屈年巍,馬本學,王維新,祁想想,肖文東

(石河子大學機械電氣工程學院,石河子832003)

基于機器視覺和人工神經(jīng)網(wǎng)絡的庫爾勒香梨顏色分級

屈年巍,馬本學,王維新,祁想想,肖文東

(石河子大學機械電氣工程學院,石河子832003)

為實現(xiàn)香梨顏色的自動化分級,建立了機器視覺實驗臺,將實驗臺采集到的香梨圖像由 RGB格式轉(zhuǎn)化為HSI格式進行描述,并采用 H分量信息對圖像進行背景分割,提取香梨表面像素的顏色信息,建立BP網(wǎng)絡對圖像顏色進行分類,網(wǎng)絡輸入層有2個節(jié)點,隱含層有7個節(jié)點,輸出層有1個節(jié)點,顏色分類結(jié)果的準確率為95%。關(guān)鍵詞:機器視覺;神經(jīng)網(wǎng)絡;顏色;分級;香梨

Abstract:In order to achieve the automation of fragrant pear color grading,a machine vision experiment platform was established.The RGB images of fragrant pears were acquired from the experiment platform,and then transformed the images of fragrant pears from RGB to HIS.The information of H element was used to separate the fragrant pear from background.The color information of the pixel on the surfaces of fragrant pears was counted.A BP artificial neural networks was established to classify the fragrant pears’color.There are two nodes of chroma in the input layer,seven nodes in the implicit layer and one node in the output layer.The accuracy rate of classification for color is 95%.

Key words:machine vision;neural network;color;grading;Korla fragrant pear

庫爾勒香梨是新疆在海內(nèi)外最負盛名的果品之一,在海外市場上被譽為“中華蜜梨”、“梨中珍品”。目前香梨分級主要是以果實大小作為分級標準。這嚴重影響了香梨的果品價值。在庫爾勒香梨國家標準(GB/T19859-2005)中,顏色也是判斷香梨品質(zhì)的重要指標之一。而且在很多同類水果中,著色好且均勻一致的水果商品價值較高。顏色也在一定程度上代表著水果成熟度,間接反映了水果的糖度、酸度及口感等。因此,香梨按顏色分級也是香梨自動化檢測中的一項重要內(nèi)容。隨著計算機技術(shù)的迅速發(fā)展,計算機及視覺設(shè)備價格大幅度下降而速度成倍提高,為計算機視覺技術(shù)的廣泛應用創(chuàng)造了條件[1]。

機器視覺系統(tǒng)工作的關(guān)鍵環(huán)節(jié)是圖像處理,而要解決此問題必須先將成熟香梨果實的圖像從復雜的背景圖像中提取出來,即對實際拍攝的彩色圖像進行分割。目前常用的圖像分割技術(shù)有閾值分割法[2-3]、區(qū)域生長法[4]、二維直方圖邊緣檢測與邊界跟蹤法[5]等。

國內(nèi)已經(jīng)有學者利用機器視覺對庫爾勒香梨果梗及類別進行檢測與識別研究[6-7]。馮斌等[8]通過對不同著色等級的水果分析,以各色度在水果表面分布的分形維數(shù)為特征對蘋果進行了分級。何東健等[9]通過機器視覺自動檢測蘋果表面著色度,采用合適色相值累計著色面積百分比的方法對蘋果進行了分級。本實驗在分析庫爾勒香梨顏色特征的基礎(chǔ)上,運用閾值分割,對基于顏色的香梨自動分級方法進行了研究。

1 材料與方法

1.1 材料

本實驗系統(tǒng)分為硬件系統(tǒng)和軟件系統(tǒng)。其中硬件系統(tǒng)包括:日本JAI公司的CV-M7+CL相機、可調(diào)亮度白色L ED光源、光電傳感器、加拿大Matrox公司的SOL6MCL圖像采集卡、可調(diào)速傳送裝置、計算機等設(shè)備。裝置系統(tǒng)如圖1所示。

實驗采用的軟件系統(tǒng)為MATLAB圖像處理工具包和神經(jīng)網(wǎng)絡工具包,MIL9.0圖像處理及采集軟件。

實驗材料為采購于石河子市市場上的庫爾勒香梨50個,其中最大的188.81 g最小的93.46 g,平均重量115.38 g,香梨橫縱徑比(果形指數(shù))為0.70至0.95。其中脫萼果14,宿萼果36個。

圖1 機器視覺實驗臺示意Fig.1 Scheme of the machine vision experiment platform

1.2 方法

將香梨橫放在傳送帶上,當香梨運動至光電傳感器時,傳感器信號被切斷,將信號發(fā)送至計算機,計算機通過圖像采集卡觸發(fā)相機,對香梨圖像進行采集拍攝1幅圖像。每個香梨采集2幅圖像,分別位于香梨縱軸相反2個表面。

由實驗系統(tǒng)采集到的香梨圖像為彩色圖像,由R、G、B 3種基色組成的合成圖像。為了提高處理速度,將 RGB圖像轉(zhuǎn)換為 HSI圖像,其中 H表示色度(Hue),代表顏色的類型;S表示飽和度(Saturation),代表顏色的純度;I表示強度(intensity),代表光亮的強度,其中 I分量與圖像的彩色信息無關(guān),圖像的濾波處理,這樣可將圖像由原來的三維降至一維,減少了2/3的運算量,從而顯著提高運算速度。H值可由式(1)計算。

上式中,R、G、B分別代表紅、綠、藍三原色刺激值。

一幅圖像包括目標、背景和噪聲[10]。如果一幅圖像滿足這些條件,其灰度直方圖基本上可以看作是分別對目標和背景的2個單峰直方圖混合構(gòu)成的。如果直方圖為較明顯的雙峰,則可以使用取閾值法來對背景較好的進行分割。典型圖像雙峰直方圖模型見文獻[11]。

目前,許多模型都采用BP網(wǎng)絡(back propagation network)模型及其變化形式。該算法利用誤差反向傳播算法求解的多層前向神經(jīng)網(wǎng)絡模型。

BP神經(jīng)網(wǎng)絡的設(shè)計主要涉及輸入層、隱層、輸出層各層之間傳輸函數(shù)。由于香梨圖像信息中2個主要信息(平均值和方差)已經(jīng)被測量出來,將其作為香梨表面信息的主要描述特征。因此,輸入層神經(jīng)元數(shù)量為2,而為將香梨顏色分為紅(0)和綠(1)2種,因此輸出層神經(jīng)元數(shù)量為1。為簡化起見,將隱層數(shù)量設(shè)為1,即單隱層。對用于模式識別/分類的BP網(wǎng)絡,根據(jù)經(jīng)驗,可以參照以下公式進行設(shè)計:

式(2)中,n為隱層節(jié)點數(shù);ni為輸入節(jié)點數(shù);n0為輸出節(jié)點數(shù);a為1～10的常數(shù)。

在本實驗中,隱層節(jié)點數(shù)取7,輸入層和隱層之間的傳輸函數(shù)采用‘tansig’。隱層和輸出層之間的函數(shù)采用‘purelin’。訓練目標和學習效率均采用系統(tǒng)默認參數(shù)。由于主要輸入?yún)?shù)大小位于0到1之間,不存在大樣本吞吃小樣本的情況,因此沒有對數(shù)據(jù)進行歸一化處理。

2 結(jié)果與分析

根據(jù)以上分析,首先將香梨圖像由RGB格式轉(zhuǎn)換為 HSI格式[11],其中的 H分量即可獲得香梨表面的顏色信息。轉(zhuǎn)換之后的圖像如圖2所示。

將所得圖像進行直方圖校正及閾值分割結(jié)果見圖3。

由圖3可知,香梨圖像在 H分量為典型雙峰直方圖,采用較大閾值方差法可有效將背景和香梨分開,令背景區(qū)域元素值為0與原圖像相乘,可將背景有效去除。分離后的圖像如圖4所示。

利用MA TLAB軟件圖像處理工具包統(tǒng)計背景分割后的香梨圖像的像素平均值和方差,平均值、方差和顏色的詳細信息見表1。

為方便記錄,將實際顏色為綠色的香梨標記為1,紅色標記為0。

圖2 RGB格式轉(zhuǎn)換為HSI格式的香梨圖像Fig.2 Image of pear change from RGB format to HSIformat

圖3 香梨圖像 H分量閾值分割Fig.3 Threshold of H weight

圖4 背景分割后香梨圖像Fig.4 Image of pear apart from background

表1 香梨圖像像素平均值、方差及顏色Tab.1 The means and square of pixels and the color of the pears

續(xù)表

將帶輸入向量和目標向量輸入,如圖5所示。訓練步數(shù)取3000步,在第2199步時出現(xiàn)最優(yōu)訓練結(jié)果(圖6),訓練狀態(tài)和訓練回歸曲線分別見圖7、圖8。

將20個測試樣本由訓練好的網(wǎng)絡進行檢測,檢測的正確率為95%。

圖5 訓練向量和目標向量Fig.5 Training vector and target vector

圖6 最優(yōu)訓練步數(shù)Fig.5 Epoch of best training performance

圖7 訓練狀態(tài)Fig.7 Training state

圖8 訓練回歸曲線Fig8.Regression curve

3 結(jié)論

對采集到的香梨圖像進行處理分析,可以得到以下結(jié)論:

1)利用水果表面顏色信息數(shù)字模型的平均值及方差作為判斷香梨顏色的一種方法是可行的。

2)本實驗對香梨顏色檢測的方法也可用于其它水果的檢測。

本次實驗研究是在靜態(tài)條件下對庫爾勒香梨顏色進行自動識別,故今后研究擬進行動態(tài)檢測研究,為實現(xiàn)庫爾勒香梨顏色的自動化分級檢測奠定基礎(chǔ)。

[1]趙茂程,侯文軍.我國基于機器視覺的水果自動分級技術(shù)及研究進展[J].包裝與食品機械,2007(5):5-8.

[2]趙杰文,劉木華,楊國彬.基于 HIS顏色特征的田間成熟番茄識別技術(shù)[J].農(nóng)業(yè)機械學報,2004,35(9):122-124,135.

[3]D M Bulanon,T Kataoka,YOta,et al Asegmentation algorithm for the automatic recognition of Fuji Apples atharves[J].Biosystems Engineering,2002,83(4):405-412.

[4]畢凌燕,余英林.基于XYZ空間的區(qū)域生長法分割圖像[J].計算機工程與應用,2003,39(17):56-57.

[5]張瑞合,姬長英,沈明霞,等.計算機視覺技術(shù)在番茄收獲中的應用[J].農(nóng)業(yè)機械學報,2001,32(5):50-52,58.

[6]馬本學.基于數(shù)學形態(tài)學的香梨果梗提取方法[J].石河子大學學報:自然科學版,2008,26(5):636-638.

[7]Benxue Ma,Yibin Ying.Fragrant pear sexuality recognition with machine vision[J].Proc of SPIE,2006,6381(11):1-8.

[8]馮斌,汪懋華.基于顏色分形的水果計算機視覺分級技術(shù)[J].農(nóng)業(yè)工程學報,2002,18(2):141-144.

[9]何東健,楊青.果實表面顏色計算機視覺分級技術(shù)研究[J].農(nóng)業(yè)工程學報,1998,14(3):202-205.

[10]Jiangsheng Gui,Benxue Ma,Xiuqin Rao,et al.Analysis and selection of the methods for fruit image denoise[J].Proc of SPIE,2006,761(17):1-8.

[11]謝鳳英,趙丹培.Visual C++數(shù)字圖像處理[M].北京:電子工業(yè)出版社,2008.

[12]Rafael C Gonzalez,Richard E Woods,Steven L Eddins,et al.數(shù)字圖像處理(MATLAB版)[M].北京:電子工業(yè)出版社,2004.

Color Grading of Korla Fragrant Pears Based on Neural Network and Machine Vision

QUNianwei,MA Benxue,WANG Weixin,QI Xiangxiang,XIAO Wendong
(College of Mechanical Electrical Engineering,Shihezi University,Shihezi 832003,China)

TP391.41;S712

A

1007-7383(2010)04-0514-05

2010-02-14

國家自然科學基金項目(60665002)

屈年巍(1984-),男,碩士生,專業(yè)方向為數(shù)字圖像處理及模式識別;e-mail:qnw?shz@sina.com。

馬本學(1970-),男,教授,從事農(nóng)產(chǎn)品品質(zhì)無損檢測及裝備方面研究;e-mail:mbx?shz@163.com。