基于顏色特征和極端學(xué)習(xí)機(jī)的番茄成熟度識別

摘要：番茄成熟度的判斷對實(shí)現(xiàn)番茄的自動化采摘意義重大，本研究提出了一種番茄成熟度判斷的方法——極端學(xué)習(xí)機(jī)，即對番茄圖片進(jìn)行環(huán)形分塊劃分提取每一塊的顏色直方圖特征組成顏色特征向量，再利用主成分分析法對提取出來的特征進(jìn)行降維處理，最后采用極端學(xué)習(xí)機(jī)進(jìn)行識別判斷。通過與支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)的對比發(fā)現(xiàn)，極端學(xué)習(xí)機(jī)速度極快，遠(yuǎn)遠(yuǎn)快于BP網(wǎng)絡(luò)和支持向量機(jī)，同時(shí)極端學(xué)習(xí)機(jī)泛化性較好，在番茄成熟度判斷中精度達(dá)到92.7%。

關(guān)鍵詞：番茄；成熟度；極端學(xué)習(xí)機(jī)；BP神經(jīng)網(wǎng)絡(luò)；顏色直方圖

中圖分類號： TP391.41；S126 文獻(xiàn)標(biāo)志碼： A 文章編號：1002-1302（2014）07-0411-03

收稿日期：2013-10-30

作者簡介：張亞麗（1974—），女，河南南陽人，碩士，高級講師，研究方向?yàn)橛?jì)算機(jī)應(yīng)用與模式識別。E-mail：zyli1974@126.com。目前國內(nèi)主要是通過人工來完成番茄的采摘，人工采摘勞動強(qiáng)度大，極易造成番茄損傷，而且人工采摘大大降低采摘的效率而直接影響到種植番茄的經(jīng)濟(jì)效益，因此實(shí)現(xiàn)番茄的大規(guī)模自動采摘勢在必行[1]。隨著人工智能的發(fā)展，自動采摘機(jī)器人的研究也取得一定的進(jìn)展，其中判斷番茄是否成熟是至關(guān)重要的一步。番茄成熟度的判斷可以用模式識別的思路來解決，以BP算法為代表的前饋神經(jīng)網(wǎng)絡(luò)已經(jīng)在模式識別中取得了廣泛的應(yīng)用，但是存在著以下幾點(diǎn)難以解決的問題：（1）學(xué)習(xí)速度慢，訓(xùn)練過程需要不斷的迭代完成；（2）對參數(shù)選擇敏感，訓(xùn)練步長和學(xué)習(xí)率選取不當(dāng)直接會影響到前饋神經(jīng)外網(wǎng)絡(luò)的整體效果[2]。支持向量機(jī)由于其處理小樣本的優(yōu)秀能力已受到極大的關(guān)注[3]，但是它也存在著學(xué)習(xí)速度慢，算法性能對核參數(shù)和懲罰因子的選取較為敏感等問題。針對這些問題Huang等提出一種前饋神經(jīng)網(wǎng)絡(luò)的新的訓(xùn)練算法——極端學(xué)習(xí)機(jī)（extreme learning machine ELM）[4]，該方法隨機(jī)設(shè)置前饋神經(jīng)網(wǎng)絡(luò)的輸入權(quán)值，通過計(jì)算輸出權(quán)值的最小二范數(shù)解來完成網(wǎng)絡(luò)的訓(xùn)練，計(jì)算過程簡單，速度極快，且泛化性良好，已經(jīng)在許多問題中得到很好的應(yīng)用。本研究將極端學(xué)習(xí)機(jī)應(yīng)用到番茄的成熟度識別中，并進(jìn)行對比分析。

極端學(xué)習(xí)機(jī)（ELM），是一種前饋神經(jīng)網(wǎng)絡(luò)的簡單快速的有效的學(xué)習(xí)算法，跟傳統(tǒng)的基于梯度下降的學(xué)習(xí)算法相比，極端學(xué)習(xí)機(jī)有很大的優(yōu)勢：（1）ELM的計(jì)算速度非常快，這是因?yàn)樗碾[含層的連接權(quán)值在訓(xùn)練之前隨機(jī)設(shè)定，訓(xùn)練過程不需要迭代調(diào)整；（2）傳統(tǒng)的梯度下降求解算法，容易陷入局部極小，而ELM算法不存在這個(gè)問題[5-6]。同時(shí)根據(jù)Bartlet的理論，網(wǎng)絡(luò)的輸出權(quán)值越小那么這個(gè)網(wǎng)絡(luò)的泛化性能就越好，因而ELM求解輸出權(quán)值的最小二范數(shù)解的方法能具有很好的泛化性；（3）ELM的參數(shù)選擇簡單，只需要選擇合適的隱層節(jié)點(diǎn)便可獲得良好的性能，而傳統(tǒng)的基于梯度下降的算法如BP網(wǎng)絡(luò)等，還需要選擇合適的學(xué)習(xí)率、訓(xùn)練歩長等，選擇不當(dāng)會嚴(yán)重影響網(wǎng)絡(luò)的泛化性[7-8]。

2番茄圖像的特征提取

在模式識別問題中，提取合適的特征向量對識別率的影響很大，番茄圖片的特征提取過程如圖1所示。

在預(yù)處理階段首先將采集的的番茄樣本歸一到 112×112 的大小，由于在采集過程中會存在噪聲和干擾，所以還需要對圖片進(jìn)行濾波處理。預(yù)處理完成以后就要選擇合適的特征提取方法，顏色的變化是反映一個(gè)果實(shí)是否成熟的重要指標(biāo)之一[9]，顏色直方圖可以很好地反映出一張圖片的顏色特性并已經(jīng)在圖像檢索中廣泛應(yīng)用，但是如果對番茄整體提取顏色直方圖特征就不能表達(dá)出這些顏色在番茄中的位置信息，而這點(diǎn)對識別一個(gè)番茄的成熟程度非常重要。Aibing提出了一種環(huán)形劃分的顏色直方圖[10]，能很好地反映圖像的局部顏色特征，借鑒該方法的思路提出了一種番茄局部直方圖的提取方法，番茄圖像的環(huán)形劃分如圖2所示。

在圖2中選取一個(gè)合適的圓心，以R為半徑做圓，剛好將番茄包圍在圓內(nèi)，將半徑R分為N等份，每一份的長度為 R/N，從圓心開始分別以K×R/N（1≤K≤N）為半徑做出K個(gè)圓，這樣原來的番茄圖片就環(huán)形劃分為N份，分別提取各環(huán)內(nèi)的顏色直方圖特征（x-μ）/σ，然后從內(nèi)到外按順序首尾相連組合成一個(gè)向量P=（S1，S2，…，Si，…，SN）作為每張番茄圖片的顏色直方圖特征，采用該方法提取番茄的顏色特征能很好地反映番茄顏色的空間特性，同時(shí)該特征具有旋轉(zhuǎn)不變性。

采用上述方法提取顏色特征，特征向量的維數(shù)過大。如果將該特征向量直接作為分類器的輸入勢必會影響分類器的效率和性能，所以還需要對特征向量進(jìn)行降維處理，主成分分析已經(jīng)證明在特征降維中具有十分優(yōu)良的效果，它可以保證原有信息損失很少的情況下對特征向量進(jìn)行降維壓縮，這里采用主成分分析進(jìn)行顏色特征降維處理，最后得出的特征經(jīng)過歸一處理就可以作為分類器的特征輸入。

3結(jié)果與分析

選取成熟度為生、微熟、成熟3種人工經(jīng)驗(yàn)標(biāo)定好的番茄圖片（圖3）進(jìn)行試驗(yàn)，每種成熟度番茄圖片60張，每種成熟度的番茄選取30張作為訓(xùn)練樣本，3種成熟度的番茄一共有90張訓(xùn)練樣本，剩下的90張圖片作為測試樣本來測試算法的性能。

將番茄圖片等半徑劃分為4個(gè)環(huán)形區(qū)域，提取出顏色直方圖特征向量，并用主成分分析進(jìn)行降維處理，經(jīng)過交叉驗(yàn)證，主成分個(gè)數(shù)選擇29維時(shí)能取得比較好的效果。

極端學(xué)習(xí)機(jī)的參數(shù)選擇十分簡單，只有一個(gè)參數(shù)即隱含層的節(jié)點(diǎn)數(shù)目需要選擇，不同的隱含層節(jié)點(diǎn)數(shù)目對極端學(xué)習(xí)機(jī)的分類性能影響很大，很多無限可微的函數(shù)都可以作為極端學(xué)習(xí)機(jī)的激活函數(shù)，選用sin函數(shù)作為極端學(xué)習(xí)機(jī)的激活函數(shù)，從第20個(gè)節(jié)點(diǎn)開始每次增加20個(gè)節(jié)點(diǎn)進(jìn)行交叉驗(yàn)證，驗(yàn)證不同數(shù)目的隱含層節(jié)點(diǎn)對極端學(xué)習(xí)機(jī)的誤差變化（圖4）。

從圖4可以看出，隱含層節(jié)點(diǎn)數(shù)對極端學(xué)習(xí)機(jī)的影響很大，當(dāng)節(jié)點(diǎn)選取160時(shí)極端學(xué)習(xí)機(jī)的分類性能取得較好的效果，此時(shí)，繼續(xù)增加節(jié)點(diǎn)，極端學(xué)習(xí)機(jī)的分類性能增加非常緩慢，故極端學(xué)習(xí)機(jī)的參數(shù)選擇十分簡單，只需要選擇一個(gè)足夠大的隱含層節(jié)點(diǎn)數(shù)目就能取得不錯(cuò)的分類效果。

將極端學(xué)習(xí)機(jī)算法和支持向量機(jī)與BP神經(jīng)網(wǎng)絡(luò)在本實(shí)驗(yàn)中的性能進(jìn)行對比，其中支持向量機(jī)算法采用libsvm工具包[11-12]，使用RBF核函數(shù)，支持向量機(jī)的參數(shù)采用交叉驗(yàn)證來完成，BP神經(jīng)網(wǎng)絡(luò)也采用3層的結(jié)構(gòu)，經(jīng)過驗(yàn)證BP網(wǎng)絡(luò)取80個(gè)隱含層節(jié)點(diǎn)效果較好。每種分類器都實(shí)驗(yàn)20次取平均值，3種算法的性能對比見表1。

從表1可以看出，極端學(xué)習(xí)機(jī)的速度極快，遠(yuǎn)遠(yuǎn)快于支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)，這是因?yàn)闃O端學(xué)習(xí)機(jī)的訓(xùn)練過程1次完成不需要迭代調(diào)整；支持向量機(jī)采用交叉驗(yàn)證的方法來選擇參數(shù)十分耗時(shí)，支持向量機(jī)的分類性能對參數(shù)的選擇要求比較高，支持向量機(jī)訓(xùn)練的時(shí)間主要消耗在參數(shù)選擇上。極端學(xué)習(xí)機(jī)只要給定一個(gè)足夠大的隱含層節(jié)點(diǎn)數(shù)目就能取得不錯(cuò)的分類性能，以及極端學(xué)習(xí)機(jī)由于其獨(dú)特的訓(xùn)練方法可以一次性求得全局最優(yōu)解，而BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)，也容易造成過擬合。同時(shí)極端學(xué)習(xí)機(jī)取得了比支持向量機(jī)還要高的識別率，識別率達(dá)到92.7%。

4結(jié)論

提出的番茄成熟度判斷的方法，通過先提取出番茄的環(huán)形顏色直方圖特征，再采用主成分分析法進(jìn)行特征降維處理，最后采用極端學(xué)習(xí)機(jī)進(jìn)行識別判斷。通過與支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)的對比發(fā)現(xiàn)，極端學(xué)習(xí)機(jī)的參數(shù)選擇非常簡單，只需要選擇合適的隱含層節(jié)點(diǎn)數(shù)目就能取得很好的性能，同時(shí)極端學(xué)習(xí)機(jī)的訓(xùn)練速度快于BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)，它的泛化性遠(yuǎn)遠(yuǎn)優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，分類性能優(yōu)于支持向量機(jī)，在番茄成熟度判斷中精度達(dá)到92.7%。

參考文獻(xiàn)：

[1]呂小蓮，呂小榮，倪受春. 田間采摘西紅柿計(jì)算機(jī)識別方法的設(shè)計(jì)研究[J]. 傳感技術(shù)學(xué)報(bào)，2010，23（1）：82-86.

[2]鄧萬宇，鄭慶華，陳琳，等. 神經(jīng)網(wǎng)絡(luò)極速學(xué)習(xí)方法研究[J]. 計(jì)算機(jī)學(xué)報(bào)，2010，33（2）：279-287.

[3]張學(xué)工. 關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)[J]. 自動化學(xué)報(bào)，2000，26（1）：32-42.

[4]Huang G B，Zhu Q Y，Heong C K. Siew extreme learning machine：theory and applications[J]. Neurocomputing，2006（70）：489-501.

[5]丁曉劍，趙銀亮. 優(yōu)化極限學(xué)習(xí)機(jī)的序列最小優(yōu)化方法[J]. 西安交通大學(xué)學(xué)報(bào)，2011，45（6）：7-12，19.

[6]張秀美，張景娥，劉志，等. 岳帥蘋果采收成熟度的判定方法[J]. 江蘇農(nóng)業(yè)科學(xué)，2012，40（4）：177-179.

[7]王艷菲，朱俊平，蔡騁. 基于CENTRIST的植物葉片識別研究與實(shí)現(xiàn)[J]. 計(jì)算機(jī)工程與設(shè)計(jì)，2012，33（11）：4343-4346，4397.

[8]馬培恰，吳文，王平，等. 貢柑采收期果肉顏色變化與果實(shí)成熟度的關(guān)系研究[J]. 廣東農(nóng)業(yè)科學(xué)，2010，37（10）：63-64.

[9]張福軍，衣淑娟，劉坤. 西瓜成熟度無損檢測系統(tǒng)的設(shè)計(jì)[J]. 農(nóng)機(jī)化研究，2011，33（11）：24-27.

[10]蔡健榮，趙杰文. 自然場景下成熟水果的計(jì)算機(jī)視覺識別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2005，36（2）：61-64.

[11]Zhu L，Rao A B，Zhang A D. Theory of key block-based image retrieval[J]. ACM Transactions on Information System，2002，20（2）：224-257.

[12]汪強(qiáng)，席磊，任艷娜，等. 基于計(jì)算機(jī)視覺技術(shù)的煙葉成熟度判定方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28（4）：175-179.