王 亮

(安徽機電職業(yè)技術(shù)學院，安徽 蕪湖 241000)

0 引 言

贛南是我國臍橙的主要產(chǎn)銷地，其臍橙味道鮮美，已銷往全國各地，包括港澳臺等地區(qū)。但其工業(yè)水平相對落后，其臍橙分級檢測基本上采用人工檢測的方式[1]，雖然其識別率很高，但其需要消耗大量的人力，且勞動強度大、檢測效率低下。

近來年，隨著人工智能技術(shù)及機器視覺技術(shù)的發(fā)展，農(nóng)產(chǎn)品及水果的檢測分級也逐漸采用智能方式，李聰、高海燕等[2]為了解決傳統(tǒng)蘋果分級優(yōu)化方法的單一特征問題，建立基于最小二乘支持向量機的蘋果自動分級模型，加快了蘋果自動分級速度；施健、何建國等人利用單片機高性能、低成本的特點，實現(xiàn)了鮮棗大小的快速分級，但其檢測率收到一定的限制；為了實現(xiàn)棉田中不同類型雜草對棉花識別的影響，文獻[3]提出基于主成分分析和支持向量機的雜草識別方法，通過試驗結(jié)果證明該方法具有識別率高、訓練時間短等優(yōu)點；許月明[4]等對檳榔分級研究，提取形狀、顏色、紋理特征，綜合性較強，但識別率效果欠佳；也有研究采用多個特征向量進行分級，識別率較高，由于考慮的特征量較多導致系統(tǒng)的實時性降低[5-7]。通過考慮臍橙的形狀特征，擬通過提取臍橙的大小、表面缺陷等特征，建立極限學習機的綜合分級模型，實現(xiàn)臍橙的準確分級。

1 系統(tǒng)結(jié)構(gòu)與試驗設備

試驗所用的臍橙樣本均由江西中新云農(nóng)科技有限公司提供，產(chǎn)地江西贛州。受限于實驗室的平臺條件，將使用Cannon PowerShot SD1200相機為圖像采集設備，將采集到的圖像存入計算進行圖像處理，其圖像采集處理系統(tǒng)見圖1。圖像采集在封閉箱中進行，光照條件是熒光燈，背景是藍黑色，為了提高圖像處理的速度，圖像采用640×480像素，存儲格式bmp。

臍橙檢測分級系統(tǒng)采用北京達盛科技有限公司的EL_DM6437達芬奇圖像處理設備，其主芯片為TI的TMS320DM6437(DSP)，其主頻為600MHz，其處理速度快、外設豐富，同時含有DSP子系統(tǒng)與視頻處理子系統(tǒng)(VPSS)。其中，VPSS前端包括CCD控制器、預覽器以及圖像縮放裝置等；VPSS后端包括0SD模塊及視頻編碼器。

2 圖像預處理算法

臍橙的整個分級系統(tǒng)由圖像預處理、特征參數(shù)提取以及極限學習機分類的構(gòu)建和測試三個部分組成，其處理流程如圖2所示。

進行圖像處理過程中，圖像的顏色模型至關(guān)重要。根據(jù)自然界的顏色分類，所有的研究均可分解為紅(Red)、綠(Green)及藍色(Blue)，即RGB模型，基于RGB模型得到試驗過程中采集到的臍橙RGB分量圖如圖3所示。

由圖3可知，相比較G分量與B分量，B分量的顏色與背景顏色的差異相對較大，其表面缺陷的差異更加明顯，便于后續(xù)的圖像預處理[8]。因此，選用R分量圖作為后續(xù)工作的輸入圖。

圖像處理過程中，噪聲無處不在，特別對于機器視覺系統(tǒng)，其輸送帶運動過程中產(chǎn)生的噪聲對臍橙的檢測產(chǎn)生較大的影響。因此，需要對噪聲進行抑制甚至消除。綜合比較去噪算法，選用中值濾波對圖像進行去噪處理。

3 圖像的特征參數(shù)提取

3.1 臍橙大小特征參數(shù)的提取

大小是臍橙分級的重要特征之一，通常定義臍橙果實赤道部位的橫經(jīng)為其大小。根據(jù)R分量的圖像參數(shù)，采用劃線法對圖像進行閾值分割來提取臍橙的大小特征參數(shù)，得到各像素點的灰度值如圖4所示。

由于臍橙的邊界接近于橢圓形，可使用最小二乘法對邊界點進行線性回歸，建立擬合的橢圓，分別用橢圓的長軸與短軸來描述臍橙的橫徑與縱徑，得到的實驗結(jié)果如圖5所示。其橫徑對應的回歸模型為y=0.288x+16.75；其縱軸對應的回歸模型為y=0.982x+1.228，其相關(guān)系數(shù)為0.9802，最大相對誤差為4.1%。

3.2 臍橙表面缺陷特征參數(shù)的提取

在臍橙分級檢測中，表面缺陷對其影響最大，常見的缺陷包括腐爛(呈現(xiàn)出灰綠色)，病斑、潰瘍、裂果(呈現(xiàn)出黑灰色)。

臍橙正常表面和缺陷部分的顏色直方圖有明顯的不同，考慮計算正常表面與缺陷部分顏色分量(RGB)的平均值，找到能區(qū)分正常與缺陷的參數(shù)，再遍歷臍橙圖像的所有像素點[9]，大于該參數(shù)為正常像素點，否則為缺陷像素點，且將該像素點變成紅色。本研究選擇R/B=2和G/B=1.6作為分割正常與缺陷的閾值，結(jié)果如圖6所示。

3.3 臍橙顏色特征提取

臍橙果面顏色為橙色，為了將亮度信息和圖像攜帶的信息區(qū)分開，結(jié)合RGB顏色模型和HIS顏色模型來提取臍橙的顏色特征，從RGB轉(zhuǎn)換到HIS模型的轉(zhuǎn)換公式為：

(1)

(2)

(R+G+B)/3

(3)

選取110個臍橙樣本，其正確率達到95%左右，驗證所選取算法的精確性。

4 極限學習機的臍橙分級檢測

4.1 極限學習機模型

極限學習機(extreme learning machine，ELM)是Hang等[10]于2006年提出的一種適用于單隱層前饋神經(jīng)網(wǎng)絡的新型學習算法模型，該算法在訓練前只需設置合適的隱層節(jié)點數(shù)，隨機給輸入節(jié)點和隱層節(jié)電的權(quán)值與閾值賦值，在訓練過程中無需調(diào)整便可獲得唯一的最優(yōu)解，優(yōu)點是學習速度快、泛化性能好。

給定任意N個樣本(xi,yi)，其中xi=[xi1,xi2,…,xin]T∈Rn是樣本輸入值，yi=[yi1,yi2,…,yin]T∈Rn是期望輸出值，激活函數(shù)g(x)是無限可微的，單隱層神經(jīng)網(wǎng)絡模型如圖7所示。

學習機模型可表示為：

(4)

式中j,1,2，…,N,wi=[wi1,wi2,win]T是輸入層節(jié)點與第i個隱含層節(jié)點的連接權(quán)值向量；βi=[βi1,βi2,…βin]是第i個隱含節(jié)點與網(wǎng)絡輸出層節(jié)點的連接權(quán)值向量；yi=[yi1,yi2,…,yim]是網(wǎng)絡的輸出值。對于任意的w和b，誤差函數(shù)E可表示為：

(5)

將其寫成矩陣形式，Hβ=Y，其中

H=(w1,w2,…,wL;b1,b2,…,bL;x1,x2,…,xL)=

由此可知，ELM在計算過程中不需要調(diào)整過多參數(shù)，訓練速度較其他算法更快。

4.2 極限學習機模型的構(gòu)建與測試

為了提高ELM的識別準確率，要選取較好的激活函數(shù)，常用的有Sigmoidal、Sine和Hardlim幾種[11]，通過分析不同神經(jīng)元個數(shù)對準確率的影響，最終選擇Sigmoidal函數(shù)作為ELM的激活函數(shù)。當隱含神經(jīng)元個數(shù)與訓練樣本個數(shù)相等時，ELM可以以零誤差逼近所有訓練樣本。當神經(jīng)元個數(shù)逐漸增多時，測試樣本識別準確率逐漸降低，需要綜合考慮進行選擇，本研究選用30作為隱含神經(jīng)元的個數(shù)。

臍橙的級別在出廠時已由專業(yè)人員通過評定確定了等級，分別為特級、一級、二級、三級、級外。其中特級果是臍橙橫徑在7.5到8.5厘米之間，果形為橢圓，著色率大于90%，表面光潔；一級果的著色率大于80%，表面附著物面積不超過10%；二級果的橫徑在7到9厘米之間，著色率80%以上，表面附著物面積不超過15%；三級果的橫徑在6.5至9.5之間，附著物面積不超過20%；級外的特征是特大特小尺寸，著色率差。其分級流程圖如圖8所示。

實驗共采集了326幅圖像，其中特級30幅，一級48幅，二級110幅，三級95幅，級外33幅，以Sigmoidal函數(shù)為激活函數(shù)，隱含神經(jīng)元個數(shù)為30進行識別分析。識別結(jié)果如表1所示。可見，激活函數(shù)為Sigmoidal，隱含神經(jīng)元個數(shù)為30的極限學習機能夠準確對臍橙進行分級，誤差小于4%。

表1 識別結(jié)果

5 結(jié) 語

研究通過對臍橙圖像進行預處理，選擇HIS顏色模型，R分量灰度圖，對圖像去噪，分別提取臍橙的大小特征、缺陷特征和顏色特征。構(gòu)建極限學習機，選取Sigmoidal為激活函數(shù)，隱含神經(jīng)元個數(shù)為30，試驗測得該模型的正確分級率較高。結(jié)果表明利用機器視覺技術(shù)將不同等級的臍橙識別出來是可行的，為臍橙的分級檢測提供了參考，也為其他球類農(nóng)產(chǎn)品的檢測提供了實際參考價值。