基于機器視覺的番茄成熟度顏色判別

畢智健 張若宇 齊妍杰 吳業北

(1. 石河子大學機械電氣工程學院，新疆 石河子 832000；2. 新疆兵團農業機械重點實驗室，新疆 石河子 833200)

基于機器視覺的番茄成熟度顏色判別

畢智健1張若宇1齊妍杰2吳業北2

(1. 石河子大學機械電氣工程學院，新疆 石河子 832000；2. 新疆兵團農業機械重點實驗室，新疆 石河子 833200)

提出一種顏色分析方法用于新鮮番茄分類，以GB 8852—88標準為參考，定義番茄成熟度的分類標準(在研究中將其分成四類：完熟、成熟、半熟、綠熟)，將采集到的番茄RGB圖像，去除背景后，濾波去噪，轉換成HIS顏色模型和HSV顏色模型。通過Matlab編程獲取R、G、B、H、S、V、I各顏色分量的均值，運用SPSS軟件進行判別篩選組合特征分量，運用Matlab進行判別分析。分析結果顯示，綠熟番茄在3種不同判別函數下訓練集與驗證集判別率均達到了100.00%；半熟番茄訓練集判別率最高為94.74%，同時驗證集判別率最高達到100%；成熟番茄訓練集與驗證集判別率最低，分別為76.67%和70.00%；完熟番茄訓練集與驗證集最高均為90.00%。總體上實現了不同成熟度番茄的判別分類。

機器視覺；番茄；成熟度；顏色分量均值；判別分析

成熟度被看做是與果蔬質量評估密切相關的最重要的因素之一[1]。而在判定果蔬成熟方面，表面顏色特征與成熟度有著極其密切的關系，顏色是一個重要的參數[2]。

目前機器視覺技術已經在番茄識別領域得到了較為廣泛的研究[3]。張瑞合等[4]利用圖像分割對番茄進行標定，繼而采用面積配準，采用體視成像進行三維定位。蔣煥煜等[5]利用形心匹配和區域匹配的方法，獲取番茄位置信息實現識別。趙杰文等[6]利用HIS顏色特征，分割出成熟番茄區域，實現番茄的識別。紀平等[7]利用Canny算子對番茄進行輪廓提取，再用圓對輪廓進行擬合，實現了番茄的識別。

傳統方法判別番茄成熟度不能定量進行，且受人為主觀感覺影響有較大的誤差。本研究擬基于機器視覺理論實現對番茄不同成熟階段進行研究分析，以顏色判別為目的，在研究不同成熟階段的加工番茄顏色特征分量均值的基礎上，獲取加工番茄表面顏色特征分量[8]和組合顏色特征分量，探求一種新的顏色判別分析和顏色量化方法[9]，進而實現對不同成熟階段加工番茄的分類。彌補人工輔助判別加工番茄成熟度的主觀缺陷，為實現加工番茄選擇性收獲提供一種依據。

1 材料與方法

1.1 加工番茄樣本

試驗所用加工番茄樣本于2015年9月11日采自石河子阜康農場，加工番茄的品種是金紅果1號，共采集番茄樣本150組，用于試驗的有效番茄樣本共有109組。其中，完熟番茄30組，成熟番茄30組，半熟番茄19組，綠熟番茄30組。完熟番茄編號為F1-F30，成熟番茄編號為M1-M20，半熟番茄編號為H1-H19，綠熟番茄編號為G1-G30。每個番茄從花萼區等分成3個區域，每個區域采集一幅RGB圖像，頂部采集一幅RGB圖像，總共采集RGB圖像436幅。

1.2 機器視覺系統

圖像采集系統主要由工業相機(point gray FL2G-13S2C-C，Point Grey，Canada)、鏡頭(HF6M-2，Spacecom CCTV，Japan)主要獲取加工番茄表面的顏色特征信息、LED面光源等組成。考慮到后續圖像數據處理的問題，將采集的圖像信息通過圖像采集卡(FirePRO1394b PCI-e，Point Grey，Canada)傳輸到計算機，計算機用于試驗數據的存儲和處理，系統整體構架圖見圖1。

圖1 系統整體架構圖

1.3 顏色模型

顏色模型主要有HSV、RGB、HSI、CHL、LAB、CMY等。RGB模型是數字圖像處理的重要模型，計算機利用RGB模型表示像素的顏色，其中R[0，255]，G[0，255]，B[0，255]。RGB的分量與人對顏色的感知并沒有直接的聯系，這顯然不適應人的視覺特點。HIS顏色空間通常使用非常接近于人類對彩色感知的方法來定義彩色，是一種很直觀的方法，用色調H、飽和度S、光強I3個參數來描述顏色特征，HIS顏色模型對應于圓柱坐標系的雙圓錐子集上。HSV顏色模型的每一種顏色都是由色相H、飽和度S、色明度V3個參數來描述顏色特征，其是人類對色彩感知的最好的顏色模型，HSV顏色模型對應于圓柱坐標系中的一個圓錐形子集。因此，在本研究中選取了HSV、HIS兩種顏色模型。

1.4 圖像處理及獲取有用顏色特征分量

運用Matlab軟件將采集到的436幅不同成熟階段番茄圖像進行預處理，減少由于光線、曝光的不均勻、電子器件的誤差引起的噪聲干擾，提高圖像的質量[10]。如圖2所示，首先，將原始RGB圖像轉換成灰度圖像，灰度圖像二值化，并進行數據類型轉換，再將原始RGB圖像進行背景分割，提取RGB圖像的3個單分量圖像，然后用得到的R、G、B單分量分別點乘二值化圖像，利用cat函數將原始RGB圖像進行復原，濾除噪聲，便得到去背景之后的RGB圖像，再提取去除背景后的R、G、B分量圖像，獲取單分量的值。其次，將去背景的番茄RGB圖像轉換到HSV、HIS顏色模型下，提取H、S、V、I各單分量圖像，獲取單分量的值，然后選取合適的單分量進行自由組合[11]，運用SPSS軟件進行判別篩選，最終篩選出來的有價值的組合特征分量有：(R-G)/(G-B)、(R+G)/(G-B)、(R-G)/(R+G)、G/B、R/B、B/R。這些特征分量被作為了線性判別函數的每一項，用來判別不同成熟階段的番茄樣本。不同成熟度番茄樣本圖像去背景后灰度圖對比見圖3。

圖2 圖像處理流程圖

圖3 不同成熟度番茄樣本圖像去背景后灰度圖對比

Figure 3 The grayscale contrast of image backgroud removal of different maturity tomato sample

1.5 數據分析方法

對SPSS篩選出來的組合特征分量(R-G)/(G-B)、(R+G)/(G-B)、(R-G)/(R+G)、G/B、R/B、B/R，包括單分量特征分量R、G、B、H、S、V、I在內的，運用Matlab進行數據預處理，例如平滑處理(或去噪)、標準變換和極差歸一化變換等，本研究采用極差歸一化處理特征分量均值原始數據，然后再利用Matlab進行距離判別分析。

數據的極差歸一化處理[12]，即將數據統一映射到[0,1]區間上。設p維向量X=(X1,X2,…,XP)的觀測值矩陣為

(1)

極差歸一化變換后的矩陣為

(2)

2 結果與討論

2.1 獲取顏色特征分量均值

運用Matlab軟件得到去背景之后的番茄RGB圖像，將其轉換到HSV和HIS顏色空間下，分別獲取它們的單分量的值，然后再求得它們的均值，各顏色分量的單分量均值見表1。

通過已獲得的顏色單分量值，從而可以獲取組合顏色特征分量(R-G)/(G-B)、(R+G)/(G-B)、(R-G)/(R+G)、G/B、R/B、B/R的值，進而求得組合顏色特征分量的均值見表2。

2.2 獲取歸一化均值

運用Matlab將原始的單分量與組合分量值進行歸一化處理，從而得到其分量的歸一化均值，見表3、4。

2.3 判別分類結果分析

運用SPSS篩選出的組合特征分量對完熟樣本、成熟樣本、半熟樣本、綠熟樣本4類成熟度番茄進行判別分析，將完熟、成熟、半熟、綠熟樣品集按照2∶1的比例劃分成訓練集和驗證集。利用Mahalanobis、quadratic、linear 3種函數分別進行判別分析，得到的判別分析結果見表5～7。

表1 不同成熟度番茄顏色單分量均值

表2 不同成熟度番茄顏色組合分量均值

表3 不同成熟度番茄顏色單分量歸一化均值

表4 不同成熟度番茄顏色組合分量歸一化均值

表5 Mahalanobis判別分析結果

表6 quadratic判別分析結果

表7 linear判別分析結果

表8 Mahalanobis、quadratic、linear判別分析結果對比

由表5可知，使用Mahalanobis函數判別的情況下，綠熟番茄訓練集和驗證集判別率最好，都達到了100.00%。由表6可知，使用quadratic函數判別的情況下，綠熟番茄訓練集和驗證集判別率也是最好，均為100.00%，并且4種成熟度番茄驗證集判別率都有所提高。由表7可知，使用linear函數判別的情況下，綠熟番茄訓練集判別率達到了96.67%，半熟和綠熟番茄驗證集判別率均為100.00%，4種成熟度番茄驗證集判別率均達到了最好。從表8可以得出，使用Mahalanobis判別函數的情況下，綜合判別率為77.14%，使用quadratic判別函數的情況下，綜合判別率為80.00%，使用linear判別函數的情況下，綜合判別率為94.29%，因此，通過綜合對比得出，使用linear判別函數的判別率最佳。

綜上所述，當利用Matlab進行距離判別分析時，3種判別函數下，半熟和綠熟番茄的判別率與完熟和成熟番茄相比會較好。綜合對比下，使用linear判別函數的判別率最佳。這是因為在數據極差歸一化過程中，半熟和綠熟番茄的數據離散點誤差明顯會少于完熟和成熟番茄，數據的線性度較好，因此，會獲得較準確的判別率。另外可能的原因是顏色分量均值受到樣本的影響，當實際的顏色分量均值與判別函數的特征值不吻合時，使得出現誤判的可能性較大。

3 結論

(1) 本研究利用機器視覺的方法，通過番茄表面的顏色特征對不同成熟度的番茄進行判別分類，并將樣品集按照2∶1劃分為訓練集和驗證集，從目前分類結果來看，較好地實現了對4種不同成熟度番茄的判別分類。

(2) 從判別分析結果來看，綠熟番茄在3種不同判別函數下訓練集與驗證集判別率均最好，達到了100.00%；半熟番茄訓練集判別率最高為94.74%，同時驗證集判別率最高達到100.00%；成熟番茄訓練集與驗證集判別率最低，分別為76.67%和70.00%；完熟番茄訓練集與驗證集最高均為90.00%，綜合對比下，使用linear判別函數的判別率最佳。

(3) 通過判別分析函數總體實現不同成熟度番茄的判別分類，但是對于完熟與成熟番茄的判別效果不理想。在后續的研究中，將改進并優化圖像處理算法，增強算法的魯棒性以適應不同的對象；選擇新的特征信息并結合顏色特征分量，以此提高判別率。

[1] CHOI K, LEE G, HAN Y J, et al. Tomato maturity evaluation using color image analysis[J]. Transactions of the ASABE, 1995(1): 171-176.

[2] FELIPE Avila, MARCO Mora, MIGUEL Oyarce, et al. A method to construct fruit maturity color scales based on support machines for regression:Application to olives and grape seeds[J]. Journal of Food Engineering, 2015(2): 9-17.

[3] 方政, 胡曉輝, 陳永, 等. 基于計算機視覺的成熟番茄識別研究[J]. 農機化研究, 2016, 38(8): 31-35.

[4] 張瑞合, 姬長英, 沈明霞, 等. 計算機視覺技術在番茄收獲中的應用[J]. 農業機械學報, 2001, 32(5): 50-52.

[5] 蔣煥煜, 彭永石, 申川, 等. 基于雙目立體視覺技術的成熟番茄識別與定位[J]. 農業工程學報, 2008, 24(8): 279-283.

[6] 趙杰文, 劉木華, 楊國彬. 基于HIS顏色特征的田間成熟番茄識別技術[J]. 農業機械學報, 2004, 35(5): 122-124, 135.

[7] 紀平, 王俊, 陳鶴碧. 基于圖像的番茄識別與幾何尺寸測量[J]. 安徽農業科學, 2012, 40(33): 16 426-16 428, 16 434.

[8] 劉宇飛, 湯曉華. 基于機器視覺的番茄顏色分級方法的研究[J]. 機電產品開發與創新, 2013, 26(2): 99-100.

[9] 彭波, 李旭宇. TCS230顏色傳感器結合BP神經網絡在顏色識別系統上的研究[J]. 食品與機械, 2010, 26(3): 108-112, 123.

[10] 董坦坦. 成熟番茄的圖像識別及其位姿的獲取研究[D]. 南京: 南京農業大學, 2009: 8-9.

[11] 尹建軍, 王新忠, 毛罕平, 等. RGB與HSI顏色空間下番茄圖像分割的對比研究[J]. 農機化研究, 2006(11): 171-174.

[12] 謝中華. MATLAB統計分析與應用 40個案例分析[M]. 北京: 北京航空航天大學出版社, 2010: 345-350.

Tomato maturity color discrimination based on machine vision

BI Zhi-jian1ZHANGRuo-yu1QIYan-jie2WUYe-bei2

(1.MechanicalandElectricalEngineeringCollege,ShiheziUniversity,Shihezi,Xinjiang832000,China; 2.TheKeyLaboratoryofXinjiangProductionandConstructionGroup,ShiheziUniversity,Shihezi,Xinjiang832000,China)

Tomato quality is one of the most important factors ensured the consistency of tomato market factors. A color analysis method was proposed for classifying the fresh tomato, with reference to the national standard GB 8852—88, defining the classification standards of tomato maturity. In this study, tomato was divided into the four categories, full ripe, ripe, half ripe, and green ripe. RGB images of tomato were collected, removing the background and filtering de-noising, and then they were converted to HIS and HSV color models. Through the MATLAB programming, the mean values of the color components R, G, B, H, S, V, and I were obtained, and the determination and selection of combination components were carried on using SPSS software. Moreover, the discriminant analyses were then performed using Matlab. The results showed that the identification rates of the green ripe and validation sets were the best of all the three different discriminant functions, reached 100.00%, and the highest discrimination rates of half ripe tomato set was 94.74%. However, the identification rates of training and validation sets of ripe tomato were the lowest, identified as 76.67% and 70.00%, respectively. Those of the training and validation sets of full ripe were the highest, about 90.00%. In general, the discrimination and classification of tomato with different maturity were realized using the machine recognition system in the present study.

machine vision; tomato; maturity; the mean color component; discriminant analysis

10.13652/j.issn.1003-5788.2016.12.029

國家自然基金項目(編號：61565016)；兵團國際合作項目(編號：2015AH003)

畢智健，男，石河子大學在讀碩士研究生。

張若宇(1980—)，男，石河子大學副教授，碩士生導師。 E-mail：ry248@163.com

2016-09-05