劉海房，蔣 謹(jǐn)

（廣東白云學(xué)院大數(shù)據(jù)與計(jì)算機(jī)學(xué)院，廣州 510000）

0 引言

我國(guó)是世界上臍橙種植面積最大的國(guó)家，但臍橙品質(zhì)分級(jí)處理程度低。臍橙品質(zhì)分級(jí)可以提高臍橙質(zhì)量，臍橙按照成熟度、大小、表面缺陷等進(jìn)行品質(zhì)分級(jí)后，可以創(chuàng)造更大的商品價(jià)值，同時(shí)可以提高果農(nóng)收益［1］。

近年來，隨著機(jī)器視覺、數(shù)字圖像處理技術(shù)、機(jī)器學(xué)習(xí)技術(shù)的快速發(fā)展，國(guó)內(nèi)外對(duì)水果品質(zhì)分級(jí)做了較深入的研究［2］。Arivazhagan 等［3］提出了一種基于顏色和紋理特征有效融合的水果識(shí)別方法。Wu［4］使用主成分分析（principal component analysis，PCA）來減少顏色、紋理和形態(tài)特征，并引入了內(nèi)核支持向量機(jī)（kernel support vector machine，KSVM）作為分類器。Ji［5］用 適 應(yīng) 度 標(biāo) 準(zhǔn) 混 沌（fitness-scaled chaotic ABC，F(xiàn)SCABC）取代了KSVM，從而提高了準(zhǔn)確率。Lu［6］使用分?jǐn)?shù)傅里葉熵作為特征，使用反向傳播神經(jīng)網(wǎng)絡(luò)（back propagation neural network，BPNN）作為分類器。姚立健等［7］采用數(shù)字圖像處理的方法提取水果的特征，設(shè)計(jì)一種反向傳播神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)蘋果的多特征融合。

神經(jīng)網(wǎng)絡(luò)有很強(qiáng)的非線性擬合能力，可映射任意復(fù)雜的非線性關(guān)系，而且學(xué)習(xí)規(guī)則簡(jiǎn)單，便于計(jì)算機(jī)實(shí)現(xiàn)，具有很強(qiáng)的魯棒性、記憶能力、非線性映射能力以及強(qiáng)大的自學(xué)習(xí)能力，因此有很大的應(yīng)用市場(chǎng)。但是，當(dāng)數(shù)據(jù)不充分的時(shí)候，神經(jīng)網(wǎng)絡(luò)就無法進(jìn)行工作［8］。

支持向量機(jī)（support vector machine，SVM）是一種有堅(jiān)實(shí)理論基礎(chǔ)的、新穎的小樣本學(xué)習(xí)方法，它基本上不涉及概率測(cè)度及大數(shù)定律等，因此不同于現(xiàn)有的統(tǒng)計(jì)方法。從本質(zhì)上看，它避開了從歸納到演繹的傳統(tǒng)過程，實(shí)現(xiàn)了高效的從訓(xùn)練樣本到預(yù)報(bào)樣本的“轉(zhuǎn)導(dǎo)推理”，大大簡(jiǎn)化了通常的分類和回歸等問題。

基于目前臍橙圖像數(shù)據(jù)集數(shù)據(jù)量較少，神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)效果明顯低于SVM 算法，故本文采用SVM算法實(shí)現(xiàn)臍橙品質(zhì)分級(jí)。

1 圖像融合

根據(jù)國(guó)家臍橙分級(jí)標(biāo)準(zhǔn)［9］，將臍橙分為特級(jí)果、一級(jí)果、二級(jí)果，等外果。具體可參考表1。

表1 國(guó)家臍橙分級(jí)標(biāo)準(zhǔn)（GB/T 21488－2008）的部分參數(shù)

以贛南臍橙果園為數(shù)據(jù)采集基地，選取特級(jí)果、一級(jí)果、二級(jí)果、等外果各110個(gè)，用手機(jī)攝像頭對(duì)這些臍橙進(jìn)行拍照，分別從上面、下面和3 個(gè)側(cè)面共5 個(gè)角度進(jìn)行拍攝，采集臍橙圖像數(shù)據(jù)［10］。

將每個(gè)臍橙采集到的5 張圖像分別進(jìn)行裁剪，對(duì)裁剪后的5張圖像進(jìn)行摳圖，最后進(jìn)行合成，融合為1 張圖像。多角度多區(qū)域圖像融合，能更全面反映該臍橙的大小、成熟度、果面缺陷等特征。單個(gè)臍橙的5張不同角度的圖像融合后的圖像如圖1 所示，從左到右分別是上面圖像、下面圖像、3 張側(cè)面圖像。同時(shí)根據(jù)大小、成熟度、果面缺陷面積對(duì)這張臍橙圖像進(jìn)行級(jí)別標(biāo)注，圖像文件名稱中標(biāo)明是特級(jí)果（SUPER）、一級(jí)果（FIRST）、二級(jí)果（SECOND）或等外果（EXCEPTION）。每個(gè)臍橙可以得到1張融合后的圖像數(shù)據(jù)，共440張。這些臍橙圖像構(gòu)成了臍橙品質(zhì)分級(jí)圖像數(shù)據(jù)集。隨機(jī)選取400張圖像進(jìn)行訓(xùn)練，剩下40張用于測(cè)試。

圖1 臍橙合成圖像

2 算法實(shí)現(xiàn)

2.1 算法描述

支持向量機(jī)（support vector machine，SVM）是一種優(yōu)良的數(shù)據(jù)挖掘技術(shù)，它利用最優(yōu)化原理處理數(shù)據(jù)挖掘中的相關(guān)問題，可以實(shí)現(xiàn)從低維數(shù)據(jù)空間到高維特征空間的映射，從而將一個(gè)低維非線性問題轉(zhuǎn)化為高維線性可分問題。在一定程度上解決了“維數(shù)災(zāi)難”和“過學(xué)習(xí)”難題，在處理小樣本、非線性和高維數(shù)上有很好的泛化能力和推廣性。

SVM 模型的核心是核函數(shù)，選擇一個(gè)好的核函數(shù)對(duì)支持向量機(jī)精度十分重要。在SVM中，常見的核函數(shù)共分為四種：多項(xiàng)式核函數(shù)（PF）、徑向基核函數(shù)（RBF）、Sigmoid 核函數(shù)（SF）以及線性核函數(shù)（LF）。其優(yōu)劣各有不同，線性核函數(shù)比較簡(jiǎn)單，可以求解一個(gè)QP 問題，但是只能解決線性可分問題；多項(xiàng)式核函數(shù)依靠升維使得原本線性不可分的數(shù)據(jù)線性可分，可解決非線性問題。本項(xiàng)目樣本數(shù)較少，經(jīng)過比較，選擇預(yù)測(cè)效果較好的多項(xiàng)式核函數(shù)建模。

基于臍橙圖像數(shù)據(jù)集，訓(xùn)練基于多項(xiàng)式核函數(shù)的SVM 模型，并應(yīng)用訓(xùn)練好的模型進(jìn)行測(cè)試，步驟如下：

（1）讀取臍橙圖像數(shù)據(jù)集中的訓(xùn)練圖片；

（2）對(duì)圖片進(jìn)行變換處理，提取訓(xùn)練集圖片的特征值；

（3）對(duì)標(biāo)簽進(jìn)行編碼，標(biāo)準(zhǔn)化處理；

（4）建立基于多項(xiàng)式內(nèi)核的SVM算法模型；

（5）運(yùn)用圖像樣本數(shù)據(jù)集和圖像分類標(biāo)簽數(shù)據(jù)集，對(duì)SVM算法模型進(jìn)行訓(xùn)練；

（6）讀取測(cè)試圖像，運(yùn)用訓(xùn)練好的模型，對(duì)測(cè)試圖片進(jìn)行識(shí)別分類，得到分類結(jié)果。

2.2 實(shí)現(xiàn)代碼

2.2.1 模型訓(xùn)練函數(shù)代碼（Python代碼）

def trainPic（self,trainPicDir,savedModelDir）:

#訓(xùn)練集圖片路徑

picDic,train_urls=search_files（self,trainPicDir）

#提取訓(xùn)練集圖片的特征值

train_x,train_y=［］,［］

for label,urls in picDic.items（）:

for file in urls:

image=cv.imread（file）

gray=cv.cvtColo（rimage,cv.COLOR_BGR2

GRAY）

h,w=gray.shape

f=200/min（h,w）

gray=cv.resize（gray,None,fx=f,fy=f）

shift=cv.xfeatures2d.SIFT_create（）

keypoints=shift.detec（tgray）

_,desc=shift.compute（gray,keypoints）

sample=np.mean（desc，axis=0）

train_x.append（sample）

train_y.append（label）

train_x=np.array（train_x）

#訓(xùn)練集Y標(biāo)簽編碼

encoder=sp.LabelEncoder（）

self.setEncoder（encoder）

train_y_label=self.getTheEncode（r）.fit_transform

（train_y）

#建立SVM模型并訓(xùn)練模型

self.model=svm.SVC（kernel=“poly”，degree=4，

gamma=“auto”，probability=True）

self.model.fi（ttrain_x，train_y_label）

prd_train_y=self.model.predic（ttrain_x）

with open（‘my_model.m’，‘wb’）as fw：

joblib.dump（self.model，fw）

return self.model；

2.2.2 識(shí)別分類函數(shù)代碼（Python代碼）

def predictPic（self，preDir，classifyDir，model）：

#加載測(cè)試集

test_urls，file_url=search_files（self，preDir）

prin（ttest_urls）

#使用模型識(shí)別圖片

prd_test_y=model.predic（ttest_x）

prin（tsm.classification_repor（ttest_y_label，prd_

test_y））

#輸出圖片所屬類別概率

output_Str=“圖片名稱 所屬類別概率【SUPER

FIRST SECOND EXCEPTION】”

probs=model.predict_proba（test_x）

accuracyVar=st（raccuracy_score（test_y_label，prd_

test_y））

test_Res_Str=“”+accuracyVar

class_type=［‘SUPER’，‘FIRST’，‘SECOND’，

‘EXCEPTION’］

picTypeIndex=［］

j=0

for i in np.round（probs，3）：

maxType=getMaxPossibily（i）

output_Str=output_Str+“ ”+file_ur［lj］+“ ”

+formatOutpu（ti）

j=j+1

picTypeIndex.append（class_type［maxType］）

tmp_str1=‘’.join（str（i）for i in np.round（probs，

3））

prin（tnp.round（probs，3））

3 程序界面及運(yùn)行結(jié)果

3.1 程序界面設(shè)計(jì)

界面程序使用PyQt5設(shè)計(jì)實(shí)現(xiàn)，使用的環(huán)境有Windows 10、Python 3.7.2、PyQt5、Qt Designer、Pycharm 等。界面主要設(shè)計(jì)了兩大區(qū)域，操作區(qū)域和結(jié)果顯示區(qū)域，操作區(qū)域包括設(shè)置訓(xùn)練圖片路徑按鈕、開始訓(xùn)練按鈕、設(shè)置測(cè)試圖片路徑按鈕和識(shí)別分類按鈕，顯示區(qū)域用顯示框顯示實(shí)驗(yàn)結(jié)果。

程序界面操作步驟如下：

（1）點(diǎn)擊設(shè)置訓(xùn)練圖片路徑按鈕，選擇訓(xùn)練圖片文件夾；

（2）點(diǎn)擊開始訓(xùn)練，程序會(huì)調(diào)用訓(xùn)練函數(shù)進(jìn)行訓(xùn)練，大概等待五分鐘左右，訓(xùn)練完成；

（3）點(diǎn)擊設(shè)置測(cè)試圖片路徑按鈕，選擇測(cè)試圖片文件夾；

（4）點(diǎn)擊識(shí)別分類按鈕，程序會(huì)調(diào)用識(shí)別分類函數(shù)進(jìn)行圖像識(shí)別及分類；

（5）輸出窗口輸出每張測(cè)試圖片屬于特級(jí)果（SUPER）、一級(jí)果（FIRST）、二級(jí)果（SECOND）、等外果（EXCEPTION）的概率，概率最高的類別即為該臍橙所屬類別。

3.2 程序運(yùn)行結(jié)果

程序運(yùn)行結(jié)果如圖2所示，界面顯示區(qū)域顯示了40張測(cè)試圖片的測(cè)試結(jié)果。如SUPER_01.jpg圖片，識(shí)別為特級(jí)果（SUPER）、一級(jí)果（FIRST）、二級(jí)果（SECOND）、等外果（EXCEPTION）的概率分別為86.5%、1.1%、5.5%、6.6%，很顯然，該張圖片為特級(jí)果的概率最大，故屬于特級(jí)果，跟圖片原本的標(biāo)注（圖片名稱中標(biāo)注為SUPER特級(jí)果）一致，識(shí)別分類成功。FIRST_01.jpg 圖片，識(shí)別為特級(jí)果（SUPER）、一級(jí)果（FIRST）、二級(jí)果（SECOND）、等外果（EXCEPTION）的概率分別為0.3%、82.3%、4.6%、6%，很顯然，該張圖片為一級(jí)果的概率最大，故屬于一級(jí)果，跟圖片原本的標(biāo)注（圖片名稱中標(biāo)注為FIRST 一級(jí)果）一致，識(shí)別分類成功。其他圖片識(shí)別分類結(jié)果分析依此類推。最后，統(tǒng)計(jì)所有測(cè)試圖片識(shí)別分類結(jié)果，得出測(cè)試數(shù)據(jù)集整體識(shí)別分類成功的概率為92.5%。

圖2 程序運(yùn)行結(jié)果

4 結(jié)語(yǔ)

本文通過圖像融合的方式將多角度多區(qū)域的臍橙圖像進(jìn)行融合，融合后的圖像更全面、更準(zhǔn)確地反映了臍橙的各項(xiàng)基本特征，有助于提高臍橙識(shí)別分類成功率。結(jié)合實(shí)際情況，本文選用了支持向量機(jī)（SVM）算法進(jìn)行模型訓(xùn)練，設(shè)計(jì)了算法過程，使用Python 編寫算法代碼，使用PyQt5等技術(shù)實(shí)現(xiàn)了界面程序。將測(cè)試圖片數(shù)據(jù)集導(dǎo)入程序，得出實(shí)驗(yàn)結(jié)果，結(jié)果顯示，臍橙識(shí)別分類成功率較高。但是，本文在圖像融合技術(shù)方面，只是做了簡(jiǎn)單的圖像合成，還有待進(jìn)一步提升。因數(shù)據(jù)量樣本較少，所以實(shí)驗(yàn)結(jié)果較為理想，若數(shù)據(jù)樣本量足夠大，則算法還有待進(jìn)一步優(yōu)化和研究。