论文部分内容阅读
[摘要]为了有效提高水果分级系统的分类正确率，利用图像处理、模式识别，神经网络等技术，构造了一个水果等级分类系统。三个最具代表性的外在品质特征被提取出来作为神经网络的输入，神经网络分类器对水果进行等级分类。实验结果表明：本系统可用于水果深加工生产。
[关键词]外在品质 图像处理 特征提取 神经网络分类器
1．引言
随着计算机图像处理、模式识别等技术的成熟和发展，水果的分级方式正逐步由机器替代人工。为了提高机器分级系统的质量与水平，国内外学者们做了大量的相关研究[1~10]，有些是基于水果的内在品质，如水果的化学成分等因素进行分级；也有些是基于水果的外在品质，如水果的形状等因素进行分级研究。
本文在参考大量研究文献的基础上[1~10]，以神经网络作为等级分类器，以最具代表性的水果外在品质作为分级依据，并且采用了与一般研究不同的水果图像采集方式，利用三个摄像头同时从三个不同的角度提取包括颜色、形状和大小的三个水果外在特征，再利用设计好的神经网络分类器进行分级，得出最后的结果。
2．系统设计原理
水果等级分类系统设计分为3个阶段: 首先是原始图像的基本处理，其次是特征提取，分别提取水果的颜色、形状和大小三个最具代表性的特征，最后，设计神经网络分类器。系统总体结构示意如图（1）所示：
图（1） 系统总体结构示意图
三个摄像头同时采集水果的原始图像，并由三台计算机分别对图像采取细化处理和特征提取，最后，提取的特征值作为神经网络分类器的输入值，经过一段时间的训练之后，得出水果最终的判别结果。下面分别详细介绍本系统三个阶段的设计过程。
2.1 水果图像处理
首先，对原始图像进行了锐化操作，再对其求反及补色，其次，再利用边缘检测来分割图像，其基本思想就是先检测图像中的边缘点，按照某种策略将边沿点连接成轮廓，从而构成分割区域。目前常用的边缘检测算子有四种：Canny算子，Prewitt边缘检测算子、Roberts边缘检测算子和Sobel边缘检测算子。本文分别采用这4种算子对原始图像进行了边缘分割，效果如图（2）所示：
图（2） 边缘分割算子比较图
比较4个算子的检测效果，可以发现经sobel算子和prewitt算子检测得到的物体轮廓较为清晰，故本文采用了效果最好的sobel算子作为图像边缘检测算子，为之后的形状检测，即计算苹果大小的横纵比做准备。
2.2 水果的特征提取：
1）水果的颜色特征：摄像头采集的图像一般采用RGB颜色空间，但RGB颜色空间对光照变化敏感。从生理学的角度理解，HSI系统直接采用颜色特性意义上的色调、亮度和饱和度来描述每种颜色， 比较符合人类对颜色的理解，故本系统把RGB空间转换为HSI空间，采用H分量作为水果的颜色特征。其中H分量的计算公式如下：
公式（1）
2）水果的形状特征：本系统将水果的形状特征定义为水果图像中的最大横轴与最大纵轴之比值。将原始图像转换为灰度图像，通过灰度图像的直方图阈值分割，计算该图像的最大横轴和最大纵轴之比值，该值越接近1，表明该水果形状越规则。计算公式如下：
公式（2）
3）水果的面积特征：定义为水果图像的面积值。具体做法是，先对水果图像进行二值化处理，再对水果区域内（白色区域）的所有像素点进行求和计算，其结果定义为水果的面积值。在实验计算过程中发现：底板的颜色对面积的大小有一定的影响，故在实验中，本系统采用了不同颜色的底板进行对比。发现在外部环境不变的情况下，采用黑色底板能够极大地减小底板的影响，故在采集水果图像时，配备了黑色底板。
2.3神经网络分类器设计
神经网络作为分类器设计有很多种类型，本文采用了最为常用的三种神经网络来设计分类器，它们分别是BP网络，径向基神经网络，以及自组织竞争神经网络。
BP神经网络采用四层结构，包括一个输入层、两个隐节点层和一个输出层。在本文的实验中，我们发现两层隐节点层在BP训练结束后，对新进的对象判断稳定性很好，同时花费的训练实验时间也在允许范围之内，故采用了两层隐节点层。其中，输入层有三个节点，分别为水果的三个外在特征值；第一层隐节点层为四个节点，第二次隐节点层为三个节点，输出层的节点数根据水果分级的级别数来设定。由于本系统暂时只对优质和较差两类水果进行分级，故输出节点为一个。并且神经网络的具体参数为：trainParam.lr=0.001；trainParam.mc=0.9；trainParam.epochs=20000；trainParam.goal =0.0001；trainParam.max_fail=1000。
径向基函数神经网络采用具有单隐层的三层前馈型网络，能够以任意精度逼近任意连续函数，且具有最佳逼近，克服局部极小值问题的性能。一般而言SPREAD值越大，函数就越平滑，但运行也更加复杂，故本系统的径向基网络的spread参数取0.15。
竞争网络只有单层神经元，其输入节点与输出节点之间是直接相连接的，网络在学习中的竞争型也表现在输出层上。本文根据输入矢量的维数估计，适当的调整该网络的参数。
3．实验结果与分析
为了检验本文的水果分级效果，以苹果为实验对象，进行了验证实验。因为只是验证实验，故苹果的等级暂时分为“优质”与“较差”两种。实验中，每个苹果分别采集三幅图像，取其中60幅作为训练样本，另外165幅作为测试样本。第一类实验训练样本与测试样本相一致，分别记录三个不同网络分类器的分级正确率；第二类实验训练样本与测试样本不相同，也分别记录各种分类器的分级正确率。得到的实验结果如表1所示：
从表1可以看出，当训练样本与测试样本一致时，径向基网络作为分类器效果最好；但当训练样本与测试样本不一致时，BP网络效果最好。但当训练样本和测试样本不一致时，我们分别计算了方差，发现SOM（自组织竞争型网络）方差最小，最为稳定。因此，如果将系统的鲁棒性和分级正确率两方面综合起来考虑的话，采用SOM网络效果较好。
4．结论
本系统通过提取水果的最具代表性的外在品质特征，作为各个神经网络分类器的输入数据。再对各个神经网络的分类结果进行分析，发现实验中影响较大的因素有两个：其一是底板的颜色对面积的大小有一定的影响，本系统采用了黑色底板，在某种程度上可以消除影响。其二是如果水果的表面颜色变化较大时，试验过程中所得的H值会相对趋向于坏苹果的H值，从而导致对水果等级的误判。故建议采用多分类器融合算法消除影响。
参考文献：
[1]I.Kavdir，D，E，Guyer . Apple Sorting Using Artificial Neural Networks and Spectral Imaging[J]， Transactions of the ASAE， American Society of Agricultural Engineers ISSN， 2002 Vol. 45(6): 1995–2005.
[2]TRUEBA E A， OROPEZA M JL， ORTIZ C A， et a.l Identification of eroded zones with digital images using artificial neural networks [ J]. Agrociencia，2004， 38( 6): 573- 581.
[3]吕秋霞.张景鸿. 基于神经网络的水果自动分类系统设计[J]. 安徽农业科学， 2009， 37（35）：17392-17394，17439
[4]葛纪帅，赵春江等. 基于智能称重的水果分级生产线设计[J]. 农机化研究， 2012， 34 (1): 203-208.
[5]毛华先， 莫建灿等. 水果品质智能化实时监测和分级系统研究[ J]. 农机化研究， 2010， 32（10）112-116.
[6]饶秀琴，应义斌. 水果按表面颜色分级的方法[ J]. 浙江大学学报（工学版）， 2009， 第5期:89-93
[7]毕卫红、付兴虎、王奎荣等. 水果品质近红外检测技术的研究现状与发展[J]. 激光与光电子学进展，2006， 12(6): 1—5
[8]周晓蓉，杨坚，梦必胜等.5BF-3型水果分级机性能影响因素的试验研究[J]. 农机化研究， 2007，26（2）234-238.
[9]张海亮，左雪萍. 苹果自动分级中计算机视觉信息处理技术的研究[J]. 农机化研究， 2006，16（1）97-102.
[10]黄秀玲，郑加强，赵茂成. 水果分级支撑技术的研究进展[J]. 南京林业大学学报自然科学版，2007，24（2）：250-25
[关键词]外在品质 图像处理 特征提取 神经网络分类器
1．引言
随着计算机图像处理、模式识别等技术的成熟和发展，水果的分级方式正逐步由机器替代人工。为了提高机器分级系统的质量与水平，国内外学者们做了大量的相关研究[1~10]，有些是基于水果的内在品质，如水果的化学成分等因素进行分级；也有些是基于水果的外在品质，如水果的形状等因素进行分级研究。
本文在参考大量研究文献的基础上[1~10]，以神经网络作为等级分类器，以最具代表性的水果外在品质作为分级依据，并且采用了与一般研究不同的水果图像采集方式，利用三个摄像头同时从三个不同的角度提取包括颜色、形状和大小的三个水果外在特征，再利用设计好的神经网络分类器进行分级，得出最后的结果。
2．系统设计原理
水果等级分类系统设计分为3个阶段: 首先是原始图像的基本处理，其次是特征提取，分别提取水果的颜色、形状和大小三个最具代表性的特征，最后，设计神经网络分类器。系统总体结构示意如图（1）所示：
图（1） 系统总体结构示意图
三个摄像头同时采集水果的原始图像，并由三台计算机分别对图像采取细化处理和特征提取，最后，提取的特征值作为神经网络分类器的输入值，经过一段时间的训练之后，得出水果最终的判别结果。下面分别详细介绍本系统三个阶段的设计过程。
2.1 水果图像处理
首先，对原始图像进行了锐化操作，再对其求反及补色，其次，再利用边缘检测来分割图像，其基本思想就是先检测图像中的边缘点，按照某种策略将边沿点连接成轮廓，从而构成分割区域。目前常用的边缘检测算子有四种：Canny算子，Prewitt边缘检测算子、Roberts边缘检测算子和Sobel边缘检测算子。本文分别采用这4种算子对原始图像进行了边缘分割，效果如图（2）所示：
图（2） 边缘分割算子比较图
比较4个算子的检测效果，可以发现经sobel算子和prewitt算子检测得到的物体轮廓较为清晰，故本文采用了效果最好的sobel算子作为图像边缘检测算子，为之后的形状检测，即计算苹果大小的横纵比做准备。
2.2 水果的特征提取：
1）水果的颜色特征：摄像头采集的图像一般采用RGB颜色空间，但RGB颜色空间对光照变化敏感。从生理学的角度理解，HSI系统直接采用颜色特性意义上的色调、亮度和饱和度来描述每种颜色， 比较符合人类对颜色的理解，故本系统把RGB空间转换为HSI空间，采用H分量作为水果的颜色特征。其中H分量的计算公式如下：
公式（1）
2）水果的形状特征：本系统将水果的形状特征定义为水果图像中的最大横轴与最大纵轴之比值。将原始图像转换为灰度图像，通过灰度图像的直方图阈值分割，计算该图像的最大横轴和最大纵轴之比值，该值越接近1，表明该水果形状越规则。计算公式如下：
公式（2）
3）水果的面积特征：定义为水果图像的面积值。具体做法是，先对水果图像进行二值化处理，再对水果区域内（白色区域）的所有像素点进行求和计算，其结果定义为水果的面积值。在实验计算过程中发现：底板的颜色对面积的大小有一定的影响，故在实验中，本系统采用了不同颜色的底板进行对比。发现在外部环境不变的情况下，采用黑色底板能够极大地减小底板的影响，故在采集水果图像时，配备了黑色底板。
2.3神经网络分类器设计
神经网络作为分类器设计有很多种类型，本文采用了最为常用的三种神经网络来设计分类器，它们分别是BP网络，径向基神经网络，以及自组织竞争神经网络。
BP神经网络采用四层结构，包括一个输入层、两个隐节点层和一个输出层。在本文的实验中，我们发现两层隐节点层在BP训练结束后，对新进的对象判断稳定性很好，同时花费的训练实验时间也在允许范围之内，故采用了两层隐节点层。其中，输入层有三个节点，分别为水果的三个外在特征值；第一层隐节点层为四个节点，第二次隐节点层为三个节点，输出层的节点数根据水果分级的级别数来设定。由于本系统暂时只对优质和较差两类水果进行分级，故输出节点为一个。并且神经网络的具体参数为：trainParam.lr=0.001；trainParam.mc=0.9；trainParam.epochs=20000；trainParam.goal =0.0001；trainParam.max_fail=1000。
径向基函数神经网络采用具有单隐层的三层前馈型网络，能够以任意精度逼近任意连续函数，且具有最佳逼近，克服局部极小值问题的性能。一般而言SPREAD值越大，函数就越平滑，但运行也更加复杂，故本系统的径向基网络的spread参数取0.15。
竞争网络只有单层神经元，其输入节点与输出节点之间是直接相连接的，网络在学习中的竞争型也表现在输出层上。本文根据输入矢量的维数估计，适当的调整该网络的参数。
3．实验结果与分析
为了检验本文的水果分级效果，以苹果为实验对象，进行了验证实验。因为只是验证实验，故苹果的等级暂时分为“优质”与“较差”两种。实验中，每个苹果分别采集三幅图像，取其中60幅作为训练样本，另外165幅作为测试样本。第一类实验训练样本与测试样本相一致，分别记录三个不同网络分类器的分级正确率；第二类实验训练样本与测试样本不相同，也分别记录各种分类器的分级正确率。得到的实验结果如表1所示：
从表1可以看出，当训练样本与测试样本一致时，径向基网络作为分类器效果最好；但当训练样本与测试样本不一致时，BP网络效果最好。但当训练样本和测试样本不一致时，我们分别计算了方差，发现SOM（自组织竞争型网络）方差最小，最为稳定。因此，如果将系统的鲁棒性和分级正确率两方面综合起来考虑的话，采用SOM网络效果较好。
4．结论
本系统通过提取水果的最具代表性的外在品质特征，作为各个神经网络分类器的输入数据。再对各个神经网络的分类结果进行分析，发现实验中影响较大的因素有两个：其一是底板的颜色对面积的大小有一定的影响，本系统采用了黑色底板，在某种程度上可以消除影响。其二是如果水果的表面颜色变化较大时，试验过程中所得的H值会相对趋向于坏苹果的H值，从而导致对水果等级的误判。故建议采用多分类器融合算法消除影响。
参考文献：
[1]I.Kavdir，D，E，Guyer . Apple Sorting Using Artificial Neural Networks and Spectral Imaging[J]， Transactions of the ASAE， American Society of Agricultural Engineers ISSN， 2002 Vol. 45(6): 1995–2005.
[2]TRUEBA E A， OROPEZA M JL， ORTIZ C A， et a.l Identification of eroded zones with digital images using artificial neural networks [ J]. Agrociencia，2004， 38( 6): 573- 581.
[3]吕秋霞.张景鸿. 基于神经网络的水果自动分类系统设计[J]. 安徽农业科学， 2009， 37（35）：17392-17394，17439
[4]葛纪帅，赵春江等. 基于智能称重的水果分级生产线设计[J]. 农机化研究， 2012， 34 (1): 203-208.
[5]毛华先， 莫建灿等. 水果品质智能化实时监测和分级系统研究[ J]. 农机化研究， 2010， 32（10）112-116.
[6]饶秀琴，应义斌. 水果按表面颜色分级的方法[ J]. 浙江大学学报（工学版）， 2009， 第5期:89-93
[7]毕卫红、付兴虎、王奎荣等. 水果品质近红外检测技术的研究现状与发展[J]. 激光与光电子学进展，2006， 12(6): 1—5
[8]周晓蓉，杨坚，梦必胜等.5BF-3型水果分级机性能影响因素的试验研究[J]. 农机化研究， 2007，26（2）234-238.
[9]张海亮，左雪萍. 苹果自动分级中计算机视觉信息处理技术的研究[J]. 农机化研究， 2006，16（1）97-102.
[10]黄秀玲，郑加强，赵茂成. 水果分级支撑技术的研究进展[J]. 南京林业大学学报自然科学版，2007，24（2）：250-25