基于專家系統的穴盤苗品種識別算法設計與試驗

何彥虎　武傳宇　童俊華　賀磊盈　王榮楊　楊太瑋

摘要：為提高穴盤苗品種識別準確率，確保全自動穴盤苗移栽的實施，設計基于專家系統的識別算法。首先對采集穴盤苗圖像進行K均值聚類算法圖像分割、二值化和形態(tài)圖像處理，獲得0.6L-0.4（R+B+G）/3、0.3b-0.7a、H+0.2S、0.3L-0.7a等4個顏色特征值向量和長寬比、橢圓扁率、矩形度、傅里葉描述子等4個形狀特征向量。然后對圖像特征進行語義轉換，構建穴盤苗知識模型，并設計苗的知識庫及推理機，推理采用了不確定推理算法及學習算法。系統采集了120盤10個品種的穴盤苗，采用專家系統識別試驗，成功率達到了98.3%，而相同樣本采用支持向量機（support vector machine，簡稱SVM）的識別率是84.0%，采用粒子群優(yōu)化支持向量機（particle-swarm optimization SVM，簡稱PSOSVM）的識別率是86.3%，采用反向傳遞（back propagation，簡稱BP）神經網絡的識別率是62.0%，證明基于專家系統的識別方法可以滿足自動移栽作業(yè)要求。

關鍵詞：穴盤苗;圖像識別;專家系統;不確定性推理;推理機

中圖分類號： TP391.41? 文獻標志碼： A? 文章編號：1002-1302（2019）04-0176-06

為改善勞動條件，穴盤苗自動移栽技術得到廣泛研究，由于穴盤苗的種類繁多，形態(tài)各異，在全自動穴盤苗移栽時，要對不同品種的苗采用不同的移栽方法，因此，穴盤苗品種識別是自動移栽的技術需求之一。目前常用的識別方法是通過圖像處理，得到穴盤苗特征，通過苗葉面積、形狀、顏色等特征進行識別。胡飛等采用1.8G-1.5R-1.8B顏色分量對番茄穴盤苗圖像進行灰度化處理，并采用最大類間方差進行圖像分割，實現對弱苗的識別[1]。賀磊盈等提出了1種基于機器視覺用橢圓擬合的方法恢復幼苗葉面，提取葉面輪廓并根據輪廓上的拐點，應用橢圓擬合的方法參數化葉面形狀，提取幼苗的葉面參數[2]。程玉柱采用分數階微積分理論的主動輪廓模型（ACM，active contours model）對分數階ACM圖像分割算法進行研究，發(fā)現對玉米苗的圖像分割效果優(yōu)于閾值分割[3]。童俊華開發(fā)了穴盤苗健康信息檢測方法，通過灰度增強降噪等處理技術將穴盤苗與背景分割，提高了苗葉識別可靠性[4]。蔣煥煜等采用（3G-R-B）/3色差法及分水嶺分割算法分割番茄苗葉[5]。尹建軍等采用（R-G）色差對番茄圖像進行動態(tài)分割[6]。胡建平等通過辣椒穴盤苗的顏色、頸粗、面積等特征來識別健康苗[7]。近年來，許多研究者開始采用智能化的識別方法。李浩采用紅綠藍（red green blue，簡稱RGB）及色飽和強度（hue saturationb intensity，簡稱HSI）顏色模型并采用貝葉斯判別法建立煙葉分組判別模型[8]。劉念等采用多特征融合和深度信念網絡對植物葉片品種進行識別，識別率為95.6%[9]。

智能化識別通過視覺提取苗的外形、顏色、紋理等信息，然后采用神經網絡、貝葉斯、卷積神經網絡等算法進行分類。因穴盤苗存在層次不齊、黏連重疊等現象，且光照變化對苗葉顏色和形狀特征的獲取影響較大，造成識別誤差較大，魯棒性和穩(wěn)定性較差。本研究提出了1種基于專家系統決策的識別算法，并對10種類型的穴盤苗進行識別驗證，以證明該算法可有效提高穴盤苗品種的識別準確率。

1 設備與材料

1.1 試驗設備

試驗設備如圖1所示，該設備由4條苗盤輸送帶、1個視覺箱、3個伺服軸、1套移栽末端執(zhí)行器、伺服控制系統、圖像處理模塊、專家系統識別模塊組成。視覺箱里包括相機及燈光，相機采用grey point公司的GRAS-50S5C，鏡頭是Sony ICX625AQ 2 448×2 048 CCD，接口是IEEE-1394，PCIeBus Speed是2.5 GT/s。燈光布置成4×4個燈帶（4層，每層4個）。相機與上位機相連接，上位機上安裝了圖像采集卡、專家識別系統。設備的工作過程為：在進料輸送帶上放入待識別的穴盤苗，通過視覺箱采集穴盤苗圖像，并經過圖像處理模塊獲得苗特征向量，該特征向量被上位機的專家系統捕獲，專家系統識別出苗的品種，然后根據該品種苗的移栽閾值（這里僅取面積閾值驗證）實施移栽。移栽穴盤苗通過輸送帶1（可在導軌3前后移動）傳送到輸送帶5處，XYZ伺服系統帶動末端執(zhí)行器9動作，將苗從輸送帶5處的穴盤里移栽到輸送帶6處的穴盤中。

1.2 試驗材料

2017年6—10月從浙江理工大學、浙江大學、浙江省現代農業(yè)園區(qū)采集穴盤苗樣本共120盤10個品種，在樣本的選擇上，考慮了相似樣本的選擇，也考慮了光照、拍攝位置、苗齡等多個因素，具體樣本情況是：三色堇苗S1（S11～S14）共4個樣本，分別在4、3、2、1層燈帶發(fā)光下采集;一串紅苗S2（S21～S24）共4個樣本，在不同放置角度下采集（測試拍照角度對系統的影響）;黃瓜苗S3共66個樣本，其中7 d苗（S301～S310）10個，8 d苗（S311～S320）10個，9 d苗（S321～S330）10個，10 d苗（S331～S340）10個，11 d苗（S341～S350）10個，12 d苗（S351～S360）10個，13 d苗（S361～S366）6個;番茄苗S4共20個樣本，分別是6、8、17、24 d的樣本;辣椒苗S5共6個樣本，分別是17、24 d的樣本;另外還有吉利紅星苗S6、蒲瓜苗S7、茄子苗S8、西葫蘆S9、有機花菜苗S10各4個樣本。算法的主要目標是在整個樣本空間下，進行苗品種判別。

2 識別算法

2.1 識別框架設計

實現穴盤苗品種識別的關鍵是設計專家系統識別算法，該算法按照層次化構建識別框架，分別為圖像特征獲取層、語義轉換層和專家系統識別層。圖像特征獲取層的主要作用是獲取苗葉的顏色和形狀特征;語義轉換層主要完成與知識庫的對接，把苗的特征信息表達成知識庫的格式存儲。專家推理層主要完成對這些知識的推理與再學習。專家系統主要由知識庫、推理機、數據庫、人機交互等組成，穴盤苗的專家識別總體方案設計如圖2所示。

2.2 圖像特征獲取

2.2.1 顏色值提取 不同品種穴盤苗的外在形態(tài)在重疊程度、疏密程度、健康程度等方面各有不同，須要在不同顏色空間下尋找顏色的組合特征，目前常用的顏色模型有RGB模型、HIS模型、Lab（luminosity，a表示從紅色至綠色的范圍，b表示從藍色至黃色的范圍）模型、CMYK（cyan magenta yellow black）模型。通過K均值聚類進行圖像分割，然后獲取R、G、B、L、a、b、H、S各分量的顏色值。

2.2.2 形狀特征獲取 穴盤苗的形狀特征需與葉片的大小和方向無關。選取的特征參數有：矩形度（R），描述苗葉與苗葉外接矩形的接近程度，如式（1）所示;橢圓扁率（u），指苗葉的狹長程度，如式（2）所示;長寬比（P），葉片外接矩形長寬的比值如式（3）所示。

式中：A表示面積;W是外接矩形的寬;L是外接矩形的長;a是橢圓長軸;b是橢圓短軸，圖像處理中，采用的單位都是像素點數。形狀特征獲取算法的關鍵是在苗葉重疊情況下，在畸變苗葉中找到形狀接近度高的理想苗葉集，以獲取較準確的形狀特征，算法流程為

Step1：采用K均值在Lab顏色空間下分割出苗葉，并用最大類間方差法（OTSU）去除噪點。

Step2：形態(tài)運算分離苗葉。首先設定1個2×2的矩陣模板，對圖像進行腐蝕，增大苗葉距離。然后進行填充孔洞運算，最后采用圓形為1的模板對圖像開運算。

Step3：理想苗葉篩選。首先采用面積閾值法除去大面積粘連區(qū)域，再計算面積均值和方差，選擇小于“面積均值+方差”并大于“面積均值-方差”的區(qū)域。最后統計橢圓扁率u的頻次，凡是頻次出現高的被保留，頻次低的一般是非理想苗葉形狀，予以濾出。

Step4：傅里葉描述子精選理想苗葉。經過第3步的篩選，已將大面積的粘連苗葉、殘缺苗葉、重疊苗葉除去，但仍偶然出現不理想苗葉，甚至畸形苗葉沒有被濾出，因此再采用傅里葉描述子進行辨識與分離。設單獨的1個苗葉是由N個像素組成的封閉邊界，則邊界上任意一點的坐標可以用復數表示為式（4）。

式中：fx表示匹配情況，fx為0表示匹配不成功，大于0表示匹配成功。這時就形成了C（i，j）個類，最終被選為理想苗葉算法的是最小誤差法，即計算每一個類的傅里葉“誤差和”，“誤差和”最小的類被選中，說明該類中苗葉非常相似。最后計算出目標苗葉的長寬比、矩形度、橢圓扁率、傅里葉描述子等平均值作為形狀特征值。

2.3 專家系統識別

穴盤苗的專家識別算法包括穴盤苗特征的語義轉換、知識表示與推理機的設計。

2.3.1 穴盤苗特征語義映射 穴盤苗特征主要包括顏色和形狀，顏色的語義映射主要是將顏色數據轉變成顏色語義，便于推理機的識別。形狀特征的語義映射主要是將苗特征值轉換成推理機可識別的語義信息。這里采用一個三元組表達，如式（7）所示。

式中：i=1，2，3，…，n，N是特征名稱，V是該特征對應的數值;δ表示允許誤差，即當前采樣值與知識庫中知識特征值的差。（+，-，*，/）表示特征可以按照該運算組成新的特征。

2.3.2 穴盤苗建模 在推理過程中，還須要建立穴盤苗的知識模型，用于對苗特征的表征與推理，實現對不同苗的識別。1個完整的穴盤苗具有顏色、形狀等特征，模型要能表達這些特征，據此定義穴盤苗模型如式（8）所示。

式中：SEEDi表示穴盤苗的模型;SNi表示第i盤苗的名稱;Aij表示第i盤苗的第j個特征名稱;Vij表示第i盤苗的第j個特征的特征值;δij為接近度，即第i盤苗的第j個特征的采樣值與知識特征值的差值;（OR，AND）表示這些特征可以進行“或”運算或者“與”運算;wij為客觀可信度，表示穴盤苗某特征對穴盤苗支持的客觀可信度，是客觀存在的，該參數一般在知識庫中是靜態(tài)存在的，由領域專家確定;CFij為Aij特征的學習可信度，在學習的過程中，可以改變自身的值，一些對穴盤苗支持程度高的特征，其CF值隨著學習不斷加強，支持度小的CF值則不斷減小和弱化，其隨著學習更加趨近合理;SCFi為穴盤苗的總體可信度;λi為可信度閾值。

2.3.3 知識模型及推理機設計 語義映射完成的穴盤苗特征將成為專家系統的事實，是專家系統辨識穴盤苗的依據，因采集環(huán)境以及圖像處理中的信息丟失等影響，采集信息存在模糊性、隨機性等強非線性因素，具有不完備和不精確性。對于這類問題在專家系統中都歸一到不確定性推理框架，常見的推理模型有D-S證據理論、貝葉斯網絡、權重邏輯推理（weighted logical inference，簡稱WLI）[10]，針對穴盤苗特征構建的事實，提出不確定推理模型。推理知識表示如式（9）所示。

式中：m為穴盤苗數量;n為某一個穴盤苗的特征數，wi1+wi2+，…，win=1;λ為閾值，范圍為[0，1]。

推理機是專家系統的關鍵，本系統采用的專家系統是CLIPS，CLIPS是用C語言實現的高效產生式系統，因效率高、可移植性強而得到廣泛的應用[11]。它構成的專家系統包括：規(guī)則（defrule）、事實（deffacts）、推理。推理機不斷地掃描規(guī)則，并把匹配成功的規(guī)則激活，放入議程之中[12]。CLIPS既可以獨立編程，也可以嵌入到VC中，知識庫可以隨時填入知識而不影響其他程序結構。CLIPS的推理循環(huán)可分為4個階段：模式匹配、沖突消解、激活規(guī)則、動作[12]。推理機的推理過程為

Step1：系統相機拍照，并將圖像傳入圖像處理模塊，分別計算出該穴盤苗圖像的特征值V={v1，v2，v3，…，vn，n為特征數}，其對應的特征名稱為A={A1，A2，A3，…，An}。

Step2：推理機啟動，打開并搜索知識庫，與所有知識進行匹配。假設匹配苗S11，則根據特征名A，可以匹配得到：特征值VB={VB1，VB2，VB3，…，VBn，n為特征數}、允許誤差δ={δ1，δ2，δ3，…，δn，n為特征數}、客觀可信度w={w1，w2，w3，…，wn，n為特征數}、學習可信度CF={CF1，CF2，CF3，…CFn，n為特征數}，然后計算VB與V的差值并與δ比較，凡是小于δ的特征被保留，并計算出每一個特征的可信度，則苗S11的總可信度SCF11如式（10）所示。

說明第j條知識正好是第k個苗的知識，即識別成功苗的總可信度在整個樣本空間中最大。

2.3.4 學習算法 學習分首次學習和再學習。當穴盤苗知識庫中沒有某種苗知識時，通過首次學習，建立該苗的“苗知識”。再學習是通過改變CF的權重值，提高識別能力?，F設存在苗S11的知識，其差異度為{h11，h12，…h(huán)1n，n為特征數}，再設苗S12為待學習的苗，其差異度表示為{h21，h22，…，h2n}，再學習算法的步驟為

式中：m為目標搜索空間;c1和c2為學習因子;r1和r2為[0，1]范圍內的均勻隨機數;w為慣性因子;Vim為速度;Pim為個體最優(yōu)位置;Pgm為全局最優(yōu)值;CFim為第i個穴盤的第m個特征的可信度。這樣，在搜索的過程中，CF的值被優(yōu)化，接近度高的權重得以加強，接近度低的予以抑制。

3 結果與分析

通過信號采集，首先獲得120個穴盤苗特征向量，然后用專家系統識別測試。軟件主要采用了VC+ +（6.0）、MATLAB（2013a）、圖像采集軟件、CLIPS專家推理系統（版本為6.22）。

3.1 圖像特征提取與分析

3.1.1 理想苗葉篩選測試 把苗S330（圖3-a）用K均值聚類后得到圖3-b，同時得到顏色特征的均值，然后進行二值化得到圖3-c，采用面積過濾篩除粘連的大塊面積得到圖 3-d，然后用參量u進行篩選得到圖3-e，最后用傅里葉描述子聚類分離得到圖3-f，并求出其形狀特征的均值。從圖3可以看出，特征獲取算法能在苗葉粘連的情況下，濾除畸形苗葉，得到理想苗葉，證明該算法合理有效。

3.1.2 特征值選擇及效果 通過分析同類苗的R、G、B、L、a、b、H、S等顏色值發(fā)現，在Lab空間中，L隨著采集燈光的減弱而減弱，a值隨著亮度的增加而逐步轉向深綠，b值隨亮度的變化反應不規(guī)律;在RGB顏色空間中，R、G、B的值隨著亮度的增大逐步增大;在HIS顏色空間中，H雖然隨著光照度的增大而增大，但增大的幅值非常小，而S卻隨著光照度的增強而降低。在特征值的選擇中發(fā)現，對不同顏色進行組合后，可得到較穩(wěn)定的特征量，因此選取0.6L-0.4（R+B+G）/3、03b-0.7a、H+0.2S、0.3L-0.7a等顏色特征作為特征值。形狀特征值選擇長寬比、橢圓扁率、矩形度及傅里葉描述子4個參數。現設特征F1=0.6L-0.4（R+B+G）/3，并以苗S3的40個樣本為例分析，其特征分布情況如圖4所示，可以看出，生長期相近的苗特征基本相近，特征值相對穩(wěn)定，波動較小。

3.2 專家系統識別試驗

3.2.1 不同品種穴盤苗識別測試

3.2.1.1 可信度識別結果分析 根據苗品種及生長期的不同，建立多條苗的知識，本試驗采用苗S11、S21、S301、S320、S351、S361、S401、S407、S414、S501、S506、S6、S7、S8、S9、S10的知識，對所有穴盤苗進行識別測試，通過可信度值進行統計識別情況，圖5-a是第1類苗S1的4盤穴盤苗的識別結果，圖5-b是第2類穴盤苗S2的識別情況。

由圖5可知，在苗S1和苗S2中的8個樣本中，每一個苗的總體可信度在整個樣本空間中最大，說明識別成功。表2是苗S3、S4、S5的識別情況，可以看出，苗S301構建的知識能識別生長期為7、8 d的苗。苗S320構建的知識能識別9、10、11 d的苗。在生長期早的苗葉中，識別率非常高，這主要是由于生長期早的苗葉沒有重疊或有輕微的重疊，容易取到理想的樣本，也說明推理機與知識庫設計合理。識別出現錯誤的主要是生長期比較晚的苗葉如S356號苗（12 d）和S419號苗（24 d），主要是因為這些苗為嚴重重疊苗，形態(tài)復雜，苗葉畸形造成形態(tài)特征值誤差太大。苗S6、S7、S8、S9、S10識別全部正確。

3.2.1.2 移栽結果分析 本研究只采用面積閾值驗證專家系統識別結果，專家系統識別成功后，根據該苗的移栽面積閾值實施移栽，面積閾值存儲在知識庫中，當檢測到當前苗的面積在知識庫中閾值面積范圍內時，說明匹配成功，則發(fā)送移栽命令，通過測試發(fā)現，S356號苗移栽動作沒有發(fā)生，S419號雖然苗的識別錯誤，但卻發(fā)生了移栽動作。分析其原因，苗S3的S356號苗的葉面積是651，但專家系統識別結果是苗S6（錯誤結果），S6的面積閾值是226～310，與S356的面積651匹配不成功，無法啟動移栽命令，因此沒有動作;苗S4的第S419號苗的葉面積是447，專家系統識別結果是苗S3（錯誤結果），但苗S3的閾值面積包含了447，因此，實施了移栽動作。綜上測試說明，通過專家系統可信度識別錯誤的穴盤苗，也有發(fā)生移栽的可能，主要原因是不同苗葉面積閾值相近造成的，因此在實踐應用中，還要通過其他的閾值條件進行限定，以確保移栽可靠性。

3.2.2 光照影響下穴盤苗識別測試 不同的光照會影響特征值的采集，因此，需要測試光照影響下專家系統的識別率?，F以S11、S12、S13、S14為例測試，這4個是同種苗，但光照度減弱，現以F11（seed11）特征值構建知識，當輸入F12、F13、F14幾個采集特征值時，各個苗的總可信度如表4所示，可以看出，采集特征值F12、F13、F14在同種苗S1上的信任度遠遠高于在其他苗上產生的信任度，說明盡管穴盤苗的采集特征值在變化，但依然能準確地識別同類型的穴盤苗。

3.2.3 學習可信度學習測試 為了提高識別的魯棒性，并測試學習的效果，現對S1的知識進行學習，改變其學習可信度的權值，S1學習前后信任度對比如圖6所示。

由圖6可知，經過學習后，采集特征值F12、F13、F14在同種苗的總信任度高于沒有學習時的信任度，這說明識別同類苗的能力大大增強。

3.2.4 相似度大小對識別的影響測試 相似度的取值要求能區(qū)分其他穴盤苗，本研究通過逐步增大相似度取值，分析相似度大小對苗識別的影響（以S1為例）。由圖7可知，逐步增大苗S1的相似度值時，除了S11因構建知識，相似度不變外，S12、S13等總可信度隨著相似度值的增大而增大，但到一定值時，就不再增大。同時可以看出，對苗3等其他苗的總可信度沒有影響。對任意一個穴盤苗知識庫中知識的相似度而言，不易設置過大，一般設置在可信度曲線轉平前的拐點附近，如圖7中的[4，5]區(qū)間，相似度大小一般由領域專家確定。

3.2.5 幾種識別算法比較 本研究在樣本特征值保持不變的情況下，將樣本分成訓練樣本70個，測試樣本50個，采用反向傳遞（back propageation，簡稱BP）神經網絡、支持向量機（support vector machine，簡稱SVM）網絡、粒子群優(yōu)化支持向量機（particle-swarm optimizaion，簡稱PSOSVM）進行識別測試。BP神經網絡的識別率為62.0%，其中目標誤差是 0.001，訓練次數是9 000次;支持向量機SVM的識別率為840%，其中SVM的懲罰參數c取2，核函數參數g取1，工具箱版本是libsvm 3.12;基于粒子群優(yōu)化的支持向量機識別率為86.3%，其中懲罰參數c優(yōu)化值為 1.642 6，核函數參數g優(yōu)化值為9.786 4，目標誤差0.001，PSO的迭代次數200次，種群20;本研究專家系統的識別率為98.3%，總樣本數為120個，其中學習樣本數16個，識別失敗樣本2個（分別是S356號苗和S419號苗），成功118個。

4 結論

在穴盤苗專家系統識別算法中，采用了8個特征向量，可以識別生長期相近的穴盤苗品種，不需要訓練。專家系統的知識庫容易管理，對新增加的穴盤苗，不需要改變推理機，只要在知識庫中增添一條知識即可進行識別，知識庫獨立性強。

在穴盤苗特征向量獲取算法中，采用組合顏色特征的方法以及形狀特征均值的方法，并采用傅里葉描述子聚類算法獲得理想苗葉集，尤其在苗葉有重疊的情況下，仍能取得較為理想的苗葉特征。

通過測試在光照影響下、拍照角度影響下、不同苗期苗葉形態(tài)不同的影響下穴盤苗的識別，證明基于專家系統識別的有效性。

參考文獻：

[1]胡 飛，尹文慶，陳彩蓉，等. 基于機器視覺的穴盤幼苗識別與定位研究[J]. 西北農林科技大學學報（自然科學版），2013，41（5）：183-188.

[2]賀磊盈，蔡麗苑，武傳宇. 基于機器視覺的幼苗自動嫁接參數提取[J]. 農業(yè)工程學報，2013，29（24）：190-195.

[3]程玉柱. 分數階ACM圖像分割算法及其在雜草圖像中的應用[D]. 南京：南京林業(yè)大學，2014.

[4]童俊華. 蔬菜缽苗穴盤間移栽執(zhí)行器設計、移栽信息檢測與路徑規(guī)劃[D]. 杭州：浙江大學，2014.

[5]蔣煥煜，施經揮，任 燁，等. 機器視覺在幼苗自動移缽作業(yè)中的應用[J]. 農業(yè)工程學報，2009，25（5）：127-131.

[6]尹建軍，毛罕平，王新忠，等. 不同生長狀態(tài)下多目標番茄圖像的自動分割方法[J]. 農業(yè)工程學報，2006，22（10）：149-153.

[7]胡建平，侯 碩. 溫室缽苗移栽機器人健康苗圖像識別技術研究[D]. 鎮(zhèn)江：江蘇大學，2015.

[8]李 浩. 基于數字圖像處理技術的烤煙煙葉自動分組模型研究[D]. 武漢：華中農業(yè)大學，2007.

[9]劉 念，闞江明. 基于多特征融合和深度信念網絡的植物葉片識別[J]. 北京林業(yè)大學學報，2016，38（3）：110-119.

[10]董春玲，張 勤. 用于不確定性故障診斷的權重邏輯推理算法研究[J]. 自動化學報，2014，40（12）：2766-2781.

[11]何彥虎，左希慶，張曉通，等. 基于CBR-FAT的液壓機故障診斷專家系統構建[J]. 機床與液壓，2016，44（13）：191-196.

[12]Giarratano J，Riley G. 專家系統原理與編程[M]. 北京：機械工業(yè)出版社，2000.孫瀟鵬，林 建，劉燦燦，等. 水稻收割機的割臺輕量化設計及經濟性分析[J]. 江蘇農業(yè)科學，2019，47（4）：182-186.