基于稀疏表示的葡萄干品質(zhì)分級

劉小英 秦振濤 楊蜀秦

摘要：以新疆綠色無核葡萄干為研究對象，提取顏色、形狀等特征值建立稀疏表示數(shù)據(jù)字典，采用弱匹配追蹤算法求得稀疏解，計(jì)算每個(gè)測試樣本在數(shù)據(jù)字典上的投影，將具有最小殘差的等級作為測試樣本的級別，并與BP人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（SVM）識別結(jié)果進(jìn)行比較分析。結(jié)果表明，提出的分級方法平均識別率達(dá)到96.7%，具有較好的識別率和魯棒性。這為葡萄干等級識別提供了一種新的有效方法。

關(guān)鍵詞：葡萄干；分級；BP神經(jīng)網(wǎng)絡(luò)；稀疏表示；識別率；支持向量機(jī)（SVM）

中圖分類號：TP391 文獻(xiàn)標(biāo)志碼：

文章編號：1002-1302（2016）08-0421-03

綠色葡萄干是我國新疆地區(qū)的重要特產(chǎn)之一，研究葡萄干品質(zhì)快速檢測技術(shù)，對新疆葡萄產(chǎn)業(yè)的穩(wěn)定發(fā)展有重要的推動作用。葡萄干品質(zhì)分為外在品質(zhì)和內(nèi)在品質(zhì)2個(gè)部分[1]，內(nèi)在品質(zhì)檢測主要通過抽樣檢驗(yàn)完成，外在品質(zhì)包括色澤、果形、果粒大小、肉質(zhì)軟硬等，機(jī)器視覺是實(shí)現(xiàn)葡萄干外在品質(zhì)快速檢測的有效途徑。目前，對農(nóng)產(chǎn)品品質(zhì)檢測運(yùn)用較多的是人工神經(jīng)網(wǎng)絡(luò)、人工蜂群模糊聚類方法、極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)等[2-3]，而唐晶磊等應(yīng)用人工神經(jīng)網(wǎng)絡(luò)對葡萄干分級技術(shù)進(jìn)行了相關(guān)研究[4]。稀疏表示方法是一種新的模式識別方法，近年來在計(jì)算機(jī)視覺檢測中應(yīng)用比較廣泛。有研究表明，稀疏表示方法在車輛檢測、害蟲圖像識別、交通標(biāo)志分類識別、人臉識別中獲得較好的識別性能[5-8]。試驗(yàn)以新疆綠色無核葡萄干為研究對象，在提取葡萄干特征參數(shù)的基礎(chǔ)上，利用稀疏表示方法對葡萄干等級進(jìn)行檢測，為葡萄干的等級識別提供一種新的方法。

1葡萄干圖像采集

葡萄干圖像由計(jì)算機(jī)視覺系統(tǒng)獲取，將3個(gè)等級的葡萄干單層均勻擺放在載樣臺上，由固定在照明室頂端的數(shù)碼相機(jī)進(jìn)行圖像采集（圖1）。光照不勻、線路傳輸不暢等會影響采集的圖像質(zhì)量，給后期分類造成影響，因此，圖像采集后應(yīng)利用中值濾波法進(jìn)行圖像去噪，采用判別分析法選取閾值，利用閾值分割法對背景進(jìn)行分割，并根據(jù)邊界跟蹤得到的單個(gè)葡萄干邊界信息，提取單個(gè)葡萄干的圖像[9]。從提取的3個(gè)等[CM（25]級各2個(gè)葡萄干的圖像樣本可見，3個(gè)等級的葡萄干形狀[CM）]〖LM〗類似，但大小、顏色具有不同特征（圖2）。本試驗(yàn)每個(gè)等級各采用40個(gè)葡萄干作為訓(xùn)練樣本，60個(gè)葡萄干作為測試樣本。

2.1特征提取

葡萄干的顏色和形狀是分級的關(guān)鍵。通過編寫B(tài)P神經(jīng)網(wǎng)絡(luò)識別算法，對不同參數(shù)組合對識別率的影響進(jìn)行分析，最終確定色調(diào)、面積、長度、寬度為識別的最佳參數(shù)組合。

2.1.1顏色由于HSI顏色模型最能反映人類的視覺原理，因此，試驗(yàn)采用HSI顏色模型色調(diào)H作為葡萄干的顏色特征。提取H特征前，將獲取的RGB彩色圖像轉(zhuǎn)換為HSI顏色模型。1個(gè)葡萄干圖像的顏色特征參數(shù)為所有像素點(diǎn)的H平均值，計(jì)算公式為：

.2稀疏分級算法的思想

對于測試樣本的關(guān)系可表示為第i級葡萄干第j個(gè)訓(xùn)練樣本上的投影系數(shù)，即：

[JZ（]y=[WTHX][STHX]A[WTBZ][STBZ]x。[JZ）]

式中：x=[x11…x401x12…x402x13…x403]；xji表示測試樣本y在[WTHX][STHX]A[WTBZ][STBZ]中第i級第j個(gè)訓(xùn)練樣本上的投影系數(shù)。如果測試樣本y屬于第n個(gè)樣本，則系數(shù)向量x與訓(xùn)練樣本An的投影系數(shù)非0，而在其他訓(xùn)練樣本Ai（i≠n）上的投影為0。因此，y的解是稀疏的。稀疏表示研究理論[11]中，對于稀疏解x可通過求解最小化范數(shù)l1求解，計(jì)算方法為：

對有10個(gè)基數(shù)的矩陣，隨著真實(shí)解基數(shù)個(gè)數(shù)的增加，WMP算法的效能因子逐漸提升，這表明算法有較好的收斂性。WMP與最小二乘法-正交匹配追蹤（LS-OMP）算法、正交匹配追蹤（OMP）算法、匹配追蹤（MP）算法及硬閾值算法[13-16]進(jìn)行比較發(fā)現(xiàn)，隨著真實(shí)解基數(shù)個(gè)數(shù)的增加，WMP算法的l2范數(shù)均方誤差較少。因此，WMP貪婪方法具有更高的效率。

3.4葡萄干等級的檢測算法

根據(jù)研究原理，葡萄干等級的檢測算法為：（1）輸入，由3個(gè)等級的葡萄干提取的歸一化訓(xùn)練樣本數(shù)據(jù)矩陣[WTHX][STHX]A[WTBZ][STBZ]=[A1，…，Ai]（i=1，…，3），某等級歸一化測試樣本數(shù)據(jù)y，設(shè)置誤差閾值為0.000 1，下降指數(shù)t=0.5，迭代次數(shù)為1 000；（2）運(yùn)用WMP方法，求解最小化范數(shù) [KG-5]x[DD（-15][HT6]⌒[DD）]；（3）求 [KG-5]y[DD（-15][HT6]⌒[DD）]i與y的距離；（4）輸出，若Ai具有最小殘差ri（y），則y就可以判定為第i級葡萄干。

4結(jié)果與分析

利用Matlab編程，實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)方法、支持向量機(jī)（SVM）及稀疏表示方法對葡萄干進(jìn)行等級檢測，計(jì)算機(jī)配置為CPU Core i5-4430 3.00 GHz，內(nèi)存4G。由表1可見，BP神經(jīng)網(wǎng)絡(luò)方法、SVM方法及稀疏表示方法對3個(gè)等級葡萄干的平均識別率分別為92.0%、95.3%、96.7%；從對各等級的識別數(shù)據(jù)來看，3種方法對二級葡萄干的識別率相對較低，這是因?yàn)闇y試樣本由人依據(jù)視覺主觀進(jìn)行分級，二級葡萄干介于一級、三級之間，不好判定，從而造成葡萄干的定級誤差。

從BP神經(jīng)網(wǎng)絡(luò)、SVM及稀疏表示這3種方法對一級葡萄干測試樣本的識別時(shí)間分別為1.825、0.254、0.185 s，稀疏表示方法算法復(fù)雜度比其他2種方法要低；稀疏表示方法只須考慮誤差閾值及求解最小化范數(shù)時(shí)的迭代次數(shù)，誤差小，可獲得較高的識別率；BP網(wǎng)絡(luò)需要多次優(yōu)化特征參數(shù)及網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行比較分析，SVM中的多個(gè)參數(shù)也須要經(jīng)過若干次優(yōu)化才能確定。因此，稀疏表示方法魯棒性更強(qiáng)，優(yōu)于其他2種方法。

5結(jié)論

本研究提出一種基于稀疏表示的葡萄干品質(zhì)檢測方法，該方法通過提取單個(gè)葡萄干圖像的色度、面積、長軸、短軸特征向量，建立稀疏等級檢測模型，并利用WMP方法求得稀疏解，計(jì)算具有最小殘差的等級作為測試樣本的等級。這種方法與BP神經(jīng)網(wǎng)絡(luò)方法、SVM方法相比，稀疏表示方法對葡萄干的檢測平均識別率達(dá)到96.7%，識別效果好，算法復(fù)雜度低，這為葡萄干等級外觀檢測提供了一種新的方法，對其他農(nóng)產(chǎn)品等級檢測具有參考價(jià)值。

[HS+6mm][HT8.5H]參考文獻(xiàn)：

[1]郭春苗，伍新宇，周曉明，等. 葡萄干飽滿度評定指標(biāo)及影響因子研究[J]. 新疆農(nóng)業(yè)科學(xué)，2015，52（6）：1033-1039.

[2]羅陸鋒，鄒湘軍，楊洲，等. 基于改進(jìn)人工蜂群模糊聚類的葡萄圖像快速分割方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（3）：23-28.

[3]李國進(jìn)，董第永，陳雙. 基于計(jì)算機(jī)視覺的芒果檢測與分級研究[J]. 農(nóng)機(jī)化研究，2015（10）：13-18，23.

[4]唐晶磊，景旭，何東健. 基于BP神經(jīng)網(wǎng)絡(luò)的葡萄干分級技術(shù)的研究[J]. 農(nóng)機(jī)化研究，2007（11）：51-53.

[5]蔡英鳳，王海，張旭. 面向復(fù)雜道路場景的視覺車輛檢測算法[J]. 科學(xué)技術(shù)與工程，2015，15（20）：84-88.

[6]胡永強(qiáng)，宋良圖，張潔，等. 基于稀疏表示的多特征融合害蟲圖像識別[J]. 模式識別與人工智能，2014，27（11）：985-992.

[7]王瑞，杜林峰，孫督，等. 復(fù)雜場景下結(jié)合SIFT與核稀疏表示的交通目標(biāo)分類識別[J]. 電子學(xué)報(bào)，2014，42（11）：2129-2134.

[8]湯鎮(zhèn)宇，孟凡榮，王志曉. 基于稀疏表示的快速l2-范數(shù)人臉識別方法[J]. 計(jì)算機(jī)應(yīng)用研究，2015，33（9）：1-8.

[9]劉小英. 基于圖像分析的葡萄干分級技術(shù)研究[D]. 楊凌：西北農(nóng)林科技大學(xué)，2006.[ZK）]

[10]劉小英，張健. 葡萄干圖像長短軸快速檢測算法[J]. 安徽農(nóng)業(yè)科學(xué)，2008，36（26）：11482-11483，11509.

[11]Candes E J，Romberg J K，Tao T. Stable signal recovery from incomplete and inaccurate measurements[J]. Communications on Pure and Applied Mathematics，2006，59（8）：1207-1223.

[12]Elad M. Sparse and redundant representations：from theory to applications in signal and image processing[M]. Berlin：Springer，2010：39-40.

[13]何俊飛，李峰，張建明，等. 使用雙稀疏的圖像去噪算法[J]. 小型微型計(jì)算機(jī)系統(tǒng)，2015，36（5）：1109-1112.

[14]陳寧，閻琳，邱岳恒. 基于OMP算法的圖像重構(gòu)研究與 FPGA 實(shí)現(xiàn)[J]. 計(jì)算機(jī)測量與控制，2014，22（9）：2944-2946.

[15]金晶，冉隆科. 改進(jìn)型粒子濾波與稀疏表達(dá)的自適應(yīng)圖像跟蹤算法[J]. 計(jì)算機(jī)應(yīng)用與軟件，2014，31（7）：152-155.

[16]Figueiredo M A，Nowak R D. An EM algorithm for wavelet-based image restoration[J]. Transactions on Image Processing，2003，12（8）：906-916.