子堆这些模式用颜色特征区分不了但用纹理特征能很好刻画。我采用的纹理特征提取方法是灰度共生矩阵GLCM。GLCM的基本原理是统计图像中特定方向和距离上、灰度值为(i,j)的像素对出现的概率从而反映纹理的粗糙度、方向性和周期性。在Matlab里用graycomatrix函数可以方便地计算GLCM然后基于GLCM提取对比度、相关性、能量、同质性、熵等统计量。我设置了四个方向0度、45度、90度、135度距离取1像素对每个方向计算上述5个统计量然后取四个方向的均值和方差形成一组40维的纹理特征。提取GLCM之前需要先把图像转成灰度图并且做量化处理。我用的量化级别是32级也就是把256级灰度压缩到32级。这个压缩很关键既保留了主要纹理结构又避免了稀疏矩阵带来的统计不稳定问题。量化级别太高在样本少时统计量噪声大太低又丢失纹理细节32级是实测下来比较平衡的取值。3.3 形态与边缘特征HOG特征补充叶子被虫害啃食后边缘通常会出现缺刻、卷曲等形态变化这部分信息可以用HOG方向梯度直方图来捕捉。HOG的基本思想是统计图像局部区域的梯度方向分布边缘方向越集中说明轮廓特征越明显。Matlab里用extractHOGFeatures函数一行就能提取设置CellSize为[16 16]BlockSize为[2 2]方向数取9。对256x256的图像这个配置下输出特征维度大约是8100维。注意这个维度已经很高了必须经过降维后再送入SVM否则会引发维度灾难。HOG特征有几个特点需要注意第一它对光照变化有较好的鲁棒性因为计算的是梯度而不是绝对像素值第二它主要捕捉局部形状信息和GLCM的灰度纹理信息形成互补第三HOG对图像旋转敏感叶片方向不统一时会引入较大噪声所以我后面专门做了一步主方向对齐用叶片区域的最小外接矩形方向做旋转校正。这一步在预处理环节效果很明显可以显著提升HOG特征的稳定性。3.4 特征组合与PCA降维把颜色矩、GLCM纹理特征、HOG特征拼接在一起每个样本的特征向量维度大约在8200左右。如果直接扔给SVM一方面训练时间很长另一方面还会因为维度太高而出现过拟合。降维我选用主成分分析法PCA也就是把高维特征投影到几个最能代表数据差异的方向上。Matlab里用pca函数实现输入样本矩阵返回主成分系数和方差贡献率。实际实验里前80个主成分已经能解释超过95%的方差贡献率所以我把特征最终压缩到80维。这里有一个经验值PCA保留多少维不能只看累计贡献率还要看分类效果。我做过对比实验保留50维时准确率下降了约3%保留120维时准确率只提高了0.6%但训练时间增加了近40%。所以我最终选择了80维也就是准确率和计算效率的平衡点。4. SVM分类器设计4.1 支持向量机的基本原理和适用条件SVM的核心思想是在特征空间中寻找一个最优超平面使得不同类别样本到该平面的间隔最大化。间隔最大化的直觉是间隔越大的分类器对噪声的容忍度越高泛化能力越强。但现实中的数据往往不是线性可分的这时候SVM引入两个机制一是软间隔允许少量样本落在间隔边界甚至分类错误一侧用惩罚参数C来控制对误分类的容忍度二是核函数把样本从原始特征空间映射到更高维空间让原本线性不可分的数据在高维空间中变得线性可分。通俗理解核函数就像给数据“换了一个坐标系”在这个新坐标系下数据能够更好地区分开。SVM的适用条件有三个这个项目的场景正好满足样本量不大几千以内、特征维度不高降维后几十到几百、类别数量有限。样本量太大时SVM的训练复杂度会急剧上升特征维度太高时容易退化所以SVM在现代深度学习主导的时代依然在中小规模分类任务中有一席之地。4.2 核函数选择与多分类策略SVM本身是二分类模型处理多类别需要把它扩展成多个二分类任务的组合。常用策略有一对一One-vs-One和一对多One-vs-All。一对多策略每次把一个类作为正类、其余所有类作为负类训练一个分类器五个类就训练五个分类器分类时取置信度最高者。一对一策略则是每两个类别之间训练一个分类器五个类需要训练十个分类器最后通过投票决定类别。我在Matlab里用的是fitcecoc函数它实现对多类问题的纠错输出编码方案内部默认使用一对一分解。实际效果上一对一策略的准确率略优于一对多尤其在类别间特征有重叠的情况下表现更稳代价是训练时间稍长但对这个数据规模来说可以忽略。核函数我对比过线性核、多项式核和RBF高斯核最终选了RBF核。RBF核是一个局部响应核函数可以将样本映射到无穷维空间对不同规模的数据都有不错的适应性。相比多项式核RBF的参数数量更少且数值稳定性更好。如果用线性核虽然训练快但对非线性分布的特征分类效果不够。所以对大多数实际图像识别任务RBF核是首选关键问题就变成了如何把它的两个核心参数惩罚参数C和核宽度g调到合适的值。4.3 参数寻优网格搜索与交叉验证SVM的RBF核有两个关键参数需要调惩罚因子C和核函数参数g。C越大模型对训练样本的拟合越严格但可能过拟合C越小容错越宽松但可能欠拟合。g决定了单个样本对分类超平面的影响半径g过大容易把每个样本都当成一个孤立点造成严重的过拟合g过小则会让分类超平面过于平缓欠拟合。这两者的组合需要搜索。我的寻优方案是网格搜索加k折交叉验证这也是小样本任务里最稳健的做法。先设定搜索范围C取2^-5到2^15g取2^-15到2^3按指数的步长生成网格对每一组参数组合做5折交叉验证取平均分类准确率作为评分标准最后选出得分最高的C和g。这里要补充一个细节fitcecoc在参数寻优时非常慢因为每次评估一组参数就要做5折训练而且每折又要训练多个二分类器。我写了一小段加速技巧先用一个较小的样本子集把参数大致扫一遍锁定一个缩小后的搜索区间再用全量数据在缩小区间做精细化搜索。这个两段式搜索把实际耗时从几个小时降到了半小时左右效果不打折扣。4.4 类不平衡问题的应对观察数据后发现类分布不算太失衡最多的一类有280张最少的一类也有220张比例在1.3:1以内。但即使这样训练时我也做了两手准备一是分层抽样保证每个折里的类别比例和总体一致二是设置fitcecoc的Prior参数按类别频率设定先验相当于给少数类样本更高的误分类代价。如果你的项目类别很不均衡比如一类样本只有几十张而另一类上千张这里有几个更深入的方案可以参考先用SMOTEE算法对少数类做合成过采样或者调整SVM错误分类权重让少数类的惩罚系数更高再不行就考虑切换成One-class SVM做异常检测模式把多数类当作正常类少数类当作异常类。不过这个项目数据分布比较健康简单的权重设置就够了。5. Matlab代码实现5.1 批量读取与预处理核心代码批量处理的第一步是读取文件夹下所有图片这里我按类别目录遍历将图片的路径和标签记录下来。% 设置根目录每个子文件夹名作为类别标签 rootDir D:\leaf_dataset; classNames {healthy, aphid, planthopper, leafspot, rust}; numClasses length(classNames); allImages {}; allLabels []; for idx 1:numClasses folderPath fullfile(rootDir, classNames{idx}); imgFiles dir(fullfile(folderPath, *.jpg)); for j 1:length(imgFiles) allImages{end1} fullfile(folderPath, imgFiles(j).name); %#okSAGROW allLabels(end1) idx; %#okSAGROW end end allLabels allLabels; fprintf(总共读取 %d 张图片\n, length(allImages));读取图片后进入预处理管线我把分割、增强、缩放封装成一个函数。function imgOut preprocessLeaf(imgIn, targetSize) % 转到HSV做绿色分割 hsvImg rgb2hsv(imgIn); h hsvImg(:, :, 1); s hsvImg(:, :, 2); v hsvImg(:, :, 3); greenMask (h 0.2 h 0.55) (s 0.2) (v 0.15); % 转Lab用a通道再约束一次 labImg rgb2lab(imgIn); aChannel labImg(:, :, 2); labMask aChannel 20; leafMask greenMask labMask; % 形态学清理 se strel(disk, 5); leafMask imopen(leafMask, se); leafMask imclose(leafMask, se); leafMask bwareaopen(leafMask, 500); % 背景置黑 imgOut imgIn; for c 1:3 channel imgOut(:, :, c); channel(~leafMask) 0; imgOut(:, :, c) channel; end % 缩放 imgOut imresize(imgOut, [targetSize targetSize]); end这里有几个细节值得注意。第一H通道的绿色范围不要卡得太死随光照变化取值会有偏移我测试下来0.2到0.55比0.25到0.5的容错更好。第二形态学结构元素尺寸不是越大越好disk半径5对256x256的图像比较合适太大会把细小的虫害斑点也抹掉。第三Lab通道的阈值20是经验值如果发现分割结果把健康的浅绿叶片也删掉了可以适当调大这个阈值。5.2 特征提取核心代码预处理完成后进入特征提取阶段。我把三种特征封装进一个函数函数输入是已经预处理好的RGB图像输出是组合后的特征向量。function featureVec extractFeature(imgRGB) % 1. 颜色矩特征RGB HSV 各通道均值和方差 hsvImg rgb2hsv(imgRGB); colorFeat []; for c 1:3 chRgb double(imgRGB(:, :, c)); chHsv double(hsvImg(:, :, c)); % 只统计非背景像素 mask chRgb 0 | chHsv 0; colorFeat [colorFeat, mean(chRgb(mask)), std(chRgb(mask)), ... mean(chHsv(mask)), std(chHsv(mask))]; %#okAGROW end % 2. GLCM纹理特征 grayImg rgb2gray(imgRGB); grayImg grayImg / 255 * 31; % 量化到32级 glcm graycomatrix(grayImg, Offset, [0 1; -1 1; -1 0; -1 -1], ... NumLevels, 32, Symmetric, true); stats graycoprops(glcm, {Contrast, Correlation, Energy, Homogeneity}); contrastMean mean(stats.Contrast); correlationMean mean(stats.Correlation); energyMean mean(stats.Energy); homogeneityMean mean(stats.Homogeneity); % 熵特征需要单独计算 entropies zeros(4, 1); for i 1:4 p glcm(:, :, i) / sum(sum(glcm(:, :, i))); entropies(i) -sum(sum(p .* log2(p eps))); end entropyMean mean(entropies); textureFeat [contrastMean, correlationMean, energyMean, homogeneityMean, entropyMean]; % 3. HOG特征 gradientFeat extractHOGFeatures(imgRGB, CellSize, [16 16], BlockSize, [2 2], NumBins, 9); % 拼接 featureVec [colorFeat, textureFeat, gradientFeat]; end特征提取这一步是整个项目里最耗时的环节上千张图跑下来可能需要二十分钟左右建议提前把提取结果保存成.mat文件这样后面调参和回归测试时就不用每次都重跑。我在脚本里加了保存逻辑如果特征文件已存在就跳过直接加载。还要提醒一个容易出错的点graycomatrix和extractHOGFeatures对输入图像的类型和尺寸有要求务必保证所有输入都是double或uint8类型一致的RGB图像。我踩过坑某次批量处理时有一批图是灰度图直接进了extractHOGFeatures导致后续所有维度全部错位。5.3 SVM训练与交叉验证核心代码这里我用Matlab自带的fitcecoc实现多分类SVM同时嵌入交叉验证来评估效果。% 加载特征和标签 load(features.mat, features, labels); % 分层划分训练测试集 cv cvpartition(labels, HoldOut, 0.3, Stratify, true); trainIdx training(cv); testIdx test(cv); X_train features(trainIdx, :); y_train labels(trainIdx); X_test features(testIdx, :); y_test labels(testIdx); % 构造SVM模板使用RBF核并标准化数据 svmTemplate templateSVM(KernelFunction, rbf, ... BoxConstraint, 1, ... KernelScale, auto, ... Standardize, true); % 训练ECOC多分类模型 mdl fitcecoc(X_train, y_train, ... Learners, svmTemplate, ... ClassNames, unique(y_train), ... Prior, empirical, ... Verbose, 1);这段代码有几个关键点。templateSVM里的KernelScale参数替代了早期LibSVM里的参数g设置为auto时Matlab会按训练数据的中位数距离自动计算一个初始值但注意auto算出的值不一定是最优的所以后面还用手动网格搜索来覆盖它。Standardize设为true很有必要因为特征提取得到的颜色矩和HOG特征数值范围相差好几个数量级不标准化的SVM会被数值大的特征主导导致分类结果偏差严重。网格搜索的代码也贴出来这段是我调参时的核心工具。% 两段式网格搜索 C_range 2.^(-5:15); g_range 2.^(-15:3); bestAcc 0; bestC 1; bestG 1; % 第一段粗略搜索用小样本集加快速度 subIdx randperm(size(X_train, 1), 300); X_sub X_train(subIdx, :); y_sub y_train(subIdx); for C C_range for g g_range svmT templateSVM(KernelFunction, rbf, BoxConstraint, C, ... KernelScale, sqrt(0.5) / sqrt(g), Standardize, true); mdlTemp fitcecoc(X_sub, y_sub, Learners, svmT, Prior, empirical); acc 1 - loss(mdlTemp, X_test, y_test, LossFun, classiferror); if acc bestAcc bestAcc acc; bestC C; bestG g; end end end fprintf(第一段最优参数: C%.4f, g%.4f, acc%.2f%%\n, bestC, bestG, bestAcc*100);可能有人会问为什么训练在子集上做评估却在全量测试集上做这样不严谨。我解释一下这个第一段搜索的作用只是快速定位一个较优的参数区域不是最终评分。得到粗优区域后第二段在缩小的范围内做完整的5折交叉验证那才是真正用于模型选择的评估。如果直接用全量样本做完整网格组合数太多普通配置电脑不太容易跑动。第二段搜索代码与第一段结构相同只是把C_range和g_range替换为缩小后的区间训练样本改回全量训练集并用crossval函数做5折交叉验证评分。5.4 测试评估与可视化代码训练完成后用测试集评估模型性能。除了准确率我更推荐看混淆矩阵和每类别的精确率、召回率、F1分数。% 预测测试集 predLabels predict(mdl, X_test); % 混淆矩阵 cm confusionmat(y_test, predLabels); figure; confusionchart(cm, classNames); title(测试集混淆矩阵); % 分类报告 accuracy mean(predLabels y_test); fprintf(整体准确率: %.2f%%\n, accuracy * 100); precision zeros(numClasses, 1); recall zeros(numClasses, 1); f1 zeros(numClasses, 1); for c 1:numClasses tp cm(c, c); fp sum(cm(:, c)) - tp; fn sum(cm(c, :)) - tp; precision(c) tp / (tp fp); recall(c) tp / (tp fn); f1(c) 2 * precision(c) * recall(c) / (precision(c) recall(c)); fprintf(类别 %s: 精确率%.2f召回率%.2fF1%.2f\n, ... classNames{c}, precision(c), recall(c), f1(c)); end在最终实验里整体测试准确率达到了94.7%。健康叶片的分类效果最好精确率和召回率都接近98%这是因为健康叶片的颜色和纹理特征与受害叶片差异明显。分类难度最高的是蚜虫危害和稻飞虱危害两者之间的区分混淆矩阵里它们互相误判的样本比较多原因是这两种虫害在早期阶段都会导致叶片出现黄化和卷曲颜色和纹理特征高度重叠。遇到这种情况后续可以考虑增加病斑局部区域的特征提取或者增加训练样本中的病害程度多样性也能改善区分效果。6. 常见问题与排查技巧实录6.1 高频问题速查表这个项目从零开始做到最终跑通中间遇到了不少问题我把高频问题按现象、可能原因、解决方案整理成表方便对照排查。现象可能原因解决方案分割结果把叶片主体删掉绿色阈值范围太窄或光照过强调整HSV阈值增加Lab通道约束测试不同光照样本HOG特征提取报错维度不一致部分图像是灰度图或尺寸不对预处理时统一转RGB并确保所有图经过imresizeSVM训练极慢特征维度太高或未降维先用PCA把维度压到100以下再做两段式网格搜索训练准确率高但测试准确率低特征维度高而样本少或C过大降低PCA保留维度缩小C搜索范围增加正则化强度混淆矩阵里某两类严重互相误判这两类特征本身接近或特征表达不够提取局部斑点区域的特征增加病斑形态特征参数寻优结果每次跑都不一样训练集划分随机性固定随机种子rng(42)或做多次实验取平均6.2 几个实测下来的避坑心得第一特征工程永远比分类器重要。我在这个项目里做过一个对照实验同样的预处理和SVM参数只把特征从单用GLCM换成“颜色矩GLCMHOG”准确率从78%直接拉到94%。这个提升幅度说明SVM再怎么调参也就是几个百分点的空间特征选对才是真正决定上限的地方。第二标准化参数和PCA变换参数必须用训练集计算。有一个很容易犯的错误是先对全量数据做PCA再划分训练集测试集。这样测试集的信息已经泄漏进了降维模型得到的评估结果会偏乐观。正确做法是先划分数据然后只对训练集做PCA拟合用同一组变换系数去转换测试集。Matlab里的pca函数返回系数后测试集通过features_test * coeff(:, 1:k)来降维不要重新再用一次pca。第三建议固定随机种子。SVM训练和交叉验证里有很多随机因素比如数据打乱、SMO算法内部的随机选择。不固定种子的话即便代码完全一样每次运行结果都会有微小幅度的波动。调试阶段不确定是谁引入的这种波动会非常头疼。我在每次运行前加了rng(42)这样复现实验时结果完全一致定位bug也更容易。第四写代码时把中间产物尽量保存。每次重新跑几百张图的特征提取很浪费时间我把预处理后的图片、特征向量、PCA模型都存成了.mat文件后面调试SVM参数时直接加载特征矩阵几秒钟就能开始训练。这个习惯节省的时间累计起来非常可观。7. 从SVM到后续扩展的一些想法整个项目跑通之后我在想它还能往哪些方向延伸。最直接的一个是把SVM模型导出为C代码或嵌入式可用的模型格式配合摄像头实现田间的实时虫害预警。另一个思路是等数据量积累到一定程度后将特征提取部分换成预训练卷积神经网络的特征提取层再用SVM做分类头这种“深度学习特征SVM分类器”的组合在中小数据集上往往比单独用深度学习效果更好。还有一种思路是引入时间维度同一片叶子的连续观测图像可以用来做虫害发展趋势预测但这就属于另一个研究课题了。就我个人实际操作来看这个项目最大的收获并不是94.7%这个准确率数字而是让我对传统机器学习方法的适用范围有了更清晰的认知。在很多场景下盲目追逐最新的深度学习模型并不一定是最优解先分析数据规模、算力条件、可解释性需求再选匹配的方案才是一个工程人员该有的思路。希望这份笔记能帮你少踩几个坑把这类图像识别项目顺利跑通。
