基于機器視覺的柑桔苗品種識別方法

文/王孝宇

特約編輯：艾 華

【導讀】本文基于粒子群優化后的支持向量機技術，通過MATLAB R2017b平臺提取柑桔葉片的形態、顏色、紋理等8個特征參數，建立了可以對大雅柑、愛媛38號和晚熟血橙進行分類的模型。該模型的識別準確率為93.33%，預測一份樣本的時間約為0.514 s。試驗結果表明，該模型能夠快速準確地對各類柑桔葉片進行分類，為柑桔分類機的研究提供了決策依據。

我國是柑桔的重要原產地之一，柑桔資源豐富，優良品種繁多，柑桔味甘酸、性涼，入肺、胃經；具有順氣、止咳、健胃、化痰、消腫、止痛、疏肝理氣等多種功效，所以是很好的中藥材[1-2]。不同柑桔品種由于受遺傳特征影響，生長期間的外觀形狀也有差異。傳統的柑桔品種識別方法是借助植株顏色和紋理等外觀特征進行判斷，勞動強度大，長時間的識別容易產生視覺疲勞，很難滿足快速識別的要求[3]。因此，利用圖像處理技術快速準確識別不同柑桔品種的方法成為最新的研究方向。

圖像處理技術已廣泛應用于植物生產管理和品種識別中，如田間雜草識別[4-5]、病蟲害識別[6-7]、葡萄品種識別[8-9]、柑桔質量檢測與分級[10]等。基于柑桔植株的特征提取來識別柑桔品種的研究未見報道。由于柑桔葉片中包含大量用來區分不同品種的外觀特征信息，且存活時間長，易于采集[11]。本研究在柑桔基地隨機采集了3個品種的葉片，每個品種分別采集50片葉片，隨機選取30片葉作為研究對象。以電腦、相機、光源等搭建硬件采集系統，分別對每張柑桔葉片進行圖像采集。然后基于MATLAB R2017b平臺提取顏色、紋理共8個特征參數，利用粒子群優化算法的支持向量機建立模型進行品種識別，并對識別結果進行分析。

1 材料與方法

1.1 供試材料 在某柑桔苗基地隨機采集采用常規方法栽培的3個品種的柑桔苗葉片，1#品種大雅柑、2#品種愛媛38號、3#品種晚熟血橙。采集時間為2018年4月25日。

1.2 圖像采集 每個品種分別采集30張圖片(見圖1)。在特制的有燈光的密閉箱體中，用相機拍攝葉片。燈箱的規格（長×寬×高）為30 cm×15 cm×25 cm。箱體用黑色棉布遮擋，防止外界光線干擾；箱體中部偏下放置4 mm的雙面毛玻璃載物臺；箱體底部的照明光源為4只30 W的日光燈管，頂部固定相機。一共采集90幅圖片，按照1∶4的比例，隨機選擇4份作為訓練集，1份作為預測集。本研究硬件實驗環境為：Win7專業版64位操作系統，惠普i5處理器，CPU為3.10GHz，6G運行內存。圖片的格式為JPG。軟件環境為MATLAB R2017b。采集圖像的硬件系統如圖2。

1.3 特征提取 利用MATLAB軟件平臺分別提取了葉片顏色、紋理等8個外觀特征（見表1）。將提取的特征寫入MAT文件中。

圖1 柑桔苗葉片圖像

1.4 支持向量機（SVM）由Vapnik與其領導的貝爾實驗室研究小組根據統計學理論中的結構風險最小化原則提出，它是一種新的機器學習技術，可用于模式分類和非線性回歸[12]，其主要思想是建立一個分類超平面作為決策曲面，使得正例和反例的隔離邊緣被最大化[13-14]。支持向量機最大優勢是在小樣本情況下，也能得到識別效果。

1.5 粒子群優化算法（PSO）的支持向量機。粒子群優化算法是由美國社會心理學家James Kennedy和電工程學博士Russell Eberhart于1995年共同提出的，它是通過群體中粒子間的合作與競爭產生的群體智能指導優化搜索[12]。在實際應用中，為了獲取精確度更高的SVM分類器，則需要對SVM建模的各個參數進行優化調整。本文利用PSO算法，針對SVM建模過程的參數取值進行優化調整，獲得較為精確、分類效果較好的分類器。基于粒子群優化算法的支持向量機實現步驟[15-17]如下：

（1）首先從獲取樣本向量集中篩選出支持向量構成樣本訓練集Y。

（2）利用樣本訓練集Y中的每個支持向量可以獲得一組SVM分類器的參數組成一個粒子，從而組建粒子種群X。

（3）初始化獲得粒子種群X和速度，包括設定粒子群的初始參數c1,c2,初始速度矩陣V以及每個初始粒子個體最優位置pi和全局最優位置pg。

（4）選取函數作為粒子群的適應度函數，對粒子群中各個粒子的適應度定標。

圖2 采集圖像的硬件系統

表1 軟件提取的柑桔葉片特征

（5）根據所獲得粒子的適應度函數值調整粒子個體最優位置pi和全局最優位置pg。

（6）根據前述（1）（2）對粒子的狀態進行更新，從而獲得一組新的SVM分類器的參數。

（7）當迭代次數達到所要求的最大迭代次數或獲得滿足要求的粒子適應函數值時，終止迭代，輸出最優解，否則返回第（4）步繼續運算，直到達到最大迭代的次數或獲得滿足要求的粒子適應值為止。

2 結果與分析

2.1 支持向量機。對測試集的90份柑桔葉片樣本進行測試，預測的結果如圖3。建立的模型可以百分之百地準確預測出大雅柑 （類別標簽為“1”）和愛媛38號（類別標簽為“2”）。但是該模型幾乎無法區分愛媛38號和晚熟血橙 （類別標簽為“3”），只能準確地預測出2份晚熟血橙，而將剩下的8份樣本都預測成了愛媛38號。因此，該模型不太實用。

2.2 粒子群算法優化后的支持向量機。由于僅僅基于支持向量機技術不能很好地預測柑桔葉片樣本的種類。因此考慮通過粒子群算法優化支持向量機的參數后，建立模型。粒子群算法優化支持向量機參數的進化曲線如圖4。粒子群進化曲線中最佳適應度在93%附近，各代平均適應度在70%附近上下波動，各代最佳適應度在最佳適應度和各代平均適應度之間波動，主要靠近最佳適應度。

粒子群優化算法優化支持向量機后，建立的模型預測結果如圖5。該模型能夠百分之百準確地識別出大雅柑。將1份愛媛38號樣本錯誤地預測為晚熟血橙，將1份晚熟血橙樣本錯誤地預測為愛媛38號。該模型的準確率為93.33%，預測一份樣本的時間約為0.514 s。本文針對傳統的支持向量分類器和粒子群優化的支持向量機分類器做了對比分析（見表2）。實驗結果表明，粒子群優化的模型能快速準確地區分3類柑桔葉片樣本，可應用于實際中。

3 討論

本研究在柑桔基地隨機采集了3個品種的葉片，基于MATLAB R2017b平臺提取顏色、紋理等8個特征參數，利用本文提出的粒子群優化后的支持向量機技術，建立了可以對大雅柑、愛媛38號和晚熟血橙進行分類的模型。該模型的準確率為93.33%，預測一份樣本的時間約為0.514 s。結果表明，該模型能夠快速準確地對各類柑桔葉片進行分類，為柑桔分類機的研究提供了決策依據。本文使用的樣本較少，共90份。在今后的研究中如果增加樣本，可能會提高模型的準確率。本文只對大雅柑、愛媛38號和晚熟血橙這3類樣本的分類進行了試驗，在今后的研究中，如果增加柑桔葉片樣本的種類，更能擴大它的應用范圍。

圖3 基于SVM建立模型的柑桔品種預測結果

圖4 粒子群進化曲線

圖5 基于PSO優化SVM建立模型的柑桔品種預測結果

表2 兩種算法對比

[1] 趙祖華，華琦孜，李陶桂，等.廣西全州縣柑橘種植的氣候適宜性分析及區劃[J].安徽農業科學.2013,41（35）：13496-13497

[2] 張雯娟，張正桂，劉永忠，等.3種常見草種對桔園雜草控制能力及對柑桔根系分布的影響[J].中國南方果樹，2018,47（1）：22-24，29

[3] 莊珍珍，祝詩平，孫雪劍，等．基于機器視覺的煙葉自動分組方法[J]．西南師范大學學報（自然科學版），2016，41(4)：122-129

[4] 紀壽文，王榮本，陳佳娟，等.應用計算機圖像處理技術識別玉米苗期田間雜草的研究[J].農業工程學報，2001,17（2）:154-156

[5] 劉振恒.應用圖像處理技術識別田間雜草方法的研究[D].哈爾濱：東北農業大學，2004

[6] 陳 麗，王蘭英.概率神經網絡在玉米葉部病害識別中的應用[J].農機化研究，2011,33（6）:145-148

[7] 汪京京，張 武，劉連忠，等.農作物病蟲害圖像識別技術的研究綜述 [J].計算機工程與科學，2014,36（7）：1363-1370

[8] 孫宏杰.基于葉片圖像分析的葡萄品種識別方法研究[D].楊凌：西北農林科技大學，2014

[9] 宋 真，蔡 騁，顏永豐.基于葉片形態特征的葡萄品種自動識別[J].計算機仿真，2012,29（3）：307-310

[10] 敖 勤，徐桂珍.一種基于機器視覺的柑橘表面質量檢測方法[J].科技傳播，2014（4）：141-142

[11] 鄧立苗，馬文杰.基于支持向量機的玉米葉片品種識別[J].江蘇農業科學，2014，42（6）：372-374

[12] 張 艷.基于粒子群優化支持向量機的變壓器故障診斷和預測[D].成都：西華大學，2011

[13]MATLAB中文論壇.MATLAB神經網絡30個案例分析[M].北京：北京航空航天大學出版社，2010：4

[14]AdelAbusitta,MartineBellaiche,MichelDagenais.AnSVM-based framework fordetecting DoS attacks invirtualized clouds under changing environment[J].Journal of Cloud Computing:Advances,SystemsandApplications,2018,7:9

[15] HOUShourong,ZHOUYujie,LIUHongming,etal.ExploitingSupport Vector Machine Algorithm to Break the Secret Key[J].RADIOENGINEERING,2018,27(1):289-298

[16] 谷文成，柴寶仁，滕艷平.基于粒子群優化算法的支持向量機研究[J].北京理工大學學報，2014,34（7）：705-709

[17] 潘 泓，李曉兵，金立左，等.一種基于二值粒子群優化和支持向量機的目標檢測算法 [J].電子與信息學報，2011,33（1）:117-121