基于LBP 與SVM 的馬鈴薯芽眼識別

張金敏,楊添璽

蘭州交通大學,甘肅 蘭州 730070

馬鈴薯具有營養價值高、適應力強、產量大等優點，是全球第三大重要的糧食作物。農業生產中使用種薯塊莖進行種植，根據芽眼對塊莖切塊，促進塊莖內外氧氣交換，破除休眠，經過切塊催芽使植株發芽率大大提高。通過查閱資料及實地勘察發現，目前馬鈴薯種植機械化生產水平有了明顯的提高，走“機械殘膜撿拾—機械深松、旋耕整地—機械鋪膜半膜壟作植物—機械培土中耕—機械統防統治—機械開挖收獲（連同地膜一同回收）”的馬鈴薯機械化生產路子[1]。在種植過程中，往往為了節省成本及高出苗率，種薯需要根據芽眼進行切塊，這一環節由人工進行。

芽眼識別是種薯智能切塊的先決條件，現有研究多是基于機器視覺對馬鈴薯進行質量檢測，NOORDAM[2]設計了馬鈴薯檢測分級的機器視覺系統，每秒可以處理50 張圖像；汪成龍[3]等研究了優于傳統算法的在復雜圖像背景中分割出馬鈴薯區域的分割算法；孔彥龍[4]等提取馬鈴薯俯視圖面積和側視圖周長參數，通過線性回歸分析建立了馬鈴薯的質量監測模型，實現了馬鈴薯質量分選；周竹[5]等提出最小外接柱體對馬鈴薯立體信息進行描述；赫敏[6]將馬鈴薯自然放置后從頂部拍攝俯視圖像，再旋轉90°拍攝側面圖像，根據這兩張圖像建立了馬鈴薯單薯質量線性回歸分析預測模型；ZHOU[7]等將普通平面鏡之間的夾角設置為65°的V 型置于馬鈴薯兩邊，攝像頭可以一次獲得馬鈴薯的三面投影，進而對馬鈴薯質量進行估計，給出質量預測模型。當前對于芽眼識別的研究較少，邢作常[8]等提出根據種薯質心和薯芽質心的質心連線對種薯切塊，對基于機器視覺的種薯自動切塊機進行設計。田海韜[9]結合彩色空間及灰度空間對馬鈴薯芽眼進行了識別，得到了較好地效果。

基于上文分析，本文提出使用局部二值模式(Local Binary Patterns,LBP)結合支持向量機(Support Vector Machine,SVM)對馬鈴薯芽眼進行識別。具體操作如下：首先應用攝像頭采集不同種薯圖像，接著將預先采集的圖像預處理后，使用LBP 提取特征，最終由SVM 訓練、測試，對種薯芽眼進行識別，經實驗分析可得，識別率達到了預期水平，為后續種薯智能切塊機的設計提供了先決條件。

1 材料與方法

1.1 實驗材料

實驗采用32 W，6500 K 色溫環形燈管作為補償光源，選取工業相機（WP-UC500）進行圖像采集，當前基于機器視覺對馬鈴薯質量的識別多是針對如圖1（a）、1（b）較為新鮮種薯進行識別，本實驗增加對如圖1（c）、1（d）較為陳舊種薯的識別工作。

圖1 部分種薯采集圖像Fig.1 Image of partial potato collection

獲取圖1 所示的四張圖像，圖(a)、圖(b)是新鮮種薯，圖(c)、圖(d)是時間較長的種薯。

1.2 實驗步驟

研究前對種薯芽眼進行觀察及分析。如圖1 所示，不同時期的種薯芽眼大小、深淺、顏色是有顯著差異的；非芽眼區域的顏色紋理特征也有很大的不同，基于此擬采用LBP 與SVM 對種薯芽眼進行識別；芽眼識別分為訓練階段和識別階段，訓練階段進行樣本收集、特征提取、訓練分類等步驟，最終得到訓練參數。樣本收集包含了對種薯芽眼部位及非芽眼部位的收集；定位階段主要包括加載參數、灰度圖像預處理、多尺度滑動窗口掃描、候選窗口合并等步驟。種薯芽眼識別流程如圖2 所示，在進行圖像分割后需要分別對種薯芽眼和非芽眼區域進行LBP 特征提取。

圖2 馬鈴薯芽眼識別流程圖Fig.2 Flowchart of potato bud eye recognition

1.3 中值濾波處理

在圖像采集過程中難免有噪聲干擾，需要進行去噪處理。常見的去噪方法有均值濾波、中值濾波和高斯濾波，因為中值濾波較其他兩種濾波方法能夠對圖像邊界進行更很好地保護，保持圖像的清晰度，因此本實驗選取中值濾波對種薯圖像進行預處理。

1.4 OTSU 分割

在對圖像進行濾波處理后把種薯從背景中分離出來，本文采用大津法（OTSU 法）基本原理：所選取的分割閾值使得目標及背景的灰度分布方差越大，就會得到越好分割效果。目標與背景灰度分布方差公式如下：g=θ1(μ1-μ)2+θ2(μ2-μ)2(1)

式（1）中θ1表示目標區域與整個圖像面積的比例，μ1則表示目標區域平均灰度值，θ2表示背景區域與整個圖像面積的比例，μ2則為背景區域平均灰度值。分割閾值設為e，從最小灰度值0 到最大灰度值255，使得g取最大值，e則為最佳閾值。

1.5 LBP

LBP 最早是作為一種有效的紋理描述算子提出的，因其對圖像局部紋理特征的卓越描繪能力而獲得了十分廣泛的應用。LBP 特征具有很強的分類能力（Highly Discriminative）、較高的計算效率并且對于單調的灰度變化具有不變性[9]。

LBP 基本原理是將一個像素視為中心點，它的值以該點與其鄰域3×3 像素的相對灰度值作為響應，通過比對周圍鄰域的像素點值計算得到。最原始的LBP 計算公式描述如下：

其中，gc表示該中心點像素的灰度值，gi表示該點鄰域像素點的灰度值。P代表總的鄰域像素點的個數，R表示鄰域的半徑。通過該中心像素點和其鄰域像素的歐氏距離計算得到。

1.6 SVM 分類器

SVM 是在統計學習理論的基礎上發展起來的新一代學習算法，它在文本分類、手寫識別、圖像分類、生物信息學等領域中獲得較好的應用。相比于容易過度擬合訓練樣本的人工神經網絡，支持向量機對于未見過的測試樣本具有更好的推廣能力（Generalization Ability）[11]。其基本原理是將低維空間的數據樣本映射到高維空間中，使得數據樣本線性可分，進而對邊界進行線性劃分，圖4 為SVM 線性劃分的基本原理。

圖3 基本LBP 算子Fig.3 Basic LBP operator

圖4 SVM 分類原理圖Fig.4 SVM classification schematic diagram

通過對（4）中的每一個約束條件乘上一個拉格朗日乘數αi，可將此條件極值問題轉化為下面的

通過數學方法可得：

此時的約束條件為：αi≥ 0并且

通過優化技術對α求解之后，最大余地地分割超平面的參數。

根據優化解的性質，解α必須滿足

求出各個系數對應的最優解后，得到如下最優分類函數：

2 結果分析

2.1 圖像預處理

首先選取中值濾波，對圖像進行處理，處理結果如圖5-a-d，可以看出中值濾波對種薯的邊界有很好的保護；OTSU 分割結果如圖5-e-h，再分別對圖像做“或”運算，得出如圖5-i-l 所示的種薯區域。

圖5 種薯圖像的分割Fig.5 Segmentation of seed potato image

2.2 LBP 直方圖

實驗對新種薯及舊種薯進行芽眼識別，分別對兩種種薯的芽眼和非芽眼部位LBP 特征進行提取。

圖6 種薯表面圖像樣本的LBP 頻譜Fig.6 LBP spectrum of seed potato surface image sample

在種植過程中，規?；N植所采用的種薯都是專門培育，而普通小規模種植都是由前一年收獲的馬鈴薯作為種薯，因此分別對新舊種薯芽眼進行識別。圖6 是新舊種薯芽眼、非芽眼表面圖像以及LBP 頻譜，通過對比圖6 當中的（a）、（b）、（c）及（d），芽眼的頻譜幅值普遍較高，分布不均勻；而非芽眼部位的頻譜幅值較低，分布較為均勻；在對新舊種薯芽眼頻譜進行比較時會發現有一定差異，新種薯芽眼頻譜分布不均勻而舊種薯的芽眼頻譜較為均勻；新舊種薯非芽眼部位頻譜則都比較均勻，相比之下，舊種薯非芽眼部位的幅值較高。

3 結論

為了驗證LBP 結合SVM 對種薯芽眼識別的可靠性，通過采集大量種薯圖片進行試驗。實驗環境為：Windows 操作系統和Matlab2014a 操作平臺。

圖7 檢測結果圖Fig.7 Test result diagram

表1 種薯芽眼識別率Table 1 Eye recognition rate of seed potato bud

當下基于機器視覺的馬鈴薯檢測多是對馬鈴薯質量進行分級，而本文則是對種薯芽眼進行識別，相較于前文優點在于：一方面所用方法使得新種薯芽眼識別率達到97.61%，舊種薯芽眼識別率達到97.05%，綜合識別率97.33%，相比于田海韜[9]96%的識別率，提高1.33 個百分點；另一方面增加對不同時間段的新舊種薯進行研究，拓寬了可識別種薯的范圍，使得應用更為廣泛，為種薯智能切塊機的設計奠定基礎。