楊靜嫻 ，任小洪

（1.四川輕化工大學(xué) 人工智能四川省重點(diǎn)實(shí)驗(yàn)室，四川宜賓 644000；2.四川輕化工大學(xué) 自動(dòng)化與信息工程學(xué)院，四川宜賓 644000）

0 引言

在傳統(tǒng)摘酒工藝中，工人需要不斷觀測(cè)在酒甑蒸餾器出酒口接入酒桶時(shí)所形成的表面酒花大小形態(tài)及其分布，適時(shí)進(jìn)行白酒的分級(jí)摘取，這種“看花摘酒”的方法在現(xiàn)代白酒工藝中仍廣泛應(yīng)用。如何實(shí)現(xiàn)“看花摘酒”過(guò)程的自動(dòng)化、智能化已成為智能釀造亟需解決的難題。采用視覺(jué)傳感器獲取接酒器（桶）中不斷形成的酒花的視頻圖像，然后通過(guò)圖像分析處理技術(shù)，實(shí)時(shí)提取白酒摘酒過(guò)程中酒花圖像的各類(lèi)特征進(jìn)行識(shí)別分類(lèi)的智能方法，具有方便快捷、判斷依據(jù)穩(wěn)定的優(yōu)點(diǎn)，是實(shí)現(xiàn)大規(guī)模智能摘酒的關(guān)鍵技術(shù)，對(duì)白酒工藝智能化發(fā)展有著重要意義［1-3］。

楊靜嫻等［4］通過(guò)OTSU與Canny邊緣檢測(cè)相結(jié)合，討論了白酒摘酒酒花輪廓提取的方法。這種方法能夠提取酒花的輪廓信息。在白酒摘酒過(guò)程中，輪廓信息中包含的酒花的尺寸、數(shù)量信息具有變化不確定性，單一的輪廓信息無(wú)法得出確切的酒花分類(lèi)標(biāo)準(zhǔn)。因此，需要對(duì)白酒摘酒酒花圖像提取相對(duì)平穩(wěn)的特征值作為摘酒分級(jí)的標(biāo)準(zhǔn)。

在白酒摘酒過(guò)程中，酒花圖像的變化快速，但酒花圖像中紋理清晰，不同等級(jí)酒花在紋理形態(tài)上存在差別。因此，提取酒花的紋理特征能夠細(xì)致的進(jìn)行圖像的特征描述［5-8］。通過(guò)對(duì)酒花圖像提取不同的紋理特征并定量分析得到分類(lèi)依據(jù)，結(jié)合支持向量機(jī)（Support Vector Machine，SVM）的方法使酒花識(shí)別分類(lèi)的結(jié)果更加準(zhǔn)確且有據(jù)可依［9-10］。

為此，本文提出基于局部二值模式（Local Binary Patterns，LBP）與灰度共生矩陣（Gray-level co-occurrence matrix，GLCM）的白酒摘酒酒花紋理特征提取方法，構(gòu)造不同的SVM分類(lèi)器實(shí)現(xiàn)對(duì)不同等級(jí)酒花圖像的分類(lèi)識(shí)別，通過(guò)視覺(jué)圖像方法實(shí)現(xiàn)白酒摘酒工藝的智能化轉(zhuǎn)變［11-17］。

1 紋理特征的方法及原理

1.1 局部二值模式（LBP）原理

LBP算法是一種描述像素點(diǎn)之間灰度關(guān)系的局部特征的非參數(shù)算法。在LBP的傳統(tǒng)算法與改進(jìn)算法中，是通過(guò)以定義的窗口中心點(diǎn)像素值為閾值，將相鄰任意領(lǐng)域范圍的多個(gè)像素點(diǎn)像素值與之進(jìn)行比較，若領(lǐng)域中點(diǎn)像素值大于中心點(diǎn)像素值，則標(biāo)記為1，反之標(biāo)記為0。不同的領(lǐng)域信息被標(biāo)記成不同的二進(jìn)制數(shù)，通常將這些二進(jìn)制數(shù)轉(zhuǎn)換成十進(jìn)制數(shù)，這樣便生成了LBP編碼值，這些數(shù)字可以用來(lái)反映圖像在這個(gè)區(qū)域的紋理特征［18-20］。

傳統(tǒng)的LBP算法是在3*3的正方形領(lǐng)域范圍，中心像素點(diǎn)周?chē)?個(gè)像素點(diǎn)，可以生成8位二進(jìn)制數(shù)，共有256種LBP十進(jìn)制數(shù)碼。

式中 （xc、yc）——中心點(diǎn)像素坐標(biāo)；

ip——相鄰點(diǎn)像素灰度值；

ic——中心點(diǎn)像素灰度值；

R——半徑；

P——采樣點(diǎn)數(shù)目。

1.2 LBP的不同模式

1.2.1 旋轉(zhuǎn)不變模式LBP

傳統(tǒng)LBP算法的缺點(diǎn)在于只能覆蓋固定的一個(gè)小范圍，不能滿足對(duì)圖像紋理特征描述的需求。為了適應(yīng)不同程度的紋理特征需求，OJALA等對(duì)算法進(jìn)行改進(jìn)，將傳統(tǒng)的3*3鄰域擴(kuò)展到任意鄰域，將方形鄰域改進(jìn)為圓形鄰域。改進(jìn)后的LBP圓形算法在允許以半徑為R圓形鄰域內(nèi)有任意多的像素點(diǎn)。一般有以下幾種采樣模式，為L(zhǎng)BP（1，8）、LBP（2，16）、LBP（2，8）等。

LBP（1，8）意為在半徑為1的圓形鄰域選擇8個(gè)采樣點(diǎn)計(jì)算中心像素點(diǎn)的LBP編碼值。

對(duì)于選定的采樣點(diǎn)數(shù)目P，傳統(tǒng)的LBP算法能輸出2p個(gè)編碼值，在每一個(gè)LBP編碼值中選取一個(gè)圍繞中心像素點(diǎn)轉(zhuǎn)動(dòng)，在多次轉(zhuǎn)動(dòng)的過(guò)程中就會(huì)產(chǎn)生多種不同的結(jié)果。因此，這些結(jié)果中最小的LBP值就被定義為旋轉(zhuǎn)不變LBP值，用ri表示，ROR（x，i）表示對(duì)x編碼值循環(huán)按位右移i次。旋轉(zhuǎn)不變模式LBP一共有36維。

1.2.2 等價(jià)模式LBP

為了改進(jìn)LBP紋理提取維數(shù)，OJALA等提出了一種等價(jià)LBP算法，通過(guò)降維的方法，限制二進(jìn)制模式從1到0或從0到1的跳變次數(shù)為2，重新統(tǒng)計(jì)灰度數(shù)據(jù)。試驗(yàn)證明不屬于灰度不變等價(jià)LBP特征的占LBP特征的85%～90%，而等價(jià)LBP只有58個(gè)。所以，等價(jià)模式LBP只有58維編碼值，實(shí)際應(yīng)用59維編碼值，加上的1維編碼值代表不是等價(jià)LBP的特征向量，用u2表示。這樣的特征向量不會(huì)丟失任何紋理信息，并且可以減少高頻噪聲帶來(lái)的影響。

1.2.3 旋轉(zhuǎn)不變等價(jià)模式LBP

LBP算法只是灰度尺度不隨任何單一的變化而變化，光照變化基本不會(huì)對(duì)特征描述產(chǎn)生影響，但是圖像旋轉(zhuǎn)會(huì)對(duì)LBP的值產(chǎn)生影響?；谶@一特點(diǎn)，MAENPAA等在旋轉(zhuǎn)不變模式LBP算法基礎(chǔ)上提出了旋轉(zhuǎn)不變等價(jià)模式LBP算法，此算法通過(guò)不斷旋轉(zhuǎn)圓形領(lǐng)域得到一系列初始定義的LBP值，取其中最小的值作為該像素點(diǎn)的LBP值，LBP模式在此時(shí)降為36維，并在此基礎(chǔ)上控制跳變次數(shù)為2，再次重新統(tǒng)計(jì)灰度數(shù)據(jù)。此時(shí)旋轉(zhuǎn)不變等價(jià)模式LBP只有10維LBP參量，用riu2表示。

1.3 灰度共生矩陣

基于統(tǒng)計(jì)的紋理特征方法是利用像素及其周?chē)臻g領(lǐng)域的灰度進(jìn)行紋理特征統(tǒng)計(jì)，方法可以統(tǒng)計(jì)像素的一階、二階以及更高階的特征。此統(tǒng)計(jì)方法中，最為經(jīng)典的便是灰度共生矩陣，是對(duì)特定方向、特定距離的量像素具有特定的灰度情況進(jìn)行統(tǒng)計(jì)得到。

GLCM 中對(duì)方向的取值一般為 0°、45°、90°、135°，d 為中心像元，取值一般為 1、2、3、4 等。通過(guò)對(duì)4個(gè)方向求出不同的特征值再進(jìn)行求均值計(jì)算得到灰度共生矩陣各參數(shù)。灰度共生矩陣的階數(shù)與圖像灰度值的階數(shù)相同，當(dāng)灰度圖像灰度階數(shù)為N時(shí)，灰度共生矩陣為N*N的矩陣。通過(guò)灰度共生矩陣方法可以得到不同的特征參數(shù)，其中最有代表性的特征參數(shù)是能量（Angular Second Moment，ASM）、 對(duì) 比 度（Contrast，CON）、 熵（Entropy，ENT）、相關(guān)性（Correlation，COR）和逆差 矩（Inverse Different Moment，IDM）［21-25］。 各表達(dá)式分別：

（1）能量是對(duì)圖像紋理灰度變化的度量，反映圖像灰度分布均勻程度和紋理粗細(xì)程度。能量值越大，表示圖像紋理變化越均勻和規(guī)則；能量值越小，表示紋理變化越復(fù)雜。

（2）對(duì)比度是灰度共生矩陣主對(duì)角線附近的慣性矩，能夠體現(xiàn)矩陣中的值的分布特點(diǎn)，反映了圖像中各個(gè)部分紋理的清晰度和紋理溝紋的深淺度。

（3）熵反映了圖像紋理的隨機(jī)性，熵值與能量值相反，當(dāng)紋理越均勻和規(guī)則時(shí)，熵值越?。患y理越復(fù)雜時(shí)，熵值越大，見(jiàn)式（3）。

（4）相關(guān)度反映了圖像局部的灰度相關(guān)性，體現(xiàn)了灰度共生矩陣元素在行或列方向上的相似程度，當(dāng)矩陣中元素分布均勻時(shí)，相關(guān)度就越大；元素分布分散時(shí)，相關(guān)度越小，見(jiàn)式（4）。

（5）逆差矩反映圖像紋理的同質(zhì)性，對(duì)圖像局部紋理變化的大小進(jìn)行度量。不同區(qū)域間紋理變化少，紋理非常均勻時(shí)，逆差矩值越大（式5）。

2 酒花圖像采集以及紋理特征提取

在白酒摘酒過(guò)程中，傳統(tǒng)摘酒工藝一般將酒花分為以下3類(lèi)，見(jiàn)表1。在不同的白酒釀造廠中，對(duì)白酒分級(jí)為區(qū)間范圍，沒(méi)有統(tǒng)一的標(biāo)準(zhǔn)。以下白酒酒花分類(lèi)以及酒度以進(jìn)行數(shù)據(jù)采集的白酒廠為例。

表1 白酒酒花分類(lèi)Tab.1 Classification of liquor hops 單位：（%）

2.1 試驗(yàn)數(shù)據(jù)采集

通過(guò)在宜賓某傳統(tǒng)工藝白酒釀造廠進(jìn)行白酒摘酒圖像采集，經(jīng)過(guò)釀酒師傅的指導(dǎo)，分別獲取白酒摘酒過(guò)程中各段酒花的原始數(shù)據(jù)。通過(guò)人工分割視頻的方法，在酒花差別較明顯的3段酒的中間部分分別進(jìn)行數(shù)據(jù)采集，獲取大清花、小清花、油花3種白酒摘酒類(lèi)別的試驗(yàn)圖像各74張，共222張酒花圖片，并進(jìn)行圖像預(yù)處理。將可能產(chǎn)生影響的大部分背景通過(guò)選取感興趣區(qū)域（Region of Interest，ROI）進(jìn)行試驗(yàn)預(yù)處理，保存大部分酒花圖像進(jìn)行紋理特征提取以及圖像分類(lèi)識(shí)別。其中3類(lèi)酒花各60張作為訓(xùn)練樣本，各14張作為測(cè)試樣本。選取3類(lèi)酒花試驗(yàn)圖像各1張，如圖1所示。

圖1 白酒酒花試驗(yàn)數(shù)據(jù)Fig.1 Liquor hops experimental data

大清花與小清花階段的白酒出酒量大于油花階段的出酒量，在這部分中產(chǎn)生的圖像差異是普遍現(xiàn)象。對(duì)實(shí)際摘酒過(guò)程中進(jìn)行酒花圖像采集時(shí)，當(dāng)固定相機(jī)位置與光照角度不同時(shí)，會(huì)造成酒花圖像中部分的背景不同。因此在進(jìn)行酒花分析時(shí)，將這部分的差異作為酒花圖像分析中的正常差異。

2.2 LBP特征提取

LBP進(jìn)行圖像特征提取具體分為兩步：第一步是圖像灰度化，第二步是對(duì)編碼值進(jìn)行統(tǒng)計(jì)。在本文中，針對(duì)已經(jīng)介紹的3種LBP方法進(jìn)行特征值提取，分別是旋轉(zhuǎn)不變模式LBP、等價(jià)模式LBP和旋轉(zhuǎn)不變等價(jià)模式LBP。

分別對(duì)白酒摘酒過(guò)程中的大清花、小清花、油花圖像進(jìn)行3種模式LBP編碼值統(tǒng)計(jì)得到以下各類(lèi)酒花的3種LBP特征圖，如圖2所示。

圖2 LBP特征圖Fig.2 LBP characteristic diagram

在圖2的各LBP特征圖中，x軸為L(zhǎng)BP編碼值，y軸表示歸一化后各不同編碼值出現(xiàn)的頻次，次數(shù)的總和是圖像的張數(shù)。通過(guò)分別對(duì)比在不同LBP模式中大清花、小清花、油花的特征圖可以得出，在等價(jià)模式LBP特征圖中，特征編碼進(jìn)行歸一化后的值大多都低于0.2，沒(méi)有出現(xiàn)大范圍值偏大。即相比于旋轉(zhuǎn)不變模式LBP與旋轉(zhuǎn)不變等價(jià)模式LBP，等價(jià)模式LBP的特征提取效率更高。

2.3 GLCM特征提取

在使用GLCM進(jìn)行紋理特征提取時(shí)，首先將圖像進(jìn)行灰度化處理，然后進(jìn)行灰度級(jí)量化，選擇參數(shù)方向分別為 0°、45°、90°、135°，步距均為 1，分別對(duì)能量、對(duì)比度、熵、相關(guān)性和逆差矩進(jìn)行特征值計(jì)算，最后對(duì)4個(gè)角度的值進(jìn)行均值計(jì)算得到分類(lèi)算法的輸入矩陣。

在試驗(yàn)中，3類(lèi)酒花的訓(xùn)練樣本各60個(gè)。分別對(duì)各個(gè)樣本進(jìn)行特征值計(jì)算，并將訓(xùn)練類(lèi)3類(lèi)酒花樣本在每特征值的數(shù)據(jù)進(jìn)行比較對(duì)比，如圖3所示。

圖3 GLCM特征值參數(shù)對(duì)比Fig.3 Comparison of GLCM feature value parameters

通過(guò)特征值參數(shù)圖像對(duì)比可以清晰地看出，3類(lèi)酒花的能量、對(duì)比度、熵、相關(guān)性和逆差矩的特征值、均值存在比較清晰的差別，故灰度共生矩陣的特征值均值適合作為SVM分類(lèi)標(biāo)準(zhǔn)。

3 基于支持向量機(jī)的白酒摘酒酒花分類(lèi)識(shí)別

本文采用支持向量機(jī)（SVM）作為酒花分類(lèi)識(shí)別的分類(lèi)器。酒花分為3類(lèi)，采用一對(duì)多分類(lèi)，構(gòu)造出兩個(gè)分類(lèi)器，先用分類(lèi)器1將大清花與小清花、油花進(jìn)行分類(lèi)，再用分類(lèi)器2將小清花與油花進(jìn)行分類(lèi)。分類(lèi)器核函數(shù)使用了3種進(jìn)行對(duì)比，分別是線性核（Linear Kernel）、多項(xiàng)式核（Polynomial Kernel）和徑向基核函數(shù)（Radial Basis Function），并進(jìn)行3種分類(lèi)結(jié)果的對(duì)比。

在試驗(yàn)中分別通過(guò)LBP和GLCM紋理特征進(jìn)行酒花分類(lèi)。對(duì)3類(lèi)共180張酒花圖片進(jìn)行紋理特征提取后分類(lèi)訓(xùn)練，再對(duì)42張測(cè)試圖片進(jìn)行分類(lèi)并進(jìn)行準(zhǔn)確率的計(jì)算。

對(duì)LBP（1，8）3種算法提取的紋理特征均進(jìn)行SVM分類(lèi)得到以下識(shí)別結(jié)果，如表2所示。

表2 LBP特征提取分類(lèi)結(jié)果Tab.2 LBP feature extraction and classification results 單位：（%）

通過(guò)對(duì)比可得，在對(duì)不同LBP模式下所得特征進(jìn)行分類(lèi)時(shí)，采用旋轉(zhuǎn)不變模式LBP與等價(jià)模式LBP進(jìn)行分類(lèi)效果較好，SVM核函數(shù)為線性核與多項(xiàng)式核時(shí)對(duì)3類(lèi)酒花的分辨率達(dá)到95%以上，等價(jià)模式LBP達(dá)到了100%。這與之前關(guān)于LBP特征圖的分析結(jié)果一致，等價(jià)模式LBP對(duì)白酒圖像特征描述更加細(xì)致，能夠得到很好的分類(lèi)準(zhǔn)確率。

對(duì)GLCM紋理特征提取出的5個(gè)特征值分別采用單個(gè)和多個(gè)特征作為SVM分類(lèi)器的輸入進(jìn)行分類(lèi)，得到以下分類(lèi)結(jié)果，如表3所示。

表3 GLCM特征提取分類(lèi)結(jié)果Tab.3 GLCM feature extraction and classification results 單位：（%）

通過(guò)不同試驗(yàn)對(duì)比可得，選擇不同的SVM核函數(shù)與特征組合方式對(duì)白酒酒花分類(lèi)準(zhǔn)確率會(huì)產(chǎn)生不同程度的影響。在選擇單一的特征值作為分類(lèi)器輸入時(shí)，分類(lèi)率的準(zhǔn)確率并不穩(wěn)定，且普遍較低。當(dāng)核函數(shù)為線性核函數(shù)時(shí)，單一特征分類(lèi)率均較低，增加特征值數(shù)目進(jìn)行組合，其最高分類(lèi)率也只能達(dá)到90.5%；當(dāng)核函數(shù)為多項(xiàng)式時(shí)，采用兩種及以上特征作為輸入時(shí)，分類(lèi)率均高于95%，在特征數(shù)目變多時(shí)，出現(xiàn)部分分類(lèi)率下降，但基本保持在95%以上；當(dāng)核函數(shù)為徑向基核函數(shù)時(shí)，選取除單一相關(guān)性以外的不同的特征組合均能得到95%以上的分類(lèi)率，特征數(shù)目越多，得到的分類(lèi)準(zhǔn)確率也越高，試驗(yàn)中分類(lèi)率可以達(dá)到100%，但存在不穩(wěn)定性。

將LBP與GLCM紋理特征提取進(jìn)行特征級(jí)融合進(jìn)行SVM分類(lèi)［26-30］。根據(jù)對(duì)LBP紋理特征的對(duì)比以及分類(lèi)結(jié)果的分析，在LBP+GLCM特征分類(lèi)試驗(yàn)中選取等價(jià)模式LBP與GLCM特征值進(jìn)行融合處理，得到不同的矩陣作為SVM分類(lèi)器的輸入，試驗(yàn)中對(duì)核函數(shù)的選擇也為3種，試驗(yàn)結(jié)果如表4所示。

表4 LBP+GLCM特征提取分類(lèi)結(jié)果Tab.4 LBP+GLCM features extraction and classification results 單位：（%）

通過(guò)對(duì)比 LBP、GLCM、LBP+GLCM 3種方法可得，LBP選擇等價(jià)模式，GLCM選擇兩種特征值、SVM核函數(shù)選擇多項(xiàng)式核函數(shù)分類(lèi)準(zhǔn)確率能夠得到97%以上。LBP+GLCM能改進(jìn)在選取單個(gè)或多個(gè)GLCM特征值組合時(shí)的分類(lèi)率，準(zhǔn)確率均有上升，在核函數(shù)選取為線性核函數(shù)和多項(xiàng)數(shù)核函數(shù)時(shí)，達(dá)到了100%的分類(lèi)準(zhǔn)確率。因此，對(duì)LBP與GLCM紋理特征進(jìn)行特征級(jí)融合進(jìn)行分類(lèi)效果最好，且分類(lèi)效果穩(wěn)定性最高。

4 結(jié)語(yǔ)

本文提出的白酒摘酒特征提取以及分類(lèi)算法，利用LBP與GLCM相結(jié)合，提取多個(gè)特征值并進(jìn)行特征級(jí)融合，采用支持向量機(jī)方法，實(shí)現(xiàn)了在白酒摘酒過(guò)程中對(duì)3類(lèi)酒花的分類(lèi)。試驗(yàn)結(jié)果表明，通過(guò)白酒摘酒酒花圖像對(duì)白酒摘酒過(guò)程進(jìn)行分析的方法是可行的，具有較好的穩(wěn)定性與準(zhǔn)確性，能夠得到較高分類(lèi)準(zhǔn)確率。在后續(xù)的研究中，可以選取不同的特征提取方法以及不同算法的分類(lèi)器進(jìn)行分類(lèi)研究，對(duì)比選取出最佳的白酒摘酒酒花的分類(lèi)方法，利用其實(shí)現(xiàn)的特征數(shù)據(jù)分類(lèi)，設(shè)計(jì)出控制系統(tǒng)，利用機(jī)器視覺(jué)進(jìn)行酒花分類(lèi)和白酒摘酒分級(jí)。從而實(shí)現(xiàn)白酒摘酒的自動(dòng)化和智能化。