基于改進二進制粒子群算法的蘋果多特征提取分級研究

張 健，張莉華

（黃淮學院信息工程學院，河南駐馬店463000）

基于改進二進制粒子群算法的蘋果多特征提取分級研究

張 健，張莉華

（黃淮學院信息工程學院，河南駐馬店463000）

為了提升對蘋果分級的準確性，采用改進二進制粒子群算法對蘋果多特征進行提取分級研究。首先建立蘋果多特征提取量，包括大小、顏色、缺陷、形狀特征；然后基于輔助搜索空間的二進制粒子群更新，對粒子位置增加狀態翻轉因子，根據收斂情況動態地獲得單向翻轉角度；接著通過Sigmoid函數、高斯函數對蘋果多特征進行分級建模，確定了分段函數的參數值；最后給出了蘋果分級的算法流程。實驗仿真顯示，該算法對蘋果多特征提取分級的結果較其他算法更準確，且運行時間較少。

蘋果；多特征；翻轉角度；輔助空間；分級

蘋果質量分級決定了產品價格，但是由于蘋果表皮的不同顏色和梗蒂以及洞穴的相似性，以及缺陷在形狀、大小上的變化，很容易導致蘋果質量等級的誤分［1-2］。顏色是蘋果外在品質的重要指標之一，其中著色均勻一致的果實有較高的商品價值，間接反映了水果的糖度、酸度、口感等內部品質，但是基于蘋果顏色、物理特征分級方法［3］，都屬于不確定性的方法，分級錯誤率較高，無法真正滿足蘋果分級的要求；基于大小、形狀、顏色或缺陷的多特征組合方法，如遺傳算法［4］，能全面描述蘋果品質，提高了蘋果分級正確率，但只實現了特征級融合，依然存在分類精度不高的缺點，提取的特征之間不能很好地互補；神經網絡算法對蘋果分級的基本結構由非線性變化單元組成，具有很強的非線性映射能力，但是網絡結構的隱層節點數的確定需要憑借經驗和多次的試驗訓練樣本數據［5］；粒子群算法以其實現容易、精度高、收斂快等優點引起了學術界的重視［6］，并且在解決實際問題中展示了其優越性，但是在數據尋優中容易陷入局部最優。

如何有效地實現蘋果提取的多特征信息之間優化是解決蘋果分級問題的關鍵，本文采用改進二進制粒子群算法，首先建立蘋果多特征提取量，包括大小、顏色、缺陷、形狀特征，然后基于輔助搜索空間的二進制粒子群更新，對粒子位置增加狀態翻轉因子，根據收斂情況動態地獲得單向翻轉角度；接著通過Sigmoid函數、高斯函數對蘋果多特征分級建模，確定了分段函數的參數值；最后給出了蘋果分級的算法流程。實驗仿真顯示，本文算法對蘋果多特征提取分級的結果較其他算法更準確，且運行時間較少。

1 蘋果特征提取

1.1 蘋果大小特征提取

將采集的蘋果圖像經過中值濾波、邊緣提取之后，把蘋果的邊緣像素點以直角坐標存儲在數組中［7］，以蘋果的形心為原點轉化成極坐標后，其極徑即為該處蘋果的半徑值。形心O直角坐標 （x0，y0）為：

這樣形心坐標為每個蘋果像素點坐標的平均值。蘋果圖像的形心確定后，各邊緣點的極坐標也就可以確定了。為了判別蘋果的大小，取蘋果邊緣像素點的半徑平均值r0作為判別大小的依據：

1.2 蘋果顏色特征提取

將彩色圖像RGB模型轉換為HIS模型，不同顏色蘋果樣本圖像中果實部分各像素的色度H：

其中R、G、B分別代表紅、綠、藍三原色值。

各等級蘋果的色度分布均在0°～70°范圍內，以10°為間隔將其劃分為7個子區間，然后求每一子區間上色度頻度的均值，特級果、一等果、二等果、等外果的色度分別在0°～20°、20°～40°、40°～60°、60°～70°之間形成峰值。

1.3 蘋果缺陷特征提取

果皮表面缺陷如雹傷、果銹等是影響蘋果外觀品質的重要因素之一，分別按照由左到右和由右到左的順序逐行掃描整幅圖像［8］，直至找到該行的左邊界點LL和右邊界點LR，則該行的像素點數

累加所有行的左、右邊界像素點數得到圖像周長P，累加所有行的像素點數即可得到蘋果圖像面積

以每行左、右邊界點為界限，對圖像進行逐列掃描，每找到一個f（x，y）=0的像素點，該點即為缺陷點，該行所有缺陷點數Ld加1，直至圖像的所有行掃描結束，累加所有行f（x，y）=0的像素點數，則得到缺陷面積Sd=ΣLd，缺陷程度為缺陷面積與圖像面積之比D=Sd/Sa。

1.4 蘋果形狀特征提取

蘋果圓形度好壞對蘋果銷售具有十分重要的影響。圓形度E為：

不同等級蘋果的是不相同的，E越大，則等級越高。

在蘋果分級中，大小、形狀、顏色和缺陷等特征彼此之間是相互獨立的。如顏色滿足特級果要求的蘋果并非一定是特級果，只是判為特級果的可能性比較大，也有可能因不滿足其他特征條件而被判為更低的等級。這樣就可以利用粒子群組合獨立特征的能力合成來自不同特征的信息，最后利用決策模塊給出蘋果的等級。

2 改進二進制粒子群算法思路

2.1 基本二進制粒子群算

在二進制粒子群算法中粒子的位置和速度更新為：

2.2 改進過程

2.2.1 基于輔助搜索空間的二進制粒子群更新過程

如果某個二進制粒子所訪問的位置優于自身的歷史最優位置，則該粒子會最終收斂到整個種群的歷史最優位置。因此，如果全局最優位置不位于初始粒子位置和局部最優位置之間，會妨礙搜索到全局最優解。為了提高算法的搜索性能，既保留在連續空間搜索中粒子所具有的明顯優勢，又適用于優化問題［9］，構造一個與解空間Y同維的輔助搜索空間Y′，Y′?Rn，則粒子的位置由解空間Y中的d維向量Xi和輔助搜索空間Y′中的n維向量X′i共同表示，基于輔助搜索空間的種群第i個粒子可由Xi，X′i，Pi，P′i，Vi組成：

更新過程為：

其中：f·（）為粒子的適應度。

通過輔助搜索機制，粒子的搜索區域改變，擁有更大的機會跳出局部最優解，搜索區域僅僅是由粒子的某一維信息改變而改變的，其他維的信息能夠很好地保留下來，這些特性保證了該輔助搜索機制的高效率。

2.2.2 單向翻轉角度調整粒子位置

為避免適應度函數值升序排列，當引入約束條件粒子單向翻轉角度時，使用懲罰函數，處理后的適應度函數是一條單峰曲線，這樣從一側向另一側搜索，適應度函數值遞減；經過有限次的迭代，當適應度函數值增加時，則結束搜索，即得到極值點和極值。

對粒子位置xij改進，增加狀態翻轉因子，xij根據概率更新：

其中：θ∈ 0，π（ ］為單向翻轉角度。

局部翻轉因子γ1i通過Pid獲得：

全局翻轉因子γ2i通過Pgd獲得：

在數據尋優過程中，Pid和Pgd各自最佳值相互獨立［10］，Pid最佳值正確判定的概率為p，Pgd最佳值正確判定的概率為g，利用貝葉斯公式，有：

ijidgd好值［11-12］，因此它們發現最優值的概率超過平均值，即p＞0.5，g＞0.5，為了鼓勵各粒子進行分散搜索，避免算法陷人局部極小，令g＞p，這樣每個粒子通過自身的經驗和鄰居的經驗到達最佳位置，根據收斂情況動態地獲得翻轉角度

其中：θmax為最大翻轉角度，取0.05π；θmin為最小翻轉角度，取0.001π；t為當前迭代次數；M為最大迭代次數。

2.3 蘋果多特征建模

由于圓形度如果越大［13］，蘋果從外觀上反映為又大又圓，首先用圓形度特征參數通過Sigmoid函數作為特級品蘋果的函數：

當參數a為正數時是特級品的函數，a為負數時作為等外品的函數。蘋果分級標準為B/ T10651—2008，而Sigmoid函數適合分級標準中“特級”以及“等外”的情況，通過粒子群尋優確定Sigmoid函數中各個參數的取值［14］，其過程為：

①二進制粒子群初始化，隨機確定粒子的位置和速度；

②根據公式（9）、（13）、（14）進行二進制粒子群更新；

④確定Sigmoid函數中各個參數的取值。

當蘋果是一等品和二等品的時候，它們的面積比處在兩個值的中間，再用涉及到大小特征值、顏色特征值、缺陷特征值［15］，用高斯函數作為一等、二等蘋果分級的函數：

其中：c表示函數曲線的中心；σ決定函數曲線的寬度。

若蘋果的大小特征值、顏色特征值、缺陷特征值在分級標準中處于高斯函數曲線中心的左側，則判斷為二等品，在高斯函數曲線中心的右側，則判斷為一等品。

最終的函數曲線如下：

特級品隸屬度函數

特級品分類結果如圖1。

圖1 特級品分類結果Fig.1 Best grade results

通過等外品隸屬函數

獲得等外品以及一、二等品蘋果分類結果如圖2所示。

圖2 等外品以及一、二等品分類結果Fig.2 Substandard，first and second grade apple results

再通過一等品隸屬函數、二等品隸屬函數獲得一等品、二等品蘋果分類結果。

一等品隸屬函數

最終分類結果如圖3所示。

圖3 各個等級分類結果Fig.3 Results of various grade

①對蘋果圖像濾波并獲得輪廓；

②計算蘋果的各個特征參數值；

③用圓形度特征參數通過Sigmoid函數得到蘋果初步分級結果；

④用其他特征參數通過高斯函數得出最后的蘋果分級結果。

3 實驗與分析

根據鮮蘋果國家標準把蘋果分為4類，分別為：特級、一等、二等和次品。首先，采用人工方法對紅富士蘋果進行分級，共100個蘋果，其中特級、一等、二等和次品各25個，分級結果如表1所示。從表1的分析結果可以看出，單特征分級的正確率均較低，最高為78%，并且單特征分級判別個數之間差別不大，但是各個等級的誤判現象較為嚴重；本文算法對多特征分級正確率為98%，說明本文算法的多特征分級可以提高分級系統的可靠性和準確性，但是由于多特征數據之間交叉誤差導致分級計算不夠準確，因此，本文算法的多特征分級依然存在少量誤判。

從表2的分析結果可以看出，各個單特征分級消耗的時間最少，并且單特征分級之間各個等級消耗時間差別不大，同時消耗時間比多特征分級所需要時間要少；本文算法的多特征分級消耗時間遠少于人工分級所需時間，因此在需要分級準確率的條件下，本文算法的多特征分級是首選方法。

不同算法分級準確率和消耗時間對比，通過20次蒙特卡羅實驗分析如表3所示。從表3的分析結果可以看出，本文算法在分級準確率和消耗時間上均優于其他算法。

表1 分級結果比較Table 1 Comparison of classification results

表2 分類時間比較Table 2 Comparison of classification time s

表3 不同算法分級準確率和消耗時間Table 3 Classification accuracy and time consumption of different algorithms

4 結論

本文對蘋果提取多特征量，包括大小、顏色、缺陷、形狀特征，采用改進二進制云粒子群算法，對粒子位置增加狀態翻轉因子，每個粒子通過自身的經驗和鄰居的經驗到達最佳位置，根據收斂情況動態的獲得翻轉角度。實驗仿真顯示，本文算法對蘋果分級的結果更準確，運行時間較少，比其他算法有優勢，為蘋果分級研究提供一種新思路。

（

）：

［1］ 王鑫，趙瑩，楊簡.基于視覺技術的蘋果分揀系統設計［J］.中國農機化學報，2014，35（5）：169-172.

WANG X，ZHAO Y，YANG J.Design of fruits sorting system based on vision technology［J］.Journal of Chinese Agricultural Mechanization，2014，35（5）：169-172.（in Chinese with English abstract）

［2］ 許立兵，朱啟兵，黃敏.基于ARM的蘋果采后田間分級檢測系統設計［J］.計算機工程與應用，2015，51（16）：234 -238.

XU L B，ZHU Q B，HUANGM.Design of In-field presorting system for apples based on ARM［J］.Computer Engineering and Applications，2015，51（16）：234-238.（in Chinese with English abstract）

［3］ 殷勇，陶凱，于慧春.基于機器視覺的蘋果分級中特征參量選擇方法［J］.農業機械學報，2012，43（6）：118-121，127.

YIN Y，TAO K，YU H C.Feature selection method for apple grading based on machine vision［J］.Transactions of the Chinese Society for Agricultural Machinery，2012，43（6）：118-121，127.（in Chinese with English abstract）

［4］ 孟繁臻，宮元娟.基于PLC的寒富蘋果自動分級生產線控制系統設計［J］.農業科技與裝備，2014（6）：37-38.

MENG F Z，GONG Y J.Design of control system in automatic grading production line for Hanfu apple on PLC［J］.Agricultural Science&Technology and Equipment，2014（6）：37-38.（in Chinese with English abstract）

［5］ 楊小青，黨宏社.基于像素點變換法的蘋果顏色分級系統研究［J］.農機化研究，2012，34（3）：203-206.

YANG X Q，DANG H S.A study on color grading system of apples based on the pixel transformation method［J］.Journal of Agricultural Mechanization Research，2012，34（3）：203-206.（in Chinese with English abstract）

［6］ 田麗娜.蘋果分級檢測算法的研究［D］.咸陽：陜西科技大學，2013.

TIAN L N.Research on apple grading detection algorithm［D］.Xianyang：Shaanxi University of Science and Technology，2013.（in Chinese with English abstract）

［7］ 陳彩霞，王玉德，周福鵬.融合色度模型和半徑大小的蘋果分級算法［J］.量子電子學報，2015，32（2）：150-155.

CHEN C X，WANG Y D，ZHOU FP.An apple classification algorithm coalescing chromaticity model and fruit radius［J］. Chinese Journal of Quantum Electronics，2015，32（2）：150-155.（in Chinese with English abstract）

［8］ 劉新庭，匡迎春，陳熵，等.基于最小外接圓直徑的蘋果分級研究［J］.中國農學通報，2015，31（20）：239-243.

LIU X T，KUANG Y C，CHEN S，et al.Research on apple grading based on the minimum circumscribed circle diameter［J］.Chinese Agricultural Science Bulletin，2015，31（20）：239 -243.（in Chinese with English abstract）

［9］ 徐多，李鵬.基于帶輔助搜索空間的改進二進制粒子群算法的微網經濟負荷分配研究［J］.陜西電力，2014，42（6）：1 -5，11.

XU D，LIP.Study on economic dispatch of microgrid based on improved binary particle swarm optimization algorithm with auxiliary search space［J］.Shaanxi Electric Power，2014，42（6）：1-5，11.（in Chinese）

［10］ NOUAOURIA N，BOUKADOUM M，PROULX R.Particle swarm classification：A survey and positioning［J］.Pattern Recognition，2013，46（7）：2028-2044.

［11］ 豆增發.基于改進二進制粒子群優化的特征選擇［J］.現代導航，2014（3）：214-218.

DOU Z F.Feature selection using improved binary particle swarm optimizer［J］.Modern Navigation，2014（3）：214-218.（in Chinese with English abstract）

［12］ BANSAL JC，DEEP K.A modified binary particle swarm optimization for knapsack problems［J］.Applied Mathematics and Computation，2012，22（15）：11042-11061.

［13］ 郭俊先，李俊偉，胡光輝，等.新疆冰糖心紅富士蘋果RGB圖像多指標分析［J］.新疆農業科學，2013，50（3）：509-517.

GUO JX，LIJW，HU G H，et al.Analysis of multi-objective of Xinjiang Fuji apple by RGB image［J］.Xinjiang Agricultural Sciences，2013，50（3）：509-517.（in Chinese with English abstract）

［14］ 祝謹惠.基于圖像處理的水果物流分揀中的等級鑒定技術［J］.計算機仿真，2014，33（3）：416-418.

ZHU JH.Fruit grade appraisal technology for logistics sorting activities based on image processing［J］.Computer Simulation，2014，33（3）：416-418.（in Chinese with English abstract）

［15］ 李聰，高海燕，袁超.基于計算機視覺的蘋果自動分級方法研究［J］.計算機仿真，2012，29（9）：293-296.

LIC，GAO H Y，YUAN C.Research on apple grading method based on computer vision［J］.Computer Simulation，2012，29（9）：293-296.（in Chinese with English abstract）

（責任編輯 張 韻）

Multi-feature extraction of apple grading based on im proved binary particle swarm optimization algorithm

ZHANG Jian，ZHANG Li-hua
（College of Information Engineering，HuangHuai University，Zhumadian 463000，China）

In order to enhance the apple grade judgment，improved binary particle swarm optimization algorithm was proposed.Firstly，apple multi-feature extraction was established，which included size，color，defect and shape feature.Secondly，binary particle swarm space was updated with auxiliary search space，and position of particle was increased with state turnover factor，so that undirectional flip dynamic angle was made.Thirdly，model of the multi feature classification of apple was established based on Sigmoid function and Gauss function，and the parameter values of the piecewise function was determined.Finally，the process was given.Simulation showed that improved binary particle swarm optimization was more accurate and had less time than other algorithm.

apple；multi-feature；flip angle；auxiliary space；grade judgment

TP393

A

1004-1524（2016）09-1609-07

10.3969/j.issn.1004-1524.2016.09.22

2015-12-07

2015年河南省重點科技攻關項目農業類（152102110038）

張健（1980—），男，河南駐馬店人，碩士研究生，講師，從事信號處理、智能控制方面的研究。E-mail：hhzhj@foxmail.com

浙江農業學報Acta Agriculturae Zhejiangensis，2016，28（9）：1609-1615 http://www.zjnyxb.cn張健，張莉華.基于改進二進制粒子群算法的蘋果多特征提取分級研究［J］.浙江農業學報，2016，28（9）：1609-1615.