基于機器人采摘的成熟番茄果實識別及優(yōu)化

何洋洋 蔣正帥 商丘工學(xué)院

引言

采摘機器人的視覺系統(tǒng)是重要環(huán)節(jié)，能否對果實快速準(zhǔn)確的定位是機器人視覺系統(tǒng)中的關(guān)鍵技術(shù)，直接影響到機器人的工作效率和可靠性。在采摘機器人的相關(guān)研究中，識別準(zhǔn)確率嚴重制約著機器人在自然條件下的工作效率，M.Z.Abdullah用線性判別分析識別楊桃正確率為95.3%，油椰子分類識別率為90%，該方法要求所用數(shù)據(jù)集是正態(tài)分布的，而事實上特征空間中的數(shù)據(jù)并不一定符合條件。本文以成熟番茄果實為研究對象，為消除光照影響，根據(jù)光照無關(guān)原理對自然環(huán)境中拍攝的番茄圖像進行關(guān)照無關(guān)化處理，獲得光照無關(guān)圖，通過不通核函數(shù)識別圖片信息，并采用交叉驗證和網(wǎng)格搜索的方法進行支持向量機最優(yōu)模型參數(shù)優(yōu)化。

1 番茄果實圖像光照無關(guān)化處理

試驗所用圖像為自然條件下拍攝的彩色番茄果實圖像。為減少噪聲干擾，采用矢量中值濾波進行圖像增強。由于番茄生長于自然環(huán)境中，光源的方向、拍攝距離和光照強度等均會對番茄果實圖像產(chǎn)生影響，環(huán)境的光照會改變圖像的真實信息，進而影響視覺系統(tǒng)的識別準(zhǔn)確性。為消除光照強度的影響，本文采用圖像單個像素的顏色恒常性算法，對中值濾波后的番茄圖像進行光照無關(guān)處理，獲得番茄光照無關(guān)圖。

2 圖像分割、邊緣檢測和目標(biāo)提取

本文采用最大類間方差(OSTU)法對圖像進行成熟番茄和背景的分割，基于灰度直方圖的自動閾值分割方法，通過選取圖像的任意灰度級t為初始分割閾值計算目標(biāo)與背景之間的方差，遍歷所有灰度級計算方差值，使方差最大的灰度級就是最佳分割閾值。

3 番茄圖像特征提取

在番茄圖片中，成熟番茄果實、枝葉都有特定的形狀，并且差異大，因此番茄的形狀特征明顯，根據(jù)識別理論進行分類識別。物體的幾何形狀具有RST（旋轉(zhuǎn)、比例、平移）不變性的特點，即物體的幾何特征不會因在圖像中的位置、大小和圖像的旋轉(zhuǎn)角度的改變而變化。因此，根據(jù)上述特性，本文結(jié)合番茄圖像的特點，采用圓方差、離散度和伸長度作為形狀特征。

4 番茄圖象識別方法與試驗

4.1 支持向量機原理

支持向量機（SVM）通過結(jié)構(gòu)風(fēng)險最小化準(zhǔn)則（SRM）和核函數(shù)的方法，將待解決的模式識別轉(zhuǎn)化為二次規(guī)劃尋優(yōu)問題。對于線性可分的訓(xùn)練樣本集（xi,yi），可被分類面沒有錯誤地分開。類別間的間隔距離越大，推廣能力越強，使分類間隔距離最大的分類面為最優(yōu)分類面。對于線性不可分問題，需要引入松弛項和錯誤懲罰參數(shù)C。應(yīng)用二次規(guī)劃方法可以求出最優(yōu)分類函數(shù)為：

其中，a*為拉格朗日乘子，b為分類閾值，K（*）為核函數(shù)。

4.2 番茄識別實驗和結(jié)果分析

在白天不同時間、光照條件下，順光逆光不同角度拍攝番茄圖片，實驗拍攝訓(xùn)練照片240張，提取了853個訓(xùn)練樣本，測試圖片110張，提取了477個測試樣本。首先提取目標(biāo)，然后計算顏色特征、形狀特征和紋理特征。識別的準(zhǔn)確率是模型識別效果好壞的重要指標(biāo)，本文定義識別準(zhǔn)確率為：，其中i為正確識別的番茄數(shù)量，N為區(qū)域內(nèi)番茄的數(shù)目。

4.3 參數(shù)優(yōu)化

懲罰參數(shù)C和模型參數(shù)r是RBF核函數(shù)的兩個重要參數(shù)，對于給定的問題，需要對C和r進行參數(shù)優(yōu)化，本文采用交叉驗證（CV）和網(wǎng)格搜索的方法獲取最優(yōu)模型參數(shù)，以實現(xiàn)分類器對番茄較高的識別準(zhǔn)確率。在交叉驗證中，現(xiàn)將訓(xùn)練集分為n個子集，然后將n-1個子集用來訓(xùn)練，剩下的一個用于測試。所有訓(xùn)練集中的每個子集都進行一次測試，數(shù)據(jù)的正確分類百分比就是交叉驗證精度，交叉驗證可以避免過度擬合問題。在網(wǎng)格搜索中，參數(shù)C和r取不同值進行實驗，當(dāng)識別準(zhǔn)確率達到最高時，獲取最優(yōu)參數(shù)值。

本文采用RBF核函數(shù)，對樣本數(shù)據(jù)進行交叉驗證和網(wǎng)格搜索如圖1所示，交叉驗證分類的子集數(shù)目n取不同值時，獲得的C和r也有差異，最終影響測試的準(zhǔn)確率。由圖1知，番茄圖象樣本訓(xùn)練得到模型的最優(yōu)參數(shù)中，當(dāng)子集數(shù)量分別是2個和10個時，最優(yōu)參數(shù)C=1，r=16，最高識別準(zhǔn)確率是96.7575%；當(dāng)子集數(shù)量分別為5個和7個時，最優(yōu)參數(shù)C=4，r=16，而最高識別率是96.8872%。實驗證明，支持向量機可通過交叉驗證和網(wǎng)格搜索的方法進行參數(shù)尋優(yōu)，并且使用優(yōu)化參數(shù)的支持向量機對番茄的識別正確率很高。

圖1 不同N值交叉驗證-網(wǎng)格搜索曲線

5 結(jié)論

本文采用的基于光照無關(guān)圖與支持向量機識別方法，實現(xiàn)了支持向量機的分類識別。采用交叉驗證與網(wǎng)格搜索的方法對使用徑向基核函數(shù)的支持向量機進行參數(shù)優(yōu)化，較好的解決了徑向基核函數(shù)參數(shù)選擇的難題，對于未被識別的番茄，主要原因是番茄與枝葉等其他物體之間的相互遮擋，對這種情況的番茄識別需要更多研究。