機器視覺在花椒品種鑒別中的初步研究*

吳莉莉，邢玉清，鄭寶周，林愛英（河南農業大學理學院，鄭州450002）

?

機器視覺在花椒品種鑒別中的初步研究*

吳莉莉*，邢玉清，鄭寶周，林愛英
（河南農業大學理學院，鄭州450002）

摘要：花椒是一種重要的烹飪調料和中藥配料。本文將機器視覺技術引入到花椒品種的快速鑒別中，通過機器視覺硬件裝置獲取6類花椒樣品圖像共90幅，其中60幅作為訓練樣本，30幅作為測試樣本。對所有樣本分別提取了顏色和紋理的共10個特征參數，利用概率神經網絡對特征數據進行鑒別，正確識別率為93.33%。本文研究的基于機器視覺的花椒品種鑒別方法可以快速準確地提取花椒樣品的特征數據，為批量分選花椒奠定了技術基礎。

關鍵詞：機器視覺；顏色特征；紋理特征；概率神經網絡；花椒

作為日常調料食用的花椒主要是指蕓香科植物花椒（Zanthoxylum Bungeanum MaXim）的干燥成熟果皮[1-2]，不僅被譽為“八大調味品”之一，還具有重要的藥用價值。花椒市場品種繁多，不同地方、不同品種的花椒價格差異較大，常常出現品種混雜、真偽混淆等現象。目前對花椒品種的鑒別主要依靠人工，檢驗結果受主觀影響較大，重復性差、效率低；而化學分析或儀器分析等方法，其樣品前期處理的復雜性、實驗本身的耗時性，無法滿足現場快速檢測的需求。利用機器視覺代替人的視覺，通過圖像的外觀特征進行分類識別，是一種及時便捷、切實有效的方法。與人工檢測相比，機器視覺具有速度快、精度高、重復性好等優點，在農產品品質檢測領域有著廣闊的應用前景。

機器視覺也稱計算機視覺，是一門涉及神經生物學、心理物理學、計算機科學、圖像處理、模式識別和人工智能等諸多領域的交叉學科，主要研究用各種成像系統代替人的視覺器官作為輸入敏感手段，由計算機來代替大腦完成對信息的處理和解釋，實現對人類視覺行為的計算機模擬或再現。機器視覺在農業中的應用研究涉及作物種子品質檢測、作物病害檢測、農產品采摘、農產品品質檢測、農產品分級等領域[3]，為農產品的快速無損檢測提供了重要的分析判定方法。

目前國內機器視覺技術在花椒方面的研究主要集中在花椒顆粒的均勻度、閉眼率、椒籽率、果穗梗率[2-5]等外觀品質，對于花椒的顏色、紋理等其他宏觀特征的研究未見報道。

本文前期研究了利用機器嗅覺（即電子鼻）技術對花椒品種進行鑒別（見參考文獻[4]），取得了較好的識別結果。該研究主要利用的是氣味作為識別特征，本文擬從外觀特征方面對其進行鑒別，為后續的多傳感信息融合奠定基礎，以期獲得更高的識別精度。

1　花椒圖像的獲取

1.1實驗材料

采用與文獻[4]中相同的花椒樣品，分別為：四川漢源大紅袍（1號樣品）、四川金陽青花椒（2號樣品）、陜西韓城大紅袍（3號樣品）、河北涉縣大紅袍（4號樣品）、云南魯甸青花椒（5號樣品）、甘肅隴南大紅袍（6號樣品）。所有樣品均為袋裝購買，生產日期在2015年3月至6月間，等級為特級。

1.2實驗裝置

實驗采用自行研制的機器視覺系統，主要由硬件和軟件兩部分組成，其中硬件系統主要包括：光照室、光源、CCD攝像頭、樣品臺、圖像采集卡；軟件系統主要包括圖像處理軟件和模式識別算法。機器視覺硬件系統如圖1所示，花椒圖像的采集在光照室內完成。

圖1　機器視覺硬件系統示意圖

CCD攝像頭是獲取花椒樣品圖像的關鍵部件之一，它將花椒圖像由光信號轉換成表示為R、G、B顏色值的模擬電信號，并輸入圖像處理設備。圖像采集卡將輸入的模擬電信號轉換成數字信號（對花椒圖像進行A/D轉換），并將轉換后的數字信號輸入計算機進行后續處理。光照室內的光源采用漫反射環形LED來照明，樣品臺背景為白色底板，花椒在上面鋪上厚厚的一層，不露出底板，這樣可保證圖像不受背景的干擾。實驗中每種花椒樣品圖像采集15幅，共90幅，為了適應快速檢測的需要，減少程序運行時間，將圖像裁剪為400 pixel×400 pixel。

1.3圖像的預處理

實際獲得的圖像在形成、傳輸、接收和處理的過程中，不可避免地存在著內部干擾和外部干擾[6]，因此需要對圖像進行平滑處理。常用的平滑處理方法有鄰域平均法、中值濾波法、高斯平滑法、頻域低通濾波法等。由于中值濾波在去除噪聲的同時還能保護圖像細節，因此本文采用中值濾波法對采集的圖像進行平滑去噪。

中值濾波本質上是一種統計排序濾波器，對于原圖像中某點（i，j），中值濾波對以該點為中心的鄰域內的所有像素進行統計排序，取其中值作為（i，j）點的響應[7]。中值濾波的效果依賴于濾波窗口的大小，太大會使邊緣模糊，太小則去噪效果不好。圖2是采用不同大小的窗口對原始花椒圖像進行中值濾波的效果，從圖中可看出，采用3×3模板不僅去除了噪聲，還很好地保留了細節。

圖2　不同窗口大小中值濾波比較

2　特征值的提取

為了識別出圖像所屬的類別，需要將它與其他不同類別的圖像區分開來，這就要求選取的特征不僅能很好地描述圖像，還要能很好地區分不同類別的圖像。特征值的選擇直接影響著機器視覺的識別率，本文針對顏色和紋理兩方面的特征進行參量提取。

2.1顏色特征提取

顏色特征是圖像中最直觀、最明顯的物理特征，它具有全局性，描述了圖像區域所有景物的表面性質。相對于幾何特征而言，顏色具有一定的穩定性，對大小、方向都不敏感，表現出相當強的魯棒性。為了對顏色進行定量描述，按照某種標準利用基色來表示顏色可以得到不同的色彩空間。常用的有RGB模型、HSI模型、HSV模型、CMY模型、Lab模型等等。

RGB模型是工業界的一種顏色標準，是通過對紅（Red）、綠（Green）、藍（Blue）三種顏色亮度的變化以及它們相互之間的疊加來得到各種各樣的顏色，該標準幾乎包括視覺所能感知的所有顏色，是目前運用最廣的顏色模型之一[7]。

HSI模型是從人的視覺系統出發，直接使用色調（Hue）、飽和度（Saturation）和亮度（Intensity）來描述顏色。由于人的視覺對亮度的敏感程度遠強于對顏色濃淡的敏感程度，因此在視覺系統中經常采用HSI顏色模型進行顏色提取與識別。

HSI顏色模型與RGB顏色模型存在一定的轉換關系，轉換公式如下：

其中

在花椒樣品的彩色圖像中，含有大量的顏色信息，通過這些信息可以反映出花椒的品種。由于攝像頭獲取的圖像是RGB模型，且HSI模型與人眼對事物的觀察模式一致，因此本文采用RGB和HSI兩種模型來對花椒圖像進行特征參數提取。

實驗中對經過預處理之后的花椒樣品圖像分別提取R、G、B和H、S、I分量的均值，為了方便后續的模式識別，將其做了歸一化處理。表1列舉了花椒樣品1中作為訓練樣本的10幅圖像的顏色特征值。

表1　花椒樣品1的顏色特征參數均值表

2.2紋理特征提取

習慣上，把圖像中局部不規則，而宏觀上有規律的特性稱之為紋理，作為物體表面的一種自然屬性，紋理是人類視覺系統區分自然界物體的重要依據。紋理特征的提取方法主要有結構法、統計法、模型法和頻譜法。

灰度共生矩陣GLCM（Gray Level Co-occurrence Matrix）是由Haralick[8]提出的一種用來分析圖像紋理特征的重要方法，是最常用的紋理統計分析方法之一。GLCM是建立在圖像的二階聯合概率密度函數的基礎上，即通過計算圖像中特定方向和特定距離的兩像素間從某一灰度過渡到另一灰度的概率，反映圖像在方向、間隔、變化幅度及快慢的綜合信息[9]。簡單定義為：距離為d的兩個像素點灰度值分別為i和j的概率，數學表達式為：

其中（x，y）是圖像中的像素坐標，x、y的取值范圍為[0，N-1]，i、j的取值范圍為[0，L-1]，N為圖像像素，L為灰度級；d是用像素數量表示的相對距離，若d= 1，則表示相鄰像素；θ一般考慮四個方向，分別是0°、45°、90°、135°。

GLCM反映了圖像灰度分布關于方向、鄰域和變化幅度的綜合信息，但它并不能直接提供區別紋理的特性，于是在統計學的基礎上定義了一些度量來表示提取的紋理特征。綜合考慮分類效果和分類耗時這兩個方面，本文選取GLCM提取紋理特征中相關性小的四個參數：對比度、相關性、能量和同質性來表示紋理特征，這4個特征量的計算公式如下[9]：

①對比度

對比度可以理解為圖像的清晰度以及紋路的深淺，它反映了GLCM元素的值是如何分布的以及圖像局部的變化信息。

②相關性

其中μ1，μ2，σ1，σ2分別為：

相關性反映了在水平方向和垂直方向上鄰域像素間的相似性。

③能量

能量是圖像灰度分布均勻性的度量。

④同質性

同質性用來度量圖像紋理局部變化是否均勻。基于GLCM的花椒樣品紋理特征提取步驟如圖3所示。首先將花椒樣品的RGB圖像轉換為灰度圖像，為了節省計算時間對灰度級粗量化，將256級量化為16級；然后計算0°、45°、90°、135°四個方向的GLCM，距離d= 1，并將其歸一化，選取高斯函數作為歸一化函數；再分別求出每個GLCM的對比度、相關性、能量和同質性四個二階統計特征量，并計算每個特征量的均值，得到的這個4維向量就是最終所求的紋理特征向量。

圖3　GLCM的紋理特征提取框圖

對圖2（a）所示的圖像（即花椒樣品1的第一幅圖像）做灰度變換，得到如圖4所示的灰度圖像，然后計算GLCM，提取四個不同方向的二階統計量，如表2所示。對所有花椒樣品都做上述相同的特征提取，表3列舉了樣品1中作為訓練樣本的10幅圖像的紋理特征均值。

圖4　花椒樣品1第一幅圖的灰度圖像

表2　4個方向GLCM二階統計量

表3　花椒樣品1的紋理特征參數均值表

3　基于概率神經網絡的花椒品種鑒別

概率神經網絡PNN（Probabilistic Neural Net?work）是在徑向基函數RBF（Radial Basis Function）[10]，其理論依據是貝葉斯最小風險準則（即貝葉斯決策理論）。PNN既具有統計分類的功能，又不受多元正態分布等條件的限制，并且在PNN運算過程中可讀出被分類的新輸入樣本的后驗概率，從而提供了對計算結果的解釋。理論上來說，PNN得到的分類結果能夠達到最大的正確率，當訓練的樣本數據足夠多時，PNN收斂于一個貝葉斯分類器，且推廣能力良好。

PNN的基本結構如圖5所示，包括：輸入層、模式層、求和層和決策層。

圖5　PNN的基本結構

輸入層接收來自訓練樣本的值，其神經元數目和樣本向量x的維數相等。模式層與輸入層之間通過連接權向量wi相連，進行加權求和輸出zi=x·wi，通過一個非線性映射運算后傳遞給求和層。模式層中的非線性映射采用指數函數exp[(zi-1)/σ2]實現。求和層將有對應樣本中同一類的模式層傳來的輸入（屬于某類的概率）進行累加以及得到輸入樣本屬于該類的最大可能性[11-14]。決策層接收來自求和層輸出的各類概率密度函數，概率密度最大的那個神經元輸出為1，即對應的那一類是待識別的樣本模式類別，其他神經元的輸出全為0。

利用PNN對花椒品種進行鑒別時，顏色特征和紋理特征一同作為輸入向量，建立10維輸入和6維（待識別的種類）輸出。在設計PNN時，由于徑向基函數的分布密度Spread對網絡的分類性能影響較大，當Spread接近于0時，對應的PNN就是一個最近鄰分類器；當Spread增大后，對應的PNN就要考慮附近的設計向量。在訓練網絡時，每種花椒樣品15幅圖像中取其中10幅作為訓練樣本，共60幅，剩余5幅圖像作為測試樣本，共30幅。通過實驗確定當Spread取值在[0.05，0.8]時，訓練樣本識別率為100%。將30幅測試樣本輸入訓練好的PNN中，識別結果如表4所示。測試樣本的總體識別率為93.33%，3號樣品和4號樣品的外觀較為接近，因此在識別時會出錯，青花椒與紅花椒顏色有明顯的不同，可以完全識別。

表4　PNN對測試樣本的分類識別率（Spread=0.06）

4　結論

本文用自行設計的機器視覺硬件系統對6類不同品種的花椒樣品圖像進行了采集，通過中值濾波預處理之后，提取了R、G、B、H、S、I顏色分量的均值和GLCM的對比度、相關性、能量、同質性紋理特征的均值一同作為分類特征，利用PNN進行分類識別。PNN由于其權值就是模式樣本的概率分布，因此訓練時間短，模式分類性能好。對6類花椒樣品的60幅圖像作為訓練樣本，特征數據60×10維，PNN能完全正確分類，對于30幅圖像特征數據30× 10維的測試樣本，識別準確率為93.33%，取得了較好的分類效果。如何優化PNN，融合機器嗅覺信息來進一步提高識別率是將要進行的研究。

參考文獻：

［1］余曉琴.花椒品質評價方法及其應用研究［D］.重慶：西南大學，2010：5.

［2］楊飛.基于機器視覺的花椒外觀品質檢測技術研究［D］.重慶：西南大學，2008：5.

［3］鄭小東，王杰.機器視覺在玉米籽粒品質檢測中的應用研究［J］.中國糧油學報，2013，28（4）：124-128.

［4］吳莉莉，鄭丹，鄭寶周，等.基于電子鼻技術的花椒品種鑒別方法研究［J］.傳感技術學報，2013，26（11）：1473-1477.

［5］楊鎮宇.基于機器視覺和SVM的花椒外觀品質檢測技術研究［D］.重慶：西南大學，2010：5.

［6］張弘.數字圖像處理與分析［M］.北京：機械工業出版社，2013：1.

［7］張錚，徐超，任淑霞，等.數字圖像處理與機器視覺——Visual C++與Matlab實現［M］.北京：人民郵電出版社，2014：5.

［8］Haralick R M，Shanmugam K，Dinstein I H. Textural Features for Image Classification. Systems［J］. Man and Cybernetics，IEEE Transactions，1973（6）：610-621.

［9］王龍.圖像紋理特征提取及分類研究［D］.青島：中國海洋大學，2014：5.

［10］Specht D F. Probabilistic Neural Networks for Classification Map?ping or Associative Memory［C］// Neural Networks，IEEE Interna?tional Conference on Digital Object Identifier，1988，1：525-532.

［11］Specht D F. Probabilistic Neural Networks［J］. Int J Neural Net?works，1990，3：109-118.

［12］Roberto Miguez，Michael Georgiopoulos，Assem Kaylani. G-PNN：A Genetically Engineered Probabilistic Neural Network［J］. Non?linear Analysis：Theory，Methods & Applications，2010，73（6）：1783-1791.

［13］Michael R Berthold，Jay Diamond. Constructive Training of Proba?bilistic Neural Networks［J］. Neurocomputing，1998，19（1-3）：167-183.

［14］蘇亮，宋緒丁.基于Matlab的概率神經網絡的實現及應用［J］.計算機與現代化，2011，195（11）：47-50.

［15］段勇，李程，徐心和.基于顏色空間映射的自適應足球機器人視覺系統［J］.傳感技術學報，2012，25（1）：82-86.

吳莉莉（1977-），湖北荊州人，2007年獲浙江大學生物醫學工程專業博士學位，師從陳裕泉教授。副教授，主要從事傳感器技術、信號處理、模式識別和農產品無損檢測等方面的研究，已發表論文四十余篇，wllzju@126.com;

邢玉清（1981-），河南周口人，2008年獲中山大學生計算機應用技術專業碩士學位，師從陳曉峰教授。講師，主要從事網絡安全、安全協議、密碼應用等方面的研究，已發表論文十余篇，xyq@henau.edu.cn。

Simulation and Tests of Multiple Sprinklers Rainfall Generator*

LIU Bo，WANG Xiaolei*，SU Teng，KANG Zhaojing
（College of Meteorology and Oceanography，PLA University of Science and Technology，Nanjing 211101，China）

Abstract：In order to realize the full scope simulation of natural rainfall intensity，the observation pattern acquired from single sprinkler is regarded as a multi-dimensioned vector，on which the established model of multiple sprin?klers in square layout is based. Then，the data of coefficients of uniformity and rainfall isoline map for four over?lapped sprinklers are analyzed and the optimum spacing is ascertained. Further more，in the condition of the opti?mum spacing，an experiment is conducted to evaluate uniformity and stability of the rainfall environment. The test results indicate that tipping-bucket raingaugescan be located in four quarters of the compass so as to carry out large rainfall intensity test after the stability time in the current rainfall generator environment.

Key words：rainfall generator；large rainfall intensity；simulation；test

doi：EEACC：723010.3969/j.issn.1004-1699.2016.01.024

收稿日期：2015-08-06修改日期：2015-09-21

中圖分類號：TP391.4

文獻標識碼：A

文章編號：1004-1699（2016）01-0136-05

項目來源：河南省科技攻關計劃項目（142102110054）；河南省教育廳科學技術研究重點項目（12A510014）