基于顏色特征和極端學習機的番茄成熟度識別

摘要：番茄成熟度的判斷對實現番茄的自動化采摘意義重大，本研究提出了一種番茄成熟度判斷的方法——極端學習機，即對番茄圖片進行環形分塊劃分提取每一塊的顏色直方圖特征組成顏色特征向量，再利用主成分分析法對提取出來的特征進行降維處理，最后采用極端學習機進行識別判斷。通過與支持向量機和BP神經網絡的對比發現，極端學習機速度極快，遠遠快于BP網絡和支持向量機，同時極端學習機泛化性較好，在番茄成熟度判斷中精度達到92.7%。

關鍵詞：番茄；成熟度；極端學習機；BP神經網絡；顏色直方圖

中圖分類號： TP391.41；S126 文獻標志碼： A 文章編號：1002-1302（2014）07-0411-03

收稿日期：2013-10-30

作者簡介：張亞麗（1974—），女，河南南陽人，碩士，高級講師，研究方向為計算機應用與模式識別。E-mail：zyli1974@126.com。目前國內主要是通過人工來完成番茄的采摘，人工采摘勞動強度大，極易造成番茄損傷，而且人工采摘大大降低采摘的效率而直接影響到種植番茄的經濟效益，因此實現番茄的大規模自動采摘勢在必行[1]。隨著人工智能的發展，自動采摘機器人的研究也取得一定的進展，其中判斷番茄是否成熟是至關重要的一步。番茄成熟度的判斷可以用模式識別的思路來解決，以BP算法為代表的前饋神經網絡已經在模式識別中取得了廣泛的應用，但是存在著以下幾點難以解決的問題：（1）學習速度慢，訓練過程需要不斷的迭代完成；（2）對參數選擇敏感，訓練步長和學習率選取不當直接會影響到前饋神經外網絡的整體效果[2]。支持向量機由于其處理小樣本的優秀能力已受到極大的關注[3]，但是它也存在著學習速度慢，算法性能對核參數和懲罰因子的選取較為敏感等問題。針對這些問題Huang等提出一種前饋神經網絡的新的訓練算法——極端學習機（extreme learning machine ELM）[4]，該方法隨機設置前饋神經網絡的輸入權值，通過計算輸出權值的最小二范數解來完成網絡的訓練，計算過程簡單，速度極快，且泛化性良好，已經在許多問題中得到很好的應用。本研究將極端學習機應用到番茄的成熟度識別中，并進行對比分析。

極端學習機（ELM），是一種前饋神經網絡的簡單快速的有效的學習算法，跟傳統的基于梯度下降的學習算法相比，極端學習機有很大的優勢：（1）ELM的計算速度非常快，這是因為它的隱含層的連接權值在訓練之前隨機設定，訓練過程不需要迭代調整；（2）傳統的梯度下降求解算法，容易陷入局部極小，而ELM算法不存在這個問題[5-6]。同時根據Bartlet的理論，網絡的輸出權值越小那么這個網絡的泛化性能就越好，因而ELM求解輸出權值的最小二范數解的方法能具有很好的泛化性；（3）ELM的參數選擇簡單，只需要選擇合適的隱層節點便可獲得良好的性能，而傳統的基于梯度下降的算法如BP網絡等，還需要選擇合適的學習率、訓練歩長等，選擇不當會嚴重影響網絡的泛化性[7-8]。

2番茄圖像的特征提取

在模式識別問題中，提取合適的特征向量對識別率的影響很大，番茄圖片的特征提取過程如圖1所示。

在預處理階段首先將采集的的番茄樣本歸一到 112×112 的大小，由于在采集過程中會存在噪聲和干擾，所以還需要對圖片進行濾波處理。預處理完成以后就要選擇合適的特征提取方法，顏色的變化是反映一個果實是否成熟的重要指標之一[9]，顏色直方圖可以很好地反映出一張圖片的顏色特性并已經在圖像檢索中廣泛應用，但是如果對番茄整體提取顏色直方圖特征就不能表達出這些顏色在番茄中的位置信息，而這點對識別一個番茄的成熟程度非常重要。Aibing提出了一種環形劃分的顏色直方圖[10]，能很好地反映圖像的局部顏色特征，借鑒該方法的思路提出了一種番茄局部直方圖的提取方法，番茄圖像的環形劃分如圖2所示。

在圖2中選取一個合適的圓心，以R為半徑做圓，剛好將番茄包圍在圓內，將半徑R分為N等份，每一份的長度為 R/N，從圓心開始分別以K×R/N（1≤K≤N）為半徑做出K個圓，這樣原來的番茄圖片就環形劃分為N份，分別提取各環內的顏色直方圖特征（x-μ）/σ，然后從內到外按順序首尾相連組合成一個向量P=（S1，S2，…，Si，…，SN）作為每張番茄圖片的顏色直方圖特征，采用該方法提取番茄的顏色特征能很好地反映番茄顏色的空間特性，同時該特征具有旋轉不變性。

采用上述方法提取顏色特征，特征向量的維數過大。如果將該特征向量直接作為分類器的輸入勢必會影響分類器的效率和性能，所以還需要對特征向量進行降維處理，主成分分析已經證明在特征降維中具有十分優良的效果，它可以保證原有信息損失很少的情況下對特征向量進行降維壓縮，這里采用主成分分析進行顏色特征降維處理，最后得出的特征經過歸一處理就可以作為分類器的特征輸入。

3結果與分析

選取成熟度為生、微熟、成熟3種人工經驗標定好的番茄圖片（圖3）進行試驗，每種成熟度番茄圖片60張，每種成熟度的番茄選取30張作為訓練樣本，3種成熟度的番茄一共有90張訓練樣本，剩下的90張圖片作為測試樣本來測試算法的性能。

將番茄圖片等半徑劃分為4個環形區域，提取出顏色直方圖特征向量，并用主成分分析進行降維處理，經過交叉驗證，主成分個數選擇29維時能取得比較好的效果。

極端學習機的參數選擇十分簡單，只有一個參數即隱含層的節點數目需要選擇，不同的隱含層節點數目對極端學習機的分類性能影響很大，很多無限可微的函數都可以作為極端學習機的激活函數，選用sin函數作為極端學習機的激活函數，從第20個節點開始每次增加20個節點進行交叉驗證，驗證不同數目的隱含層節點對極端學習機的誤差變化（圖4）。

從圖4可以看出，隱含層節點數對極端學習機的影響很大，當節點選取160時極端學習機的分類性能取得較好的效果，此時，繼續增加節點，極端學習機的分類性能增加非常緩慢，故極端學習機的參數選擇十分簡單，只需要選擇一個足夠大的隱含層節點數目就能取得不錯的分類效果。

將極端學習機算法和支持向量機與BP神經網絡在本實驗中的性能進行對比，其中支持向量機算法采用libsvm工具包[11-12]，使用RBF核函數，支持向量機的參數采用交叉驗證來完成，BP神經網絡也采用3層的結構，經過驗證BP網絡取80個隱含層節點效果較好。每種分類器都實驗20次取平均值，3種算法的性能對比見表1。

從表1可以看出，極端學習機的速度極快，遠遠快于支持向量機和BP神經網絡，這是因為極端學習機的訓練過程1次完成不需要迭代調整；支持向量機采用交叉驗證的方法來選擇參數十分耗時，支持向量機的分類性能對參數的選擇要求比較高，支持向量機訓練的時間主要消耗在參數選擇上。極端學習機只要給定一個足夠大的隱含層節點數目就能取得不錯的分類性能，以及極端學習機由于其獨特的訓練方法可以一次性求得全局最優解，而BP神經網絡容易陷入局部最優，也容易造成過擬合。同時極端學習機取得了比支持向量機還要高的識別率，識別率達到92.7%。

4結論

提出的番茄成熟度判斷的方法，通過先提取出番茄的環形顏色直方圖特征，再采用主成分分析法進行特征降維處理，最后采用極端學習機進行識別判斷。通過與支持向量機和BP神經網絡的對比發現，極端學習機的參數選擇非常簡單，只需要選擇合適的隱含層節點數目就能取得很好的性能，同時極端學習機的訓練速度快于BP神經網絡和支持向量機，它的泛化性遠遠優于BP神經網絡，分類性能優于支持向量機，在番茄成熟度判斷中精度達到92.7%。

參考文獻：

[1]呂小蓮，呂小榮，倪受春. 田間采摘西紅柿計算機識別方法的設計研究[J]. 傳感技術學報，2010，23（1）：82-86.

[2]鄧萬宇，鄭慶華，陳琳，等. 神經網絡極速學習方法研究[J]. 計算機學報，2010，33（2）：279-287.

[3]張學工. 關于統計學習理論與支持向量機[J]. 自動化學報，2000，26（1）：32-42.

[4]Huang G B，Zhu Q Y，Heong C K. Siew extreme learning machine：theory and applications[J]. Neurocomputing，2006（70）：489-501.

[5]丁曉劍，趙銀亮. 優化極限學習機的序列最小優化方法[J]. 西安交通大學學報，2011，45（6）：7-12，19.

[6]張秀美，張景娥，劉志，等. 岳帥蘋果采收成熟度的判定方法[J]. 江蘇農業科學，2012，40（4）：177-179.

[7]王艷菲，朱俊平，蔡騁. 基于CENTRIST的植物葉片識別研究與實現[J]. 計算機工程與設計，2012，33（11）：4343-4346，4397.

[8]馬培恰，吳文，王平，等. 貢柑采收期果肉顏色變化與果實成熟度的關系研究[J]. 廣東農業科學，2010，37（10）：63-64.

[9]張福軍，衣淑娟，劉坤. 西瓜成熟度無損檢測系統的設計[J]. 農機化研究，2011，33（11）：24-27.

[10]蔡健榮，趙杰文. 自然場景下成熟水果的計算機視覺識別[J]. 農業機械學報，2005，36（2）：61-64.

[11]Zhu L，Rao A B，Zhang A D. Theory of key block-based image retrieval[J]. ACM Transactions on Information System，2002，20（2）：224-257.

[12]汪強，席磊，任艷娜，等. 基于計算機視覺技術的煙葉成熟度判定方法[J]. 農業工程學報，2012，28（4）：175-179.