基于機(jī)器視覺的小桐子種子識別算法研究

祝保林，張彥波，張欣羽，邢若男，趙明月

(河南大學(xué)物理與電子學(xué)院，河南 開封 475000)

小桐子又名麻瘋樹，它不但人工造林容易，天然更新能力強(qiáng)，還耐火燒，改良土壤能力強(qiáng)[1]。目前，針對小桐子種子篩選采用人工篩選識別效率較低、主觀性強(qiáng)、錯誤率高。若應(yīng)用機(jī)器視覺技術(shù)對小桐子種子的品質(zhì)進(jìn)行判斷，能夠快速準(zhǔn)確地完成識別分類。

農(nóng)作物數(shù)字化選種是農(nóng)業(yè)數(shù)字化的重要步驟。利用機(jī)器視覺技術(shù)對種子進(jìn)行識別是其中的常用手段之一。王宏勇等[2]研究了基于遺傳算法和支持向量機(jī)的玉米品種識別，溫芝元等[3]利用婭柑病蟲害作為病害圖像，建立BP神經(jīng)網(wǎng)絡(luò)模型來對病蟲害進(jìn)行識別，周鴻達(dá)等[4]使用主成分分析法確定主因子個數(shù)，使用BP神經(jīng)網(wǎng)絡(luò)建立判別模型，許良鳳等[5]提取玉米病害區(qū)域顏色特征，構(gòu)造相應(yīng)地單分類器，通過線性加權(quán)的形式融合判決，最終獲得分類結(jié)果。綜上所述，種子識別與檢測中主要有種子有效特征提取和種子模式識別分類方法等兩大關(guān)鍵技術(shù)，其中特征提取是種子識別的關(guān)鍵環(huán)節(jié)。

針對小桐子種子識別技術(shù)與算法進(jìn)行了深入的研究和探索，提出了一種通過主成分分析有效特征提取和支持向量機(jī)的粒子群優(yōu)化算法的小桐子種子識別方法。趙秀紅[6]、賀心皓等[7]研究表明，基于機(jī)器視覺的小桐子種子識別與檢測方法是可行的，該方法可提高小桐子種子識別的準(zhǔn)確率。

1 識別系統(tǒng)

小桐子種子識別系統(tǒng)如圖1所示。攝像機(jī)垂直固定在暗箱頂部中心位置，調(diào)節(jié)物距為30 cm，以保證拍攝圖像的質(zhì)量，補(bǔ)光照明系統(tǒng)主要由條形光源實(shí)現(xiàn)，識別系統(tǒng)在一個封閉的暗箱內(nèi)進(jìn)行。其中，圖像采集系統(tǒng)如下：計(jì)算機(jī)CPU Intel Core 3.6 G，8 G內(nèi)存；相機(jī)選用CCD SONY TD-2073等。

注：1為CCD相機(jī)；2為遮光箱；3為條形光源；4為載物流水線； 5為被檢測種子；6為計(jì)算機(jī)。 圖1 系統(tǒng)組成

2 小桐子種子圖像處理與特征提取

2.1 圖像處理

試驗(yàn)選取的小桐子種子來源于云南省元謀干熱河谷區(qū)種植的小桐子樹，經(jīng)采摘、去殼和曬干等處理后，該小桐子種子的外觀特征主要表現(xiàn)為整體顏色近于黑色，但表面具有白色的小斑點(diǎn)。通過攝像頭采集的小桐子種子圖像如圖2所示。在進(jìn)行特征提取之前，首先對采集的圖像進(jìn)行灰度化處理，然后對灰度化圖像進(jìn)行閾值分割，緊接著進(jìn)行形態(tài)學(xué)處理等預(yù)處理，最后進(jìn)行邊緣提取得到所需圖像[8]。

注：a是原始圖像，b是處理后圖像。 圖2 種子圖像處理結(jié)果

2.2 特征提取

對分割出的圖像分別從形狀、顏色、紋理等3個方面進(jìn)行特征提取。實(shí)際提取小桐子種子性狀的19個特征參數(shù)如表1所示。

表1 小桐子種子的主要特征參數(shù)

3 識別分類

3.1 主成分分析法

主成分分析是將多個指標(biāo)進(jìn)行組合，轉(zhuǎn)化為少數(shù)幾個綜合指標(biāo)的統(tǒng)計(jì)分析方法，從而達(dá)到簡化的目的[9]，再依據(jù)各變量的特征值貢獻(xiàn)率作為權(quán)重結(jié)合特征向量構(gòu)建評價模型[10]。

主成分的特征值和貢獻(xiàn)率是選擇主成分的依據(jù)，該試驗(yàn)選擇特征值大于1作為主成分的抽取條件[11]。由表2可知，前5個主成分的特征值大于1，累計(jì)貢獻(xiàn)率達(dá)88.779%，所以選前5個主成分可表示原來19個性狀所包含的絕大部分信息。其中表3中的特征的排列順序與表1中的特征排列順序一致。

表2 種子主成分分析

由表3可知，對主成分1影響最大的因子是長軸長度，與長軸長度顯著相關(guān)的面積、周長、當(dāng)量直徑等指標(biāo)均對主成分1影響較大，所以主成分1是長軸長度；在主成分2中，影響較大的因子為緊湊度和圓形度，且與長軸長度呈極顯著負(fù)相關(guān)，所以主成分2是緊湊度；對主成分3影響較大的有B分量，所以主成分3是B分量；對主成分4影響較大的是H分量，因此主成分4是H分量；對主成分5影響較大有mean和con，且mean和con呈正相關(guān)，所以主成分5是mean。

3.2 支持向量機(jī)(SVM)分類模型

采用粒子群優(yōu)化算法的支持向量機(jī)對小桐子種子進(jìn)行分類識別。使用通過主成分分析選取的5個參數(shù)為輸入特征參數(shù)值做為樣本學(xué)習(xí)數(shù)值，采用粒子群優(yōu)

化的SVM算法，隨機(jī)的輸入樣本數(shù)據(jù)可以得到很高的正確識別率[12](圖3)。

通過對表4分析可知，將長軸長、緊湊度、B分量、H分量和mean等這5個特征參數(shù)值輸入支持向量機(jī)的粒子群優(yōu)化算法進(jìn)行試驗(yàn)，訓(xùn)練樣本為120個，對25個進(jìn)行測試，其正確識別率達(dá)到96%左右。

表4 粒子群優(yōu)化SVM分類結(jié)果

4 總 結(jié)

為實(shí)現(xiàn)利用機(jī)器視覺代替人工視覺，對小桐子種子進(jìn)行識別分類，提出了一種通過主成分分析有效特征提取和支持向量機(jī)的粒子群優(yōu)化算法的小桐子種子識別方法。對小桐子種子優(yōu)劣品質(zhì)進(jìn)行識別分類，準(zhǔn)確率達(dá)到96%左右，提高了準(zhǔn)確率。研究表明，基于機(jī)器視覺的小桐子種子識別與檢測方法是可行的，該方法可提高小桐子種子識別的正確率。