基于支持向量機和壓力傳感器的水果分類系統

王菲菲劉 彭孫鳳偉周 瓊

(1. 濮陽醫學高等專科學校,河南 濮陽 457000;2. 山東農業大學,山東 泰安 271018;3. 河南農業大學,河南 鄭州 450002;4. 河南大學,河南 鄭州 450046)

用于水果分類的分類機械手在食品領域具有重要研究意義和實際應用價值[1]。分類機械手不僅可以提高水果分類的自動化水平、降低勞動成本,還能夠提升水果分類準確性、適應多樣性水果分類和優化水果供應鏈管理,為食品產業的發展提供有力支持[2-3]。

目前,分類機械手內嵌水果分類算法和分類系統得到了廣泛研究。從算法角度,支持向量機(Support vector machine,SVM)、隨機森林、卷積神經網絡等機器學習算法被廣泛用于水果分類任務;這些算法通過學習大量的訓練樣本,構建準確的分類模型,實現對水果的自動分類[4-5]。從特征提取和選擇角度,研究者們致力于設計高效的水果特征提取和選擇方法,以提高水果分類算法的準確性和魯棒性。從傳感器技術角度,水果分類過程中,機械手通過傳感器獲取水果的相關信息;圖像傳感器是最常用的傳感器之一,機械手可通過圖像傳感器獲取水果的圖像信息以進行分類;此外,激光傳感器、壓力傳感器等用于獲取水果的形狀、硬度等特征的傳感器也在水果分類系統設計領域得到了廣泛應用。從水果數據集構建角度,研究者們構建了大規模的水果數據集,這些數據集為水果分類算法的研究和評估提供了重要的訓練和測試資源[6]。

王志宇[1]以分類機械手的水果分類控制過程為研究對象,基于RGB圖像檢測方法建立了分類算法。研究結果表明,采用RGB圖像檢測方法進行的水果分類與人工測量方式獲得的水果特征數據具有高度符合性。Zhang等[7]提出了基于觸覺感知和機器學習算法的自適應抓手水果識別方法。研究結果表明,采用自適應抓取器和機器學習分類器可以實現高效、準確的水果識別。Elsheikh[8]提出了基于深度學習的水果分類系統,并使用嵌入式比例導數模糊邏輯控制器對分類機械臂進行控制。研究結果表明,所開發的設計有效且準確性高、成本低,能夠對水果進行實時識別和分類。Zhang等[9]提出了基于仿生軟指的水果無損分類方法,該方法對水果的分類準確率高達95%。

盡管上述研究在用于水果分類算法和分類系統的研究領域取得了一些進展,但在水果高分類準確率、計算成本和傳感器成本等方面仍存在不足。電容式壓力傳感器具有高壓力靈敏度、低制造成本等優點。因此,研究擬提出一種基于電容式壓力傳感器的水果分類系統,該系統通過采用高斯核函數的支持向量機算法對水果進行分類;并將該系統嵌入水果分類機械手,以期為開發更高性能的水果分類機械手提供理論支撐。

1 壓力傳感器和支持向量機

1.1 電容式壓力傳感器

觸覺傳感器由點觸壓力傳感器排列組成,可用以檢測和測量給定點的接觸力,從而實現特定介質中物體的檢查、識別。來自觸覺傳感器的信息可用于識別一般物體的質量、粗糙度、紋理和形狀等[10]。

電容式壓力傳感器是一種常用的觸覺傳感器,此類傳感器基于其橫截面變形或板之間的距離變化引起的電容值變化來反映接觸力,每個電容值變化均與明確定義的接觸力強度相關聯[11]。這類傳感器通常具有較長的橫截面,可以減少噪聲的影響并確保傳感器壓力檢測的準確性。此外,其具有高檢測靈敏度和低能耗[12]。

1.2 支持向量機

SVM算法屬于有監督的機器學習算法,該算法的目標是將輸入數據分類為一組特定的類別,每個類別對應于n維空間中的一個點,其中,n是對象類(特征)的數量[13]。傳統SVM算法依賴于輸入值的內積,通過將內積替換為在高階維度上進行計算的核函數,可生成非線性邊界和可使用狀態空間表示,從而提高SVM算法的物體分類性能[14]。SVM算法對物體分類是通過能夠區分不同數據類別的最優超平面完成。在用已知樣本進行訓練后,可以將SVM算法對數據樣本的模式識別推廣到未知樣本。

給定一個訓練集(x,y),其中,x對應于需要分類的模式,例如觸覺傳感器測量值,y對應于物體類別。SVM算法通過構造一個決策函數f(x),對一個不一定在訓練集中的輸入模式x進行準確分類[15]。最簡單的情況發生在對兩類物體的線性分類問題。在該類問題中,SVM算法找到將兩類物體數據分開的最優超平面,使兩組數據之間的距離最大化[16-19]。

可用于提升SVM算法分類性能的核函數主要包括線性核函數、多項式核函數和高斯核函數等。使用不同的核函數,可以賦予SVM算法不同的物體分類靈活性,并提升區分n維空間中不同物體類別的性能[20-21]。

2 水果電子分類系統

通過電子系統設計基于GKF-SVM和壓力傳感器的水果分類系統(見圖1)。該電子分類系統包括4個主要模塊:通過平行板開發的電容式壓力傳感器、使用模擬器件AD7147開發的電容式數字轉換器、通過通用串行總線(universal serial bus,BUS)連接內部集成電路(inter-integrated circuit,I2C)的接口以及負責收集數據并對收集到的信息進行分類的計算機。

平行板電容式壓力傳感器由兩個銅片和乙酸乙烯酯作為介質制成。選擇乙酸乙烯酯是因為易于獲得,其變形能力好,恢復速度快,介電常數約為2.8。所用乙酸乙烯酯為2 mm厚的板材。平行板傳感器設計面積為2 cm2,電容變化百分比>13%。電線被焊接到銅板上,乙酸乙烯酯被粘到銅片上。

AD7147電路是由電荷放大器和Σ-Δ調制器組成的集成電路,用于將測量的電容值轉換為數字信號。AD7147執行的測量以16位代碼表示(輸出值為0～216-1),這與其大約4～30 pF的測量動態范圍有關。I2C-USB模塊是允許使用Matlab和支持向量機庫(LibSVM庫)在計算機中實現集成電路總線和分類軟件之間的透明接口,使用圖形用戶界面(Graphical user interface,GUI)顯示分類結果。

3 結果與分析

3.1 水果分類系統在機械手上的配置和有效性測試

將所設計的水果分類系統安裝于iCub機器人的機械手,通過iCub機器人對水果的抓取試驗測試所設計水果分類系統的有效性。

3.1.1 水果分類系統在機械手上的配置 使用電容式壓力傳感器的iCub機器人的手指可最大限度、逼真地復現人類皮膚的觸覺,iCub機器人的指尖用柔性印刷電路板實現,該電路板適用于模仿人類指尖形狀的圓形支撐。每個板上都有一層由具有介電性能的硅酮組成的可變形泡沫,然后是連接到接地參考點的傳感器,即實現觸覺的電容式壓力傳感器[22]。

每個手指由12個圓形焊盤組成,即12個電容。這些電容器依次連接到電容數字轉換器的輸入通道,允許通過串行接口將收集到的信息傳輸到微處理器系統[23]。其實現使得iCub機器人可以施加必要和足夠的電壓來拾取和夾住不同的物體。測試[24]分析表明,使用電容式壓力傳感器的iCub機器人可對物體進行準確分類。

為測試所設計的水果分類電子系統的有效性,將所設計電子系統并入iCub機器人手指,即將GKF-SVM算法用于處理iCub機器人手指撿取水果時手指表面電容式壓力傳感器采集的電容數據,iCub機器人的機械手如圖2所示。

圖2 iCub機器人的機械手

3.1.2 水果分類系統對12種水果的分類測試

(1) 通過安裝在固定位置和方向的iCub機器人抓取水果并通過機器人手指上的壓力傳感器提取對12種不同水果的電容分布數據,機器人的手指保持在預定位置,并張開到足以容納物體。所測試的12種水果為:杏、蛇果、橙子、李子、油桃、桔子、西紅柿、柿子、沃柑、蘋果、大青棗、葡萄。

(2) 使用采用不同核函數的SVM算法(線性SVM、三次SVM、二次SVM和高斯SVM)對iCub機器人5個手指(拇指、食指、中指、無名指和小指)、4個手指(拇指、食指、中指、無名指)、3個手指(拇指、食指和中指)和2個手指(拇指和食指)上的電容式壓力傳感器獲得的數據進行處理,以確定水果類別。

對每種水果進行50次分類測試,每次測試12個同品種水果,對所有水果分類的平均準確率見表1。

表1 采用不同核函數的支持向量機算法對水果的分類結果

由表1可知,采用高斯核函數的SVM對來自壓力傳感器的數據進行處理后呈最佳水果分類結果,即對考慮2個或更多電容式壓力傳感器的所有情況下呈最低的水果分類誤差。

當使用3個手指、4個手指和5個手指上的電容式壓力傳感器采集到的數據時,對水果分類的準確率均>96%。即如果放棄使用來自無名指和小指傳感器的數據,所構建系統對水果分類的性能不會有顯著損失。此外,所使用的傳感器數量越少,計算成本越低。

當選擇2個電容式壓力傳感器(2個手指)采集到的數據作為輸入且采用確定的SVM算法時,所構建水果分類系統的水果分類準確率最低,且采用線性SVM算法時,對水果的分類準確率最低,但仍達到96.6%;采用高斯SVM算法時,對水果的分類準確率達到98.6%。該對比結果表明,所構建的水果分類系統可在水果高分類準確率、低計算成本和低傳感器成本之間取折中。

此外,iCub機器人在使用2個手指時,除了拇指+食指,還有其他組合,但在實際應用中優先使用拇指+食指,因為通過拇指+食指可實現對水果的捏合運動,即拇指+食指更容易拾取水果。

3.2 水果分類系統在智能手套上的配置和有效性測試

3.2.1 水果分類系統在智能手套上的配置 為進一步測試所設計水果分類電子系統的有效性,將所設計電子系統安裝在聚酰胺和彈性纖維構成的手套上,水果分類智能手套的組裝如圖3所示。壓力傳感器和電容式數字轉換器粘在輕薄的手套上,選擇這種手套是因為其手指和手腕處非常靈活,可實現對水果最大的形態適應性。

圖3 采用電容式壓力傳感器的電子智能手套示意圖

傳感器靜止狀態下的AD7147讀數約為15 000(十進制),約為6.8 pF的電容值,該值與使用RLC儀表進行測量時獲得的值相等。該值對應于凸出的平行板之間的等效電容(2.48 pF)以及觸點、電纜和引腳的寄生電容。當按下壓力傳感器時,可以觀察到電容值顯著增加,在所有測試情況下讀取的電容值不超過AD7147的動態讀數范圍。出于簡化水果分類的目的,可直接使用從電容式數字轉換器數字輸出獲得的十進制值。

3.2.2 水果分類系統對不同水果的分類測試 對不同水果進行了分類測試,每種水果重復測試50次,每次測試10個同品種水果。這些水果包括杏(F1)、蛇果(F2)、橙子(F3)、李子(F4)、油桃(F5)、西紅柿(F6)、柿子(F7)、桔子(F8)、蘋果(F9)、大青棗(F10)、葡萄(F11)。采用不同核函數的SVM算法處理電子手套拇指和食指壓力傳感器采集的電容數據,將這些數據以散點圖形式呈現,如圖4所示。橫坐標對應拇指傳感器測量值,縱坐標對應食指傳感器測量值。

圖4 采用高斯核函數的SVM算法對不同水果分類測試的散射矩陣

由圖4可知,電子手套拇指和食指壓力傳感器采集的電容數據以分區的集群形式呈現。一些水果對應的電容數據之間存在重疊(如橙子和桔子之間、西紅柿與柿子之間),使得在這些重疊區域很難區分水果類別。例如,對于橙子和桔子,觀察到的重疊是由于這兩種水果在形狀和質量上非常相似。

物體的質量越大,電容式壓力傳感器的讀數越大。對于不同質量的相同物體,如小桔子和大桔子,質量越大,使用電容式壓力傳感器得到的值越大。還可觀察到,有些類的點比其他類更集中,例如蘋果、蛇果、大青棗。這是因為該類水果的硬度較大,可對所施加的力提供一定的阻力并且不會出現明顯的變形,因此,用于固定其壓力變化不大。對于柔軟的水果,如杏、桔子、葡萄,測量結果更分散,反映了其更柔軟和可變形的紋理。而且這種類型的水果允許在其操作中應用可變壓力。

拇指壓力傳感器測量值之間的分散程度(范圍為3.4×104～5.2×104)比食指壓力傳感器測量值之間的(范圍為5.4×104～5.9×104)更大。這種更大的動態范圍是由于兩個傳感器的接觸面積的差異造成的。與食指傳感器相比,拇指傳感器與水果表面的接觸面積往往更大,因此對壓力變化更敏感。

以電子手套拇指和食指壓力傳感器采集的電容數據為基礎,采用不同核函數的SVM算法對所有水果分類的平均準確率見表2。由表2可知,所有SVM算法對水果的分類準確率均在96%以上,且采用高斯核函數的SVM算法仍獲得最高的分類準確率。

表2 基于電子手套雙指電容數據和不同SVM算法的水果分類結果

此外,通過混沌矩陣對采用高斯核函數的SVM的水果分類性能進行評估,某一次測試的分類結果的混淆矩陣如圖5所示,TA和FN分別為分類準確率和假陰性率。由圖5可知,不正確的分類首先出現在橙子與桔子、西紅柿與柿子的數據簇中,即具有大致相同質量和形狀的水果。

圖5 基于高斯核-SVM算法的水果分類結果混淆矩陣示例

以上結果表明,所開發的水果分類系統可根據實際計算成本要求和傳感器成本要求,選擇合適的電容式壓力傳感器配置,且在所有的傳感器配置方案下,采用高斯核函數的SVM算法均能實現高水果分類準確率,達到98.6%(12種水果)或98.8%(11種水果);智能手套測試中刪除了易與橙子和桔子混淆的沃柑,故水果分類準確率略有升高;由于每種水果每次測試10個果實、重復50次測試,故得到的水果分類準確率末尾均為偶數。

4 結論

研究提出了一種基于電容式壓力傳感器的水果分類系統,該系統通過采用高斯核函數的支持向量機算法(高斯支持向量機算法)對水果進行分類。結果表明,水果分類智能手套在使用兩指的情況下,盡管與其他條件獲得的結果相比準確率較低,但分類準確率仍達到98.6%;在所有的傳感器配置方案下,與采用線性核函數、二次核函數和三次核函數的SVM算法相比,采用高斯核函數的SVM算法均能實現最高水果分類準確率,達到98.6%(12種水果)或98.8%(11種水果)。此外,所開發的水果分類系統可根據實際計算成本要求和傳感器成本要求,選擇合適的電容式壓力傳感器配置,即可根據實際需要在分類準確率、計算成本和低傳感器成本之間權衡。所開展研究未分析分類準確率、計算成本和低傳感器成本之間的邏輯關系;后續將深入討論分類準確率、計算成本和低傳感器成本之間的邏輯關系。