基于機(jī)器視覺的梨品種識(shí)別研究

孫海霞，王林杰，張淑娟，蘇立陽，任 銳

（山西農(nóng)業(yè)大學(xué)農(nóng)業(yè)工程學(xué)院，山西 晉中 030801）

梨被譽(yù)為百果之宗，可口多汁、營養(yǎng)豐富，含有多種維生素和纖維素，有降火、清心、潤肺等功效[1]。不同品種梨的口感和品質(zhì)完全不同，消費(fèi)者對不同品種梨的喜好程度不一。由于山西梨品種繁多，目前，梨品種區(qū)分主要依靠人工分選，人工效率低且勞動(dòng)強(qiáng)度大，限制了梨產(chǎn)業(yè)的大規(guī)模分選和推廣。目前對梨的保鮮、營養(yǎng)成分和品質(zhì)分級(jí)研究較多，但對梨的品種分選較少。因此，迫切需要一種自動(dòng)化、智能化的技術(shù)解決梨品種分類問題，對梨產(chǎn)業(yè)的發(fā)展具有重要的生產(chǎn)意義和經(jīng)濟(jì)價(jià)值。

隨著計(jì)算機(jī)技術(shù)的發(fā)展，基于機(jī)器學(xué)習(xí)的圖像處理技術(shù)運(yùn)用于農(nóng)產(chǎn)品品種分選中[2]。余游江等人[3]以新疆地區(qū)5 個(gè)品種的紅棗為研究對象，提出以卷積神經(jīng)網(wǎng)絡(luò)為基學(xué)習(xí)器的Stacking 模型融合方法進(jìn)行分類，模型的分類準(zhǔn)確率為92.38%。耿磊等人[4]建立了不同品種蘋果的數(shù)據(jù)集，提出了基于融合注意力結(jié)構(gòu)的蘋果品種自動(dòng)鑒別模型EBm-Net，充分提取了外形輪廓和顏色紋理特征，增大了各品種蘋果的類間差異，總體分類準(zhǔn)確率為96.78%。李秀昊等人[5]通過提取稻谷圖像的形狀特征和顏色特征，構(gòu)建了（Support Vector Machines，SVM） 和BP 神經(jīng)網(wǎng)絡(luò)識(shí)別模型，基于特征融合所建SVM 模型的識(shí)別準(zhǔn)確率（99.50%） 最高且時(shí)間（0.165 s） 最短，可滿足稻谷在線識(shí)別與質(zhì)量檢測的精度和實(shí)時(shí)性要求。

以玉露香梨、酥梨和雪花梨為研究對象，利用機(jī)器視覺技術(shù)采集樣本的圖像信息，通過連續(xù)投影法優(yōu)選特征值，利用偏最小二乘回歸法和最小二乘支持向量機(jī)建模分析，優(yōu)選特征值和模型，為今后的梨品種在線檢測提供理論參考。

1 材料和方法

1.1 試驗(yàn)材料

玉露香梨、酥梨、雪花梨樣本，采集自山西農(nóng)業(yè)大學(xué)（山西省農(nóng)業(yè)科學(xué)院） 果樹研究所，采摘帶柄、成熟度一致、無蟲害、無機(jī)械損傷的梨。利用Kennard-Stone（K-S） 算法[6]按3 ∶1 劃分訓(xùn)練集（312 個(gè)） 和預(yù)測集（132 個(gè)）。其中，酥梨樣本中訓(xùn)練集85 個(gè)，預(yù)測集36 個(gè)；雪花梨樣本中訓(xùn)練集132 個(gè)，預(yù)測集56 個(gè)；玉露香梨樣本中訓(xùn)練集95 個(gè)，預(yù)測集40 個(gè)。

1.2 圖像采集裝置

圖像采集系統(tǒng)是由暗室、2 條LED 燈條、發(fā)光板和升降臺(tái)、帶有USB 接口的攝像頭（晟悅SY8031） 組成，感光元件為CMOS，焦距為35 mm，攝像頭連接筆記本電腦中進(jìn)行采集圖像。

圖像采集裝置見圖1。

圖1 圖像采集裝置

1.3 數(shù)據(jù)處理方法

利用MATLAB 進(jìn)行圖像的特征值提取，從RGB、HSI、Lab 顏色空間中分別提取顏色特征值，利用灰度差分統(tǒng)計(jì)法和灰度共生矩陣提取紋理特征值。采用連續(xù)投影法（Successive Projections Algorithm，SPA） 優(yōu)選特征值，利用偏最小二乘法（Partial least squares，PLS） 和最小二乘支持向量機(jī)（Least Squares Support Vector Machine，LS-SVM） 建立識(shí)別模型。

2 結(jié)果與分析

2.1 特征值提取

由于不同品種的梨之間有顏色和紋理的差異，針對采集的圖像進(jìn)行特征值提取。顏色特征描述圖像區(qū)域所對應(yīng)的目標(biāo)物表面性質(zhì)[7]。RGB 顏色空間是最基礎(chǔ)的模型；HSI 顏色空間接近于人眼視覺特性；Lab 顏色空間是范圍最大的色彩模式。從RGB、HSI、Lab 顏色空間中的分別提取R、G、B、H、S、I、L、a、b 顏色特征值的均值和方差，共18 個(gè)特征值。紋理特征是對圖像區(qū)域內(nèi)灰度級(jí)變化進(jìn)行量化，該研究利用灰度差分統(tǒng)計(jì)法和灰度共生矩陣[8]，提取能量、熵、慣性矩、相關(guān)性、逆差距的4 個(gè)方向（0，45，90，135 °） 的特征值[9]，共20 個(gè)特征值。

2.2 優(yōu)選特征值

通過提取出312 幅圖像，每幅圖像38 個(gè)特征值。由于特征值提取數(shù)據(jù)量大，每組特征值對不同品種梨的識(shí)別能力不同，因此需要提取影響效果顯著的特征值，進(jìn)行建立識(shí)別模型。

SPA 是一種使矢量空間共線性最小化的前向變量選擇算法，能夠消特征中冗余信息，可用于特征參數(shù)的篩選[10]。

SPA 優(yōu)選特征值見圖2。

圖2 SPA 優(yōu)選特征值

在RMSE 為0.353 86 時(shí)，共優(yōu)選出15 個(gè)特征值。圖2（b） 中選擇的變量需與38 個(gè)特征值相對應(yīng)，對橫坐標(biāo)為i 時(shí)，則表示優(yōu)選到的特征值為第i 個(gè)特征值。15 個(gè)優(yōu)選特征值依次為90 °的相關(guān)性、45 °的逆差距、45 °的相關(guān)性、S 分量均值、90 °的逆差距、G 分量均值、0 °的慣性矩、90 °的熵、0 °的逆差距、90 °的慣性矩、G 分量方差、H 分量均值、135 °的熵、0 °的熵、S 分量方差。

2.3 品種識(shí)別模型的建立

PLS 是一種多元統(tǒng)計(jì)數(shù)據(jù)分析方法[11]。LS-SVM是基于SVM 的改進(jìn)算法，采用非線性映射將訓(xùn)練樣本從低維特征空間映射到高維特征空間，將SVM 的二次規(guī)劃問題轉(zhuǎn)化為線性方程組的求解問題[12]?；谌卣髦岛蚐PA 方法優(yōu)選特征值，采用PLS 和LS-SVM 分別建立識(shí)別模型。

模型的判別結(jié)果見表1，模型預(yù)測集的判別結(jié)果見圖3。

表1 模型的判別結(jié)果

圖3 模型預(yù)測集的判別結(jié)果

由于模型預(yù)測出的結(jié)果非整數(shù)型，因此將0.5 作為最大偏離值，預(yù)測類別值和假設(shè)類別值相差小于0.5 的判定為此類樣本。由表1 可知，PLS 模型的判別結(jié)果好于SPA-PLS 模型，酥梨的判別結(jié)果較差。由圖3（a） 和（b） 可知，酥梨和雪花梨之間判別錯(cuò)誤的樣本較多。利用LS-SVM 方法所建模型的判別結(jié)果（判別準(zhǔn)確率為83.33%～100.00%） 優(yōu)于PLS 所建模型（判別準(zhǔn)確率為66.67%～100.00%）。結(jié)合圖3可知，LS-SVM 和SPA-LS-SVM 模型中酥梨和雪花梨之間判別錯(cuò)誤減少，酥梨的判別準(zhǔn)確率得到明顯提升。SPA-LS-SVM 模型的判別結(jié)果好于LS-SVM模型。SPA-LS-SVM 模型對酥梨、雪花梨、玉露香梨的判別準(zhǔn)確率分別為83.33%，98.21%，100.00%。因此，SPA-LS-SVM 通過SPA 方法優(yōu)選特征值簡化了模型，提高檢測精度和效率，整體判別準(zhǔn)確率達(dá)到94.70%。

3 結(jié)論

基于機(jī)器視覺技術(shù)對梨的品種進(jìn)行識(shí)別。采集玉露香梨、酥梨、雪花梨的圖像信息，基于38 個(gè)全特征值和15 個(gè)SPA 優(yōu)選特征值，采用PLS 和LS-SVM 方法建立了識(shí)別模型。SPA 提取特征值可以剔除無用信息和降低數(shù)據(jù)維度，提高建模速度和穩(wěn)定性，SPA-LS-SVM 模型的識(shí)別結(jié)果最優(yōu)，識(shí)別準(zhǔn)確率為94.7%。因此，SPA-LS-SVM 方法實(shí)現(xiàn)了梨品種的分類，為進(jìn)一步實(shí)現(xiàn)梨品種自動(dòng)化分類提供技術(shù)參考。