李昕，陳澤君，李立君，譚季秋，吳發(fā)展

(1. 湖南工程學(xué)院機(jī)械工程學(xué)院，湖南湘潭，411104； 2. 湖南省林業(yè)科學(xué)院，長沙市，410004；3. 中南林業(yè)科技大學(xué)機(jī)電工程學(xué)院，長沙市，410004； 4. 株洲豐科林業(yè)裝備科技有限責(zé)任公司，湖南株洲，412000)

0 引言

油茶是我國的重要特產(chǎn)木本油料之一，屬常綠灌木或小喬木。全世界的油茶主要分布于我國長江流域及以南地區(qū)，是我國重要的經(jīng)濟(jì)作物。近年來，隨著油茶種植面積的增加，茶籽全果資源化利用開始受到關(guān)注，同時(shí)油茶產(chǎn)業(yè)也開始進(jìn)入產(chǎn)業(yè)化與自動(dòng)化，在其產(chǎn)業(yè)化過程中出現(xiàn)的問題主要有機(jī)械設(shè)備的智能化程度較低、實(shí)時(shí)作業(yè)效率較低等問題。油茶果全果資源化產(chǎn)業(yè)鏈主要包括油茶果采摘、油茶果脫殼、油茶果殼籽粒分選以及油茶籽粒后加工等環(huán)節(jié)，目前針對(duì)全果資源化產(chǎn)業(yè)鏈已經(jīng)做出了大量的研究工作，并取得了一定的研究成果，并投入應(yīng)用之中[1-2]。本研究集中于油茶果采摘脫殼的后期處理工作，即如何使用智能算法對(duì)脫殼后的油茶果殼、籽粒進(jìn)行分選，并使用噴氣嘴吹飛分選后的油茶果殼，最終將目標(biāo)的果殼與籽粒分離出來的過程。

目前對(duì)農(nóng)林業(yè)目標(biāo)的智能分選識(shí)別方法中，主要的分選識(shí)別方法有單特征識(shí)別與多特征混合識(shí)別[3-13]，Wang等[14]利用圖像的RGB特征分量進(jìn)行了櫻桃圖像識(shí)別；Pearson等[15]使用了HSV，Lab等多顏色特征分量用于玉米色選識(shí)別；趙吉文等[16]使用灰度單特征分量識(shí)別了瓜子的特征；王丹丹等[17]使用卷積網(wǎng)絡(luò)識(shí)別了多特征分量的蘋果目標(biāo)。從前人的研究中得出，單特征識(shí)別時(shí)間短但效率較低，而多特征識(shí)別雖然識(shí)別率較單特征識(shí)別高，但受限于算法運(yùn)算的實(shí)時(shí)性要求，并不適用于所有目標(biāo)的特征辨識(shí)。

本文基于已有的研究基礎(chǔ)，提出了一種多目標(biāo)偏好人工免疫網(wǎng)絡(luò)算法，并通過對(duì)油茶果殼籽粒特征的研究分析，將油茶果殼、籽粒的顏色形態(tài)6項(xiàng)特征作為目標(biāo)參數(shù)輸入多特征免疫網(wǎng)絡(luò)算法中進(jìn)行測試。最終使用6種維度數(shù)據(jù)進(jìn)行智能辨識(shí)，通過智能算法取得有效的分選結(jié)果。

1 試驗(yàn)材料與圖像預(yù)處理

1.1 試驗(yàn)材料

試驗(yàn)材料選取脫殼后的油茶果殼、籽粒圖片，樣本圖片的采集時(shí)間為2019年11月，采集地點(diǎn)為湖南株洲豐科林業(yè)裝備有限責(zé)任公司，油茶基地采集的油茶樣本脫殼后產(chǎn)生的待分選的油茶果樣本作為試驗(yàn)樣本，如圖1所示。

圖1 油茶果殼籽粒樣本

1.2 圖像分割

本文提取油茶果殼與籽粒采集圖片作為試驗(yàn)樣本數(shù)據(jù)，首先對(duì)樣本數(shù)據(jù)進(jìn)行圖像分割處理，以確定油茶果實(shí)、籽粒在圖片中的目標(biāo)區(qū)域范圍，在區(qū)域范圍之內(nèi)再對(duì)油茶果實(shí)、籽粒的顏色形態(tài)特征進(jìn)行樣本特征提取，以便后續(xù)進(jìn)行目標(biāo)的多維度辨識(shí)。

基于油茶分選處理系統(tǒng)良好的識(shí)別采集環(huán)境，為保證整體圖像辨識(shí)系統(tǒng)的運(yùn)算速度，本文選取經(jīng)典的最大類間分割法(Otsu)圖像分割算法進(jìn)行分割。雖然模糊聚類、多元統(tǒng)計(jì)、深度神經(jīng)網(wǎng)絡(luò)等近期的智能算法在目前已經(jīng)得到了廣泛應(yīng)用并取得了較好的效果，但具體在本研究中的油茶果殼籽粒的實(shí)時(shí)分選線上，速度與效率是著重需要考慮的因素。而Otsu圖像分割算法是一種基于灰度圖像閾值分選判斷的經(jīng)典算法，Otsu算法的基本思想是根據(jù)圖像的灰度直方圖確定閾值K，進(jìn)而將灰度圖像分割為前景目標(biāo)A和背景目標(biāo)B以提取油茶果殼籽粒的前景目標(biāo)和背景目標(biāo)。其具體表達(dá)式如下

e2(K)=PA(μ-μA)2+PB(μ-μB)2

(1)

式中：μ——圖像的灰度均值；

μA、μB——前景目標(biāo)A、背景目標(biāo)B的均值；

PA、PB——前景、背景運(yùn)算參數(shù)；

e(K)——最大閾值參數(shù)。

當(dāng)K的取值到最大時(shí)，即是最佳閾值。

Otsu圖像分割法自提出以來，由于其優(yōu)良的實(shí)時(shí)辨別性能與效率，目前已廣泛應(yīng)用于實(shí)時(shí)性要求較高的圖像分割系統(tǒng)之中，特別在農(nóng)林業(yè)實(shí)地生產(chǎn)與試驗(yàn)中也得到了廣泛的應(yīng)用。在分割得出目標(biāo)果殼籽粒目標(biāo)區(qū)域的基礎(chǔ)上，本文在圖像分割油茶果殼籽粒區(qū)域目標(biāo)的基礎(chǔ)上，再對(duì)區(qū)域內(nèi)果殼籽粒的顏色形態(tài)特征進(jìn)行提取與辨識(shí)，而后使用免疫算法確立分選目標(biāo)。圖像分割與目標(biāo)區(qū)域如圖2所示。

(a) 原圖 (b) 分割目標(biāo) (c) 區(qū)域特征

1.3 目標(biāo)顏色特征

基于農(nóng)林業(yè)目標(biāo)的顏色特征，傳統(tǒng)的農(nóng)林業(yè)目標(biāo)自動(dòng)化分選通常采用顏色特征分選的方法對(duì)顏色差異較大的果實(shí)目標(biāo)進(jìn)行顏色分選識(shí)別，如葡萄、西紅柿、茄子等目標(biāo)。

油茶果脫殼后的果殼與籽粒同樣具有顏色特征差別明顯的特點(diǎn)，適合于初步的顏色特征辨識(shí)，油茶果殼/籽粒顏色形態(tài)如圖3所示。

圖3 油茶果殼/籽粒顏色形態(tài)

本研究提取目標(biāo)果殼籽粒的RGB色差圖的3項(xiàng)分量作為輸入數(shù)據(jù)，特征參數(shù)中，油茶籽粒顏色特征偏暗黑，而果殼顏色特征趨向于白色。

1.4 目標(biāo)形態(tài)特征

如上文所述，油茶果殼籽粒脫殼后雖然顏色目標(biāo)區(qū)分較為明顯，但受到外界環(huán)境溫濕度影響較大，在油茶果采摘存放12天以后，其果殼顏色特征漸漸趨向于暗黑色，與籽粒顏色相接近，因此僅靠顏色維度的特征識(shí)別將會(huì)帶來很大的局限性。而油茶果殼與籽粒的形態(tài)特征區(qū)分較為明顯，籽粒呈飽滿圓形，果殼相對(duì)呈長條形，長寬差距較明顯。因此本研究進(jìn)一步在提取油茶果殼籽粒伸長度L，寬度W，周長S，面積A，4項(xiàng)數(shù)據(jù)的基礎(chǔ)上，設(shè)定伸長率、圓形度、圓滿度3項(xiàng)參數(shù)作為形態(tài)學(xué)輸入?yún)?shù)，形態(tài)學(xué)參數(shù)公式如式(2)～式(4)所示。

(2)

(3)

(4)

式中：S1——伸長率；

S2——圓形度；

S3——圓滿度。

經(jīng)采集圖像統(tǒng)計(jì)分析，油茶果殼、籽粒的形態(tài)、顏色特征參數(shù)范圍如表1所示。

表1 油茶果殼籽粒顏色形態(tài)分量范圍Tab. 1 Color and morphological range of Camellia seed/shell

2 基于偏好免疫網(wǎng)絡(luò)的油茶果殼目標(biāo)分選

2.1 人工免疫網(wǎng)絡(luò)

本研究采用人工免疫網(wǎng)絡(luò)系統(tǒng)作為分選聚類的基礎(chǔ)算法，在此基礎(chǔ)上根據(jù)油茶果殼籽粒的多特征進(jìn)行改進(jìn)后分選聚類。人工免疫網(wǎng)絡(luò)系統(tǒng)是一種模擬生物免疫系統(tǒng)的智能算法，算法中提出的抗體、抗原等生物學(xué)概念對(duì)應(yīng)于算法數(shù)據(jù)中的聚類概念。在圖像處理領(lǐng)域中，將輸入的待識(shí)別數(shù)據(jù)作為抗原數(shù)據(jù)，將欲識(shí)別聚類的典型目標(biāo)數(shù)據(jù)庫數(shù)據(jù)作為抗體數(shù)據(jù)進(jìn)行綜合識(shí)別分選，最終得到較好的分選聚類效果。

人工免疫網(wǎng)絡(luò)算法系統(tǒng)中設(shè)置閾值作為聚類分選條件，滿足閾值條件的網(wǎng)絡(luò)將得到聚類分選結(jié)果，不滿足條件的算法將重新輸入免疫算法網(wǎng)絡(luò)繼續(xù)進(jìn)行運(yùn)算直至得到最終聚類結(jié)果為止。

1) 選擇待處理的數(shù)據(jù)，從數(shù)據(jù)中選取偏好數(shù)據(jù)庫中的數(shù)據(jù)，并定義為免疫學(xué)中的抗原細(xì)胞，并將這些數(shù)據(jù)作為初期數(shù)據(jù)輸入網(wǎng)絡(luò)進(jìn)行運(yùn)算。

2) 輸入網(wǎng)絡(luò)后，對(duì)各抗原細(xì)胞之間的親和力水平進(jìn)行運(yùn)算比較。

3) 按照算法中設(shè)定的克隆規(guī)則對(duì)網(wǎng)絡(luò)中的數(shù)據(jù)細(xì)胞進(jìn)行克隆。

4) 按照式(5)、式(6)的方法對(duì)經(jīng)克隆運(yùn)算后的細(xì)胞進(jìn)行變異操作，最后保留父代群體于網(wǎng)絡(luò)中。

C′=C+αN(0,1)

(5)

α=(1/β)exp(-f)

(6)

式中：C′——細(xì)胞C產(chǎn)生變異后形成的新細(xì)胞；

N(0,1)——均值為0，偏差為1的高斯隨機(jī)變量；

[2]郭惠玲：《基于博弈論視角的電商價(jià)格戰(zhàn)分析》，《北京理工大學(xué)學(xué)報(bào)》（社會(huì)科學(xué)版）2014年第5期。

α——變異參數(shù)；

β——調(diào)節(jié)函數(shù)的指數(shù)衰減變量；

f——經(jīng)標(biāo)準(zhǔn)化處理后的細(xì)胞適應(yīng)值。

圖4 免疫網(wǎng)絡(luò)算法流程

5) 變異后，重新運(yùn)算免疫網(wǎng)絡(luò)細(xì)胞親和力。

6) 選擇親和力最高的網(wǎng)絡(luò)細(xì)胞組成新的網(wǎng)絡(luò)，并計(jì)算新網(wǎng)絡(luò)的細(xì)胞親和力。

7) 計(jì)算網(wǎng)絡(luò)中所有細(xì)胞的親和力，如果小于閾值則判定為親和力高的細(xì)胞予以保留，其他細(xì)胞則予以抑制。

8) 輸入一定比例的隨機(jī)網(wǎng)絡(luò)細(xì)胞數(shù)據(jù)，返回第二步。

9) 輸出產(chǎn)生的網(wǎng)絡(luò)細(xì)胞數(shù)據(jù)。

在人工免疫網(wǎng)絡(luò)算法中，抗體數(shù)據(jù)即為網(wǎng)絡(luò)細(xì)胞，算法中設(shè)置了抑制模塊、親和力模塊、增值模塊等仿生模塊。并使用閾值來決定是否停止運(yùn)算，滿足條件則停止，不滿足則隨時(shí)輸入新的數(shù)據(jù)校正，以保證網(wǎng)絡(luò)的生命力。

2.2 偏好多目標(biāo)模塊設(shè)定

Ishibuchi等[18]提出并驗(yàn)證了將決策者待決策的信息(即偏好信息)輸入智能算法中可以有效地使算法向偏好區(qū)域收斂，通過這種方法可以提高算法效率。這同時(shí)也將偏好模塊融入算法體系之中，用算法搜索出滿足一個(gè)或數(shù)個(gè)偏好約束的解。偏好概念提出后，許多學(xué)者在各自的領(lǐng)域?qū)ζ酶拍钸M(jìn)行了研究，并將其應(yīng)用于算法識(shí)別之中，同步增強(qiáng)了算法的可用性。

本文針對(duì)前人在偏好區(qū)域以及與多目標(biāo)優(yōu)化結(jié)合的算法研究成果的基礎(chǔ)上，提出了將多目標(biāo)優(yōu)化、偏好區(qū)域與人工免疫網(wǎng)絡(luò)算法相結(jié)合的算法，以縮減算法的搜索時(shí)間，節(jié)約算法的計(jì)算資源，并對(duì)算法的計(jì)算模塊優(yōu)化，提高了算法在圖像分選識(shí)別中的效率，并將其應(yīng)用于油茶果圖像脫殼后分選環(huán)節(jié)中。

偏好多目標(biāo)優(yōu)化在偏好區(qū)域基礎(chǔ)上的多目標(biāo)優(yōu)化，是多目標(biāo)優(yōu)化的一種形式，具體定義如下

miny=F(x)=(f1(x),f2(x),…,fm(x))

(7)

s.t.:gi(x)≤0,i=1,2,3,…,q

hj(x)=0,j=1,2,3,…,p

其中：x=(x1,x2,…,xn)∈X?Rn

y=(y1,y2,…,ym)∈Y?Rm

式中：n——決策向量個(gè)數(shù)；

m——目標(biāo)向量個(gè)數(shù)；

X——由n維決策向量定義的決策空間；

Y——由m維決策向量所構(gòu)成的目標(biāo)空間；

F(x)——決策與目標(biāo)向量之間的映射函數(shù)；

g(x)——不等式約束的個(gè)數(shù)，共有q個(gè)；

h(x)——等式約束的個(gè)數(shù)，共有p個(gè)。

本研究的多特征偏好免疫網(wǎng)絡(luò)算法中，抗體空間為決策空間X，抗原空間為決策空間Y，單個(gè)抗體為決策空間向量，單個(gè)抗原為目標(biāo)空間向量。

2.3 偏好數(shù)據(jù)庫設(shè)定

油茶果殼、籽粒都有其特有的顏色與形態(tài)特征，且具備一定的區(qū)別。在形態(tài)特征上，油茶果殼的形狀偏長，而油茶籽粒的形狀偏圓形，因此兩者在形態(tài)學(xué)、圓形度、圓滿度上就能有所區(qū)分。在顏色特征上，油茶果殼的顏色偏青色，而籽粒的顏色偏暗黑色，則可以從RGB色差分量上有所區(qū)分。這6項(xiàng)形態(tài)學(xué)、顏色特征可以分別作為油茶果殼籽粒區(qū)分的基本特征，并將其建立目標(biāo)特征數(shù)據(jù)庫。目標(biāo)數(shù)據(jù)庫在免疫網(wǎng)絡(luò)算法中定義為偏好模塊，在后續(xù)的分選過程中，新的特征數(shù)據(jù)輸入免疫算法中，免疫算法使用偏好模塊對(duì)輸入數(shù)據(jù)進(jìn)行親和力判定。輸入特征數(shù)據(jù)符合偏好模塊數(shù)據(jù)庫中油茶果殼特征的判定為油茶果殼，符合油茶籽粒特征的則判定為籽粒，這樣的方法與傳統(tǒng)的分選算法相比，充分利用了免疫算法的多目標(biāo)聚類功能與偏好數(shù)據(jù)庫分選功能，從而具有更高的識(shí)別率，有利于下一步的油茶生產(chǎn)線處理。油茶果殼籽粒的形態(tài)學(xué)、RGB分量特征區(qū)分如圖5所示。

(a) 油茶果殼

2.4 多特征免疫網(wǎng)絡(luò)算法流程

在前文多特征以及偏好模塊研究基礎(chǔ)上，本文根據(jù)油茶果脫殼后圖像與形態(tài)的多特征特性，以提升算法的識(shí)別率及平衡識(shí)別時(shí)間為目標(biāo)，構(gòu)造一種多特征偏好人工免疫算法，以此算法模型作為油茶果殼、籽粒的分選算法，多特征偏好人工免疫網(wǎng)絡(luò)算法模型在油茶果分選識(shí)別處理的具體算法流程如下。

1) 從油茶果殼籽粒數(shù)據(jù)庫中選取一部分形態(tài)顏色數(shù)據(jù)，將其作為免疫網(wǎng)絡(luò)的初始數(shù)據(jù)。

2) 輸入網(wǎng)絡(luò)后，對(duì)各抗原細(xì)胞之間的親和力水平進(jìn)行運(yùn)算比較。

3) 以油茶果脫殼后圖像顏色形態(tài)特在作為偏好數(shù)據(jù)形成偏好區(qū)域，按照算法中設(shè)定的克隆規(guī)則對(duì)網(wǎng)絡(luò)中的數(shù)據(jù)細(xì)胞進(jìn)行克隆。

4) 按照式(5)、式(6)對(duì)克隆后的細(xì)胞進(jìn)行變異，變異概率與父代細(xì)胞親和力成反比例，最后保留父代的群體細(xì)胞于免疫網(wǎng)絡(luò)之內(nèi)。

5) 計(jì)算變異后網(wǎng)絡(luò)細(xì)胞的親和力。

6) 選擇親和力最高的網(wǎng)絡(luò)細(xì)胞組成新的網(wǎng)絡(luò)，并計(jì)算新網(wǎng)絡(luò)的細(xì)胞親和力。

7) 計(jì)算網(wǎng)絡(luò)中所有細(xì)胞的親和力，小于閾值則且親和力高的細(xì)胞予以保留，其他細(xì)胞則予以抑制。

8) 采集每個(gè)油茶果殼籽粒的樣本形態(tài)顏色特征參數(shù)作為免疫網(wǎng)絡(luò)先驗(yàn)知識(shí)，設(shè)定為疫苗，輸入一定比例的疫苗數(shù)據(jù)及隨機(jī)生成的細(xì)胞數(shù)據(jù)進(jìn)免疫網(wǎng)絡(luò)，返回步驟2。

9) 輸出產(chǎn)生的油茶果殼籽粒特征數(shù)據(jù)的網(wǎng)絡(luò)細(xì)胞并進(jìn)行分類。

油茶特征數(shù)據(jù)輸入輸出的多特征人工免疫網(wǎng)絡(luò)模型如圖6所示，油茶的圖像經(jīng)過顏色形態(tài)6特征提取后，輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練，再進(jìn)行綜合判定，最終實(shí)現(xiàn)輸出結(jié)果。

圖6 多特征偏好人工免疫網(wǎng)絡(luò)識(shí)別模型

由圖6可知，多特征偏好人工免疫網(wǎng)絡(luò)算法主要環(huán)節(jié)有以下幾步：(1)油茶果脫殼后圖像的多特征提取；(2)對(duì)各特征進(jìn)行免疫網(wǎng)絡(luò)聚類分選；(3)免疫網(wǎng)絡(luò)進(jìn)行多特征判斷與數(shù)據(jù)輸出。

3 試驗(yàn)與結(jié)果分析

3.1 算法的效果驗(yàn)證

由于油茶果殼籽粒在晾曬3天與12天后的顏色差距較大，識(shí)別效果會(huì)有很大不同，因此試驗(yàn)中選取不同晾曬天數(shù)的圖片進(jìn)行識(shí)別率與識(shí)別時(shí)間測試，以得到對(duì)比結(jié)果。由于新采果實(shí)顏色特征區(qū)分明顯，顏色特征識(shí)別率較高，形態(tài)特征基本不變，綜合識(shí)別率最高，本研究選取涵蓋顏色與形態(tài)特征的2特征分量、4特征分量以及6特征分量圖片進(jìn)行特征訓(xùn)練與運(yùn)算識(shí)別，2特征分量為R分量與伸長率分量輸入組合；4特征分量為R分量，G分量，伸長率分量，圓形度分量輸入組合；6分量為R分量，G分量，B分量與伸長率分量、圓形度分量、圓滿度分量輸入組合。通過對(duì)2特征分量，4特征分量，6特征分量進(jìn)行運(yùn)算后，最終得到的不同分量樣本圖片的識(shí)別率與識(shí)別時(shí)間如圖7、圖8所示。

圖7 晾曬3天不同分量特征果殼識(shí)別率

圖8 晾曬3天不同分量特征果殼識(shí)別時(shí)間

晾曬12天后，油茶果殼與籽粒的顏色變得相近，給顏色識(shí)別帶來了很大的困難，顏色識(shí)別率相對(duì)降低了，形態(tài)特征識(shí)別率基本不變，因此2分量、4分量、6分量的整體識(shí)別率相對(duì)降低，而識(shí)別時(shí)間基本不變，如圖9、圖10所示。

圖9 晾曬12天不同分量特征果殼識(shí)別率

圖10 晾曬12天不同分量特征果殼識(shí)別時(shí)間

綜上可以得出，在識(shí)別特征分量增多的情況下，識(shí)別效率是可以增加的，同樣，效率的增加伴隨著識(shí)別時(shí)間的增加，使多特征識(shí)別的實(shí)際操作性變差，因此適當(dāng)?shù)牟捎煤线m的特征向量進(jìn)行訓(xùn)練與識(shí)別是必要的。在3天存放期內(nèi)，2分量、4分量與6分量樣本的識(shí)別率均值分別為70%、80%與90%；晾曬12天時(shí)，由于樣本顏色特征的變化，識(shí)別率降低到均值為50%，60%和75%，而識(shí)別時(shí)間均值則分別為60 ms級(jí)、350 ms級(jí)與450 ms級(jí)，在2分量時(shí)識(shí)別時(shí)間最低達(dá)到了50 ms，使用MATLAB程序仿真和Visual C++6.0程序運(yùn)行時(shí)，可以滿足現(xiàn)有傳送帶識(shí)別實(shí)時(shí)率要求。

經(jīng)過多特征免疫算法識(shí)別后，油茶果殼籽粒目標(biāo)得到了較好的區(qū)分，目標(biāo)油茶果殼籽粒的實(shí)際分選效果如圖11所示?？梢?，經(jīng)過分選辨識(shí)后，油茶果殼籽粒目標(biāo)已經(jīng)在視覺上進(jìn)行了標(biāo)記和分選，有利于下一步在設(shè)備上進(jìn)行分離操作。

圖11 分選標(biāo)記后的油茶果殼籽粒

圖12 不同算法分選時(shí)間對(duì)比

圖13 不同算法識(shí)別率對(duì)比

3.2 與其他算法的比較

為驗(yàn)證本文提出算法的有效性，選用了農(nóng)林業(yè)常用的單特征色選閾值分選法和多維支持向量機(jī)分選法(SVM)[19]進(jìn)行比較。隨機(jī)選取存放周期為3天與12天的油茶果實(shí)、籽粒圖片各10張，比較本文算法、單特征色選閾值、多維支持向量機(jī)3種算法，最終得到各算法不同識(shí)別時(shí)間和識(shí)別率如圖12、圖13所示。

從圖12、圖13可以得出，由于算法結(jié)構(gòu)與輸入數(shù)據(jù)的因素，其中傳統(tǒng)閾值法的分選法耗時(shí)最短，在存放期為12天的圖像中達(dá)到最低，為110 ms。傳統(tǒng)的閾值色選結(jié)構(gòu)較為簡單，單純以顏色特征作為油茶果殼籽粒的定義標(biāo)準(zhǔn)，因此其算法執(zhí)行時(shí)間較短，但正因?yàn)樗惴ńY(jié)構(gòu)簡單，因此在復(fù)雜的顏色識(shí)別環(huán)境下不具備多特征自適應(yīng)性，很多環(huán)境不能單純的使用顏色閾值來判定區(qū)分目標(biāo)，當(dāng)油茶的存放期達(dá)到12天，果殼與籽粒的顏色區(qū)分已經(jīng)不明顯時(shí)，傳統(tǒng)顏色閾值算法對(duì)目標(biāo)的識(shí)別能力下降，分選方法的識(shí)別率大幅度下滑，降低到了15.2%，基本不具備可用性，因此傳統(tǒng)顏色閾值算法是一種不具備自適應(yīng)性的算法，不利應(yīng)用于油茶果殼籽粒的識(shí)別；SVM多特征分選算法是建立在SVM算法的基礎(chǔ)上的，SVM算法的算法結(jié)構(gòu)特征是二分性，而本研究輸入的數(shù)據(jù)是多特征，因此SVM算法結(jié)構(gòu)不太適用多特征識(shí)別。同時(shí)SVM算法本身時(shí)間復(fù)雜度較高，在顏色區(qū)分不明顯的情況下會(huì)造成識(shí)別時(shí)間的上升和識(shí)別率的下降；而本文采用的多特征偏好免疫網(wǎng)絡(luò)算法采用了聚類方法對(duì)輸入的多特征進(jìn)行聚類辨識(shí)，而偏好目標(biāo)數(shù)據(jù)庫模塊又在此基礎(chǔ)上提高了識(shí)別時(shí)間，增加了識(shí)別效率，相對(duì)而言從算法結(jié)構(gòu)和識(shí)別結(jié)果上更加適合油茶果殼籽粒分選的要求，通過對(duì)比試驗(yàn)證明了本文的算法較其他算法的有效性。

4 結(jié)論

1) 由于油茶果殼籽粒的單特征分選存在識(shí)別效果不明顯的問題，本文提出了一種融合形態(tài)、顏色特征的多特征智能分選免疫算法，對(duì)采摘脫殼后的油茶果殼、籽粒圖像進(jìn)行綜合分選，在實(shí)地生產(chǎn)線上進(jìn)行測試。本文的主要工作集中于目標(biāo)的多特征提取以及免疫算法的內(nèi)部改造。

2) 從多特征融合分選角度來說，由于農(nóng)林業(yè)產(chǎn)品的外部特征比較復(fù)雜，因此傳統(tǒng)的只靠單一特征分選與單一特征的單一維度分選已經(jīng)不適合實(shí)際生產(chǎn)要求與智能化發(fā)展要求。因此應(yīng)該以多特征數(shù)據(jù)作為算法的判斷依據(jù)符合農(nóng)林產(chǎn)業(yè)實(shí)時(shí)分選、識(shí)別要求。本研究在樣本晾曬3天時(shí)，特征2分量、4分量與6分量的識(shí)別率均值分別為70%、80%與90%，而晾曬12天時(shí)，識(shí)別率均值也達(dá)到了50%，60%和75%，證明了本文分選方法在效率上的有效性。

3) 從算法優(yōu)化角度來說，由于油茶果殼籽粒的訓(xùn)練樣本特征相對(duì)固定，因此對(duì)訓(xùn)練樣本的特征進(jìn)行特征分量精細(xì)化與細(xì)分可以解決算法復(fù)雜性問題。在與單特征色選閾值分選法、多維支持向量機(jī)分選法對(duì)比試驗(yàn)中，本文所選的算法識(shí)別率最高達(dá)到90%以上，證明了算法的有效性。

4) 本研究采用的免疫算法分選方案都是基于油茶果殼籽粒多特征融合的方法，是對(duì)目前市面上已有的色選方案的改進(jìn)，也是針對(duì)油茶果殼、籽粒實(shí)際情況的升級(jí)分選識(shí)別方案，目前市面上智能形選、色選方案并不多，因此本文具有一定的應(yīng)用創(chuàng)新性。