基于機器視覺和人工神經網絡的切花玫瑰瓶插壽命預測

翟超男++張海東++王孟++邢志中++郭小軍++陳騰

摘要：對切花玫瑰瓶插壽命進行預測，利用機器視覺提取顏色和形狀特征參數共15個，并結合人工神經網絡ANN建立預測模型。該預測模型的輸入層、隱含層和輸出層的神經元數分別為15、15和1，訓練集相關系數R2=0.939 4，訓練集均方根誤差RMSEC=0.784 9；其預測集相關系數R2=0.850 7，預測均方根誤差RMSEP=1.205 1。結果表明，機器視覺結合人工神經網絡能夠較準確地預測切花玫瑰的瓶插壽命。

關鍵詞：機器視覺；人工神經網絡；切花玫瑰；瓶插壽命

中圖分類號：S126 文獻標識碼：A 文章編號：0439-8114（2017）08-1564-03

DOI：10.14088/j.cnki.issn0439-8114.2017.08.041

Prediction of Vase Life of Cut Roses Based on Machine Vision

and Artificial Neural Network

ZHAI Chao-nan，ZHANG Hai-dong，WANG Meng，XING Zhi-zhong，GUO Xiao-jun，CHEN Teng

（Mechanical and Electrical Engineering College，Yunnan Agricultural University，Kunming 650201，China）

Abstract：In order to predict rose vase life of cut flowerwe， using machine vision to extract color and shape feature parameters，a total of 15，and combined with artificial neural network ANN prediction model was established. The ANN model consisted of 15，15， and 1 neurons in the input，hidden，and output layers. The ANN model using the validated data showed a good predictability between the predicted and observed values（R2=0.850 7， RMSEP=1.205 1）， similar to using the trained data（R2=0.939 4， RMSEC=0.784 9）. The results showed that the ANN model based on machine vision can predict the vase life of cut roses accurately.

Key words： machine vision；artificial neural network；cut rose；vase life

玫瑰（Rosa rugosa Thunb.）為薔薇科薔薇屬落葉灌木，被稱為花中皇后。瓶插壽命是鮮切花的重要品質之一，而中國鮮切花保鮮技術還有很多問題和不足[1，2]，直接影響鮮切花的觀賞價值。傳統瓶插壽命測定需要將物理方法和感官評定法相結合，操作繁瑣、耗時，且易受外界因素和個人主觀因素的干擾。機器視覺技術因其檢測結果準確、檢測速度快、操作方便和易于實現在線檢測等優點，已被廣泛應用于農產品品質評價和分級檢測中[3，4]。近年來，機器視覺技術也已開始被應用于花卉品種識別、品質分級[5-10]以及瓶插壽命預測等研究中，但關于利用機器視覺技術預測鮮切花瓶插壽命的研究較少。國外學者Brosnan等[10]利用機器視覺技術研究百合切花不同插花期的變化規律，結果表明，顏色特征比形狀特征更能表征百合花切花的瓶插壽命；Byungchun等[11]利用機器視覺技術結合人工神經網絡對切花玫瑰進行瓶插壽命預測，提取了29個特征參數，結果表明，機器視覺技術預測切花玫瑰瓶插壽命是可行的，但29個參數中包括玫瑰花生長期生理參數，而對市售絕大多數玫瑰花而言，其生長期生理參數都是未知的，因此無法用于瓶插壽命預測。本研究利用機器視覺技術提取切花玫瑰的顏色和形態共15個特征參數，結合BP神經網絡建立其瓶插壽命預測模型，以驗證利用玫瑰花采切后的圖像參數預測切花玫瑰瓶插壽命的可行性，并為切花品質的機器視覺檢測提供理論參考。

1 材料與方法

1.1 材料與設備

1.1.1 試驗材料 試驗用玫瑰品種為卡羅拉（超玫），采自昆明市斗南花卉基地，采切生長健壯、無彎莖、無病蟲害、開花指數一致（2級）的花枝，共148支。隨機選擇其中的122支作為訓練集樣本，用于建立預測模型，剩下的26支作為預測集樣本，用來檢驗模型的性能。樣本自母體采切后立即放入水桶中，并于2 h內運回實驗室。統一修剪后放入500 mL飲料瓶中，瓶插液為蒸餾水。室溫25 ℃，濕度30%～40%。

1.1.2 試驗設備 圖1中彩色CCD工業相機采用DFK 31BG03.H（德國），分辨率為1 024×768，鏡頭焦距為50 mm。光源箱長100 cm、寬50 cm、高150 cm，光源箱內壁貼上白卡紙以使光線能夠均勻散射。光源為Philips公司的T5 Essential Batten—TCH086 21W/840冷光燈，在光源箱內4個角各布置1個。在光源箱內安裝有1個可載切花玫瑰的夾子，以保證每幅切花玫瑰圖像都具有相同的清晰度。采集的圖像數據通過千兆網線傳輸到計算機。本研究中相機工作參數設定為：曝光時間1.778 s；增益1.625 dB；亮度90；紅增益1；藍增益1。

1.1.3 系統標定 系統標定的精度直接影響圖像測量的結果，采用網格標定法對系統進行標定[12]。在紙上繪制邊長為10 mm的正方形網格，在保證網格平面與光軸嚴格垂直的情況下，采集該網格圖像。本研究中系統標定的結果為水平方向Kx=0.092 7 mm/pixel；垂直方向Ky=0.093 4 mm/pixel。

系統標定之后，在保持同焦距、同物距、被測物體平面與光軸垂直的條件下采集圖像。

1.2 試驗方法

1.2.1 圖像采集 每天18：00對切花玫瑰的圖像進行采集。將切花玫瑰從瓶中取出置于載物夾中，使花苞頂面保持水平，每個樣本分別采集4次RGB數字圖像并保存，圖像采集完成后立即將切花放回瓶中。

1.2.2 瓶插壽命觀測 圖像采集后，對切花玫瑰進行觀測記錄，若出現彎莖、枯萎或藍變現象則認為切花壽命終結，記錄壽命時間。

3 人工神經瓶插壽命預測

3.1 預測模型的建立

3.1.1 層結構的確定 采用單隱含層的三層網絡結構，以切花玫瑰的顏色特征和形狀特征等15個參數作為BP神經網絡模型的輸入，即輸入層神經元數為15，以瓶插壽命值為輸出，即輸出層神經元數為1。

圖4顯示了BP預測模型的均方根誤差隨隱含層神經元數的變化趨勢，在隱含層神經元數由1增加到35的過程中，訓練集均方根誤差逐漸減小，預測集均方根誤差先逐漸減小而后逐漸增加，當隱含層神經元數為15時，預測集均方根誤差達到最小值，訓練集相關系數為0.939 4，均方根誤差為0.784 9，已表現出較好的預測性能。因此，本研究中選取隱含層神經元數為15。

3.1.2 其他參數的確定

1）目標誤差。設定該研究中BP神經網絡的目標誤差為0.01；

2）激活函數。隱含層的激活函數多采用S形函數，輸出層則采用線性函數。隱含層采用正切函數傳遞函數‘tansig，輸出層采用線性傳遞函數‘purelin；

3）學習率。學習率設定為0.05；

4）迭代次數。設定BP神經網絡的迭代次數為1 000次。

圖5為預測模型測試急的預測誤差隨迭代次數的變化。

3.2 預測性能分析

表2列出了切花玫瑰瓶插壽命BP神經網絡預測模型的性能。BP神經網絡預測模型的訓練集相關系數R2=0.939 4，訓練集均方根誤差為RMSEC=0.784 9；預測集相關系數R2=0.850 7，預測集均方根誤差為RMSEP=1.205 1，表明BP模型具有較好的預測性能。圖6為BP模型訓練集和預測集的瓶插壽命預測值與實測值之間的散點圖。訓練集和預測集的瓶插壽命預測值都均勻地分布在45°線兩側，且偏差較小，表明BP網絡模型能較好地預測切花玫瑰的瓶插壽命。

4 結論

本研究利用機器視覺技術結合人工神經網絡建立切花玫瑰瓶插壽預測模型，其預測集相關系數為RP2=0.850 7，預測均方根誤差RMSEP=1.205 1。結果表明，利用采切后玫瑰花的顏色和形狀特征參數預測其瓶插壽命是可行的。

參考文獻：

[1] 謝秋蘭，全亞力，王 靜.貴陽市常見鮮切花種類和市場潛力分析[J].黑龍江農業科學，2014（1）：110-114.

[2] 孫 琦，金時倩，田知理.新型百合花保鮮劑對百合花保鮮效果的影響[J].安徽農業科學，2015，43（36）：135-136.

[3] 劉 剛，王立香，柳兆軍.基于計算機視覺的蘋果質量檢測[J].安徽農業科學，2012，40（8）：5014-5016.

[4] 孫翠霞，方 華，胡 波.大米外觀品質檢測中圖像采集條件的研究[J].安徽農業科學，2010，38（10）：5478-5479.

[5] 李芳繁，蔡玉芬.以機器視覺與類神經網絡分級玫瑰切花之研究[J].農業機械學刊，1997，6（1）：57-59.

[6] 席友亮，李芳繁.以機器視覺分級文心蘭切花之研究[J].農業機械學刊，2001，10（1）：17-30.

[7] 黃國益，林圣泉.蝴蝶蘭大苗選別系統之研制[J].農業機械學刊，2001，10（4）：85-98.

[8] SIMONTON W，PEASE J. Automatic plant feature identification on geranium cuttings using machine vision[J].Transactions of the ASAE，1990，33（6）：2067-2073.

[9] STEINMETZ V，DELWICHE M J，GILES D K.Sorting cut roses with machine vision[J].Transactions of the ASAE，1994，37（4）：1347-1353.

[10] BROSNAN T，SUN D W.PH—postharvest technology：Evaluation of cut lily flower vase life by computer vision[J]. Biosystems Engineering，2002，83（2）：191-198.

[11] BYUNGCHUN I，INAMOTO K，DOI M. A neural network technique to develop a vase life prediction model of cut rose[J].Postharvest Biology and Technology，2009，52（3）：273-278.

[12] 楊 益.基于圖像處理的機械零件幾何尺寸檢測方法研究[D].成都：西華大學，2011.