基于支持向量機的無核白葡萄串分級系統設計與測試

李澤平 郭俊先 郭 陽 李雪蓮 張亮亮 黃 華

(1.新疆農業大學機電工程學院，新疆 烏魯木齊 830052；2.新疆農業大學數理學院，新疆 烏魯木齊 830052)

無核白葡萄作為新疆吐魯番地區的主栽品種，在農業經濟發展中占重要地位[1]。長期以來，無核白葡萄上市前品質等級主要依靠人工檢測和分級，速度慢、效率低且主觀性強，偏差較大，不利于其精確有效的分級[2-3]。隨著計算機技術的快速發展，機器視覺技術在農產品檢測中的應用越來越廣泛，徐瑩瑩[4]運用圖像處理方法預處理甜瓜圖像，采用角點提取判斷瓜蒂區，并通過大津算法分割不同區域，建立了支持向量機模式識別算法，其識別準確率達92.2%。Peng等[5]以蘋果、香蕉、柑橘、梨、楊桃和火龍果為研究對象，采用機器視覺技術進行分類。汪威等[6]提出了一種基于機器視覺的去柄鮮香菇智能分級方法，并設計了一套自動分級系統。因此，機器視覺技術在農產品檢測方面技術相對成熟，同時也是葡萄外部品質檢測的有效手段。

目前，國內外相關學者主要依據葡萄果粒大小的識別和顏色分級葡萄。羅陸鋒等[7]提出了一種基于輪廓分析的雙串疊貼葡萄目標識別方法。李俊偉等[8]運用機器視覺技術，預測與分級新疆無核白、紅提單粒葡萄的質量和果徑大小，預測決定系數分別達0.980，0.945，準確度達85%以上。肖壯等[9]采用梯度分割法有效地截取果粒輪廓并去除邊緣輪廓中的干擾弧段，利用隨機最小二乘橢圓檢測的方法提取果粒尺寸，實現了對整串紅提的分級，分級正確率為90.48%。Li等[10]利用邊緣檢測對紅提輪廓完成兩次分割，最終分級準確率為90%。陳英等[11]設計了一套基于計算機視覺的葡萄檢測分級系統，采用投影面積法和果軸方向投影曲線計算果穗大小和形狀參數，其準確率分別為90.0%，88.3%。以上研究均只針對單粒葡萄的某些特征不能代表整串果粒，隨機性太大，正確率不高；或者只是單獨地進行顏色分級和大小形狀分級試驗，未將顏色特征和大小形狀特征綜合考量。

文章擬采用機器視覺與圖像技術，通過圖像處理技術完成圖像預處理及二值化操作，提取無核白葡萄串分級特征，通過支持向量機算法實現無核白葡萄串分級；并設計實現人機交互界面與分級算法模塊，以期實現對整串無核白葡萄進行檢測分級，旨在為鮮葡萄檢測分級提供依據。

1 無核白葡萄串分級系統

1.1 分級系統組成

無核白葡萄串分級系統分為硬件和軟件兩部分，硬件部分完成數據采集工作，由無核白葡萄串圖像采集系統組成(圖1)。

1.光源控制器 2.LED光源 3.鋁型材框架 4.鏡頭 5.攝像機 6.電腦 7.圖像采集卡(內置主機箱中)

自制的采集平臺外形尺寸為48 cm×43 cm×170 cm。用黑色幕布將整個平臺全部遮擋，圖像采集系統包括相機(丹麥JAI公司AT-200CL型3CCD面陣攝像機)、鏡頭(日本NIKON公司LM35CLS型鏡頭)以及圖像采集卡、光源、計算機等硬件組成。

軟件部分完成數據分析和處理工作，由python語言開發，采用Tkinter圖形界面模塊主要可以完成圖像輸入、預處理、二值化、圖像分級以及參數輸出等功能。其中圖像處理部分調用OpenCV圖形圖像處理函數庫完成。

軟件開發環境為Windows10系統；CPU主頻:3.0 GHz 及以上；內存頻率:1 333 MHz；內存容量:8 GB；Python2.7；Pycharm 2017；OpenCV3.3；Tkinter框架等。軟件設計流程圖如圖2所示。

圖2 軟件設計流程圖

1.2 分級樣本

選用烏魯木齊市北園春市場所售無核白鮮葡萄共100串，于1 ℃冰柜冷藏。參照無核白葡萄國家標準GB/T 19970—2005和行業標準NY/T 704—2003，將無核白葡萄串主要分為3個等級：優等品、一等品和二等品(見表1)。結合機器視覺系統的特點，確定無核白葡萄串的分級主要通過顏色、果形等完成。分級過程中，為使無核白葡萄串分級更有意義，對表面無明顯缺陷或無明顯破損的無核白葡萄串樣本進行分級。

表1 無核白葡萄串分級要求

1.3 尺寸標定

為了更準確地分級無核白葡萄串，實現采集圖像的像素尺寸與無核白葡萄串的真實尺寸之間的轉換，需要尺寸標定。尺寸標定時，在與被測樣品相同的條件下，使用有標準刻度的測量尺，通過圖像處理技術獲得圖像的標準長度和相應長度所覆蓋的像素數，從而獲得與像素系數相對應的真實長度。

2 圖像處理分析及特征參數提取

2.1 圖像預處理

利用硬件部分的圖像采集系統完成對無核白葡萄串圖像獲取后，需對原始圖像進行圖像預處理，以消除圖像中的無關信息，降低圖像噪聲，以便于后續圖像特征參數的識別和提取。

2.1.1 高斯濾波 灰度化處理原始圖像，隨后進行圖像去噪處理，即對圖像過濾。目的是更加具體地提取圖像特征，進而去除數字化圖像中的噪聲成分。而與均值濾波器相比，高斯濾波器具有更柔和的平滑效果和更好的邊緣保持能力，因此，選用高斯濾波器。高斯濾波是通過調用Opencv的庫函數來實現圖像預處理[12]，高斯濾波后的無核白葡萄串圖像如圖3(b)所示。

2.1.2 邊緣檢測 邊緣檢測的目的是提取目標[13]。目前較常見的邊緣檢測算法有Roberts算子和Sobel算子，其中Roberts算子是根據某一點上對角線相反的兩個像素值之間的差值，然后根據差值的變化幅度和趨勢完成邊緣檢測，其運算精度高但不平滑，噪聲對邊緣檢測效果有一定影響。而Sobel算子是根據某點周圍的灰色加權差值是否存在極值來檢測邊緣。Sobel算子可以對圖像中的噪聲起到一定的平滑作用。因此，采用Sobel算子進行邊緣檢測[14]，其效果如圖3(c)所示。

2.1.3 輪廓檢測 使用Canny算子提取目標輪廓。在得到邊緣檢測的響應后，統計邊緣檢測后的所有輪廓編碼序列，求出每一個輪廓的矩形左上角坐標(x，y)和矩形的寬(w)、高(h)，得到圖像外輪廓的最小外接矩形，其結果如圖3(d)所示。

圖3 圖像預處理效果圖

2.2 圖像二值化結果對比

圖像二值化是將圖像上的像素灰度值設置為0或255，即整個圖像呈現出清晰的黑白效果從而便于圖像的下一步處理[15]，其函數表達式為：

(1)

式中：

T——閾值。

二值化的關鍵在于閾值的選擇，使用3種二值化方法對比得出最佳的無核白葡萄串圖像分割效果。

2.2.1 大津法 大津法(Otsu)是一種確定圖像二值化分割閾值的算法，Otsu法根據圖像的灰度特征，將圖像分成目標和背景兩部分。如果目標和背景之間的類間方差較大，則目標與背景的差別較大，反之則說明兩者之間的差異較小[16]。為了使二值化效果最好，必須使類間方差最大化。其分割效果如圖4(a)所示，具體實現過程為：

若灰度為i的像素點個數為pi，則總像素點個數為

(2)

灰度為i的像素點個數占總像素點個數的比例為

(3)

目標與背景的像素點個數占總像素點個數的比例分別為

(4)

(5)

目標與背景的加權平均灰度分別為

(6)

(7)

整個圖像的加權平均灰度為

μ=ω0×μ0+ω1×μ1，

(8)

類間方差

G=ω0×(μ0-μ)2μ0+ω1×(μ1-μ)2，

(9)

將式(8)代入式(9)得：

G=ω0×ω1×(μ0-μ1)2，

(10)

式中：

M、N——圖像裁剪后的長度和寬度(其值分別為460，350)，像素點；

T——目標和背景的分割閾值(范圍為0～255)；

G——類間方差；

ω0——目標像素點占圖像總像素點的比例；

μ0——加權平均灰度；

ω1——背景像素點占圖像總像素點的比例；

μ1——加權平均灰度；

μ——圖像的加權平均灰度。

2.2.2 自適應閾值法 實際處理過程中，某一個固定的閾值在圖像的不同區域的分割效果不同。為了解決這一問題，需要將閾值取一個可以隨圖像區域位置變化的函數值，即自適應閾值[17]。自適應閾值是利用OpenCV中的一個函數對所選區域的像素加權平均，經測試，選取的maxvalue為160，blockSize為25，C為10，分割效果比較明顯。分割效果如圖4(b)所示。

2.2.3 固定閾值法 固定閾值法對圖像檢測是一種最為簡單的圖像二值化處理方法，主要是對輸入單通道矩陣逐像素閾值分割，但通常固定閾值法的單一閾值很難滿足現實中圖像的降噪需求，選取THRESH＿BINARY函數來實現固定閾值法，即

(10)

式中：

maxval——設定的最大值；

arc(x,y)——待處理的無核白葡萄串圖像；

thresh——分割閾值。

最終選取的數值為：maxval=255,thresh=130，此時分割效果較為明顯，分割效果如圖4(c)所示。

圖4 圖像二值化對比圖

從提取無核白葡萄串圖像信息的效果上看，自適應閾值法和固定閾值法的圖像目標與背景混雜在一起，無明顯的閾值分界，而大津法對圖像二值化的效果要優于自適應閾值法和固定閾值法，因此選用大津法對圖像進行二值化處理。

2.3 特征提取

文章提取了葡萄目標區域的面積、周長、外接矩長和寬以及3個顏色通道的平均灰度[18]。

(1)面積：采用像素統計法，并按式(12)計算無核白葡萄串的真實面積。

(12)

式中：

S——無核白葡萄串的真實面積；

Pr——無核白葡萄串的像素數；

Sr——二值化圖像的實際面積；

P——二值化圖像的像素數。

(2)周長：通過計算目標區域邊界上的像素點數量進行計算。先計算兩個像素之間的距離，然后將所有像素的距離相加即得無核白葡萄的周長。

(3)長和寬：無核白葡萄的最小外接矩形與無核白葡萄4個方向的切點即無核白葡萄圖像的上、下、左、右4個邊界點，分別計算左、右和上、下的距離即可得到無核白葡萄的長度和寬度。

(4)顏色特征：用RGB分量直接表示。

3 基于SVM的無核白葡萄串分級

3.1 無核白鮮葡萄串SVM分級模型構建

SVM是基于統計學原理的一種分類識別方法，可有效解決線性及非線性、分類及預測問題。其原理是基于統計學習理論的二類分類方法[19]。給定訓練樣本集：

D={(xi,yi),i=1,2,…,l}xi∈Rd。

(13)

每個樣本屬于y={+1,-1}中的一類，訓練樣本集由超平面線性可分，則分類器的超平面方程為

ωxi+b=0，

(14)

式中：

xi——訓練向量；

ω——法向量；

b——超平面的偏移。

由于無核白葡萄串分類是一個多分類問題，所以應構造一個多類分類器對無核白葡萄串進行分級，而在python中，使用最為廣泛的是sklearn模塊。無核白葡萄串分級時，先加載待分級樣本，利用樣本庫特征參數得到最優適應度下的懲罰因子c和核參數值g，然后訓練模塊對樣本庫訓練學習并得到分類器模型，測試模塊對待分級樣本分類。

分類時，調用sklearn模塊，提取無核白葡萄串的顏色、輪廓及幾何特征作為數據集。使用200幅樣本訓練SVM分級模型，選取不同的核函數訓練，采取交叉驗證的方式得到懲罰因子c和核參數值g的最優解，參數coef()、d均取默認值。訓練模塊對訓練集訓練學習并得到分類器模型，最后對測試集樣本進行分類[20]，其訓練結果如表2所示，其中全特征由顏色、輪廓及幾何特征共同組成使用。

由表2可知，當SVM模型的核函數為RBF核函數或Polynomial Kernel函數時，顏色矩的特征優于Sigmoid核函數的。使用其他特征，當SVM模型的核函數為Polynomial Kernel核函數時，測試集、訓練集準確率遠優于其他函數的，且特征為全特征時所得到的SVM模型最優，此時訓練集準確率為97.85%，測試集準確率為95.81%，模型的魯棒性最佳，其參數值為Bestc=2.00，Bestg=0.24，coef()=0，d=3。

表2 SVM模型訓練結果

3.2 基于SVM的無核白葡萄串分級軟件

基于SVM算法的原理，使用python調用OpenCV圖像處理庫，自行開發無核白葡萄串分級軟件如5圖所示，該界面主要分為4個區域，分別是無核白葡萄串識別區、圖像預處理區、算法效果展示區與無核白葡萄串分級區。

圖5 軟件界面

實際應用中，用戶只需依照窗口提示點擊登錄，程序會自動調出圖像處理界面，點擊加載圖像按鈕，加載需要分類的無核白葡萄串圖像，點擊分級按鈕，程序自動計算處理并給出SVM分類結果圖像，同時窗口顯示每種特征的具體數值，人機交互界面友好，使用方便。

4 系統試驗測試

為驗證基于SVM的無核白葡萄串分級系統的準確性，重新拍攝100幅無核白葡萄串圖像測試，測試結果見表3。

由表3可知，基于SVM的無核白葡萄串分級系統對無核白葡萄串的分級準確率可達96%，其主要原因是分級時，無核白葡萄串顏色特征定義的范圍較為廣泛，如果顏色特征能夠相對更具體，識別準確率將>96%。

表3 基于SVM的無核白葡萄串分級測試結果

5 結論

針對無核白鮮葡萄串分級問題，提出了一種由Python語言開發，采用Tkinter圖形界面的基于SVM無核白鮮葡萄串分級系統。該系統可以實現葡萄串圖像采集、圖像預處理及二值化；葡萄串分級準確率達96%。但試驗中鮮葡萄串分級于水平面進行，容易對穗形造成影響，不利于后期特征提取，因此在后續研究中將考慮將鮮葡萄串懸掛式采集圖像，進行無核白鮮葡萄串分級。