劉媛媛 ，王 暉，郭躬德，江楠峰

(1．福建師范大學(xué)數(shù)學(xué)與信息學(xué)院，福州350007; 2．福建省網(wǎng)絡(luò)安全與密碼技術(shù)重點實驗室(福建師范大學(xué))，福州350007;3．?dāng)?shù)字福建環(huán)境監(jiān)測物聯(lián)網(wǎng)實驗室(福建師范大學(xué))，福州350007; 4．阿爾斯特大學(xué)數(shù)學(xué)與計算機學(xué)院，英國科爾雷恩BT52 1SA)

(*通信作者電子郵箱973375485@qq．com)

0 引言

蘋果是一種常見的水果，在日常生活中市場需求量不斷增加，采摘后進行挑選、分類是商品化處理的重要環(huán)節(jié)。現(xiàn)在蘋果分類大都是通過人的感知進行手工分揀，費時費力，所以亟待研發(fā)出高效、低成本、適用于市場推廣的蘋果分類技術(shù)?，F(xiàn)有的相關(guān)文獻對物體分類有了一定的研究:Yuan等［1］設(shè)計了一個攝像裝置，對這些圖像進行特征提取，根據(jù)不同角度拍攝的葡萄圖像中空隙大小判斷葡萄的緊密程度，結(jié)合葡萄的重量、尺寸，對葡萄品質(zhì)是否合格進行識別;Schmidt等［2］采用軌道成像技術(shù)和概率分布方法對植物種類進行識別;Wu等［3］利用計算機視覺對食品顏色進行測量，對食品進行分類;一些蘋果分類的相關(guān)文獻中，Li等［4］提出了使用近紅外光譜儀獲取蘋果近紅外數(shù)據(jù)，然后采用主成分分析(Principal Component Analysis，PCA)降維、Fisher判別分析 (Fisher Discriminant Analysis，F(xiàn)DA)提取特征、K最近鄰算法(K-Nearest Neighbor，KNN)進行分類，得到分類準(zhǔn)確度96%;Bhatt等［5］設(shè)計了專門的硬件系統(tǒng)并載入了軟件系統(tǒng)，結(jié)合人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)，可以實現(xiàn)蘋果自動分類;Chen等［6］提取蘋果的顏色特征和蘋果的半徑，將樣本的RGB圖像轉(zhuǎn)到HSV空間，得到分類準(zhǔn)確度96%;Wu等［7］采用近紅外光譜儀收集蘋果的近紅外(Near Infrared，NIR)光譜反射率，結(jié)合模糊判別C均值聚類模型(Fuzzy Discriminant C-Means，F(xiàn)DCM)和主成分分析(PCA)對蘋果進行分類，得到分類準(zhǔn)確度97%;卜錫濱等［8］提出一種基于非相關(guān)判別轉(zhuǎn)換的蘋果近紅外光譜定性分析方法，實驗結(jié)果表明，使用非相關(guān)判別轉(zhuǎn)換方法建立的模型正確識別率優(yōu)于使用主成分分析(PCA)和Fisher判別分析建立的模型;Song等［9］提出了一種模式識別管道，首先使用便攜式近紅外光譜儀采集蘋果光譜數(shù)據(jù)，采用基線校正和歸一化預(yù)處理，然后用偏最小二乘判別分析(Partial Least Squares Discriminant Analysis，PLS-DA)分類;Kadir［10］使用工業(yè)相機采集三類蘋果的圖片，提取蘋果的4個尺寸特征和3個顏色特征，然后采用KNN和多層感知器(Multi-Layer Perceptron，MLP)進行分類;Ronald等［11］采用相機采集蘋果圖片，并用樸素貝葉斯(Naive Bayes，NB)算法對蘋果種類進行分類;Shahin等［12］利用掃描X射線成像技術(shù)開發(fā)出一個蘋果自動分類系統(tǒng)，結(jié)合使用ANN分類器對蘋果進行分類，它的準(zhǔn)確率達到了90%。這些方法或者采用了比較昂貴的儀器，如X射線掃描儀、近紅外光譜儀、工業(yè)相機，或者操作復(fù)雜，需要設(shè)計專門的硬件模塊，程序繁瑣，不適用于市場的推廣使用。本文使用手機攝像頭對蘋果的多個角度拍照，并從每個照片里提取多個較小的區(qū)域，用顏色直方圖來表示每個區(qū)域的圖像，把所有的區(qū)域直方圖組合在一起，形成一個蘋果的表示，然后建立機器學(xué)習(xí)模型來對蘋果進行分類，操作簡單、成本較低，取得了更好的分類效果，適合推廣到日常生活中的手機應(yīng)用。

1 多角度多區(qū)域的圖像分類算法

本文提出基于多角度多區(qū)域特征融合的圖像分類方法。對每一個物體采集多個圖像，將每個圖像裁剪成若干個區(qū)域塊，每個區(qū)域塊用顏色直方圖向量來表示，多個區(qū)域塊的直方圖向量通過首尾相連進行融合，以此生成一個圖像的表示，多個圖像的表示首尾相連進行融合，生成一個物體的表示。然后用機器學(xué)習(xí)方法從眾多物體的表示數(shù)據(jù)中建立分類模型。我們做了大量的實驗來驗證這個方法，實驗流程包括:樣本采集、圖像采集、圖像裁剪、圖像預(yù)處理、顏色直方圖特征提取、傅里葉變換、多角度多區(qū)域特征融合得到待分類樣本數(shù)據(jù)、分類環(huán)境和分類器選擇。實驗中使用蘋果，并選擇5個角度n個裁剪區(qū)域，其中5個角度、9個裁剪區(qū)域的實驗時間復(fù)雜度為4n，n為圖像裁剪區(qū)域塊總數(shù)。蘋果圖像分類流程如圖1所示。

1．1 樣本采集

模仿生活中不同種類植物資源個數(shù)的差異性，在超市隨機采購一些蘋果，其中美國gala果89顆、陜西紅富士55顆、美國QUEEN果73顆、美國青蛇果59顆、美國紅蛇果53顆。

1．2 圖像采集

用手機攝像頭對5類蘋果，分別從上面、下面和3個側(cè)面共5個角度拍攝，采集蘋果圖像數(shù)據(jù)，蘋果圖像如圖2所示。

圖1 5個角度、N個區(qū)域蘋果圖像分類流程Fig．1 Apple image classification process of five angles and N regions

圖2 美國gala果蘋果圖像示例Fig．2 Sample of American gala apple image

1．3 圖像裁剪

為了獲得蘋果圖像多區(qū)域的特征數(shù)據(jù)，對蘋果圖像進行裁剪，對5類蘋果5個角度的圖像分別進行尺寸為50×50像素的裁剪，裁剪位置隨機選取，裁剪區(qū)域塊如圖3所示，根據(jù)裁剪區(qū)域塊個數(shù)的差異，分別得到7組裁剪區(qū)域塊數(shù)據(jù):1region裁剪、4regions裁剪、5regions裁剪、6regions裁剪、7regions裁剪、8regions裁剪、9regions裁剪。

圖3 美國gala果5個角度裁剪區(qū)域塊圖片F(xiàn)ig．3 Five angles cutting regions images of American gala

1．4 圖像預(yù)處理

圖像是一種信息載體，它們包含著物體的大量信息。然而在圖像的獲取、傳輸和存儲過程中常常會受到各種噪聲的干擾和影響而使圖像降質(zhì)，所以為了獲取高質(zhì)量數(shù)字圖像，很有必要對圖像進行降噪處理，盡可能地在保持原始信息完整性(即主要特征)的同時，又能夠去除信號中無用的信息。噪聲就是像素的強度相對于真值有個突變。從時域上講，通過高斯濾波能讓一個像素的強度與周圍的點相關(guān)，就減小了突變的影響，因此對裁剪區(qū)域圖像塊進行時域高斯低通濾波去除噪聲。

1．5 顏色直方圖特征提取

圖像顏色直方圖圖形化顯示不同的像素值在不同的強度值上的出現(xiàn)頻率，對于RGB的彩色圖像可以獨立顯示3種顏色的圖像直方圖，分辨率為256。對每一個高斯去噪后裁剪區(qū)域圖像塊按照6∶3∶1的比例獲取R、G、B分量，得到圖像的一種顏色特征向量數(shù)據(jù)。

1．6 傅里葉變換

有些信號在時域上是很難看出什么特征的，但是如果變換到頻域之后，就很容易看出特征，這就是很多信號分析采用傅里葉變換的原因;另外，傅里葉變換可以將一個信號的頻譜提取出來，這在頻譜分析方面也是經(jīng)常用的。

時域分析只能反映信號的幅值隨時間的變化情況，除單頻率分量的簡諧波外，很難明確揭示信號的頻率組成和各頻率分量大小。信號頻率代表了信號在不同頻率分量成分的大小，能夠提供比時域信號波形更直觀、豐富的信息，信號變化的快慢與頻率域的頻率有關(guān)。圖像的頻率是表征圖像中灰度變化劇烈程度的指標(biāo)，是灰度在平面空間上的梯度，噪聲、邊緣、跳躍部分代表圖像的高頻分量，背景區(qū)域和慢變部分代表圖像的低頻分量。傅里葉變換可以將信號分成不同的頻率成分，類似光學(xué)中的分色棱鏡把白光按頻率分成不同的顏色，被稱為數(shù)學(xué)棱鏡。變換后的圖像，大部分能量都分布于低頻譜段。因此對圖像的顏色特征向量數(shù)據(jù)進行快速傅里葉變換，得到圖像的頻率信號，作為該圖像的顏色特征數(shù)據(jù)。

1．7 多角度多區(qū)域特征融合得到待分類樣本數(shù)據(jù)

為了用更多角度的更多圖像特征融合起來表示蘋果特征，本文把上面、下面、側(cè)面1、側(cè)面2和側(cè)面3這5個角度的所有裁剪區(qū)域圖像塊的特征向量數(shù)據(jù)通過首尾相連進行融合，以此生成一個圖像的表示。對5類蘋果都作同樣的處理，可以得到5類蘋果圖像表示的特征數(shù)據(jù)。

實驗中會用到不同個數(shù)的角度，每個角度數(shù)有不同的角度組合方案，為方便標(biāo)識區(qū)分，給每個角度組合附上一個ID編號，如表1所示。

表1 不同角度組合的ID編號Tab．1 ID numbers for different angle compositions

1．8 分類環(huán)境和分類器選擇

在Weka3．6．11中做分類實驗，為了更準(zhǔn)確地體現(xiàn)多角度多區(qū)域特征融合圖像分類的性能以及本文算法的魯棒性，對5類蘋果的特征數(shù)據(jù)作 Lnorm:2．0，norm:1．0標(biāo)準(zhǔn)化處理后，采用 Weka 中自帶的 RandomForest、NaiveBayes、Bagging、DecisionTable、ClassificationViaRegression、RBFNetwork、PART、PLSClassifier、AtrributeSelectedClassifier、BayesNet和 BFTree 共11種分類器進行十折交叉驗證，每次實驗中每個蘋果經(jīng)過多角度多區(qū)域特征融合后可以產(chǎn)生一個樣本數(shù)據(jù)，一共有329個樣本數(shù)據(jù)，取90%用作訓(xùn)練樣本，10%用作測試樣本，重復(fù)10次，結(jié)果取平均值;其中偏最小二乘(Partial Least Squares，PLS)分類器設(shè)定參數(shù)numComponents為8，其他分類器的參數(shù)都采用Weka里面的默認值。另外用DeepLearing的DeepID算法作分類器作分類實驗，為方便標(biāo)識區(qū)分，將這12種分類器分別附上相應(yīng)的ID編號，如表2所示。

表2 12種分類器的ID編號Tab．2 ID numbers for twelve classifications

1．9 DeepLearning的DeepID算法分類模型

將蘋果圖片分為 gala、shanxi、QUEEN、red、green 共 5 類，數(shù)據(jù)集按照3∶1的比例切分，其中3份使用DeepID算法訓(xùn)練，其余的1份作為訓(xùn)練DeepID的驗證集，用來訓(xùn)練分類器，分類器可設(shè)置，本文實驗分類器設(shè)置為聯(lián)合貝葉斯分類器，分類器的輸出表示類型的數(shù)目。圖4為DeepLearning的DeepID算法流程。

2 5類蘋果多角度多區(qū)域分類實驗

2．1 多個角度相同裁剪區(qū)域

為了觀察和驗證角度個數(shù)對分類結(jié)果的影響，本文控制裁剪區(qū)域個數(shù)為一個固定值，嘗試不同的角度個數(shù)組合，如果角度個數(shù)的增多使分類正確率提高，就表明角度個數(shù)越多，分類效果越好，反之則不成立。

2．1．1 多個角度單個裁剪區(qū)域

取5類蘋果每個角度圖像的單個裁剪區(qū)域塊(1region)，每個區(qū)域塊用顏色直方圖向量來表示。采用1個角度、2個角度、3個角度和5個角度幾種角度的組合，根據(jù)角度組合的不同，多個角度的多個區(qū)域塊的直方圖向量通過首尾相連進行融合，以此生成一個圖像的表示。通過C1～C11共11種分類器進行十折交叉驗證。實驗結(jié)果如表3所示，當(dāng)裁剪區(qū)域數(shù)固定為1個裁剪區(qū)域(1region):單角度時，分類器C9的角度A13數(shù)據(jù)獲得最佳分類結(jié)果66．87%;2個角度時，分類器C5的角度A25數(shù)據(jù)獲得最佳分類結(jié)果75．08%;3個角度時，分類器C10的角度A30數(shù)據(jù)獲得最佳分類結(jié)果78．42%;5個角度時，分類器 C10的角度 A50獲得最佳分類結(jié)果85．71%。當(dāng)采用單個裁剪區(qū)域多個角度進行分類時，大多數(shù)分類器的分類結(jié)果都滿足多角度分類效果優(yōu)于單角度，而且角度越多，分類結(jié)果越好;5個角度時，分類器C10的角度A50獲得總體最佳分類結(jié)果85．71%。

表3 11種分類器單個裁剪區(qū)域多個角度分類正確率 %Tab．3 One-region multi-angle classification accuracy results for eleven classifiers %

2．1．2 多個角度4個裁剪區(qū)域(4regions)

取五類蘋果每個角度圖像的4個裁剪區(qū)域塊(4regions)，每個區(qū)域塊用顏色直方圖向量來表示。采用單角度、2個角度、3個角度和5個角度幾種角度的組合，根據(jù)角度組合的不同，多個角度、多個區(qū)域塊的直方圖向量通過首尾相連進行融合，以此生成一個圖像的表示。通過C1～C11共11種分類器進行十折交叉驗證。實驗結(jié)果如表4所示。

表4 11種分類器4個裁剪區(qū)域多個角度分類正確率 %Tab．4 Four-region multi-angle classification accuracy results for eleven classifiers %

從表4可以看出，當(dāng)裁剪區(qū)域數(shù)固定為4個裁剪區(qū)域(4regions):單角度時，分類器C9的角度A13數(shù)據(jù)獲得最佳分類結(jié)果82．67%;2個角度時，分類器C10的角度A20數(shù)據(jù)獲得最佳分類結(jié)果87．23%;3個角度時，分類器C10的角度A30數(shù)據(jù)獲得最佳分類結(jié)果 91．49%;5個角度時，分類器C10的角度A50獲得最佳分類結(jié)果92．71%。當(dāng)采用4個裁剪區(qū)域多個角度進行分類時，大多數(shù)分類器的分類結(jié)果都滿足多角度分類效果優(yōu)于單角度，而且角度越多，分類結(jié)果越好;5個角度時，分類器C10的角度A50獲得總體最佳分類結(jié)果 92．71%。

2．1．3 多個角度10個裁剪區(qū)域

取五類蘋果每個角度圖像的10個裁剪區(qū)域塊(10regions)，每個區(qū)域塊用顏色直方圖向量來表示。采用單角度、2個角度、3個角度、4個角度和5個角度幾種角度的組合，根據(jù)角度組合的不同，多個角度的多個區(qū)域塊的直方圖向量通過向量相加的方式進行融合，以此生成一個圖像的表示。采用5個角度的特征數(shù)據(jù)，通過BayesNet分類器C10進行十折交叉驗證，創(chuàng)建分類模型，并用該模型分別測試單角度、2個角度、3個角度、4個角度和5個角度的特征數(shù)據(jù)。實驗結(jié)果如表5所示，當(dāng)裁剪區(qū)域數(shù)固定為10個裁剪區(qū)域(10regions):單角度時，角度A11數(shù)據(jù)獲得最佳分類結(jié)果60．79%;2個角度時，角度A26數(shù)據(jù)獲得最佳分類結(jié)果72．34%;3個角度時，角度A34數(shù)據(jù)獲得最佳分類結(jié)果82．67%;4個角度時，角度A42數(shù)據(jù)獲得最佳分類結(jié)果88．45%;5個角度時，角度A50獲得最佳分類結(jié)果93．31%。當(dāng)采用10個裁剪區(qū)域多個角度進行分類時，采用多個角度多個區(qū)域塊的直方圖向量相加的融合方式，通過BayesNet分類器創(chuàng)建的模型滿足多角度分類效果優(yōu)于單角度，而且角度越多，分類結(jié)果越好，5個角度時，角度A50獲得總體最佳分類結(jié)果 93．31%。

2．2 相同角度多個裁剪區(qū)域

為了觀察和驗證裁剪區(qū)域個數(shù)對分類結(jié)果的影響，本文控制角度為固定角度組合，嘗試不同的裁剪區(qū)域個數(shù)，如果裁剪區(qū)域個數(shù)的增多使分類正確率提高，則表明裁剪區(qū)域個數(shù)越多，分類結(jié)果越好，反之不成立。

取5類蘋果每個角度圖像的4/5/6/7/8/9個裁剪區(qū)域塊，每個區(qū)域塊用顏色直方圖向量來表示，取5個角度組合A50的特征數(shù)據(jù)，5個角度的多個區(qū)域塊的直方圖向量通過首尾相連進行融合，以此生成一個圖像的表示。通過C1～C11共11種分類器進行十折交叉驗證，以及采用C12進行分類。實驗結(jié)果如表6所示，角度固定為5個角度組合A50，4個裁剪區(qū)域(4regions)時，分類器C10獲得最佳分類結(jié)果92．71%;5個裁剪區(qū)域(5regions)時，分類器C10獲得最佳分類結(jié)果95．14%;6個裁剪區(qū)域(6regions)時，分類器C10獲得最佳分類結(jié)果95．14%;7個裁剪區(qū)域(7regions)時，分類器C6獲得最佳分類結(jié)果95．74%;8個裁剪區(qū)域(8regions)時，分類器C6獲得最佳分類結(jié)果96．66%;9個裁剪區(qū)域(9regions)時，分類器C8獲得最佳分類結(jié)果97．87%。當(dāng)采用相同角度組合時，大多數(shù)分類器的分類結(jié)果都滿足多個裁剪區(qū)域分類效果優(yōu)于單個裁剪區(qū)域，而且裁剪區(qū)域塊數(shù)越多，分類結(jié)果越好，9個裁剪區(qū)域(9regions)時，分類器C8獲得總體最佳分類結(jié)果97．87%，算法復(fù)雜度為4n，n為圖像裁剪區(qū)域塊總數(shù)。

2．3 使用一整張圖像不裁剪與裁剪分類比較

為了觀察和驗證使用裁剪區(qū)域塊對分類結(jié)果的影響，本文嘗試不同的裁剪區(qū)域個數(shù)或一整張圖像，如果使用裁剪區(qū)域比使用一整張圖像分類正確率提高，則表明使用裁剪區(qū)域 塊分類結(jié)果會更好，反之不成立。

表5 BayesNet分類器10個裁剪區(qū)域多個角度分類正確率結(jié)果Tab．5 Ten-region multi-angle classification accuracy results for BayesNet classifier

取5類蘋果側(cè)面2角度圖像的1/4/5/6/7/8/9個裁剪區(qū)域塊以及每個區(qū)域塊用顏色直方圖向量來表示，多個區(qū)域塊的直方圖向量通過首尾相連進行融合，以此生成一個圖像的表示，同時生成側(cè)面2整張圖像的顏色直方圖向量數(shù)據(jù)。通過C1～C11共11種分類器進行十折交叉驗證。實驗結(jié)果如表7所示。

表6 12種分類器五個角度組合1/4/5/6/7/8/9裁剪區(qū)域分類正確率 %Tab．6 Classification accuracy of twelve classifiers with five angles and 1/4/5/6/7/8/9 regions %

表7 11種分類器側(cè)面2一整張圖像、1/4/5/6/7/8/9裁剪區(qū)域分類正確率比較 %Tab．7 Classification accuracy of eleven classifiers for a whole image with 1/4/5/6/7/8/9 regions and angle side2 %

對于5類蘋果的側(cè)面2角度圖像，當(dāng)不進行裁剪，采用整個圖像的顏色特征數(shù)據(jù)進行分類時，分類器C8獲得最佳分類結(jié)果84．50%;當(dāng)裁剪區(qū)域數(shù)為1個裁剪區(qū)域(1region)時，分類器C9獲得最佳分類結(jié)果66．87%;當(dāng)裁剪區(qū)域數(shù)為4個裁剪區(qū)域(4regions)時，分類器 C9獲得最佳分類結(jié)果82．67%;當(dāng)裁剪區(qū)域數(shù)為5個裁剪區(qū)域(5regions)時，分類器C10獲得最佳分類結(jié)果82．07%;當(dāng)裁剪區(qū)域數(shù)為6個裁剪區(qū)域(6regions)時，分類器C10獲得最佳分類結(jié)果89．06%;當(dāng)裁剪區(qū)域數(shù)為7個裁剪區(qū)域(7regions)時，分類器C10獲得最佳分類結(jié)果90．88%;當(dāng)裁剪區(qū)域數(shù)為8個裁剪區(qū)域(8regions)時，分類器C10獲得最佳分類結(jié)果92．71%;當(dāng)裁剪區(qū)域數(shù)固定為9個裁剪區(qū)域(9regions)，分類器C10獲得最佳分類結(jié)果91．79%;當(dāng)角度固定為側(cè)面2時，大多數(shù)分類器表明當(dāng)裁剪區(qū)域數(shù)為6/7/8/9時，分類效果好于使用一整張圖像分類，由此可知，當(dāng)使用一整張圖像的多個裁剪區(qū)域塊并且裁剪區(qū)域塊的個數(shù)足夠多時，分類效果好于使用整張圖像進行分類。

3 結(jié)語

收集5類總共329個蘋果，每個蘋果采集從上面、下面和3個不同側(cè)面共5個角度拍攝的圖像，每個圖像裁剪若干個(1～9)區(qū)域塊。每個區(qū)域塊用顏色直方圖向量來表示，多個區(qū)域塊的直方圖向量通過首尾相連進行融合，以此生成一個圖像的表示。最后用Weka中的11種分類器進行十折交叉驗證，以及 Deeplearning的DeepID算法進行分類。實驗結(jié)果表明，當(dāng)多角度多區(qū)域特征融合時，分類效果總是好于單角度單區(qū)域，而且越多越好。當(dāng)采用單個裁剪區(qū)域多個角度進行分類時，大多數(shù)分類器的分類結(jié)果都滿足多角度分類效果優(yōu)于單角度，而且角度越多，分類結(jié)果越好，5個角度時，分類器BayesNet的角度A50獲得總體最佳分類結(jié)果85．71%;當(dāng)采用4個裁剪區(qū)域多個角度進行分類時，大多數(shù)分類器的分類結(jié)果都滿足多角度分類效果優(yōu)于單角度，而且角度越多，分類結(jié)果越好，5個角度時，分類器BayesNet的角度A50獲得總體最佳分類結(jié)果92．71%;當(dāng)采用10個裁剪區(qū)域多個角度進行分類時，采用多個角度多個區(qū)域塊的直方圖向量相加的融合方式，通過BayesNet分類器創(chuàng)建的模型滿足多角度分類效果優(yōu)于單角度，而且角度越多，分類結(jié)果越好，5個角度時，角度A50獲得總體最佳分類結(jié)果93．31%;當(dāng)采用相同角度組合時，大多數(shù)分類器的分類結(jié)果都滿足多個裁剪區(qū)域分類效果優(yōu)于單個裁剪區(qū)域，而且裁剪區(qū)域塊數(shù)越多，分類結(jié)果越好，9個裁剪區(qū)域(9regions)時，分類器PLS獲得總體最佳分類結(jié)果97．87%，算法復(fù)雜度為4n，n為圖像裁剪區(qū)域塊總數(shù)。

本文的多角度多區(qū)域特征融合的圖像分類方法，使用手機攝像頭采集圖片，操作簡單，復(fù)雜度較低，分類效果遠遠好于單角度單區(qū)域方法，甚至好于深度學(xué)習(xí)，適用于推廣到手機應(yīng)用中。在今后的工作中，將對更多種類的植物、樹木、水果進行分類研究。