吳明清 李傳峰 弋曉康

(塔里木大學(xué)機(jī)械電氣化工程學(xué)院，新疆阿拉爾，843300)

棗(Ziziphus jujbbe Mill)屬鼠李科(Rhamnus)棗屬(ZiziPHus Mill)植物，原產(chǎn)于中國是我國古老的果樹和我國古代著名的“五果之一[1]”。紅棗具有極高的營養(yǎng)保健價(jià)值及藥用價(jià)值，素有“木本糧食，滋補(bǔ)佳品”的美譽(yù)，是集藥、食、補(bǔ)三大功能為一體的保健果品[2]。

自20世紀(jì)60年代，新疆喀什地區(qū)，阿拉爾墾區(qū)從河北、河南、山西等地方引進(jìn)灰棗，壺瓶棗、園脆棗等進(jìn)行栽培。21世紀(jì)前后新疆南部又大量引進(jìn)其他一些品種。如：駿棗，冬棗。為了收集不同用途，不同成熟期的優(yōu)良品種，在新疆溫宿縣建立一個(gè)紅棗資源庫[2]。由于紅棗資源非常豐富，樣本多，給鑒評帶來很大的困難，本文采用特征識別和神經(jīng)網(wǎng)絡(luò)結(jié)合的方法進(jìn)行圖像識別系統(tǒng)研究，具有快速、及時(shí)、無破壞性多指標(biāo)同時(shí)鑒定等優(yōu)點(diǎn)，可提高測定的效率，降低鑒別成本，消除任務(wù)造作誤差，測定信息更為客觀和真實(shí)，為紅棗的品質(zhì)鑒別提供了理論和技術(shù)依據(jù)。

1 材料與方法

1.1 材料

試驗(yàn)紅棗采集于新疆阿拉爾農(nóng)墾十團(tuán)某紅棗基地。采集紅棗果實(shí)品種有灰棗圖1(a)、雞心棗圖1(b)、金昌棗圖1(c)、駿棗圖1(d)、圓脆棗圖1(e)，做為計(jì)算機(jī)識別目標(biāo)。樣品采摘時(shí)間為2013年11月15日，密封后放入冰箱冷藏備用。

圖1 紅棗品種

2 圖像處理方法

采集時(shí)選擇顏色鮮艷，表面光滑，含水充足的5種紅棗果實(shí)的150個(gè)有代表性紅棗作為試驗(yàn)樣本放置于OK-AC1300型的攝像頭下圖像采集制成分辨率為3 000*4 000的jpg格式的數(shù)字圖像。如圖2(a)為紅棗的一個(gè)圖像樣本；對圖像進(jìn)行處理，主要包括圖像的灰度化，濾波，閥值分割，棗果圖像形態(tài)學(xué)處理和輪廓提取5個(gè)環(huán)節(jié)。本文以灰棗圖像為例，演示紅棗圖像的預(yù)處理過程。圖像處理和特征提取和均采用Matlab 7. 0軟件實(shí)現(xiàn)。

2.1 灰度化圖像

采集獲取的紅棗圖像為RGB彩色圖像，需要對該圖像進(jìn)行灰度化處理。彩色圖像轉(zhuǎn)化為灰度圖像的公式為Y=R×0. 298 9+ G×0. 587 0+ B×0. 114 1其中，R, G, B別為彩色圖像中像素的紅，綠，藍(lán)3個(gè)分量，Y是該像素在灰度圖像中的灰度值。因此在圖像去除噪音。采用3X3均值濾波對灰度圖去噪。如圖2(c)所示。

2.2 閥值分割

閥值分割就是把灰度圖像轉(zhuǎn)化為二值圖像時(shí)，需要設(shè)定一個(gè)閥值，方便對輪廓特征的形狀特征的提取。本試驗(yàn)采用最大類間方差法(0stu)獲得一個(gè)合適的閾值(threshold)把紅棗的灰度圖像轉(zhuǎn)化為二值圖像[3]。

2.3 形態(tài)學(xué)處理

在二值化分割工作，發(fā)現(xiàn)紅棗表面可能遭受蟲子的侵蝕和失去水分后的褶皺，從而在分割后的紅棗圖像內(nèi)部存在小的空洞，影響輪廓的提取，因此這部分圖像在二值化后需要進(jìn)一步處理。為了保護(hù)紅棗圖像的形態(tài)特征以及邊緣的清晰，采用了數(shù)學(xué)形態(tài)學(xué)里的閉運(yùn)算，即先進(jìn)行膨脹運(yùn)算，然后腐蝕運(yùn)算，這樣就消除了紅棗內(nèi)部的小孔洞。如圖3所示。

圖2 灰棗俯視圖像預(yù)處理

2.4 輪廓的提取

由于紅棗的輪廓是紅棗自身的一個(gè)圖像象素子集，而且紅棗輪廓中含有豐富的形態(tài)學(xué)信息，通過輪廓來計(jì)算形態(tài)特征計(jì)算比較簡單，計(jì)算量小。為了紅棗輪廓進(jìn)行分析，需要對輪廓進(jìn)行跟蹤，分割后的圖像輪廓像素由0和1組成，1代表輪廓點(diǎn)的像素，對1像素點(diǎn)跟蹤其8個(gè)方向的領(lǐng)域，同時(shí)采用鏈碼跟蹤輪廓點(diǎn)并進(jìn)行編碼[4]。 具體跟蹤算法步驟如下：

2.4.1 按照從上到下和從左到右的順序逐次掃描圖像，以第一個(gè)像素值1的點(diǎn)定位起始點(diǎn)，如果找不到起始點(diǎn)算為結(jié)束。

圖3 金昌棗俯視圖像形態(tài)學(xué)處理

2.4.2 按逆時(shí)針順序從當(dāng)前點(diǎn)右邊開始搜尋器8個(gè)方向上的領(lǐng)域點(diǎn)，如果發(fā)現(xiàn)未曾搜索過的像素點(diǎn)1，并且該點(diǎn)8個(gè)方向的領(lǐng)域點(diǎn)含有0值像素點(diǎn)，則講1值像素點(diǎn)值為當(dāng)前點(diǎn)，同時(shí)記錄下相應(yīng)的鏈碼值。重復(fù)該過程指導(dǎo)找到起始點(diǎn)。

2.4.3 根據(jù)所記錄的鏈碼值，采用8個(gè)方向弗里曼碼進(jìn)行編碼，從而獲得輪廓信息。圖2(g)顯示了對圖2(f)中紅棗輪廓胡跟蹤結(jié)果。

通常采用紅棗果實(shí)特征，比如顏色，大小等區(qū)別不同品種，但是紅棗的形狀特征進(jìn)行紅棗品種的鑒別。根據(jù)收集后的五種紅棗來看，不同品種存在很大的差異，即使同一種紅棗有所不同，比如周長、面積、縱軸長，短軸長等。本試驗(yàn)利用紅棗輪廓計(jì)算描述紅棗的形狀絕對特征值，包括紅棗的內(nèi)接圓，最小包圍盒，外接圓，凸包等。根據(jù)文獻(xiàn)[4]中的介紹，特征參量計(jì)算可以得到8項(xiàng)相對特征值： 如縱橫軸比、矩形度、面積的凹凸比、周長的凹凸比、球狀性、圓形度、偏心率等。

以上8項(xiàng)幾何特征都具有旋轉(zhuǎn)、平移和尺度不變性，表1為

Hu[5]提出的7項(xiàng)不變矩也具有天然的旋轉(zhuǎn)、平移和尺度不變性，在圖像識別領(lǐng)域經(jīng)常用到，但是僅限于灰度圖像。Chen[6]等人在Hu的基礎(chǔ)上改進(jìn)其算法，使其能夠適用于輪廓。表2為圖2(a)中灰棗輪廓圖像對其縮小一倍和旋轉(zhuǎn)90°后的7項(xiàng)Hu不變距特征參數(shù)，可以看出，旋轉(zhuǎn)和縮小后的圖像與原圖像的7項(xiàng)不變矩基本保持不變。

表1 灰棗俯視圖8項(xiàng)幾何特征數(shù)值

表2 灰棗俯視圖以及縮小旋轉(zhuǎn)后的Hu特征數(shù)值

從上述兩種表格可以看出，紅棗的8項(xiàng)幾何特征和7項(xiàng)Hu不變矩不在同一個(gè)數(shù)量級上，而且存在較大的差異，因此需要對各項(xiàng)特征進(jìn)行歸一化處理，采用公式(9)能把個(gè)項(xiàng)特征值都?xì)w一化到[0,1]范圍內(nèi)。

(9)

其中E為特征值，Emax為所有特征值樣本數(shù)據(jù)中該項(xiàng)特征的最大值，Emin為所有征值樣本數(shù)據(jù)中該項(xiàng)特征的最小值。

人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，縮寫ANN)，簡稱神經(jīng)網(wǎng)絡(luò)(neural network，縮寫NN)，是一種模仿生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能的數(shù)學(xué)模型或計(jì)算模型。神經(jīng)網(wǎng)絡(luò)由大量的人工神經(jīng)元聯(lián)結(jié)進(jìn)行計(jì)算。現(xiàn)代神經(jīng)網(wǎng)絡(luò)是一種非線性統(tǒng)計(jì)性數(shù)據(jù)建模工具，常用來對輸入和輸出間復(fù)雜的關(guān)系進(jìn)行建模[7]。PNN是專門應(yīng)用于解決分類問題的人工神經(jīng)網(wǎng)絡(luò)，其主要用基于概率統(tǒng)計(jì)思想。由Bayes分類規(guī)則構(gòu)成，采用Parzen窗函數(shù)密度估計(jì)方法估算條件概率，從而進(jìn)行分類模式識別[8]。在matlab7.0的PNN神經(jīng)網(wǎng)絡(luò)工具中包含了進(jìn)行PNN分析和設(shè)計(jì)的許多函數(shù)，如newpnn(P,T,spread)可以快速創(chuàng)建一個(gè)神經(jīng)網(wǎng)絡(luò)。該函數(shù)使輸入層P的神經(jīng)元數(shù)目和T樣本矢量的維數(shù)相等，其節(jié)點(diǎn)數(shù)目取決于輸入與輸出特征向量的維數(shù)。提取紅棗的15項(xiàng)特征值，把它們歸一化后作為表征紅棗品種的向量輸入到神經(jīng)網(wǎng)絡(luò)中，因此輸入層共計(jì)有15個(gè)節(jié)點(diǎn)。輸出層節(jié)點(diǎn)數(shù)一般為識別的種類數(shù)。也可以用輸入的節(jié)點(diǎn)的編碼表示。本研究輸出種類5個(gè)，對應(yīng)5個(gè)紅棗品種，把輸出設(shè)計(jì)為阿拉伯?dāng)?shù)字(如圖2所示)。train(net,P,T)是神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)。sim( net, P)神經(jīng)網(wǎng)絡(luò)仿真函數(shù)。

表3 紅棗類別對應(yīng)的阿拉伯?dāng)?shù)字輸出值

BP(back Progagation)網(wǎng)絡(luò)是目前廣泛的神經(jīng)網(wǎng)絡(luò)模型。該網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入和輸出模式的映射關(guān)系。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層(input)、隱層(hide layer)和輸出層(output layer)。BP神經(jīng)網(wǎng)絡(luò)同樣有15個(gè)輸入神經(jīng)元和5個(gè)輸出神經(jīng)元；中間層的神經(jīng)元個(gè)數(shù)為31個(gè)，確定隱含層神經(jīng)元個(gè)數(shù)為31個(gè)。因此，網(wǎng)絡(luò)結(jié)構(gòu)為6x31x2。隱含層神經(jīng)元的傳遞函數(shù)采用S型正切函數(shù)為tansig,輸出層神經(jīng)元的傳遞函數(shù)采用S型對數(shù)函數(shù)logsig,網(wǎng)絡(luò)的訓(xùn)練函數(shù)采用trainlm。由于輸出層采用的是S型激活函數(shù)logsig，輸出永遠(yuǎn)不可能達(dá)到1或者0，使得BP網(wǎng)絡(luò)無法收斂，為了避免問題，用0. 99代替1，用0. 01代替0。利用如下代碼創(chuàng)建符合上述要求的BP網(wǎng)絡(luò)。網(wǎng)絡(luò)輸出的結(jié)果采用編碼輸出如表3所示，BP訓(xùn)練誤差曲線如圖4所示。

treshold=[01; 01; 01; 01; 01; 01; 01; 01; 01; 01; 01; 01; 01; 01; 01];

net=newff(threshold,[31,3],{'tansig','logsig'},'trainlm');

圖4 bp網(wǎng)絡(luò)訓(xùn)練網(wǎng)絡(luò)的誤差曲線

2.5 試驗(yàn)結(jié)果與分析

本文應(yīng)用matlab7.0平臺進(jìn)行圖像處理，特征提取和神經(jīng)網(wǎng)絡(luò)構(gòu)建。通過分析5種不同品種類的紅棗，得到30組特征向量，完成了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本和測試樣本的構(gòu)建。從5種紅棗中選擇20組作為網(wǎng)絡(luò)訓(xùn)練樣本和10組作為測試樣本。分別應(yīng)用BP和PNN兩個(gè)網(wǎng)絡(luò)來訓(xùn)練特征向量組成的樣本，然后對訓(xùn)練樣本進(jìn)行監(jiān)測。

表4 模型識別結(jié)果

由表4可見，PNN網(wǎng)絡(luò)的識別率高于BP,其原因是PNN采用了Parzen 函數(shù)密度估計(jì)方法估算條件概率，只考慮樣本空間的概率特性，允許增加訓(xùn)練樣，本而無需重新進(jìn)行長時(shí)間的訓(xùn)練。從整個(gè)網(wǎng)絡(luò)的訓(xùn)練來看，PNN網(wǎng)絡(luò)比BP網(wǎng)絡(luò)收斂速度快，因此在該試驗(yàn)中分類效果較好。

3 總結(jié)

對不同品種紅棗輪廓外形特征，進(jìn)行PNN神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)識別的試驗(yàn)，表明兩種神經(jīng)網(wǎng)絡(luò)作為紅棗品種的分類識別器可行進(jìn)行識別，PNN神經(jīng)網(wǎng)絡(luò)要比PN神經(jīng)網(wǎng)絡(luò)更高的識別率。

由于單純的采用了形狀特征作為分類的依據(jù)，有些紅棗品種之間相似度很大，不能很好的識別，因此，在以后的識別中應(yīng)該抓住不同紅棗的局部特征提高紅棗的識別率。此外在今后研究中應(yīng)該增加更多的紅棗品種，為實(shí)現(xiàn)紅棗智能化識別做好準(zhǔn)備。

[1] 劉孟軍，汪民.中國棗種質(zhì)資源[M].北京:中國林業(yè)出版社，2009.

[2] 郭玲,周慧杰,羅華平.新疆紅棗引種成效與其潛在性危機(jī)及防控措施[M]. 北方園藝，2013(11):194-196.

[3] otsu N.A Threshold Selection Method form Gray Level Histogram[J].IEEE Trans.on Syst.Man,Cybern.1979,9(1)62-66.

[4] 王曉峰，黃德雙.葉片圖像特征提取與識別技術(shù)的研究[J].計(jì)算機(jī)工程與應(yīng)用，2006( 3) : 191-192.

[5] Hu M K. Visual Pattern Recognition by Moment Invariants[J].IRE Transaction Information Theory, 1962, 8(2):179-187.

[6] Chen C C. Improved Moment Invariants for Shape Discrimination[J]，Pattern Recognition, 1993, 26( 5):683-686.

[7] 馮全，邵新慶，王贊文.基于BP網(wǎng)絡(luò)的典型草原群落自然演替預(yù)測模型研究[J].草地學(xué)報(bào)，2008, 16( 3):252-255.

[8] 賀鵬，黃林. 植物葉片特征提取及識別[J]. 農(nóng)機(jī)化研究,2008(6):168-199.