基于機(jī)器視覺(jué)的盆栽微型月季品質(zhì)分級(jí)方法研究

張閣 蘭升 劉新偉 賈彪 張黎

摘要建立準(zhǔn)確高效的品質(zhì)分級(jí)方法，對(duì)于花卉產(chǎn)業(yè)的標(biāo)準(zhǔn)化發(fā)展具有重要的意義。針對(duì)人工分級(jí)勞動(dòng)強(qiáng)度大、經(jīng)驗(yàn)要求高、缺乏統(tǒng)一性等問(wèn)題，提出了基于機(jī)器視覺(jué)技術(shù)的盆栽微型月季品質(zhì)分級(jí)方法。該方法根據(jù)盆栽微型月季的株高、花朵數(shù)、整齊度、花蓋度和病蟲(chóng)害狀況特征的不同，分別提取其相應(yīng)的特征參數(shù)，并利用最小二乘支持向量機(jī)作為分類(lèi)器，對(duì)其品質(zhì)等級(jí)進(jìn)行評(píng)價(jià)。經(jīng)試驗(yàn)研究，單獨(dú)利用株高、花朵數(shù)、整齊度、花蓋度和病蟲(chóng)害狀況特征進(jìn)行分級(jí)的準(zhǔn)確率分別為95.65%、94.68%、94.68%、94.20%、96.61%，而綜合特征分級(jí)準(zhǔn)確率為99.50%，驗(yàn)證了特征提取和分類(lèi)模型的有效性，利用綜合特征進(jìn)行分級(jí)時(shí)間為10 s，明顯提高了分級(jí)效率，該方法為建立準(zhǔn)確高效的智能盆栽微型月季分級(jí)方法提供了理論參考。

關(guān)鍵詞機(jī)器視覺(jué)；盆栽微型月季；品質(zhì)分級(jí)；特征提取

中圖分類(lèi)號(hào)S126? 文獻(xiàn)標(biāo)識(shí)碼A? 文章編號(hào)05176611（2024）07023005

doi：10.3969/j.issn.05176611.2024.07.053

Research on Quality Grading Method of Potted Mini Rose Based on Machine Vision

ZHANG Ge1，2，LAN Sheng3，LIU Xin-wei1，2 et al

（1.Yinchuan Aibida Horticulture Co.，Ltd.，Yinchuan，Ningxia 750005;2.Ningxia Flower Engineering Technology Research Center，Yinchuan，Ningxia 750005;3.School of Automation，Tsinghua University，Beijing 100084）

AbstractPotted mini rose has the characteristics of varieties，difficult of storage and large quality gap.Therefore，the establishment of accurate and efficient quality grading technology is of great significance for the standardized development of flower industry.As the traditional manual grading method need high labor intensity，high experience and lack of unity，we proposed a new quality grading method of potted mini rose based on machine vision.According to the different characteristics of plant height，flower number，uniformity，flower coverage and pest status of potted mini roses，the corresponding characteristic parameters were extracted，and the least squares support vector machine was used as a classifier to evaluate the quality grade.Through the experiment，the accuracy of a single characteristic were 95.65%，94.68%，94.68%，94.20% and 96.61%，respectively，while the accuracy of grading using the synthetic features was 99.50%，which verified the effectiveness of the proposed method.Generally，the manual grading method took several days，while the time of grading by the proposed method was 10 s，which obviously improved the efficiency.This method could provide basis for establishing an accurate and efficient intelligent grading method of potted mini rose.

Key wordsMachine vision;Potted mini rose;Quality grading;Feature extraction

微型月季具有株型矮小、色彩豐富等特點(diǎn)［1］。小型化緊湊型的盆栽成為新興的花卉熱門(mén)產(chǎn)品，盆栽微型月季因其嬌小美麗、寓意美好而受到人們喜愛(ài)［2］。目前，我國(guó)每年盆栽微型月季產(chǎn)量可達(dá)4 000萬(wàn)盆，但由于其品種多、不易存儲(chǔ)、品質(zhì)差距大等特點(diǎn)，在包裝環(huán)節(jié)對(duì)其進(jìn)行品質(zhì)分級(jí)存在瓶頸。目前我國(guó)盆栽微型月季分級(jí)包裝主要依靠人工分選，該方法勞動(dòng)強(qiáng)度大、分級(jí)效率低、分級(jí)成本高，而且對(duì)工作人員要求高、缺乏統(tǒng)一評(píng)價(jià)標(biāo)準(zhǔn)［3］。

隨著計(jì)算機(jī)技術(shù)的發(fā)展，機(jī)器視覺(jué)的方法因其精度高、成本低和性能穩(wěn)定等特點(diǎn)，越來(lái)越多地被應(yīng)用到植物的病害檢測(cè)和分類(lèi)中［47］。目前國(guó)內(nèi)外已有一些蔬菜的自動(dòng)化分級(jí)系統(tǒng)，如郝敏［8］通過(guò)機(jī)器視覺(jué)技術(shù)，將遺傳算法與概率神經(jīng)網(wǎng)絡(luò)結(jié)合，實(shí)現(xiàn)了基于重量、薯形和外部缺陷3個(gè)指標(biāo)的馬鈴薯外觀品質(zhì)分級(jí)系統(tǒng)，對(duì)大、中、小3種尺寸的馬鈴薯分類(lèi)準(zhǔn)確率分別達(dá)到97%、96%和98%。任銳等［9］根據(jù)辣椒的形狀和顏色特征，采用霍夫森林分類(lèi)器實(shí)現(xiàn)了辣椒的外部品質(zhì)分級(jí)模型，得到了一種適合有一定彎曲度、帶柄農(nóng)作物的研究方法。Tokuda等［10］通過(guò)研究開(kāi)發(fā)了一個(gè)可用于西瓜自動(dòng)收獲的機(jī)器視覺(jué)系統(tǒng)，將樣本圖像的顏色模型由 RGB 模型轉(zhuǎn)換成 HSI 模型，對(duì) HSI顏色模型中飽和度 S的觀察發(fā)現(xiàn)，當(dāng)西瓜成熟度增加時(shí)，對(duì)應(yīng)圖像飽和度的平均值會(huì)線性下降，同時(shí)在彩色直方圖中到達(dá)峰值的像素個(gè)數(shù)和達(dá)到峰值的左側(cè)像素的個(gè)數(shù)之間的比值將會(huì)減少，運(yùn)用該原理可以建立一個(gè)機(jī)器視覺(jué)系統(tǒng)來(lái)對(duì)西瓜的成熟程度進(jìn)行分級(jí)。王巧華等［11］通過(guò)機(jī)器視覺(jué)，建立了鴨蛋大小的自動(dòng)分級(jí)系統(tǒng)，研究表明不論蛋殼顏色以及蛋芯顏色，鴨蛋的大小和重量都與像素面積成正比，相關(guān)性達(dá)到0.97。孟繁佳等［12］設(shè)計(jì)了一種實(shí)時(shí)分選霉變玉米種子的系統(tǒng)，根據(jù)玉米種子表面顏色的差異，設(shè)計(jì)了一種基于HSV顏色空間的霉變玉米種子分級(jí)算法，準(zhǔn)確率達(dá)到94%。國(guó)內(nèi)關(guān)于植物分級(jí)已有一些研究，但鮮見(jiàn)基于機(jī)器視覺(jué)的有關(guān)盆栽微型月季的分級(jí)方法。因此，結(jié)合機(jī)器視覺(jué)研究一種快速、準(zhǔn)確的盆栽微型月季分級(jí)方法，對(duì)于推動(dòng)我國(guó)花卉產(chǎn)業(yè)的標(biāo)準(zhǔn)化、智能化發(fā)展具有重要的意義。

鑒于此，筆者研究基于機(jī)器視覺(jué)技術(shù)，以盆栽微型月季的株高、花朵數(shù)、整齊度、花蓋度和病蟲(chóng)害狀況作為特征，以最小二乘支持向量機(jī)作為分類(lèi)器，實(shí)現(xiàn)其外觀品質(zhì)的自動(dòng)分級(jí)，從而提高包裝環(huán)節(jié)的效率和準(zhǔn)確度，推動(dòng)我國(guó)花卉產(chǎn)業(yè)的發(fā)展。

1材料與方法

1.1試驗(yàn)材料

試驗(yàn)材料為寧夏銀川市本地種植的盆栽微型月季“歐布”，在白天遮光環(huán)境下使用華為Honor 30手機(jī)自帶相機(jī)拍攝，攝像頭為索尼IMX 700型4 000萬(wàn)像素。共拍攝660組圖像，每組圖像包括盆栽月季的側(cè)視圖和俯視圖，圖像大小為4 608×3 456。

將試驗(yàn)盆栽按照3∶1的比例進(jìn)行劃分，其中440組作為訓(xùn)練組，其余220組作為預(yù)測(cè)組。圖像的選擇采用隨機(jī)方式，以避免拍攝順序以及人為因素對(duì)試驗(yàn)造成的影響。

1.2分級(jí)標(biāo)準(zhǔn)

參考GB/T 18247.2—2000國(guó)家盆栽花卉產(chǎn)品等級(jí)標(biāo)準(zhǔn)和 NY/T 1656.3—2008花卉檢驗(yàn)技術(shù)規(guī)范，制定了適用于該研究對(duì)象的企業(yè)分級(jí)標(biāo)準(zhǔn)，如表1所示。根據(jù)盆栽微型月季高度、花朵數(shù)量、整齊度、花蓋度、病蟲(chóng)害狀況等特征的綜合情況將樣本分為3類(lèi)：A類(lèi)為最優(yōu)級(jí)別，B類(lèi)次之，C類(lèi)最差。

1.3試驗(yàn)方法

通過(guò)圖像采集系統(tǒng)采集盆栽月季的側(cè)視圖和俯視圖，并隨機(jī)分為訓(xùn)練集和預(yù)測(cè)集。然后，將采集的圖像進(jìn)行預(yù)處理，分別提取其高度、花朵數(shù)量、整齊度、花蓋度、病蟲(chóng)害狀況特征。最后，采用最小二乘支持向量機(jī)（LSSVM）作為分類(lèi)器，基于特征值對(duì)其進(jìn)行訓(xùn)練和預(yù)測(cè)，得到最優(yōu)的分級(jí)模型，并進(jìn)行相應(yīng)的品質(zhì)分級(jí)軟件的開(kāi)發(fā)與測(cè)試。

圖像采集系統(tǒng)包括相機(jī)、光源及遮光暗箱［13］，如圖1所示。拍攝時(shí)，相機(jī)分別處于頂部和側(cè)面的固定位置，使用黑色遮光布作為拍攝背景，從而避免相機(jī)抖動(dòng)和背景噪聲對(duì)圖像采集的影響。

2圖像預(yù)處理

2.1圖像濾波與去噪

在圖像采集的過(guò)程中，由于空氣灰塵、葉片掉落、濕度變化等因素，往往會(huì)導(dǎo)致圖像中存在一定的噪聲，進(jìn)而對(duì)后續(xù)的特征提取產(chǎn)生不利的干擾。為了避免這種負(fù)面的影響因素，采取中值濾波算法［14］對(duì)圖像進(jìn)行預(yù)處理。通過(guò)濾波處理，可以較好地消除圖像中的噪聲，同時(shí)保留有用的顏色和形狀信息。由圖2可知，進(jìn)行中值濾波后的圖像中無(wú)關(guān)顏色分量減少，同時(shí)保留了有用顏色信息，有利于消除非關(guān)鍵信息的干擾，從而便于后續(xù)圖像特征的提取。

2.2圖像的Itti顏色顯著圖

Itti顯著圖是根據(jù)早期靈長(zhǎng)類(lèi)動(dòng)物的視覺(jué)神經(jīng)系統(tǒng)構(gòu)造的一種視覺(jué)注意力機(jī)制模型［15］。人腦具有通過(guò)分析對(duì)圖像中的區(qū)域產(chǎn)生不同顯著等級(jí)的能力，而Itti模型［1617］就模擬了這種自下而上的注意力機(jī)制。該方法主要是先通過(guò)高斯采樣方法構(gòu)建圖像的多個(gè)尺寸的高斯金字塔，然后由高斯金字塔分別計(jì)算圖像的顏色特征圖，最后將不同尺寸的特征圖進(jìn)行融合得到顏色顯著圖。

在計(jì)算Itti顏色顯著圖時(shí)，首先設(shè)定1個(gè)圖像像素值大小的閾值，這里為圖像中像素最大值的1/10。當(dāng)像素值小于閾值時(shí)，將該像素點(diǎn)的R、G、B值設(shè)為0，當(dāng)像素值大于閾值時(shí)，分別計(jì)算其R、G、B顏色分量的值如公式（1）所示：

RR=R（G+B）2GG=G（R+B）2BB=B（R+G）2（1）

對(duì)于高斯金字塔中的每層圖像，其顏色分量分別表示為RR（n）、GG（n）、BB（n）和Y（n），其中n∈{0，1，2，…，6，7，8}。接著計(jì)算總顏色分量如公式（2）所示：

RR=8n=0RR（n）GG=8n=0GG（n）BB=8n=0BB（n）???? （2）

由于該研究中試驗(yàn)樣本花朵為紅色，而葉片顏色為綠色，在提取其花朵數(shù)量、整齊度、病蟲(chóng)害特征時(shí)使用了俯視圖的紅色顯著圖，提取其高度特征時(shí)使用了側(cè)視圖的綠色顯著圖，提取其花蓋度特征時(shí)則同時(shí)使用了俯視圖的紅色顯著圖和綠色顯著圖，如圖3所示。

2.3圖像的二值化與形態(tài)學(xué)處理

經(jīng)過(guò)中值濾波和Itti顏色顯著圖的處理，已基本可以區(qū)分開(kāi)圖像中的關(guān)鍵區(qū)域與背景區(qū)域，但是由于圖像中像素點(diǎn)的值為0～255，進(jìn)行特征提取時(shí)計(jì)算量較大。實(shí)際上，在數(shù)字圖像處理中，常常對(duì)圖像進(jìn)行二值化處理［1819］，從而提高算法的運(yùn)算效率。在圖像二值化之后，由于圖像像素值被壓縮到0和1這2種數(shù)值，往往會(huì)使得一些區(qū)域的噪聲被放大而形成孔洞，不利于特征的進(jìn)一步提取。因此，對(duì)二值化后的圖像進(jìn)行形態(tài)學(xué)的處理，包括腐蝕和膨脹等開(kāi)運(yùn)算，也是圖像預(yù)處理的重要部分。圖4所示為進(jìn)行二值化和形態(tài)學(xué)處理后的圖像。

3特征的提取與分級(jí)

3.1特征提取

3.1.1高度特征。

一株盆栽的高度是指植株頂部與其根頸部之間的距離。在圖像中，則對(duì)應(yīng)其側(cè)視圖中像素不為0的點(diǎn)的縱坐標(biāo)最大值與最小值之間的差。在該研究中，通過(guò)側(cè)視圖的綠色二值顯著圖來(lái)計(jì)算植株的株高特征，如公式（3）所示：

H=（TmaxTmin）α（3）

式中：Tmax、Tmin分別為非零像素點(diǎn)的縱坐標(biāo)最大值與最小值;α為歸一化系數(shù)，根據(jù)圖像的大小而定。

3.1.2花朵數(shù)量特征。

一株盆栽中的花朵數(shù)量是衡量其品質(zhì)級(jí)別的重要依據(jù)，花朵數(shù)越多，其成為優(yōu)質(zhì)級(jí)別的可能性就越大。由于試驗(yàn)樣本的花朵顏色為紅色，主要基于俯視圖的紅色二值顯著圖來(lái)計(jì)算花朵數(shù)量。通過(guò)觀察發(fā)現(xiàn)，在紅色二值顯著圖中，每一個(gè)花朵區(qū)域都是一個(gè)連通的白色區(qū)域，通過(guò)統(tǒng)計(jì)其中白色連通區(qū)域的數(shù)量，即可得到該盆栽中的花朵數(shù)量：

N=σNσ（4）

式中，σ表示圖像區(qū)域；Nσ為區(qū)域連通狀態(tài)，即Nσ=1，σ連通Nσ=0，σ連通

3.1.3整齊度特征。

整齊度是盆栽中的花朵分布整齊程度的量化特征，是影響盆栽整體觀感的一個(gè)重要因素。整齊度越高，則盆栽整體看起來(lái)越規(guī)則而具有美感，相反，整齊度較低時(shí)盆栽整體看起來(lái)會(huì)比較雜亂，影響其外部觀感。當(dāng)在圖像中計(jì)算整齊度時(shí)，該研究使用花朵區(qū)域的縱坐標(biāo)的統(tǒng)計(jì)標(biāo)準(zhǔn)差，即盆栽俯視圖的紅色二值顯著圖中連通區(qū)域中心的縱坐標(biāo)標(biāo)準(zhǔn)差作為衡量的標(biāo)準(zhǔn)：

V=σ（TσiT）2Ni=0，1，…，N（5）

T=σTσiNi=0，1，…，N（6）

式中：N為花朵數(shù)量；T為連通區(qū)域中心縱坐標(biāo)的平均值；Tσi表示第i個(gè)連通區(qū)域的中心縱坐標(biāo)。

3.1.4花蓋度特征。

盆栽的花蓋度反映了花朵在植株中的密集程度，一般是指一株盆栽中花朵所占的總面積與植冠總面積之間的比值，而植冠總面積可以看成是花朵面積與枝葉面積的和。對(duì)應(yīng)到圖像中，花朵的面積可以通過(guò)俯視圖的紅色二值顯著圖中連通區(qū)域的總面積計(jì)算得到，而植冠的總面積可以通過(guò)俯視圖的綠色二值顯著圖中非零區(qū)域的總面積得到。用Rσ表示俯視圖的紅色二值顯著圖中的連通區(qū)域，Gσ表示俯視圖的綠色二值顯著圖中的非零區(qū)域，S表示區(qū)域面積，則花蓋度可以表示為：

D=SRσSGσ（7）

3.1.5病蟲(chóng)害狀況特征。

由于農(nóng)作物在生長(zhǎng)過(guò)程中常常會(huì)受到病蟲(chóng)害侵?jǐn)_，使其外觀和品質(zhì)產(chǎn)生較大的影響，病蟲(chóng)害狀況也是衡量盆栽品質(zhì)等級(jí)的一個(gè)不可或缺的因素。通常來(lái)說(shuō)，可以由花朵上的蟲(chóng)害咬食痕跡來(lái)判斷植株的病蟲(chóng)害狀況，痕跡越嚴(yán)重的受害程度越嚴(yán)重。在圖像中，本文通過(guò)盆栽俯視圖的紅色二值顯著圖中的孔洞數(shù)量來(lái)作為計(jì)算病蟲(chóng)害狀況特征的依據(jù)：

B=σBσ（8）

式中，σ表示圖像區(qū)域，Bσ為區(qū)域連通狀態(tài)，即Bσ=1，σ是孔洞Bσ=0，σ不是孔洞

3.2分級(jí)模型

3.2.1連續(xù)投影法特征篩選。

對(duì)每一組盆栽月季樣本，分別提取其高度、花朵數(shù)量、整齊度、花蓋度和病蟲(chóng)害等特征后，將其組成一個(gè)特征向量：

x=［H，N，V，D，B］（9）

由于在進(jìn)行分級(jí)操作時(shí)，特征向量中的各個(gè)特征分量對(duì)于分級(jí)結(jié)果的重要程度各不相同，需要對(duì)特征進(jìn)行篩選來(lái)減少原始特征矩陣中的冗余信息，從而提高模型的計(jì)算效率。在本文中，利用連續(xù)投影法［20］（SPA）對(duì)樣本的特征向量進(jìn)行篩選。

連續(xù)投影法是一種使向量空間共線性最小化的前向變量選擇算法，早期被用于光譜分析技術(shù)對(duì)農(nóng)作物和食品重要成分含量的分析中［2123］。對(duì)于初始的特征矩陣X，假設(shè)為初始的特征向量，n為篩選后的特征個(gè)數(shù)，J為篩選前的特征個(gè)數(shù)，則SPA算法首先選擇任意一個(gè)樣本特征作為初始特征向量：

xk0=Xk，k∈1，…，N（10）

然后，分別計(jì)算xk0對(duì)其他特征向量的投影：

Pxk0=xk0（xk0Txk（n1））xk（n1）（xk（n1）Txk0）1（11）

根據(jù)投影值的大小取最大值作為篩選后的特征向量：

k（0）=arg（max‖Pxk0‖）xk0=Xk（0）（12）

由此類(lèi)推，可以得到：

k（n）=arg（max‖Pxkn‖）xkn=Xk（n）（13）

在該研究中，經(jīng)過(guò)SPA算法篩選后的特征向量記作x′。

3.2.2最小二乘支持向量機(jī)分級(jí)。Chandra等［24］提出的最小二乘支持向量機(jī)（LSSVM）是一種通過(guò)核函數(shù)變換后，在高維空間對(duì)所有樣本利用最小二乘誤差進(jìn)行擬合的方法。在該研究中，利用LSSVM作為篩選后特征的分類(lèi)器，在樣本訓(xùn)練集上對(duì)其進(jìn)行訓(xùn)練，得到最優(yōu)的分類(lèi)器模型，并將其在樣本預(yù)測(cè)集上的預(yù)測(cè)類(lèi)別作為分級(jí)的級(jí)別。

LSSVM分類(lèi)器以機(jī)器學(xué)習(xí)的損失函數(shù)作為著眼點(diǎn)，在其最優(yōu)化問(wèn)題的目標(biāo)函數(shù)中使用二范數(shù)，并使用等式約束取代SVM方法中的不等式約束條件，使優(yōu)化問(wèn)題的求解變?yōu)橐唤M線性方程組的求解。對(duì)于分類(lèi)問(wèn)題，LSSVM的約束條件為：

minw，b，eJ（w，e）=12wTw+12γNk=1ek2（14）

s.t. yk［wTφ（x′k）+b］=1ek， k=1，…，N

式中：x′k為第k個(gè)樣本篩選后的特征向量；w為分類(lèi)器模型權(quán)重；e為一個(gè)松弛變量，主要用于表示優(yōu)化過(guò)程中離群點(diǎn)的影響;而γ是懲罰系數(shù)，其值越大，對(duì)誤差的限制越大，越容易過(guò)擬合，反之，則越容易欠擬合。優(yōu)化問(wèn)題的目標(biāo)在于尋找使目標(biāo)誤差函數(shù)最小的最優(yōu)參數(shù)，這里利用Lagrange 乘數(shù)法［25］將該優(yōu)化問(wèn)題轉(zhuǎn)化為對(duì)單一參數(shù)α的極大值求解問(wèn)題：

L（w，be;α）=J（w，e）Nk=1αk{yk［WTφ（x′k）+b］1+ek}（15）

分別對(duì)參數(shù)w，b，e，求導(dǎo)，可以得到：

Lw=0→w=Nk=1αkykφ（x′k）

Lb=0→Nk=1αkyk=0Lek=0→αk=γek， k=1，…，NLαk=0→yk［wTφ（x′k）+b］1+ekw=0（16）

根據(jù)公式（16）中的條件，可以列出一個(gè)關(guān)于a，b的線性方程組：

0yTyΩ+I/yba=0IV（17）

其中，Ω為核矩陣：

Ωkg=ykygφ（x′k）Tφ（x′g）=ykygK（x′kx′g）， k=1，…，N（18）

求解該方程組，即可得到最優(yōu)的參數(shù)a，b，最后LSSVM分類(lèi)器的模型為：

y（x′）=sign［∑Nk=1αkykK（x′，x′k）+b］（19）

對(duì)于輸出y，對(duì)應(yīng)于盆栽月季品質(zhì)等級(jí)劃分標(biāo)準(zhǔn)中的A、B和C級(jí)，分別標(biāo)記為1、2和3類(lèi)，并將其預(yù)測(cè)結(jié)果與人工標(biāo)注的標(biāo)簽進(jìn)行對(duì)比，來(lái)統(tǒng)計(jì)得到分級(jí)模型的準(zhǔn)確度評(píng)價(jià)。

4結(jié)果與分析

利用預(yù)處理后的440組盆栽月季訓(xùn)練集圖像對(duì)特征提取和分級(jí)模型進(jìn)行訓(xùn)練，然后使用訓(xùn)練得到的模型對(duì)預(yù)處理后的220組盆栽月季測(cè)試集圖像進(jìn)行分級(jí)預(yù)測(cè)試驗(yàn)，分級(jí)結(jié)果如表2所示。

使用高度、花朵數(shù)量、整齊度、花蓋度和病蟲(chóng)害狀況單一特征和綜合特征分別進(jìn)行分級(jí)時(shí)，A級(jí)基于綜合特征的分級(jí)準(zhǔn)確率最高達(dá)99.5%，高度、花朵數(shù)量、整齊度、花蓋度和病蟲(chóng)害狀況單一特征的分級(jí)準(zhǔn)確率分別為95.65%、94.68%、94.68%、94.20%、96.61%，均低于綜合特征的分級(jí)準(zhǔn)確率；B級(jí)基于綜合特征的分級(jí)準(zhǔn)確率最高達(dá)90.0%，高度、花朵數(shù)量、整齊度、花蓋度和病蟲(chóng)害狀況單一特征的分級(jí)準(zhǔn)確率分別為

60.00%、80.00%、70.00%、60.00%、60.00%，均低于綜合特征的分級(jí)準(zhǔn)確率；C級(jí)基于綜合特征、高度、花蓋度的分級(jí)準(zhǔn)確率均為60.00%，花朵數(shù)量、整齊度和病蟲(chóng)害狀況的分級(jí)準(zhǔn)確率均為40.00%。綜上所述，基于綜合特征分級(jí)的準(zhǔn)確率相較于5個(gè)單一特征均有所提高，預(yù)測(cè)結(jié)果產(chǎn)生差異的原因主要如下：①盆栽月季人工分級(jí)是通過(guò)綜合各個(gè)特征指標(biāo)，經(jīng)過(guò)觀察后對(duì)其總體生長(zhǎng)狀況做出的評(píng)價(jià)，因此使用單一特征指標(biāo)無(wú)法全面地表示其總體品質(zhì)，分級(jí)的準(zhǔn)確率也就較低。

②使用單一特征時(shí)，樣本個(gè)體之間的差異可能較小，例如高度差異可能只有幾毫米，花朵數(shù)量差異可能只有1或2朵，整齊度和花蓋度差異只有不到百分之一等，這導(dǎo)致單一特征無(wú)法全面表示樣本個(gè)體之間的差異。③使用綜合特征的分級(jí)結(jié)果中B和C類(lèi)正確率較低，這是由于公司種植的樣本中A類(lèi)的優(yōu)質(zhì)樣本較多，而B(niǎo)和C類(lèi)樣本較少造成的，未來(lái)將考慮進(jìn)一步完善訓(xùn)練樣本庫(kù)。

5結(jié)論

針對(duì)盆栽微型月季的品質(zhì)分級(jí)問(wèn)題，該研究綜合考慮高度、花朵數(shù)量、整齊度、花蓋度和病蟲(chóng)害狀況等多種特征指標(biāo)，提出基于一套完整的基于機(jī)器視覺(jué)的分級(jí)方法。該方法初步實(shí)現(xiàn)了盆栽微型月季的自動(dòng)分級(jí)，準(zhǔn)確率達(dá)到98%，分級(jí)模型較為穩(wěn)定，彌補(bǔ)了國(guó)內(nèi)盆栽微型月季分級(jí)的不足，為機(jī)器視覺(jué)方法在該領(lǐng)域的應(yīng)用打下基礎(chǔ)，有利于推動(dòng)我國(guó)花卉產(chǎn)業(yè)的標(biāo)準(zhǔn)化、智能化發(fā)展。

參考文獻(xiàn)

［1］陳俊愉.中國(guó)花卉品種分類(lèi)學(xué)［M］.北京：中國(guó)林業(yè)出版社，2001：32-148.

［2］ 謝磊.盆栽月季栽培研究進(jìn)展［J］.現(xiàn)代園藝，2017（5）：35.

［3］ 何東健，楊青，薛少平，等.果實(shí)表面顏色計(jì)算機(jī)視覺(jué)分級(jí)技術(shù)研究［J］.農(nóng)業(yè)工程學(xué)報(bào)，1998，14（3）：202-205.

［4］ 曹樂(lè)平.基于機(jī)器視覺(jué)的植物病蟲(chóng)害實(shí)時(shí)識(shí)別方法［J］.中國(guó)農(nóng)學(xué)通報(bào)，2015，31（20）：244-249.

［5］ 蔣豐千，李旸，余大為，等.基于Caffe的生姜病害識(shí)別系統(tǒng)研究與設(shè)計(jì)［J］.中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2019，40（1）：126-131.

［6］ 郭小清，范濤杰，舒欣.基于圖像融合特征的番茄葉部病害的識(shí)別［J］.湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，45（2）：212217，224.

［7］ 黨滿意，孟慶魁，谷芳，等.基于機(jī)器視覺(jué)的馬鈴薯晚疫病快速識(shí)別［J］.農(nóng)業(yè)工程學(xué)報(bào)，2020，36（2）：193-200.

［8］ 郝敏.基于機(jī)器視覺(jué)的馬鈴薯外部品質(zhì)檢測(cè)技術(shù)研究［D］.呼和浩特：內(nèi)蒙古農(nóng)業(yè)大學(xué)，2009.

［9］ 任銳，張淑娟，趙華民，等.基于機(jī)器視覺(jué)的辣椒外部品質(zhì)檢測(cè)［J］.食品與機(jī)械，2021，37（1）：165-168.

［10］ TOKUDA M，KAWAMURA T，YAMAMOTO H，et al.Development of visual system for watermelon harvesting robot （Part 1）：Relationship between lighting and detectability［J］.Journal of the Japanese society of agricultural machinery，1997，59（3）：29-36.

［11］ 王巧華，余佑生，宗望遠(yuǎn)，等.鴨蛋大小等級(jí)模型研究［J］.華中農(nóng)業(yè)大學(xué)學(xué)報(bào)，2001，20（6）：579-583.

［12］ 孟繁佳，羅石，孫紅，等.玉米種子實(shí)時(shí)檢測(cè)分選裝置設(shè)計(jì)與試驗(yàn)［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（3）：153159，177.

［13］ 王躍文.基于機(jī)器視覺(jué)的觀葉盆栽分級(jí)方法研究［D］.廣州：華南農(nóng)業(yè)大學(xué)，2017.

［14］ 趙高長(zhǎng)，張磊，武風(fēng)波.改進(jìn)的中值濾波算法在圖像去噪中的應(yīng)用［J］.應(yīng)用光學(xué)，2011，32（4）：678-682.

［15］ ITTI L，KOCH C.Computational modelling of visual attention［J］.Nature reviews neuroscience，2001，2：194-203.

［16］ VINAY M B，REKHA K S.A model of saliency-based visual attention for rapid scene analysis［J］.International journal of recent technology and engineering，2019，7（6s4）：412-415.

［17］ CHEN Z S，TU Y，WANG L L.An improved saliency detection algorithm based on Ittis model［J］.Tehniki vjesnik，2014，21（6）：1337-1344.

［18］ 田凱，張連寬，熊美東，等.基于葉片病斑特征的茄子褐紋病識(shí)別方法［J］.農(nóng)業(yè)工程學(xué)報(bào)，2016，32（S1）：184-189.

［19］ 吳娜，李淼，陳晟，等.基于融合多特征圖切割的作物病害圖像自動(dòng)分割［J］.農(nóng)業(yè)工程學(xué)報(bào)，2014，30（17）：212-219.

［20］ 陳斌，孟祥龍，王豪.連續(xù)投影算法在近紅外光譜校正模型優(yōu)化中的應(yīng)用［J］.分析測(cè)試學(xué)報(bào)，2007，26（1）：66-69.

［21］ 張津源，張德賢，張苗.基于連續(xù)投影算法的小麥蛋白質(zhì)含量近紅外光譜預(yù)測(cè)分析［J］.江蘇農(nóng)業(yè)學(xué)報(bào)，2019，35（4）：960-964.

［22］ 董哲，楊武德，朱洪芬，等.基于連續(xù)投影算法與BP神經(jīng)網(wǎng)絡(luò)的玉米葉片SPAD值高光譜估算［J］.山西農(nóng)業(yè)科學(xué)，2019，47（5）：751-755.

［23］ 何鴻舉，王洋洋，王魏，等.NIR高光譜成像技術(shù)聯(lián)用SPA算法快速檢測(cè)五花肉的過(guò)氧化值［J］.食品工業(yè)科技，2020，41（8）：236-241.

［24］ CHANDRA M A，BEDI S S.Benchmarking tree-based least squares twin support vector machine classifiers［J］.International journal of business intelligence and data mining，2020，16（3）：381-395.

［25］ 葉正麟，潘璐璐.拉格朗日乘數(shù)法是怎樣導(dǎo)出的［J］.高等數(shù)學(xué)研究，2020，23（3）：11-13.

基金項(xiàng)目??寧夏自然科學(xué)基金項(xiàng)目（2022AAC03756）；第五批寧夏回族自治區(qū)青年科技人才托舉工程項(xiàng)目。

作者簡(jiǎn)介? 張閣（1992—），女，寧夏石嘴山人，中級(jí)園藝師，碩士，從事設(shè)施園藝相關(guān)研究。

通信作者，教授，博士，從事信息技術(shù)與精準(zhǔn)農(nóng)業(yè)研究。