基于智能算法的甘蔗定位切割方法

韋相貴

摘要：針對傳統的基于圖像的甘蔗莖節識別算法主要有中值決策、列灰度及擬合的邊緣檢測方法、圖像濾波方法以及圖像分割方法等，傳統方法的檢測準確率偏低，難以滿足識別要求。提出了一種基于改進型粒子群優化算法的混合核函數的支持向量機分類識別模型，對甘蔗的莖節進行分類識別。傳統的PSO算法由于粒子群的趨同性，導致前期收斂很快，后期十分緩慢，并且容易陷入局部最優解，也就是常說的早熟。將混沌優化算法與PSO算法進行結合，改造判斷解決早熟的收斂方法以改進CPSO算法。傳統SVM分類識別模型采用單個核函數，而局部核函數具有較好的學習能力，但不具備較好的泛化能力，相反，全局核函數具有較好的泛化能力，但不具備較好的泛化能力。將局部核函數和全局核函數按照一定規則和條件進行混合，構造一種新型混合核函數，試驗驗證結果表明，本研究的甘蔗定位識別方法有效。

關鍵詞：甘蔗莖節識別；支持向量機；混合核函數；粒子群優化算法

中圖分類號： TP391.41

文獻標志碼： A

文章編號：1002-1302（2016）04-0394-04

在我國，甘蔗是一種重要的經濟作物，是制糖的主要原材料，同時也是一種重要的化工能源原材料。目前，我國甘蔗收割、種植機械化普及程度極低，同時研究也不夠深入，制約了甘蔗產業的發展[1-2]。計算機圖像識別技術是種植甘蔗定位切斷裝置技術的關鍵技術之一。需要使用計算機對甘蔗莖節的圖像進行特征提取與識別。傳統的基于圖像的甘蔗莖節識別算法主要包括中值決策、列灰度及擬合的邊緣檢測方法、圖像濾波方法以及圖像分割方法等，以上傳統方法的檢測準確率偏低，難以滿足識別要求[3]。本研究提出基于改進型粒子群優化算法的混合核函數支持向量機分類識別模型對甘蔗的莖節進行分類識別。

1 甘蔗定位切割系統組成

甘蔗定位切割系統的硬件組成如圖1所示，主要由攝像機、采集卡、終端處理計算機以及用于甘蔗輸送的步進電機、夾持機械手、切斷器以及可編程控制器等組成[4]。

甘蔗定位切割系統的核心是對于甘蔗圖像采集和處理。甘蔗圖像采集和處理流程如圖2所示。

甘蔗圖像采集有2種方式：一種是將整根甘蔗進行圖像采集，并一并存入計算機存儲器中，經過圖像識別處理后，再從甘蔗一端一次性進行切斷；另一種在甘蔗兩端交替進行圖像采集與切斷[5]。本研究采用后面一種處理方法。

2 甘蔗圖像處理

使用RGB色彩空間對于甘蔗圖像這類遍布全部灰度級的圖像顏色進行分割難度很大，因此HSV空間更加適合對甘蔗圖像進行處理。HSV色彩空間是對色調、飽和度以及亮度進行表述，HSV色彩空間中的H分量中，可以清晰地觀察到甘蔗莖節與節間的差異，因此H分量更適合用于對甘蔗莖節的識別處理，通過研究，確定用于莖節識別的H分量分割閥值最終確定為0.15。研究發現，在S分量和H分量合成圖中，莖節位置的白點個數密度大而且分布均勻。將合成圖按照列方向劃分為64個塊，得到圖像集合X（i，j），圖像上下邊緣分別為：pt=[xt，yt]T和pb=[xb，yb]T。第k列的最高點和最低點分別為[6]：

本研究提出的ICPSO算法對于混合函數的支持向量機參數優化步驟如下：

步驟1：對改進混沌粒子群優化算法的初始控制參數、最大進化代數T、種群規模m、學習算子C1和C2取值范圍[Cmin，Cmax]、慣性系數W取值范圍[Wmin，Wmax]、粒子群飛行速度取值范圍[Vmin，Vmax]以及常數H等參數進行初始化設定。對支持向量機的懲罰因子c、最優權系數β、不敏感損失參數ε以及RBF的核參數γ進行隨機賦予初始值。使用混沌模型對學習算子C1和C2、慣性系數W以及隨機數R1和R2生成混沌時間序列。

步驟2：使用各個粒子的個體極值作為粒子的目前位置，由均方差函數對其適應值進行計算，全局極值選取為得到最優適應度的粒子的個體極值。

步驟3：若條件滿足收斂準則則跳至步驟10，若不滿足則進行下一步優化。

步驟4：使用混沌模型與PSO算法對粒子的位置和速度進行更新。

步驟5：如果適應值F（Pid）

步驟6：對于更新后的Pbestd，若F（Pbestd）

步驟7：若條件滿足收斂準則則跳至步驟10，若不滿足則進行下一步優化。

步驟8：根據早熟判別條件對種群群體適應值的方差δ2進行計算，判斷早熟處理條件十分滿足，如果滿足則處理早熟問題，如果不滿足則跳至步驟4。

步驟9：使用混沌模型與PSO算法對粒子的位置和速度進行更新，對已經陷入局部最優解的粒子處理早熟，使其脫離局部最優問題，并跳至步驟3。

步驟10：得到支持向量機的懲罰因子c、最優權系數β、不敏感損失參數ε以及RBF的核參數γ的最優解，即完成了對支持向量機參數的優化。

4 試驗研究

下面針對上述提出的甘蔗莖節圖像識別方法進行試驗研究。試驗所使用的圖像處理系統由VC++和Matlab混合編制。使用高清數碼相機對甘蔗圖像進行采集，抽取其中100幅用于試驗。通過人工識別莖節后，將各幅甘蔗圖片編號為1～100，隨機選取50幅用于對上述提出的甘蔗莖節圖像識別模型進行訓練，另外50幅用于對模型進行測試。

4.1 識別評價標準

由于目前針對甘蔗莖節識別的研究較少，沒有形成標準的莖節識別標準。本研究將莖節的中心線Lc作為莖節識別的基準線，將莖節左生長帶的標記線記作Ll，將莖節右生長帶的標記線記作Lc。定義節寬Jk為某一莖節左生長帶標記線Ll和右生長帶標記線Lr的水平間距。若某一幅圖中同時間出現2個莖節，則定義節間間距Jj為第一莖節的右生長帶標記線Lr和第二莖節的左生長帶標記線Ll的水平距離。定義偏差量Pc為圖像識別算法得到的莖節識別中心線Ls與實際的莖節中心線Lc的水平間距。各種標記線如圖3所示[18]。

當圖像識別算法得到的莖節識別中心線Ls落入莖節左生長帶標記線Ll和右生長帶標記線Lr之間，則認為是一次正確識別，否則認為是一次錯誤識別。當偏差量Pc不超過莖節半徑Jb時，認為是一次正確識別，偏差量Pc越趨近于零，說明識別準確度越高。

5 結論

我國甘蔗收割、種植機械化普及程度極低，同時研究也不夠深入，制約了甘蔗產業發展。本研究首先對甘蔗切割系統組成進行介紹，并分析甘蔗的圖像處理技術，提取甘蔗圖像特征。針對傳統的基于圖像的甘蔗莖節識別算法主要有中值決策、列灰度及擬合的邊緣檢測方法、圖像濾波方法以及圖像分割方法等，傳統方法的檢測準確率偏低，難以滿足識別要求等問題，本研究提出一種基于改進型粒子群優化算法的混合核函數支持向量機分類識別模型對甘蔗的莖節進行分類識別，通過試驗驗證，本研究的識別模型比使用徑向基核函數、多項式核函數以及常規PSO優化的支持向量機識別模型具有更好的識別性能。

參考文獻：

[1]陸尚平. 基于機器視覺的甘蔗莖節識別與蔗芽檢測研究[D]. 武漢：華中農業大學，2011.

[2]陸尚平，黃 林，陳炳森，等. 基于機器視覺的甘蔗種植機械化研究[J]. 廣西農業機械化，2012（5）：28-29，32.

[3]陸尚平，馬翠龍，賀敏超，等. 圖像灰度統計梯度特性的甘蔗莖節識別研究[J]. 廣西農業機械化，2012（6）：21-22.

[4]喬 曦. 基于計算機視覺的甘蔗種莖切割防傷芽系統的研究[D]. 南寧：廣西大學，2013.

[5]黃亦其，喬 曦，唐書喜，等. 基于Matlab的甘蔗莖節特征分布定位與試驗[J]. 農業機械學報，2013，44（10）：93-97，232.

[6]王士鋒. 基于機器視覺的車輪圖像處理與分析[D]. 濟南：濟南大學，2011.

[7]譚 浩，林 芝，鄭英模，等. 基于機器視覺的甘蔗段分選系統的設計[J]. 安徽農業科學，2014（19）：6462-6464，6467.

[8]黃亦其，王小波，尹 凱，等. 基于感應計數的甘蔗種切割防傷芽系統的設計與試驗[J]. 農業工程學報，2015，31（18）：41-47.

[9]匡芳君，徐蔚鴻，張思揚. 基于改進混沌粒子群的混合核SVM參數優化及應用[J]. 計算機應用研究，2014，31（3）：671-674，687.

[10]匡芳君. 群智能混合優化算法及其應用研究[D]. 南京：南京理工大學，2014.

[11]曹秋燕. 基于SVM和PSO的信用評級模型研究[D]. 杭州：浙江工商大學，2013.

[12]陳金鳳. 支持向量機回歸算法的研究與應用[D]. 無錫：江南大

學，2008.

[13]霍 明. 短期負荷預測的支持向量機模型參數優化方法研究[D]. 長沙：湖南大學，2009.

[14]王 佳. 混合核支持向量機參數優化及其應用研究[D]. 長沙：長沙理工大學，2011.

[15]毛志亮. 混合核函數支持向量機在發酵過程建模中的應用研究[D]. 無錫：江南大學，2011.

[16]單黎黎，張宏軍，王 杰，等. 一種改進粒子群算法的混合核 ε-SVM 參數優化及應用[J]. 計算機應用研究，2013，30（6）：1636-1639.

[17]陳其松. 智能優化支持向量機預測算法及應用研究[D]. 貴陽：貴州大學，2009.

[18]陸尚平，鐘麗珠. 機器視覺與模糊決策在甘蔗種蔗識別機械化中的運用[J]. 農業開發與裝備，2013（7）：35-36.

[19]陸尚平，文友先，葛 維，等. 基于機器視覺的甘蔗莖節特征提取與識別[J]. 農業機械學報，2010，41（10）：190-194.許洪斌，王智強，楊長輝. 丘陵山地小型田間搬運機遙控系統設計[J]. 江蘇農業科學，2016，44（4）：398-400.