章 云 ，周 竹 ，周素茵

（1. 浙江農(nóng)林大學(xué) 信息工程學(xué)院，浙江 臨安 311300；2. 浙江省林業(yè)智能監(jiān)測(cè)與信息技術(shù)研究重點(diǎn)實(shí)驗(yàn)室，浙江 臨安 311300）

基于混合特征與最小二乘支持向量機(jī)的山核桃鮮果識(shí)別

章 云1，2，周 竹1，2，周素茵1，2

（1. 浙江農(nóng)林大學(xué) 信息工程學(xué)院，浙江 臨安 311300；2. 浙江省林業(yè)智能監(jiān)測(cè)與信息技術(shù)研究重點(diǎn)實(shí)驗(yàn)室，浙江 臨安 311300）

針對(duì)顏色和背景相似的山核桃鮮果不易分離的問(wèn)題，研究了自然環(huán)境下成熟山核桃鮮果的機(jī)器視覺(jué)識(shí)別方法。該算法以2×2像素的正方形區(qū)域作為分割單位，選擇顏色比值B/R、R/G作為顏色特征，選擇了基于灰度直方圖的特征描述參數(shù)如均值、標(biāo)準(zhǔn)方差、平滑度、三階矩、一致性和熵，以及基于灰度共生矩陣的特征描述參數(shù)角二階矩、對(duì)比度和熵作為紋理特征，共同構(gòu)成特征向量，采用LS-SVM算法建立了識(shí)別模型，并利用該模型對(duì)80幅順光圖像和50幅逆光圖像進(jìn)行測(cè)試。試驗(yàn)結(jié)果表明：該方法在順光、逆光下的山核桃鮮果有效識(shí)別率分別為92.48%、88.15%，可為山核桃采摘機(jī)器人的研發(fā)提供技術(shù)參數(shù)。

機(jī)器視覺(jué)；山核桃鮮果；圖像分割；紋理特征；支持向量機(jī)

山核桃Carya cathayensis是我國(guó)特有的樹(shù)種，現(xiàn)主要分布于皖浙交界的天目山和湖南部分地區(qū)，以及大別山部分地區(qū)[1]。山核桃果仁是優(yōu)質(zhì)食用干果，具有較高的營(yíng)養(yǎng)、保健、美容及藥用價(jià)值，深受城鄉(xiāng)居民的青睞[2]。山核桃鮮果的采摘通常是在白露之后的1～2周內(nèi)完成，且以人工采摘為主，效率低、勞動(dòng)量大，每年因采摘摔傷致死的情況時(shí)有發(fā)生。雖然一些廠家試制出山核桃采摘機(jī)，但多是基于高速振動(dòng)樹(shù)干或拍打枝條的半自動(dòng)化設(shè)備，對(duì)山核桃樹(shù)的損傷較大。目前，采摘機(jī)器人是農(nóng)產(chǎn)品自動(dòng)化收獲領(lǐng)域的研究熱點(diǎn)，國(guó)內(nèi)外學(xué)者進(jìn)行了大量的基礎(chǔ)研究[3-5]。已有的研究表明，使用采摘機(jī)器人不僅可以提高采摘效率，而且可以降低果實(shí)損傷率，節(jié)省人工成本，提高果農(nóng)的經(jīng)濟(jì)效益[6]。因此，開(kāi)發(fā)與利用山核桃采摘機(jī)器人具有巨大的經(jīng)濟(jì)效益和廣闊的市場(chǎng)前景，符合社會(huì)發(fā)展的需求。開(kāi)發(fā)山核桃采摘機(jī)器人系統(tǒng)的首要任務(wù)應(yīng)是研究自然環(huán)境下山核桃鮮果的識(shí)別與定位，而這其中，識(shí)別又是定位的基礎(chǔ)[7]。研究基于機(jī)器視覺(jué)技術(shù)的山核桃鮮果識(shí)別方法，可為后期山核桃空間位置的定位以及機(jī)械手運(yùn)動(dòng)參數(shù)的確定乃至采摘的完成奠定基礎(chǔ)。

目前，研究人員以多種作物為研究對(duì)象，開(kāi)展了基于機(jī)器視覺(jué)技術(shù)的識(shí)別方法研究。司永勝等[8]綜合使用色差（R-G）和色差比（(R-G)/(GB)），對(duì)不同光照下的紅色蘋果進(jìn)行識(shí)別研究。張亞靜等[9]以B通道灰度值和相關(guān)性、對(duì)比度等紋理參數(shù)作為特征向量，采用人工神經(jīng)網(wǎng)絡(luò)對(duì)紅色蘋果圖像進(jìn)行分割，其正確率高于87.6%。趙杰文等[10]通過(guò)統(tǒng)計(jì)HIS空間分量灰度分布，確定了成熟番茄與背景的差異，使用閾值分割法對(duì)成熟番茄進(jìn)行了識(shí)別。熊俊濤等[11]對(duì)荔枝彩色圖像的顏色和灰度特征進(jìn)行分析，將 YCbCr 作為顏色分析空間，采用閾值分割去除復(fù)雜背景，再將一維隨機(jī)信號(hào)直方圖分析法、模糊 C 均值聚類法結(jié)合對(duì)荔枝圖像進(jìn)行分割，其綜合識(shí)別率達(dá)95.5%。徐黎明等[12]應(yīng)用同態(tài)濾波算法對(duì)HSV顏色空間下楊梅圖像V分量進(jìn)行亮度增強(qiáng)。而后應(yīng)用均值聚類算法在Lab顏色空間中對(duì)彩色楊梅圖像進(jìn)行分割。盧軍等[13]在對(duì)自然光照條件下柑橘的可見(jiàn)光彩色圖像進(jìn)行顏色特征分析的基礎(chǔ)上，建立了利用 R-B色差圖融合歸一化 RGB顏色空間對(duì)樹(shù)上水果目標(biāo)區(qū)域進(jìn)行分割的方法。但是上述研究主要針對(duì)和背景顏色差異較大的果實(shí)，對(duì)果實(shí)與背景顏色接近情況下的識(shí)別研究還不多。

以自然環(huán)境下成熟山核桃鮮果為研究對(duì)象，分析山核桃果實(shí)與背景的顏色特征，將R、G、B以及H、S空間的灰色圖像分割為若干正方形區(qū)域，然后提取對(duì)應(yīng)圖像的紋理特征，將顏色特征和紋理特征構(gòu)成特征向量，采用最小二乘-支持向量機(jī)方法（Least squares - support vector machine, LSSVM）對(duì)山核桃鮮果進(jìn)行識(shí)別分割。

1 材料及方法

1.1 圖像采集

山核桃圖像采集地點(diǎn)為浙江省臨安市，圖像采集設(shè)備為松下DMC-FZ7GK相機(jī)，分辨率為2 816×2 112，圖像格式為jpg，共采集山核桃順光圖像80幅，逆光圖像50幅。圖像采集完成之后，將其裁剪為800×496像素大小圖像。在進(jìn)行果實(shí)個(gè)數(shù)統(tǒng)計(jì)時(shí)，不統(tǒng)計(jì)受樹(shù)枝、樹(shù)葉遮擋超過(guò)整個(gè)山核桃面積1/2的果實(shí)，最終，130幅圖像中山核桃果實(shí)數(shù)為361個(gè)。使用MATLAB R2010a以及LabVIEW IMAQ圖像處理工具包對(duì)圖像進(jìn)行處理和分析。

1.2 顏色空間確定

RGB 模型是最常見(jiàn)的顏色空間模型，使用該模型具有簡(jiǎn)單直觀、處理方便的優(yōu)點(diǎn)[14]。HSV 模型則是比較接近人眼對(duì)彩色感知的顏色空間，它消除了R、G、B分量間的相關(guān)性[15]。本研究相關(guān)特征參數(shù)均在此二種顏色空間中提取。

1.3 紋理特征提取

紋理是圖像的一種固有特征，是紋理單元在觀察者興趣點(diǎn)區(qū)域內(nèi)的一種局部統(tǒng)計(jì)模式[16]。本研究提取了基于灰度直方圖的特征以及基于灰度共生矩陣的特征進(jìn)行山核桃鮮果圖像的分割。

1.3.1 基于灰度直方圖的特征描述

包括均值m、標(biāo)準(zhǔn)方差σ、平滑度Rs、三階矩μ3、一致性U和熵e。其中，均值m是紋理平均亮度的度量；標(biāo)準(zhǔn)方差σ是紋理平均對(duì)比度的度量；平滑度Rs是區(qū)域中亮度的相對(duì)平滑度度量；三階矩μ3是直方圖偏斜性的度量；一致性U是一致性的度量；熵e則是隨機(jī)性的度量。其表達(dá)式如式（1）～（6）所示。

式中：L表示灰度級(jí)的總數(shù)；zi代表第i個(gè)灰度級(jí)；p(zi)是灰度級(jí)分布?xì)w一化直方圖中灰度為i的概率。

1.3.2 基于灰度共生矩陣的特征描述

灰度共生矩陣法是一種有效的紋理分析統(tǒng)計(jì)方法[17]。主要包括角二階距W1、對(duì)比度W2、熵W3和相關(guān)W4等。其中，角二階距反映了圖像灰度分布的均勻程度和紋理的粗細(xì)程度；對(duì)比度代表了紋理的清晰程度，主要反映灰度的局部變化情況；熵是圖像信息量的度量，反映紋理的復(fù)雜程度或非均勻程度；相關(guān)則表示灰度共生矩陣中元素在行或列上的相似程度，它反映了某一顏色沿固定方向的延伸長(zhǎng)度。其表達(dá)式如式（7）～（10）所示。

式中：p(i,j,d,θ)是空間上具有某種位置關(guān)系的一對(duì)像元灰度對(duì)f(x,y)出現(xiàn)的頻度，其數(shù)學(xué)表達(dá)式為：

式中：l表示灰度級(jí)；Dx，Dy表示像素位置的偏移量；d表示共生矩陣的生成步長(zhǎng)；θ表示共生矩陣的生成方向（包括0°、45°、90°、135° 4個(gè)方向）。

1.4 建模方法

采用LS-SVM建立山核桃鮮果的識(shí)別模型。LS-SVM是對(duì)傳統(tǒng)支持向量機(jī)（SVM）的一種改進(jìn)方法，該方法以最小二乘線性系統(tǒng)作為損失函數(shù)，采用求解一組線性方程的方式來(lái)代替SVM中復(fù)雜的二次規(guī)劃問(wèn)題，從而降低了計(jì)算的復(fù)雜性，具有泛化性好、學(xué)習(xí)速度快等優(yōu)點(diǎn)[18]。該方法將輸入?yún)?shù)以非線性映射的形式映射到高維特征空間，根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則確定決策函數(shù)參數(shù)，從而構(gòu)造出最優(yōu)決策函數(shù)[19]。在LS-SVM中，核函數(shù)是高維特征空間的內(nèi)積，只要滿足Mercer條件均可作為核函數(shù)。該研究以徑向基核函數(shù)（RBF）作為山核桃鮮果識(shí)別的LS-SVM分類器核函數(shù)[20]。

2 結(jié)果與分析

2.1 山核桃鮮果顏色特征分析

圖1（a）是隨機(jī)抽取的一幅自然場(chǎng)景下拍攝的山核桃圖像。從圖中可以看出，圖像主要由樹(shù)葉、果實(shí)、樹(shù)枝和天空等組成，其中，果實(shí)與樹(shù)枝、天空的顏色差別較大，但與樹(shù)葉的顏色差異較小。采用線剖面技術(shù)對(duì)圖像進(jìn)行分析，如圖1（b）所示。圖中橫坐標(biāo)是黑色線的像素序號(hào)（0-495），縱坐標(biāo)是這些像素的R、G、B值以及B/R、R/G值。圖1（b）中 M和N之間的像素點(diǎn)對(duì)應(yīng)于（a）圖中線段MN。M和N點(diǎn)之間的像素點(diǎn)屬于山核桃鮮果，其它則屬于背景（包括樹(shù)葉、樹(shù)枝和天空）。通過(guò)對(duì)圖像R、G、B值的統(tǒng)計(jì)分析，山核桃鮮果的R值一般大于G值，樹(shù)葉的R值一般小于G值，R/G值可以作為區(qū)分果實(shí)與樹(shù)葉的敏感值；山核桃鮮果的R值一般大于B值，樹(shù)枝的R值一般小于B值， B/R值可以作為區(qū)分果實(shí)與樹(shù)枝的敏感值。天空的R、G、B值一般超過(guò)200。綜合利用上述顏色特征可以完成圖像中果實(shí)與背景的分離。然而，單獨(dú)采用顏色特征對(duì)試驗(yàn)圖像進(jìn)行分割時(shí)，正確識(shí)別的山核桃數(shù)目為199個(gè)，識(shí)別準(zhǔn)確率僅為55.12%。主要原因是，在采摘過(guò)程中，光線變化較大，導(dǎo)致不同圖像間的R/G值出現(xiàn)的波動(dòng)較大，較難區(qū)分果實(shí)與樹(shù)葉。因此，單獨(dú)采用顏色特征則不能得到理想的識(shí)別效果，需要進(jìn)一步結(jié)合圖像的其他特征來(lái)提高識(shí)別準(zhǔn)確率。

2.2 山核桃鮮果紋理特征分析

紋理特征分析包括結(jié)構(gòu)法和統(tǒng)計(jì)法，其中統(tǒng)計(jì)法適合針對(duì)紋理細(xì)且不規(guī)則的物體[7]?？紤]到自然環(huán)境下光照的變化以及枝葉遮擋等情況會(huì)引起山核桃果實(shí)及背景圖像的不規(guī)則，本研究采用統(tǒng)計(jì)法進(jìn)行山核桃鮮果及背景紋理計(jì)算。經(jīng)過(guò)前期預(yù)試驗(yàn)研究，基于灰度直方圖的特征描述（均值、標(biāo)準(zhǔn)方差、一致性和熵、三階矩、平滑度）以及基于灰度共生矩陣的特征描述（對(duì)比度和熵、角二階矩）能表征果實(shí)與不同背景的差異。從圖1（b）-（d）可知，山核桃圖像在R、G、B通道的灰度分布存在差異，H、V通道的圖像也可以反映山核桃鮮果和部分背景的差異，因此，最終確定在R、G、B、H、S五個(gè)通道圖像上計(jì)算上述紋理參數(shù)。

將圖像分割成若干個(gè)正方形的小區(qū)域，經(jīng)過(guò)紋理特征提取，共獲得由60個(gè)特征參數(shù)構(gòu)成的特征向量（灰度共生矩陣紋理參數(shù)中，提取0°、45°、90°、135°共4個(gè)方向上角二階矩、對(duì)比度和熵的均值和偏差）。在試驗(yàn)圖像中，隨機(jī)抽取400個(gè)樹(shù)葉區(qū)域、360個(gè)樹(shù)枝區(qū)域、340個(gè)天空區(qū)域以及590個(gè)山核桃鮮果區(qū)域用于建立LS-SVM識(shí)別模型。試驗(yàn)前期發(fā)現(xiàn):正方形區(qū)域的大小會(huì)影響分類結(jié)果，為了確定大小合適的正方形區(qū)域，比較了2×2像素、4×4像素、8×8像素3種不同的分割區(qū)域。

對(duì)不同大小正方形區(qū)域的紋理參數(shù)和顏色參數(shù)構(gòu)成的特征向量，采用LS-SVM建立山核桃鮮果識(shí)別模型，識(shí)別結(jié)果和對(duì)一幅800×496圖像進(jìn)行紋理參數(shù)提取所用時(shí)間（硬件環(huán)境：Inter（R） Core（TM） i5-3210 CPU@ 2.5GHz ，RAM 4.00GB， Windows 7旗艦版64Bit））如表1所示。

圖1 在不同顏色空間中的圖像分析Fig. 1 Image analysis of different color spaces

表1 分割區(qū)域大小對(duì)識(shí)別率和紋理參數(shù)計(jì)算時(shí)間的影響Table 1 Success rate and calculation time of texture parameter for different size area

由表1可知，不同大小的正方形區(qū)域會(huì)影響分類結(jié)果和紋理參數(shù)計(jì)算時(shí)間。其中2×2像素區(qū)域提取的紋理參數(shù)所建模型對(duì)130幅圖像中山核桃鮮果的識(shí)別效果最優(yōu)，為91.47%，8×8像素區(qū)域提取的紋理參數(shù)所建模型的識(shí)別準(zhǔn)確率僅為78.39%。這主要是因?yàn)樵诓煌笮〉膱D像區(qū)域，紋理特征的明顯程度不同。圖像區(qū)域越大，所得紋理參數(shù)弱化了同類物質(zhì)的特征，降低了分割精度。反之，圖像區(qū)域越小，所得紋理參數(shù)能體現(xiàn)不同物質(zhì)的特征差異，保證了分類精度。通過(guò)表1還可以看出，雖然正方形區(qū)域越小，識(shí)別正確率越高，但提取一幅完整圖像紋理參數(shù)耗時(shí)變長(zhǎng)。研究認(rèn)為，一幅圖像紋理參數(shù)提取時(shí)間可以通過(guò)高性能硬件予以解決，因此，該研究?jī)H從分割準(zhǔn)確率來(lái)考慮，確定2×2像素尺寸作為圖像紋理參數(shù)提取區(qū)域。

2.3 LS-SVM建模及預(yù)測(cè)

將由山核桃鮮果、樹(shù)葉、樹(shù)枝以及天空構(gòu)成的數(shù)據(jù)集（1 690個(gè)×62維），按照2∶1比例分成校正集（1 127×62）和測(cè)試集（563×62）。將樹(shù)葉、樹(shù)枝和天空歸為1類即背景，而將果實(shí)單獨(dú)歸為1類，采用LS-SVM分類器建立識(shí)別模型。

本研究采用二步格點(diǎn)搜索法結(jié)合留一交叉驗(yàn)證法對(duì)參數(shù)γ和σ2進(jìn)行了優(yōu)選。首先根據(jù)前期的預(yù)試驗(yàn)，確定γ和σ2的選擇范圍分別是2-1～210、 2-2～216。在參數(shù)的尋優(yōu)過(guò)程中，以校正集十折交叉驗(yàn)證錯(cuò)誤率作為評(píng)價(jià)指標(biāo)，在由兩參數(shù)組成的平面內(nèi)進(jìn)行搜索。尋優(yōu)過(guò)程包括粗選、精選2個(gè)環(huán)節(jié)，粗選時(shí)格點(diǎn)數(shù)為10×10，如圖2中“·”所示，該過(guò)程搜索步長(zhǎng)較大，通過(guò)誤差等高線確立此環(huán)節(jié)中最優(yōu)參數(shù)的范圍；精選時(shí)格點(diǎn)數(shù)同樣為10×10，如圖2中“ ×”所示，以較小步長(zhǎng)在粗選的基礎(chǔ)上做精細(xì)地搜索，最終將十折交叉驗(yàn)證錯(cuò)誤率最小所對(duì)應(yīng)的γ、σ2確定為最優(yōu)模型參數(shù)。對(duì)γ和σ2作對(duì)數(shù)處理進(jìn)行顯示，尋優(yōu)的過(guò)程如圖2所示。最優(yōu)的γ和σ2分別為5.634 9和2.584 9×103，此時(shí)，交叉驗(yàn)證錯(cuò)誤率為1.06%，校正集中，山核桃鮮果的識(shí)別正確率為99.49%，背景的識(shí)別正確率為98.78%，測(cè)試集中，山核桃鮮果的識(shí)別正確率為97.46%，背景的識(shí)別正確率為96.99%。從以上測(cè)試結(jié)果可以看出，所建模型的性能較優(yōu)，可用于下一階段山核桃鮮果的分割。

2.4 山核桃鮮果識(shí)別及圖像后處理

將所建LS-SVM模型應(yīng)用于所有試驗(yàn)圖片，得到果實(shí)與背景分離的二值圖像。分離出來(lái)的二值圖像往往由多個(gè)離散部分組成，需對(duì)二值圖像進(jìn)行后處理。采用LabVIEW IMAQ圖像處理工具包進(jìn)行處理，其過(guò)程如下：首先采用中值濾波（5×5模板）的方法對(duì)二值圖像進(jìn)行濾波操作，初步去除一些無(wú)關(guān)噪點(diǎn)；隨后采用3×3的正方形模板作為結(jié)構(gòu)元素進(jìn)行一次閉運(yùn)算，從而使果實(shí)的邊緣部分變得光滑；然后應(yīng)用填充功能消除果實(shí)因光照不均造成的識(shí)別孔洞；最后使用高級(jí)形態(tài)學(xué)處理中的去除細(xì)小微粒運(yùn)算及去除邊界運(yùn)算以去除顆粒和邊界干擾[21]，通過(guò)與原始圖像進(jìn)行掩膜運(yùn)算獲得果實(shí)部分圖像。實(shí)驗(yàn)過(guò)程中，以面積范圍2 000～20 000像素作為判別果實(shí)的閾值，小于2 000像素或大于20 000像素的區(qū)域均將識(shí)別為背景。如3、圖4分別給出了順光和逆光情況下山核桃鮮果圖像后處理的過(guò)程及結(jié)果。

圖2 γ和σ2的優(yōu)選過(guò)程Fig.2 Grid search on γ and σ2

圖3 順光情況下山核桃鮮果的識(shí)別過(guò)程Fig. 3 The identi fi cation process of fresh hickory nut in front light condition

80幅順光圖像和50幅逆光圖像的識(shí)別結(jié)果如表2所示。由表可知，在順光情況下80幅圖像的226個(gè)鮮果有211個(gè)被正確識(shí)別，識(shí)別正確率為92.48%。對(duì)15個(gè)未被識(shí)別的果實(shí)進(jìn)行分析，其原因主要是有兩點(diǎn)：一是部分果實(shí)受光照的影響局部灰度值較高，接近天空的灰度值，在識(shí)別的時(shí)候?qū)⒃摬糠峙袆e為背景，使果實(shí)的有效像素大大減少，低于判定為果實(shí)閾值的下限；二是受靠近果實(shí)的樹(shù)葉背面的影響，光照射到樹(shù)葉背面時(shí)，導(dǎo)致鮮果與這部分樹(shù)葉的顏色特征和紋理特征差異較小，從而使識(shí)別果實(shí)的有效像素大大增加，高于判定為果實(shí)閾值的上限。在逆光情況下50幅圖像的135個(gè)鮮果有119個(gè)被正確識(shí)別，識(shí)別正確率為88.15%，低于順光拍照下的結(jié)果。對(duì)16個(gè)未被識(shí)別的果實(shí)進(jìn)行分析，其原因主要是逆光條件下圖像整體偏暗，導(dǎo)致鮮果與樹(shù)葉的顏色特征和紋理特征幾乎一致，從而使識(shí)別果實(shí)的有效像素高于判定為果實(shí)的閾值上限。綜上所述，綜合利用顏色特征和紋理特征并結(jié)合LS-SVM方法能有效識(shí)別順光和逆光情況下圖像中的山核桃鮮果，其有效識(shí)別率為91.47%。

圖4 逆光情況下山核桃鮮果的識(shí)別過(guò)程Fig. 4 The identi fi cation process of fresh hickory nut in back light condition

表2 不同光照條件下的識(shí)別結(jié)果Table 2 Comparison of recognition effects on different illumination condition

3 結(jié)論與討論

研究了自然環(huán)境下成熟山核桃果實(shí)的圖像識(shí)別方法。針對(duì)顏色和背景相近的綠色山核桃鮮果，本文提出了一種基于最小二乘支持向量機(jī)（LSSVM）的山核桃圖像分割方法。該方法以2×2像素的正方形區(qū)域作為分割單位，選擇顏色比值R/G、B/R作為顏色特征，選擇基于灰度直方圖的特征描述參數(shù)如均值、標(biāo)準(zhǔn)方差、一致性和熵、三階矩、平滑度以及基于灰度共生矩陣的特征描述參數(shù)對(duì)比度和熵、角二階矩作為紋理特征，共同構(gòu)成特征向量作為L(zhǎng)S-SVM的輸入，對(duì)130幅圖像進(jìn)行識(shí)別和分割。結(jié)果表明，該方法在順光、逆光下的山核桃鮮果有效識(shí)別率分別為92.48%、88.15%，有效地消除了樹(shù)枝、樹(shù)葉、天空等背景的影響，可以滿足現(xiàn)場(chǎng)采摘作業(yè)的需要，為山核桃智能采摘機(jī)器人機(jī)器視覺(jué)系統(tǒng)的研發(fā)提供了基礎(chǔ)。

對(duì)樹(shù)上綠色果實(shí)進(jìn)行識(shí)別是國(guó)內(nèi)外農(nóng)業(yè)機(jī)械領(lǐng)域的一個(gè)研究熱點(diǎn)，現(xiàn)有的研究多采用高光譜成像技術(shù)[22]或近紅外熱成像與視覺(jué)成像融合的技術(shù)[23]，但檢測(cè)效果仍有待提高。司永勝[7]等人選擇顏色差R-B作為顏色特征，選擇灰度均值、標(biāo)準(zhǔn)偏差和熵作為紋理特征，采用均值聚類法對(duì)樹(shù)上綠色蘋果圖像進(jìn)行分割與識(shí)別，識(shí)別正確率僅為81%。本文綜合使用顏色特征和紋理特征并采用LS-SVM建立識(shí)別模型，對(duì)山核桃鮮果的識(shí)別率較高。論文提出的研究方法可為樹(shù)上綠色果實(shí)的識(shí)別提供一種新的思路。然而，文中共用到了2個(gè)顏色參數(shù)和60個(gè)紋理參數(shù)，計(jì)算這些參數(shù)所耗時(shí)間較長(zhǎng)，且參數(shù)之間會(huì)存在一定冗余，下一階段可進(jìn)一步對(duì)山核桃紋理特征參數(shù)進(jìn)行優(yōu)化，從而提高山核桃有效識(shí)別的準(zhǔn)確性和快速性。

[1] 肖 斌.安徽山核桃生產(chǎn)現(xiàn)狀與發(fā)展對(duì)策[J].經(jīng)濟(jì)林研究,2003, 21(2):74-76.

[2] 吳偉文,麻耀強(qiáng), 吳偉志.論杭州市山核桃產(chǎn)業(yè)的發(fā)展與對(duì)策[J].浙江林業(yè)科技,2003,23(3):57-60.

[3] Gongal A, Amatya S, Karkee M, et al. Sensors and systems for fruit detection and localization: A review[J]. Computers and Electronics in Agriculture, 2015, 116: 8-19.

[4] Liu X, Zhao D, Jia W, et al. A method of segmenting apples at night based on color and position information[J]. Computers and Electronics in Agriculture, 2016, 122: 118-123.

[5] Lu J, Sang N. Detecting citrus fruits and occlusion recovery under natural illumination conditions[J]. Computers and Electronics in Agriculture, 2015, 110: 121-130.

[6] 盧 軍,王賢鋒,后德家.水果采摘機(jī)器人視覺(jué)系統(tǒng)研究進(jìn)展[J].湖北農(nóng)業(yè)科學(xué),2012,51(21):4705-4708.

[7] 司永勝,劉 剛,高 瑞.基于 K-均值聚類的綠色蘋果識(shí)別技術(shù)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2009,(S1):100-104.

[8] 司永勝,喬 軍,劉 剛,等. 基于機(jī)器視覺(jué)的蘋果識(shí)別和形狀特征提取[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2009,40(8):161-165.

[9] 張亞靜,李民贊,喬 軍,等.一種基于圖像特征和神經(jīng)網(wǎng)絡(luò)的蘋果圖像分割算法[J].光學(xué)學(xué)報(bào),2008,28(11):2104-2108.

[10] 趙杰文,劉木華,楊國(guó)彬.基于 HIS 顏色特征的田間成熟番茄識(shí)別技術(shù)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2004,35(5):122-124.

[11] 熊俊濤,鄒湘軍,陳麗娟,等.基于機(jī)器視覺(jué)的自然環(huán)境中成熟荔枝識(shí)別[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2011,42(9):162-166.

[12] 徐黎明,呂繼東.基于同態(tài)濾波和均值聚類算法的楊梅圖像分割[J].農(nóng)業(yè)工程學(xué)報(bào),2015,31(14):202-208

[13] 盧 軍,桑 農(nóng).變化光照下樹(shù)上柑橘目標(biāo)檢測(cè)與遮擋輪廓恢復(fù)技術(shù)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2014,45(4):76-81.

[14] 張若宇,坎 雜,馬 蓉,等.基于 RGB 模型的脫絨棉種顏色特征與發(fā)芽狀況的關(guān)系[J].農(nóng)業(yè)工程學(xué)報(bào),2010,26(10):172-177.

[15] 蔡式東,楊 芳.一種基于HSV空間和粗糙集的彩色圖像分割方法[J].光電子技術(shù),2011,31(1):5-9.

[16] 寧亮亮,張曉麗.基于紋理信息的Landsat-8影像植被分類初[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2014,34(9):60-64.

[17] 胡 佳,林 輝,孫 華,等.基于 WorldView-2的薇甘菊信息精細(xì)提取[J]. 中南林業(yè)科技大學(xué)學(xué)報(bào),2015,35(1): 42-49.

[18] Suykens J A K, De Brabanter J, Lukas L, et al. Weighted least squares support vector machines: robustness and sparse approximation[J]. Neurocomputing, 2002, 48(1): 85-105.

[19] 鄭 劍,周 竹,仲山民,等.基于近紅外光譜與隨機(jī)青蛙算法的褐變板栗識(shí)別[J].浙江農(nóng)林大學(xué)學(xué)報(bào),2016,33(2):322-329.

[20] 易 斌,姜 飛.支持向量機(jī)在人崗匹配度測(cè)算中的應(yīng)用[J].中南林業(yè)科技大學(xué)學(xué)報(bào):社會(huì)科學(xué)版,2011,5(6):92-94.

[21] 周 竹,黃 懿,李小昱,等.基于機(jī)器視覺(jué)的馬鈴薯自動(dòng)分級(jí)方法[J].農(nóng)業(yè)工程學(xué)報(bào),2012,28(7):178-183.

[22] Okamoto H, Lee W S. Green citrus detection using hyperspectral imaging[J].Computers and Electronics in Agriculture, 2009,66(2): 201-208.

[23] Wachs J P, Stern H I, Burks T, et al. Low and high-level visual feature-based apple detection from multi-modal images[J].Precision Agriculture, 2010, 11(6): 717-735.

Segmentation method for fresh hickory nut recognition based on mixed features and LS-SVM classi fi er

ZHANG Yun1,2, ZHOU Zhu1,2, ZHOU Su-yin1,2
(1.School of Information Engineering, Zhejiang A&F University, Lin’an 311300, Zhejiang, China; 2.Zhejiang Provincial Key Laboratory of Forestry Intelligent Monitoring and Information Technology, Lin’an 311300, Zhejiang, China)

A fresh hickory nut (Carya cathayensis) recognition method based on mixed features composed of color features and texture features and least squares - support vector machine (LS-SVM) classi fi er is proposed for the fresh hickory nut that have similar color with leaves. The image is divided into 2×2 pixel blocks and the blocks is taken as the segmentation unit by the algorithm. Color feature (B/R ratio、R/G ratio) is calculated based on RGB color model, and the texture features such as mean, standard variance, smoothness, three order moments, consistency and entropy based on gray histogram, and angular second moment, contrast ratio, and entropy based on gray level co-occurrence matrix (GLCM) are calculated in color channels of R, G, B, H and V. These sixty-two parameters are used as the input to the LS-SVM classi fi er. The model is applied to test 130 samples images taken in different illumination conditions. The results show that the recognition rate reaches 92.48% in front light conditions and 88.15% in back light conditions, respectively. It is feasible to use the algorithm in practical recognition of fresh hickory nut.

machine vision; fresh hickory nut; image segmentation; texture feature; least squares - support vector machine

S776.02

A

1673-923X(2016)11-0137-07

10.14067/j.cnki.1673-923x.2016.11.024

2016-05-07

浙江省教育廳項(xiàng)目“基于機(jī)器視覺(jué)的山核桃智能識(shí)別研究”（Y201328071）；浙江省自然科學(xué)基金項(xiàng)目“基于高光譜成像技術(shù)的鋸材表面缺陷檢測(cè)方法研究”（LQ13F050006）

章 云，講師，碩士；E-mail：94098916@qq.com

章 云，周 竹，周素茵.基于混合特征與最小二乘支持向量機(jī)的山核桃鮮果識(shí)別[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，2016,36(11): 137-143.

[本文編校：吳 毅]