基于改進粒子群算法的蘋果表面缺陷檢測

程 磊CHENG Lei

(黃淮學院機械與能源工程學院，河南 駐馬店 463000)

在蘋果的生長、運輸、貯存過程中，由于受到外界環境以及自身因素等各方面的影響，蘋果表面會出現如孔洞、病蟲、黑點、壓傷、刺傷、裂果等各類缺陷，將會嚴重影響蘋果的質量和后期的經濟效果[1-2]，僅靠人工在高速運行的生產線上直接進行檢測無法滿足市場需求。

閾值算法(Threshold Algorithm, TA)是比較簡單的智能化蘋果檢測方法。通過閾值將蘋果圖像缺陷目標和背景劃分為不同部分進行分割[3]，但是閾值的選擇由于涉及到圖像整體灰度以及像素性質，對對比度特別高、特別低的蘋果圖像檢測效果差。數學形態算法(Mathematical Morphology Algorithm, MMA)通過腐蝕運算檢測出蘋果邊緣[4]，但對蘋果圖像中的噪聲較敏感，容易把噪聲檢測為蘋果邊緣點。Prewitt算法對灰度漸變的蘋果圖像處理效果較好[5]，但對灰度幅值較小的邊緣點檢測存在斷開現象。Roberts算法對邊緣的定位比較精確[6]，但對灰度階躍較小的蘋果缺陷目標邊緣定位較弱。

上述文獻表明，通過智能算法可提高缺陷的識別效果。但由于大多缺陷果存在多個缺陷，分割閾值不易選擇。粒子群具有實現容易、精度高、收斂快等優點，但在搜索后期很容易陷入早熟狀態，對粒子群改進可以避免早熟狀態發生。

本研究采用基于改進粒子群算法(Improved Particle swarm optimization，IPSO)對蘋果表面缺陷進行檢測。通過粒子群體適應值方差判斷算法粒子群是否陷入早熟收斂，對粒子權重自適應控制，反余弦策略調整加速因子，然后對缺陷分割閾值進行取優，以獲得最佳檢測結果。

1 改進粒子群算法思想

1.1 基本粒子群算法

(1)

式中：

ω——粒子的權重；

c1、c2——粒子的加速因子；

參數r1∈[0,1]、r2∈[0,1]。

1.2 改進粒子群算法過程

在粒子群搜索過程中，粒子在相對穩定狀態下搜索速度較慢，全局最優點位置變化很小，這樣在搜索后期很容易陷入早熟狀態，如果不加以改進，粒子難以逃逸局部極小點。

1.2.1 粒子早熟狀態判斷機制 適應值函數用來評價粒子個體的好壞[8]，引導粒子群算法在解空間的搜索方向，計算公式為：

(2)

式中：

m——缺陷目標像素點周圍的參考數，m≤8；

(x,y)——缺陷目標像素點坐標；

(xh,yh)——第h個參考節點坐標。

通過粒子的群體適應值方差σ2判斷算法粒子群是否陷入早熟收斂的標志:

(3)

式中：

n——粒子總數目；

fi——第i個粒子的適應值；

favg——粒子當前的平均適應值；

f=max{1,max[|fi-favg|]}。

1.2.2 自適應ω控制ω決定了過去速度對當前速度影響的程度，較大ω能夠拓寬粒子搜索范圍，提高搜索全局性能，但得到精確解較難；較小ω使得局部搜索能力增強，雖然獲得精確解，但是消耗時間較多[9]，因此通過自適應ω控制起到兼顧全局和局部搜索的作用。

(4)

對每個粒子當前代中的權重ω更新為ω′：

ω′=κ×ω×ζ。

(5)

當ωt,max=ωt,min，則：

(6)

式中：

xtmax、xtmin——更新邊界的極值；

vtmax、vtmin——更新的速度最大值和最小值；

ζ——調整因子；

ω0——粒子i的權重初值；

ω′——粒子i的當前權重；

tmax——最大迭代次數。

這樣在粒子進行局部最優搜索時，如果粒子搜索到局部最優值，則對粒子當前位置和速度進行更新，從而促進了粒子對全局最優值搜索的能力，提高了搜索精度。

1.2.3 反余弦策略調整加速因子 加速因子c1影響粒子所記憶最好位置對自身個體飛行的程度，c2影響整個粒子群所記憶最好位置對群體飛行的程度[10]。采用反余弦策略來調整加速因子，在群體迭代前期設置比較小的c1、c2值，讓粒子能夠以較快速度進入局部搜索，后期通過設置較大的c2值，保持粒子群的多樣性，擴大搜索空間，反余弦策略調整加速因子過程為：

(7)

2 檢測模型建立

2.1 蘋果缺陷區域選擇

輸入蘋果圖像，中值濾波后，采用形態學腐蝕運算獲取蘋果缺陷區域[11]，結構元素選取3 mm × 3 mm黑點塊，腐蝕圖像將使物體的邊界沿周邊減少一個像素，令A為圖像，B為結構元素，Bz為B平移z個距離后的結果，B′為B關于圖像中心點的對稱集合：

B′={-b;b∈B}。

(8)

則腐蝕運算的定義：

AΘB′={Z;Bz?A}。

(9)

數學形態學提取邊界的算子：

ED(A)=A-(AΘE)，

(10)

式中：

E——3 mm×3 mm的結構元素；

ED(A)——圖像A的邊界。

獲取腐蝕圖像后再用原圖像減去腐蝕圖像即可獲得缺陷區域。

2.2 蘋果缺陷邊緣定位

通過邊緣定位獲得目標區域的精確位置[12]，計算公式：

(11)

式中：

xm、ym——目標質心坐標；

xl、yl——第l個像素的坐標；

m——缺陷邊緣周圍像素的總數，為計算方便，選取8方向像素點即m=8。

2.3 蘋果缺陷區域分割閾值選取

設大小為M×N的圖像中像素點(m,n)的灰度級為f(m,n)，g(m,n)為8方向鄰域的平均灰度級[13]。用(a,s)表示二元對{f(m,n),g(m,n)}，a,s=0,1,…,L-1,其中r(a,s)為(a,s)出現的概率，L為圖像的灰度級，則f(m,n)和g(m,n)的聯合概率為：

(12)

分割前后圖像信息的差異通過非對稱Tsallis交叉熵Df=[DaDs]表示，Da和Ds分別為分割前后圖像在a方向和s方向上的交叉熵，在閾值為t′時的交叉熵分割準則函數：

ξ′(t′)=P0(t′)μ0(t′)logμ0(t′)+P1(t′)μ1(t′)logμ1(t′)，

(13)

式中：

P0(t′)、P1(t′)——原圖像在閾值為t′時缺陷目標、圖像背景的先驗概率，

μ0(t′)、μ1(t′)——原圖像在閾值為t′時缺陷目標、圖像背景的灰度均值。

對于8方向鄰域平均圖像，在閾值為t″時的交叉熵分割準則函數：

ξ′(t″)=P0(t″)μ0(t″)logμ0(t″)+P1(t″)μ1(t″)logμ1(t″)，

(14)

式中：

P0(t″)、P1(t″)——8方向鄰域平均圖像在閾值為t″時缺陷目標、圖像背景的先驗概率；

μ0(t″)、μ1(t″)——8方向鄰域平均圖像在閾值為t″時缺陷目標、圖像背景的灰度均值。

(t′,t″)=argmin[Da+Ds],

(15)

其中：0≤a,S≤L-1。

經過分割，原圖像變成二值圖像，然后對二值圖像輪廓提取算法，如果原圖中有一點為黑，且它的8個相鄰點都是黑色時，判定該點是圖像的內部點，將該點標記刪除。

算法流程：

① 粒子群隨機初始化，設置粒子的位置和速度；

② 進行自適應ω控制和調整加速因子操作，更新粒子的位置和速度，計算新一代的粒子群中每個粒子的適應值；

④ 若達到設定的最大迭代次數或Da與Ds之和達到最小值，則停止迭代，進行步驟⑤，否則跳轉到步驟②；

⑤ 將得到的最優解作為最優分割閾值。

3 試驗仿真

采用Matlab仿真，設定初始參數：粒子數為160，ω最大為0.9，最小為0.01，迭代最大次數為100，c1最大為1.5，最小為0.04，c2最大為2，最小為0.5，參數r1=0.9、r2=0.5，調整因子ζ為0.98，以Matlab 7.0為試驗仿真平臺。

3.1 缺陷檢測分析

對具有缺陷的蘋果進行不同算法對比檢測分析，缺陷類型包括：孔洞、病蟲、黑點、裂果，算法包括：TA、MMA、Prewitt、Roberts、IPSO，見圖1。

從圖1的對比試驗中可以看出，本研究算法可以很好地識別出孔洞、病蟲、黑點、裂果缺陷，檢測出的缺陷輪廓較為清晰，缺陷邊緣能夠得到較好的保護，且不受噪聲干擾。其他算法檢測效果差，不能正確識別出缺陷輪廓邊緣，檢測結果受到了噪聲的影響，因此會檢測出很多噪聲點的邊緣，沒有區分缺陷區域和背景。

3.2 定性分析

3.2.1 漏檢率測試 為了評價本系統的檢測效果，通過漏檢率測試指標進行分析，漏檢率按式(16)計算：

(16)

式中：

圖1 蘋果表面缺陷檢測分析Figure 1 Detection and analysis of apple surface defects

η——漏檢率，%；

U1——未能正確檢出的蘋果個數；

U2——總蘋果數。

數據樣本：孔洞蘋果數量為1 086個、病蟲蘋果數量為1 046個、黑點蘋果數量為981個、裂果蘋果數量為1 165個，漏檢率測試對比仿真試驗見圖2。

從圖2可以看出，本研究算法對孔洞、病蟲、黑點、裂果缺陷檢測的漏檢率最小，有助于缺陷蘋果識別率的提高。

3.2.2 檢測時間分析 對圖2中各種算法能夠完成各自漏檢率所消耗時間分析，其結果見圖3。

圖2 漏檢率測試對比仿真試驗結果Figure 2 Missing rate test contrast simulation results

圖3 各種算法能夠完成漏檢率所消耗時間Figure 3 Complete the time consuming of missing detection rate

從圖3可以看出，本算法完成各種漏檢率所消耗的時間最少，能夠解決蘋果檢測數據處理量大和檢測實時性之間的矛盾。

4 結論

(1) 針對基于智能算法蘋果表面缺陷識別過程中存在的問題，本試驗提出一種基于改進粒子群算法的蘋果表面缺陷識別方法。通過缺陷區域選擇、定位、閾值分割，然后用改進粒子群算法獲得最優分割閾值。試驗結果表明，能夠識別各種缺陷，漏檢率較低，說明該方法在缺陷蘋果識別中十分有效。

(2) 在蘋果表面缺陷的分割圖像中，存在多個分割閾值，采用改進粒子群算法能夠計算出最優分割閾值，避免了非最優分割閾值的存在，大大地提高了識別結果。

(3) 本試驗只是針對蘋果表面缺陷進行檢測，并未對缺陷作進一步分類，這將是今后研究的一個方向。

[1] 程榮花, 馬飛, 石夢. 基于顏色特征的蘋果表面質量檢測系統設計與實現[J]. 遼寧農業科學, 2014(3): 22-24.

[2] 李麗娜, 趙武奇, 曾祥源. 蘋果的質構與感官評定相關性研究[J]. 食品與機械, 2017, 33(6): 37-41.

[3] 項輝宇, 薛真, 冷崇杰, 等. 基于Halcon的蘋果品質視覺檢測試驗研究[J]. 食品與機械, 2016, 32(10): 123-126.

[4] 劉燕妮, 張貴倉, 安靜. 基于數學形態學的雙直方圖均衡化圖像增強算法[J]. 計算機工程, 2016, 42(1): 215-219.

[5] 唐偉偉, 陸海林, 葛俊祥. 基于Prewitt算子的抗雷達同頻干擾法設計與FPGA實現[J]. 科學技術與工程, 2015, 15(27): 42-47.

[6] 文永革, 何紅洲, 李海洋. 一種改進的Roberts和灰色關聯分析的邊緣檢測算法[J]. 圖學學報, 2014, 34(4): 637-641.

[7] 陳漢武, 朱建鋒, 阮越, 等. 帶交叉算子的量子粒子群優化算法[J]. 東南大學學報: 自然科學版, 2016, 46(1): 23-29.

[8] 王飛. 帶時間窗車輛調度問題的改進粒子群算法[J]. 計算機工程與應用, 2014, 50(6): 226-229.

[9] 楊進, 高飛, 馬良. 基于改進并行粒子群算法的彩色圖像匹配[J]. 計算機應用研究, 2015, 33(10): 35-42.

[10] 白曉波, 吉曉民, 胡月. 多工況條件下滾針軸承的改進粒子群優化方法[J]. 計算機輔助設計與圖形學學報, 2014, 26(10): 1 900-1 908.

[11] 張聰, 湯偉. 基于粒子群優化算法與形態學的紙病圖像檢測方法[J]. 造紙科學與技術, 2014, 33(2): 60-64.

[12] 劉慧忠, 湯偉. 基于FPGA的紙病檢測預處理算法的實現[J]. 中國造紙學報, 2014, 29(1): 53-57.

[13] 吳一全, 王凱, 曹鵬祥. 蜂群優化的二維非對稱Tsallis交叉熵圖像閾值選取[J]. 智能系統學報, 2015, 10(1): 103-112.