基于機(jī)器學(xué)習(xí)算法的缺損米粉塊在線快速檢測

譚盧敏 馮新剛

(江西理工大學(xué)應(yīng)用科學(xué)學(xué)院，江西 贛州 341000)

米粉塊是可食用塊狀干米粉，口感好且方便保存和運(yùn)輸，在中國南方地區(qū)深受消費(fèi)者歡迎[1]。米粉塊一般由自動生產(chǎn)流水線加工而成，在加工成型環(huán)節(jié)會產(chǎn)生缺損米粉塊，如不及時(shí)發(fā)現(xiàn)并處理，會對米粉塊批量生產(chǎn)帶來質(zhì)量下降的影響。目前，企業(yè)多采用人工檢測，隨著工作時(shí)間加長，工人疲勞度增加，檢測效率和準(zhǔn)確性大大下降[2]。機(jī)器學(xué)習(xí)是基于數(shù)據(jù)集合建立數(shù)理模型進(jìn)行研究推理，并可以衍生獨(dú)立的計(jì)算模式，被廣泛用于解決工程應(yīng)用和科學(xué)領(lǐng)域的復(fù)雜問題。如：張先潔等[3]運(yùn)用支持向量機(jī)(SVM)識別番茄果實(shí)成熟階段準(zhǔn)確率高達(dá)94.27%；Zhu等[4]基于深度特征和支持向量機(jī)的胡蘿卜外觀質(zhì)量識別準(zhǔn)確率為98.17%。Laxmi等[5]多類別直覺模糊雙支持向量機(jī)在植物葉片識別中的應(yīng)用有較好的泛化能力。通過上述文獻(xiàn)的學(xué)習(xí)，結(jié)合缺損米粉塊形狀各異，其特征參數(shù)無規(guī)律[6-7]，研究擬提出運(yùn)用機(jī)器學(xué)習(xí)對缺損米粉塊進(jìn)行檢測，利用相機(jī)對傳輸帶上的米粉塊進(jìn)行實(shí)時(shí)拍照，經(jīng)圖像處理后提取米粉塊相關(guān)特征數(shù)據(jù)作為機(jī)器學(xué)習(xí)的檢測數(shù)據(jù)[8-9]，通過支持向量機(jī)分類算法，對數(shù)據(jù)進(jìn)行分析后檢測出缺損米粉塊，以期實(shí)現(xiàn)缺損米粉塊在線檢測與分揀。

1 支持向量機(jī)分類

支持向量機(jī)(SVM)是基于統(tǒng)計(jì)學(xué)習(xí)理論中結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則提出的，適用于有限數(shù)據(jù)集下的樣本分類和回歸處理，是機(jī)器學(xué)習(xí)中一種有監(jiān)督的學(xué)習(xí)模式[10-11]。SVM算法用于分類問題的基本思路是尋找兩類線性樣本中的一個最優(yōu)分類面，使得該分類面到兩類樣本數(shù)據(jù)點(diǎn)的距離最大，對于線性可分樣本數(shù)據(jù)，SVM找到合適的參數(shù)(ω,b)，得到最優(yōu)分類面函數(shù)，即為決策函數(shù)如式(1) 所示。

(1)

通過決策函數(shù)可以對線性未知樣本進(jìn)行分類判別。對于近似線性可分?jǐn)?shù)據(jù)，以上最優(yōu)分類面并不能把所有樣本都正確分類，為此，引入松弛因子ξ和懲罰因子C，在經(jīng)驗(yàn)風(fēng)險(xiǎn)和推廣性能之間找到一個均衡點(diǎn)，讓訓(xùn)練模型有一定的容錯率，同時(shí)對未知樣本的分類正確率滿足設(shè)計(jì)要求。

對于非線性可分樣本，SVM利用非線性變化核函數(shù)方法，用滿足Mercer條件的核函數(shù)得到原始空間中非線性學(xué)習(xí)算法，通過該方法將原空間轉(zhuǎn)換到某線性特征空間后進(jìn)行處理。其中根據(jù)原樣本數(shù)據(jù)特點(diǎn)選擇合適的核函數(shù)對轉(zhuǎn)換后特征空間的線性化程度有較好的幫助[12-13]。

2 米粉塊數(shù)據(jù)分析

米粉塊加工屬于食品加工，對加工條件要求較高，所以對流水線加工的米粉塊通過非接觸式的工業(yè)相機(jī)拍照獲取原始圖像，經(jīng)圖像處理獲得米粉塊數(shù)據(jù)。通過相機(jī)拍攝獲得的米粉塊圖片共160張，作為樣本用于模型訓(xùn)練，部分圖片信息如圖1所示。

圖1 部分米粉塊圖片F(xiàn)igure 1 Pictures of some rice noodles

對樣本圖片進(jìn)行圖像處理后，獲取米粉塊輪廓的周長和面積、近似輪廓的周長和面積、近似輪廓點(diǎn)數(shù)、輪廓外接圓半徑6個特征數(shù)據(jù)，并且給每個樣本圖片定義了分類標(biāo)簽，“0”表示合格米粉塊，“1”表示缺損米粉塊。

米粉塊圖像處理流程如圖2所示。圖像經(jīng)過灰度化處理、二值化處理和圖像形態(tài)學(xué)處理后濾除原圖中的干擾信息，提高了米粉塊特征信息提取的準(zhǔn)確度。

圖2 米粉塊圖像處理流程圖Figure 2 Flow chart of rice flour block image processing

經(jīng)過圖像形態(tài)學(xué)處理后得到清晰的米粉塊二值輪廓圖，用數(shù)字化二值圖像輪廓掃描算法提取米粉塊輪廓信息，根據(jù)輪廓信息進(jìn)一步計(jì)算得到輪廓外接圓信息和輪廓近似點(diǎn)，輪廓近似點(diǎn)是根據(jù)Douglas-Peucker算法逼近原輪廓，得到更少的頂點(diǎn)數(shù)，再根據(jù)輪廓近似點(diǎn)獲得近似輪廓信息，近似輪廓信息利用多邊形逼近原始輪廓，進(jìn)一步規(guī)范米粉塊輪廓信息。

部分米粉塊以各流程處理后的圖片如圖3所示。其中：輪廓信息圖片的紅色線是根據(jù)輪廓信息在原圖上畫出的米粉塊輪廓線；外接圓信息圖片的棕色線是根據(jù)外接圓信息在原圖上畫出的米粉塊外接圓線；近似輪廓信息圖片的紫色線是根據(jù)近似輪廓信息在原圖上畫出的米粉塊近似輪廓線。

圖3 部分米粉塊圖像處理流程各步驟處理結(jié)果Figure 3 Processing results of each step of image processing flow of some rice flour blocks

根據(jù)輪廓信息、外接圓信息和近似輪廓信息計(jì)算米粉塊的周長、面積、外接圓半徑等特征數(shù)據(jù)，對特征數(shù)據(jù)進(jìn)行分析發(fā)現(xiàn)，單一特征數(shù)據(jù)對缺損檢測不能提供準(zhǔn)確的依據(jù)，比如由于加工的原因合格米粉塊的輪廓面積會有一定差別，當(dāng)缺損面積較小時(shí)其輪廓面積可能會大于合格米粉塊的，因此會降低缺損米粉塊檢測的準(zhǔn)確度。經(jīng)過試驗(yàn)分析，采用米粉塊的多特征數(shù)據(jù)進(jìn)行檢測，有利于提高檢測準(zhǔn)確度。

3 SVM機(jī)器學(xué)習(xí)檢測缺損米粉塊

使用SVM機(jī)器學(xué)習(xí)方法對米粉塊的多特征數(shù)據(jù)組成的樣本集進(jìn)行分析，實(shí)現(xiàn)缺損檢測。米粉塊樣本集如表1所示。

表1 部分米粉塊特征數(shù)據(jù)集Table 1 Characteristic data set of some rice flour blocks

每個米粉塊由6個特征數(shù)據(jù)和一個分類標(biāo)簽數(shù)據(jù)組成，通過對數(shù)據(jù)進(jìn)行SVM機(jī)器學(xué)習(xí)，得到訓(xùn)練模型，從而實(shí)現(xiàn)米粉塊的在線檢測，其檢測流程如圖4所示。

圖4 SVM方法實(shí)現(xiàn)檢測米粉塊缺損的流程圖Figure 4 Flow chart of detecting rice flour block defect by SVM method

從表1可以看出，米粉塊的特征數(shù)據(jù)大小不一，在進(jìn)行分析之前需要進(jìn)行數(shù)據(jù)清洗，采用min-max標(biāo)準(zhǔn)化對樣本數(shù)據(jù)進(jìn)行歸一化處理，如表2所示。

表2 部分米粉塊min-max標(biāo)準(zhǔn)化后特征數(shù)據(jù)集Table 2 Characteristic data set of some rice flour blocks after min max standardization

處理后的樣本數(shù)據(jù)隨機(jī)分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，兩個數(shù)據(jù)集中的樣本數(shù)按照7∶3的比例進(jìn)行分配，代入SVM模型中進(jìn)行訓(xùn)練和測試。

其中為了確定合適的核函數(shù)，分別選擇rbf核函數(shù)、linear核函數(shù)、poly核函數(shù)，對訓(xùn)練集進(jìn)行訓(xùn)練，用交叉驗(yàn)證法尋找最優(yōu)模型參數(shù)，得到各自的優(yōu)化模型，然后把測試集分別代入這些模型進(jìn)行分類測試并記錄分類準(zhǔn)確率和測試用時(shí)，如表3所示。

由表3可知，rbf核函數(shù)準(zhǔn)確率最高，用時(shí)較少；poly核函數(shù)準(zhǔn)確率在3種核函數(shù)中最低同時(shí)用時(shí)較長；linear核函數(shù)雖然用時(shí)最短，但是準(zhǔn)確率沒有rbf核函數(shù)高，用時(shí)與rbf核函數(shù)相差不大；通過數(shù)據(jù)比較，選擇rbf核函數(shù)的SVM模型。

表3 不同核函數(shù)下SVM模型的平均準(zhǔn)確率和平均用時(shí)Table 3 Average accuracy and average time of SVM model under different kernel functions

為了進(jìn)一步檢驗(yàn)該模型的優(yōu)勢，以相同米粉塊樣本數(shù)據(jù)集在相同條件下用其他分類算法進(jìn)行訓(xùn)練，并對測試集進(jìn)行分類分析，結(jié)果如表4所示。通過對比，SVM分類算法的平均準(zhǔn)確率最高，平均用時(shí)最短。

表4 不同分類算法的平均準(zhǔn)確率和平均用時(shí)Table 4 Average accuracy and average time of different classification algorithms

4 結(jié)論

研究結(jié)果表明，用SVM分類算法進(jìn)行米粉塊缺損檢測相比GBDT、KNN、Logistic Regression、Random Forest和tree 5種分類算法準(zhǔn)確率高，用時(shí)短，有利于實(shí)現(xiàn)缺損米粉塊的在線快速檢測。但該研究對樣本數(shù)據(jù)的先驗(yàn)信息特征研究不夠深入，僅用3種常用核函數(shù)進(jìn)行試驗(yàn)分析，后續(xù)可以利用隱含在數(shù)據(jù)中的先驗(yàn)信息選擇更合適的核函數(shù)，進(jìn)一步提高米粉塊缺損檢測的準(zhǔn)確率。