王孟 張海東

摘要

目前國內外普遍采用的鮮切花品質檢測方法是感官評審法，此方法易受個人主觀因素和外界因素的影響。該研究利用計算機視覺技術來代替人的感官對玫瑰切花品質等級進行分類研究，試驗中對玫瑰切花圖像進行圖像分割、圖像去噪等圖像處理后選取其7個形狀特征參數作為玫瑰切花的品質評價指標，并借助BP神經網絡建立玫瑰切花品質分級模型，分級正確率達到94%以上。試驗表明，基于計算機視覺的玫瑰切花品質分級是可行的，并且具有較高的分級正確率。

關鍵詞 玫瑰切花； 計算機視覺； 形狀特征； 神經網絡

中圖分類號S126文獻標識碼A文章編號0517-6611（2015）05-322-05

Research on Determination of Cut Roses Quality Using Computer Vision

WANG Meng， ZHANG Hai-dong*， XU Wen-fang et al

（College of Mechanical and Electrical Engineering， Yunnan Agricultural University， Kunming， Yunnan 650201）

AbstractAt present， the prevailing method to determinate flower quality is through organoleptic way at home and abroad， this method is affected by external and personal subjective factors easily. This article uses the computer vision technology to replace human's sense organ to study on classification of cut roses quality grade， in the experiment， after preprocess the cut roses image with image segmentation， image denoising， then abstract 7 shape parameters as cut roses quality evaluation index， and through the establishment of rose cut flower quality grading model based on BP neural network， the classification accuracy rate was above 94%. Experiments show that classifying cut roses based on computer vision is feasible and has highly accuracy.

Key words Cut roses； Computer vision； Shape parameter； Neural network

作者簡介

王孟（1989-），男，河南南陽人，碩士研究生，研究方向：農業(yè)機械及設施。

*通訊作者，副教授，博士，碩士生導師，從事農業(yè)機械及其自動化研究。

收稿日期2014-12-26

玫瑰屬薔薇科薔薇屬，是世界4大鮮切花之一，因其花色鮮艷、花形豐富、花香怡人，極具觀賞價值，被稱為“花中皇后”。玫瑰切花通常在采集和售賣過程中根據其外觀指標和瓶插表現進行分級，等級越高，切花價格也越高。傳統的玫瑰切花品質分級依靠專業(yè)審評員通過感官對切花花蕾、莖和葉的尺寸、外形、色澤、新鮮程度、病蟲害及機械損傷情況等指標進行逐一評判，但該方法易受外界因素和審評員個人主觀因素影響，結果不準確，且不能實現實時在線分析，效率低。這造成了我國玫瑰切花品質的良莠不齊，市場上以次充好欺瞞消費者的案例時有發(fā)生，影響了玫瑰切花的市場影響力和競爭力。所以為了增強我國玫瑰切花產業(yè)的競爭力，急需一種快速、無損的品質檢測方法來對鮮切花的品質進行檢測分級。有鑒于此，有必要研究更為先進的玫瑰切花品質檢測分級技術來替代傳統方法，以提高切花的市場競爭力，促進切花產業(yè)的發(fā)展。

計算機視覺技術是利用檢測對象本身的光、電磁學等特性得到相應的響應信號，從而在非破壞條件下獲取大量反映被檢測對象內外品質特性信息的方法。它具有檢測速度快、客觀、非接觸、操作方便和易實現在線檢測的優(yōu)點，已廣泛應用于農產品品質的評價和分級，如蘋果的分級篩選、煙葉的分級、作物生長監(jiān)測等[1- 6]。在鮮花的種植和檢測應用方面， Humphries等利用顏色特征識別切天竺葵圖像中的葉柄、主枝桿、葉片、生長點（錐）[7]；V.Steinmetz等應用計算機視覺圖像處理技術提取了玫瑰切花花莖長、花莖直徑、莖稈挺直度、花蕾成熟度和顏色特征，分別用貝葉斯算法和神經網絡進行挺直度和花蕾成熟度的分類識別，并對玫瑰切花的顏色種類進行分類識別從而確定天竺葵切割部位[8]；Byung-Chun In利用機器視覺技術結合人工神經網絡對切花玫瑰進行瓶插壽命預測，共提取了環(huán)境參數、形態(tài)參數和生理指標參數29個，獲得了較好的預測結果[9]；席友亮等利用數字圖像處理技術提取了文心蘭的花部投影面積、花部邊界長度、莖部長、花部長、切花中間部分莖粗以及莖部底端莖粗等6個形狀特征參數，使用類神經網絡對文心蘭進行分級[10]?？傮w來看，目前有關計算機視覺技術在鮮花品質檢測方面的應用還處于研究探索階段。

筆者受前人研究成果啟發(fā)，研究利用計算機視覺技術結合人工神經網絡對玫瑰切花進行品質分級，以期為玫瑰切花的品質分級找到一種新的方法，進一步推動我國鮮切花產業(yè)的發(fā)展。

1試驗材料與圖像獲取

1.1試驗材料

試驗用玫瑰品種為卡羅拉（超玫），采自昆明市斗南花卉基地，采集時選擇生長健壯、無彎莖、無病蟲害、開花指數一致的花枝進行采切。樣本自母體采切后立即放入水桶中，并于2 h內運回試驗室進行統一修剪，然后將每枝花插入容量為500 ml的錐形瓶中，倒入400 ml蒸餾水。保證實驗室室溫25 ℃，濕度30%～40%。

對采集的玫瑰切花進行人工審評分級，審評過程嚴格按《NY/T 321-1997》切花分級標準進行。試驗采集的卡羅拉（超玫） 樣本共98支，人工審評分級結果為：A級38支，B級38支，C級22支。隨機選取A等級34個樣本，B等級32個樣本，C等級13個樣本，共79個作為訓練集，余下的19個樣本作為測試集，其中包括A等級4個樣本、B等級6個樣本、C等級9個樣本。

1.2圖像采集系統及其標定

考慮到帶莖鮮切花圖像采集的需要，該研究專門搭建了針對玫瑰切花及其他品種切花的計算機視覺圖像采集系統，整個系統主要由光源、圖像采集和圖像分析等分系統組成，見圖1。

圖中分別使用工業(yè)相機采集玫瑰切花整體圖像信息（側拍）和玫瑰切花的花苞圖像（頂拍）。相機為德國the Imaging Source 的DFK 31BG03.H kM以太網CCD彩色工業(yè)相機，其分辨率為1 024×768，感光器件為采用逐行掃描的Sony CCD。光源為Philips的T5 Essential Batten—TCH086 21W/840冷光燈，在光源箱四角各布置一個。采集到的圖像數據傳輸到計算機進行相應的分析處理。

計算機視覺系統采集的圖像信息是以像素為單位的是

數字圖像，所以要想得到圖像中目標的具體幾何尺寸，就要進行系統的標定[11]。該研究采用網格標定法對系統進行標定。方法如下：在紙板上繪制邊長為10 mm的正方形網格，在保證網格平面與光軸嚴格垂直的情況下，采集該網格圖像。這樣做相當于把視場分割成邊長為10 mm的標準塊，通過計算標準塊邊長在圖像中的像素平均值得到相機像素與實際尺寸的比例常數K。

K=10mm/apixel

（1）

式中，a表示圖像中單位網格用像素表示的長度平均值。該研究系統標定結果見表4。

1.3原始圖像的獲取

系統標定之后，利用圖1所示計算機視覺系統在保持同焦距、同物距、保持被測物體平面與光軸垂直的情況下對玫瑰切花進行圖像采集。采集時，將玫瑰切花置于載物夾中，分別采集花苞圖像（頂拍）和切花整體圖像（側拍）。采集的玫瑰切花花苞圖像和切花整體圖像如圖2所示。

2圖像預處理與特征參數提取

2.1圖像預處理

該研究中的圖像預處理主要包括：圖像分割、圖像去噪、數學形態(tài)學變換、邊緣檢測。

2.1.1

圖像分割。圖像分割是把圖像分成各具特性的區(qū)域并提取出感興趣目標的技術和過程[12]。由于圖像中的目標和背景占據不同灰度級范圍，通過設置灰度閾值的方法可以分割出有意義的區(qū)域。所以該研究采用直方圖閾值法進行圖像分割。

圖3為直方圖閾值法分割圖像的結果。由圖3（a）、（b）可見，此方法可以較好地將目標圖像從背景圖像中分割出來。分割后的玫瑰切花花苞圖像和花莖圖像用于提取玫瑰切花的特征參數。

2.1.2

圖像去噪。由于玫瑰切花圖像在采集、轉換和傳輸過程中，常常受到成像設備、傳輸設備以及外部環(huán)境噪聲干擾等影響。因此，需要對采集到的圖像進行去噪，以減小干擾的影響。典型的圖像去噪方法是：鄰域均值濾波和中值濾波。圖4為對玫瑰切花彩色圖像進行中值濾波和鄰域均值濾波后的圖像，所取的窗口大小均為5×5。

由圖4可以看出，中值濾波能夠有效抑制圖像中的噪聲，并且能保證圖像的輪廓邊界不變模糊。因此，該研究采用中值濾波算法來濾除圖像噪聲。

2.1.3

數學形態(tài)學變換。在計算機圖像處理中，處理的圖像主要是二值圖像。二值圖像只有黑白兩個灰度級，能夠很好地突出圖像特征，便于圖像識別。圖像二值化是在原圖像的灰度范圍內選定一個閾值t，令圖像中所有灰度大于等于t的像素灰度值為1，其余為0就可以完成圖像二值化處理。其變換函數為：

g（i，j）=0f（i，j）≤t

1f（i，j）>t

（2）

式中，f（i，j）為輸入圖像；g（i，j）為輸出圖像；t為灰度閾值。

圖5為對玫瑰切花圖像進行二值化和膨脹處理[13]后的二值圖像。玫瑰切花圖像進行數學形態(tài)學變換后的結果用于提取玫瑰切花的投影面積。

安徽農業(yè)科學2015年

2.1.4

邊緣檢測。在圖像中，邊緣表明一個特征區(qū)域的終結和另一個特征區(qū)域的開始[14]。對比常用的邊緣檢測算子Robert算子、Sobel算子、Prewitt算子和Canny算子對玫瑰切花的圖像進行邊緣檢測的結果。該研究采用Robert算子來對圖像進行邊緣檢測，邊緣檢測的結果（圖6）用于提取花苞圖像的邊緣周長C。

2.2圖像特征參數提取

按照分級標準，該研究主要針對花苞和切花整體形狀特征進行測定?；ò鷪D像的形狀特征參數主要提取投影面積A1、周長C、長寬比b1；切花整體圖像的形狀特征參數提取的有莖粗d、花苞面積A2，花苞長寬比b2、莖稈挺直度θ。

2.2.1

花苞特征參數提取。

提取花苞圖像的3個形狀特征參數：花苞圖像花苞投影面積A1，周長C和長寬比b1。

（1）投影面積A1。指花苞圖像的投影面積，在二值圖像中，花苞圖像的投影面積實際上就是圖像邊界內所包含的非0像素點的數目。

A1=

∑mi=1

∑nj=1f（i，j）

（3）

式中，f（i，j）為花苞二值圖像元素；m×n為花苞圖像中花苞個體大小。

（2）周長C。即花苞圖像外輪廓線的長度。該研究采用8方向鏈碼法（圖7），圖中0、2、4、6方向像素間的距離為1，則1、3、5、7方向像素間的距離為2，得到周長C計算公式如下：

C=2Nd+Nx+Ny

（4）

式中，Nx為水平方向像素點的個數；Ny為垂直方向像素點的個數；Nd為奇數碼的鏈碼總數目。

圖7 8方向鏈碼

（3）長寬比b1。用最小區(qū)域面積的外接矩形的長與寬之比來度量。

b1=H1W1

（5）

式中，H1為花苞圖像高度方向的最大值；W1為花苞圖像寬度方向上的最大值。

2.2.2

切花整體特征參數提取。

提取切花整體圖像的莖粗d、花苞投影面積A2、花苞長寬比b2和挺直度θ。

（1）莖粗d。莖粗d取頂部莖粗d1和底部莖粗d2的平均值。

d=d1+d22 （6）

（2）花苞投影面積A2。計算方法與A1的計算方法相同。

A2=

∑mi=1

∑nj=1f（i，j）

（7）

（3）花苞長寬比b2。計算方法與b1的計算方法相同。

b2=H2W2

（8）

（4）挺直度θ。該研究用反正切角θ來表示玫瑰切花的挺直度（圖8）。

θ=arctan（yx）

（9）

表2列出了該研究所提取的7個樣本特征參數的范圍、均值和標準差。

3玫瑰切花等級評判的BP神經網絡模型

BP（Back Propagation ）神經網絡是一種多層前饋神經網絡，該網絡的主要特點是信號前向傳遞，誤差反向傳播。在前向傳遞中，輸入信號從輸入層經隱含層逐層處理，直至輸出層。每一層的神經元狀態(tài)只影響下一層神經元狀態(tài)。如果輸入得不到期望輸出，則轉入反向傳播，根據預測誤差調整網絡權值和閾值，從而使BP神經網絡預測輸出不斷逼近期望輸出。

3.1構建網絡

該研究中網絡的輸入層和輸出層層數都固定為1。選取上文中提取的7個形狀特征即：花苞投影面積A1、花苞周長C、長寬比b1、花苞投影面積A2、長寬比b2、挺直度θ和莖粗d作為輸入變量，因此BP神經網絡的輸入層節(jié)點數為7個。以玫瑰切花等級為輸出結果，則輸出層節(jié)點數為1。玫瑰切花的等級A、B和C級分別賦值為1、2、3。采用單隱含層BP神經網絡建立玫瑰切花品質分級模型。

該研究以輸入層節(jié)點n和輸出層節(jié)點m的平均值（n+m）/2作為隱含層節(jié)點的初始數，然后用試湊法在初始數上左右偏移，從而確定最佳隱含層節(jié)點數。對比表3中數據，當隱含層節(jié)點為4時，測試集分類誤差最小。因此，該研究選取BP神經網絡分級模型的隱含層節(jié)點數為4。

3.2訓練網絡

設定BP神經網絡是目標誤差goal為0.01，學習速率為0.05，迭代次數為1 000次，其中隱含層采用S型雙曲正切傳遞函數tansig，輸出層采用線性傳遞函數purelin作為網絡的激活函數，網絡訓練結果見圖9。

從圖9可以看出，隨著迭代次數的增加，測試集分類誤差不斷減小，當迭代次數為26時達到目標誤差0.01，此時訓練結束。

3.3.3

測試網絡。

以輸入層節(jié)點數為7，隱含層節(jié)點數為4，輸出層節(jié)點數為1，建立玫瑰切花BP神經網絡分級模型。圖10和圖11分別為玫瑰切花訓練集和測試集的BP神經網絡分級模型的真實類別和預測類別值之間的散點圖。結合圖10、11得出訓練集和測試集玫瑰切花的BP分級模型的識別正確率，見表4。

從表4可以看出，經過訓練后的網絡模型對樣本的分級結果很理想，訓練集樣本和測試集樣本都能夠較準確地被分級識別，其中測試集樣本中除將1個B級玫瑰切花誤判為C級玫瑰切花外，其余樣本均分級正確。訓練集樣本的分級正確率達到100%，測試集樣本分級正確率達到94.74%。

4結論

該研究利用計算機視覺技術對玫瑰切花進行了品質分級研究，提取了反映玫瑰切花品質等級的7個形狀特征參數，結合BP神經網絡建立了玫瑰切花品質分級模型，得到了精確的分級效果，該模型對測試集樣本的分級正確率為94.74%。研究表明，利用計算機視覺對玫瑰切花進行品質分級是可行的。

參考文獻

[1]

安愛琴，余澤通，王宏強. 基于機器視覺的蘋果大小自動分級方法[J].農機化研究，2008（4）：163-166.

[2] 毛鵬軍，賀智濤，杜東亮，等.烤煙煙葉視覺檢測分級系統的研究現狀與發(fā)展趨[J]. 農業(yè)機械，2006（16）：43.

[3] TOSHIYUKI SUZUKI，HARUHIKO MURASE，NOBUO HONAMI. Non-destructive growth measurement of cabbage Plug Seedlings Population by Image information.（Part1）.Measurement of Top Fresh Weight by Soil Coverage Model[J]. Journal of the Japanese Society of Agricultural Machinery，1999，6（12）：45-51.

[4] 應義斌，章文英，蔣亦元，等.機器視覺技術在農產品收獲和加工自動化中的應用[J]. 農業(yè)機械學報，2000，31（3）：112-115.

[5] LING P P， RUZHITSKY V N. Machine vision techniques for measuring the canopy of the tomato seeding[J]. Journal of Agricultural Engineering Research， 1996， 65（2）： 85-95.

[6] CASADY W W，SINGH N，COSTELLO T A. Machine vision for measurement of rice canopy dimensions[J]. Transactions of the ASAE， 1996， 39（5）： 1891-1898.

[7] HUMPHRIES S，SIMONTON W. Geranium feature identification using color machine vision[R].American Society of Agricultural Engineers，1992.

[8] STEINMETZ V，DELWICHE M J，GILES D K. Sorting cut roses with machine vision[J]. Transactions of the ASAE，1994，37（4）：1347-1353.

[9] BYUNG-CHUN IN， KATSUHIKO， MOTOKI DOI. A neural network technique to develop a vase life prediction model of cut rose[J]. Postharvest Biology and Technology， 2009，52（3）：273-278.

[10] 席友亮，李芳繁. 以機器視覺分級文心蘭切花之研究[J]. 農業(yè)機械學刊，2001，10（1）：17-30.

[11] 郭超，馬麟.基于機器視覺的尺寸測量方法研究[J].機械工程與自動化，2012（1）：15-17.

[12] 于殿泓.圖像檢測與處理技術[M].西安：西安電子科技大學出版社，2006.

[13] 吳國平.數字圖像處理原理[M].武漢：中國地質大學出版社，2007.

[14] 劉洲峰，徐慶偉，李春雷，等.小波變換在圖像檢測中的應用[J].傳感器與檢測技術（電氣自動化），2008，30（6）：90-91.

科技論文寫作規(guī)范——引言

扼要地概述研究工作的目的、范圍、相關領域的前人工作和知識空白、理論基礎和分析、研

究設想、研究方法和實驗設計、預期結果和意義等。一般文字不宜太長，不需作詳盡的文獻

綜述。在最后引出文章的目的及試驗設計等?！耙浴眱勺质÷?。

責任編輯徐麗華責任校對李巖