基于生物特征紋理信息的西瓜追溯標識算法設計與實現

邢向陽，劉 峰，高俊祥

?

基于生物特征紋理信息的西瓜追溯標識算法設計與實現

邢向陽，劉 峰，高俊祥※

（華中農業大學信息學院，武漢 430070）

為了將生物特征識別技術應用于追溯系統中的果品標識，該文提出了一種采用西瓜蒂外圍紋理信息標識果品個體的方法。該方法首先采集西瓜圖像并在瓜蒂外圍構造一個環形區域；將環形區域歸一化后利用Gabor濾波器對圖像紋理進行特征提取及編碼；然后通過計算碼間的Hamming距進行紋理編碼的匹配。在試驗中，為100個西瓜在采后貯藏初始、第7 天和第14 天各采集一幅圖像并計算出3組每組100個紋理編碼，將第7 天、第14 天的每一個編碼與初始階段的每一個編碼兩兩比對，累計完成20 000次比對證實西瓜紋理具有唯一性，不同個體的紋理特征各不相同。使用成對數據的假設檢驗證實在采收后14 d內紋理特征不隨時間的推移產生顯著變化（>0.05）。通過理論和試驗證實算法對平移、尺度和旋轉具有適應性，即西瓜在圖像中的平移、尺度和旋轉對Hamming距的計算不會產生顯著影響（>0.05）。使用最大類間方差法在50個西瓜的紋理編碼內訓練出判別閾值，并用該閾值判別另外50個西瓜3個時間點間相互比對生成的100個來自同一個西瓜的Hamming距和4 900個來自不同西瓜的Hamming距，結果表明上述Hamming距均能正確判別，準確率與召回率為100%。該研究為農產品追溯系統的標識技術提供新的思路。

生物特征；紋理；算法；追溯系統；食品安全；特征提取

0 引 言

近年來，質量安全追溯系統作為控制農產品品質的有效方法日益受到重視，多數發達國家先后制定了食品安全追溯規則[1]。隨著農業技術的發展，中國城鄉居民對農產品質量安全的要求越來越高；不斷曝光的“香瓜中毒”、“染色臍橙”、“爆炸西瓜”等問題[2-3]使得人們對生鮮果蔬產品的質量安全尤為關注。構建農產品質量安全追溯系統，實現對售出產品的信息查詢、對問題產品的追溯是解決上述問題的重要技術手段[4-5]。中國農業科研機構進行了農產品質量追溯體系的研究[6]，但是仍有很多問題沒有完善的解決方案，產品的標識技術則是其中一例。產品的標識包括標識碼與標識介質兩個要素，當前標識技術中標識碼多采用生產過程中的批次流水號等唯一的編碼；而標識介質包括紙質條形碼、二維碼和射頻識別卡RFID（radio frequency identification）3種[7]。條形碼基于可見光反射技術，二維碼采用數字圖像技術[8]，二者均具有成本低，操作簡單的優勢，但在果蔬產品中應用既容易受潮污損又容易復制偽造。RFID通過無線電信號識別特定目標并讀寫相關數據[9]，保密性好且不易污損，但由于RFID成本較高而果蔬類農產品附加值一般較低使得其應用大受限制。

當前迅速發展的生物識別技術（biometric identification technology）是指依據生物體固有的生物特征或行為特征，使用計算機或嵌入式系統進行自動識別[10]。目前的研究大多以人體的生物特征為對象，包括人臉識別[11]、虹膜識別[12]、指紋識別[13]、掌紋識別[14]、聲音識別[15-16]、視網膜識別等[17]。近年也有科研人員以大型家畜為對象進行生物特征標識的研究，如鼻紋[18]、虹膜[19]、面部識別等[20]。如何利用果品自身的生物特征標識果品個體是追溯系統的基礎性工作，此類研究尚未見報道。

本文利用紋理信息將生物特征識別技術應用到果品標識中，以紋理特征明顯的西瓜為例探討基于生物特征的果品標識技術，借鑒虹膜識別[21-22]提出基于西瓜紋理信息的標識算法并進行試驗驗證，以期為研究西瓜紋理用于標識的可行性及其實現方法提供參考。

1 材料與方法

1.1 試驗材料與圖像采集

試驗材料采用8424西瓜100個，西瓜采收后常溫下一般14 d內可以保持品質，因而試驗在采后貯藏初始、第7天、第14天為每個西瓜采集一幅圖像。利用三腳架固定Canon EOS7D數碼相機，設置分辨率1 920×1 280像素、自動白平衡、無曝光模式采集西瓜蒂及其周圍區域圖像，所有照片均在試驗室條件下拍攝。圖1展示了拍攝照片使用的三腳架、相機、以及它們與西瓜的相對位置，瓜蒂朝向相機，西瓜與相機的距離約為0.3 m。獲得的數字圖像以JPEG格式存儲并導入計算機，在Matlab R2015a平臺上編制程序進行圖像處理和標識算法的實現；試驗結果的統計分析和圖片展示使用Excel和R語言完成。

試驗圖像和相關數據公布在服務器ftp://218.199.68.162/watermelon，包括下述內容：3組原始圖像共3×100幅，分別存儲于目錄ImagesA、ImagesB和ImagesC下；每幅圖像的紋理編碼，分別存儲于目錄TexturesA、TexturesB和TexturesC下；Hamming距的原始數據存儲于目錄HammingDist_AB_AC下的文件HD_AB.xls和文件HD_AC.xls中；在目錄TransRotatScale下存儲了2.4節試驗中發生了平移、尺度、旋轉變換的5×16幅圖像（5次重復驗證每次16幅圖像），與之對應的未發生平移尺度旋轉的5×16幅圖像，每幅圖像的紋理編碼，變換和無變換圖像的Hamming距。上述數據讀者可自行下載，內有readme.txt文件，其中包含目錄結構和文件內容的詳細說明。

圖1 圖像采集裝置

1.2 算法總體描述

為了使同一個西瓜不同時間的圖像能夠采用相同的參考點計算紋理，本文以西瓜蒂外圍環形區域的紋理作為生物特征進行標識，方法總體流程如圖2所示。主要包括3個關鍵環節：1）獲取圖像并灰度化后，以瓜蒂中心為圓心做大小2個同心圓，2個同心圓之間形成一個圓環；對圓環圖像進行預處理；2）使用Gabor濾波器計算出該圓環的紋理編碼作為西瓜的標識存儲于數據庫中備查，該標識碼在數據庫中是唯一的；3）查詢時按照上述2個步驟計算出被查詢西瓜瓜蒂圓環的紋理，之后與數據庫中各條記錄進行比對，比對過程為計算二者的Hamming距離。當Hamming距離小于某閾值時表明比對命中，否則未命中。

1.3 圖像紋理特征的計算

1.3.1 瓜蒂外圍圓環的構造

瓜蒂處呈明顯的圓形輪廓，設其圓心為（1,1），半徑為1，以該輪廓為內圓做半徑大于內圓的同心圓，同心圓半徑為1，從而得到一個以（1,1）為中心的同心圓環，該圓環用于提取西瓜紋理特征。經試驗取=1.5可以獲得較好結果，其示意圖如圖3。

注：(x1, y1)為同心圓圓心；r1和r2同心圓內圓和外圓半徑，單位為像素；HD為兩個編碼的Hamming距；T為Hamming距判別閾值，下同。

圖3 環形區域圖像

1.3.2 環形圖像歸一化

不同瓜蒂的圓環圖像大小不同，即使同一個瓜2次拍攝的圖像大小和位置也不會完全一致。為了將每幅圖像調整到相同的尺寸和對應位置需要將圓環圖像歸一化[23]，從而消除平移和尺度變換對紋理計算的影響。

如1.3.1節所述圓環內圓圓心為（1,1），半徑為1，外圓圓心為（2,2），半徑為2，現采用極坐標變換進行歸一化，以圓心為極點，以軸正方向為極軸建立極坐標系。因環形區域為同心圓，故2=1,2=1,2=1.51。設點（,）為環形區域中任意一點，該點的極徑為，極角為，則其坐標值可以表示為

無變換Without transformation尺度變換Scale transformation平移變換Translation transformation

a. 原始圖像

a. Original images

無變換Without transformation尺度變換Scale transformation平移變換Translation transformation

b. 歸一化圖像（橫坐標代表極角，縱坐標代表比值）

b. Normalized images (Horizontal ordinate represents polar angle; vertical ordinate represents ratio)

無變換Without transformation尺度變換Scale transformation平移變換Translation transformation

c. Gabor紋理圖像

c. Images of Gabor texture

圖4 無變換、有尺度和平移變換圖像的歸一化和Gabor紋理

Fig.4 Normalized images and Gabor texture images of without-transformation, scale transformation and translation transformation

1.3.3 紋理特征提取及編碼

本文采用一維Gabor濾波器[25]來對歸一化后的矩形圖像紋理信息進行特征提取及編碼。Gabor 濾波器能較好的提取圖像不同頻率，方向及尺度等信息，具有良好的方向選擇性和頻率選擇性，適合圖像細節紋理信息的提取[26]。設歸一化后的矩形圖像行數和列數分別為和。之后將各列按式（3）進行平均化處理，得到一維圖像信號()。

式中=0,1,2,…,(-1),()為歸一化圖像中對應的像素灰度值。將得到的所有一維紋理特征信號通過一維Gabor濾波器進行濾波處理，濾波后的值按照式（4）進行量化編碼。

式中()表示一維圖像信號()的紋理特征編碼，sgn()為符號函數；為中間變量，在式（4）的求和過程中該變量會被消除。()為一維Gabor濾波器，其數學表達式

式中表示濾波器的中心頻率，代表濾波器的帶寬，二者單位均為Hz。使用Gabor濾波器對圖4b所示的歸一化圖像進行紋理分析后得到的圖像如圖4c所示。

圖像進行Gabor濾波后，得到局部相位信息的值為復數。用一個閾值來量化相位信息的實部與虛部，用下述方法[27]將濾波后的數據二值化：如果實部大于0，則相應的特征編碼為1，否則置0；如果虛部大于0，則相應的特征碼編為1，否則置0。每個像素對應實部虛部兩個值，本文歸一化圖像是100×240像素，由此可獲得圓環的紋理編碼100×480個值，每個值均為0或1。

1.4 紋理特征標識碼的匹配

基于上述步驟取得的西瓜紋理特征標識碼進行識別，是一個典型的模式匹配問題。本文通過特征標識碼間的Hamming距離來判斷所標識個體的異同。Hamming距離計算式為

式中為特征編碼位數，XOR表示異或運算，P、Q分別表示紋理編碼、的第位。由式（6）可以看出，Hamming距離HD在[0, 1]區間變化，2個紋理編碼、越相似HD越接近0，差別越大HD越接近1。

值得注意的是，為了消除樣本圖像旋轉對編碼匹配結果的影響，這里把圖像的旋轉轉化成為編碼的偏移[28]。相匹配的2個編碼相對移動一定的位數就相當于原圖像對應點旋轉一定的角度，因此可在紋理編碼中，通過編碼的左右移動循環匹配來克服圖像旋轉帶來的問題。在移位匹配中，依次對紋理編碼向左或向右循環移動1～480列，篩選出最小Hamming 距，以此消除樣本圖像旋轉造成的匹配誤差，實現算法對圖像旋轉的適應性。

1.5 數據處理方法

1）紋理編碼和Hamming 距的計算方法：根據1.3節的方法，計算初始、第7天、第14天每幅西瓜圖像的紋理編碼，3組編碼依次命名為1，2…100；1，2…100；1，2…100。根據1.4節的方法，將組紋理編碼與組進行比對時，把組中每一個紋理編碼B與組中每一個紋理編碼A比對計算出Hamming距HD，比對次數共有10 000次。當時代表2個編碼來自于同一個西瓜不同時間的照片，共有100個這樣的元素，分別記為HD_AB_SAM，=1, 2, 3, …, 100，由這些元素構成的集合記為HD_AB_SAM；另外9 900個元素是不同西瓜紋理比對的Hamming距，分別記為HD_AB_DIF，其中=1, 2, 3, …, 100，=1, 2, 3, …, 100，且≠。由這些元素構成的集合記為HD_AB_DIF。按照上述步驟將組紋理編碼與組進行比對，同理可定義集合HD_AC_SAM和HD_AC_DIF。

2）閾值的確定方法：在追溯系統中每個產品對應一條記錄，查詢時以產品的標識碼為唯一性索引（unique index）。在對某個西瓜進行查詢時，需要計算它的紋理編碼與數據庫中各記錄紋理編碼的Hamming距，當Hamming距小于某閾值時表明比對命中；否則未命中[29]。為了設定閾值，本文將100只西瓜分成2組，第1號至50號用于計算閾值，得到閾值后對第51至100號西瓜進行判別。閾值的計算采用最大類間方差（otsu）算法[30]，過程如下：首先取2組數據HD_AB_SAM和HD_AC_SAM，=1, 2, 3…50；取另外2組數據HD_AB_ DIF和HD_AC_DIF，=1, 2, 3…50，=1, 2, 3…50且≠。然后在這些元素的取值范圍內從小到大取閾值，計算小于的元素均值0及其元素個數占元素總數的比例0，大于的元素均值1及其元素個數占元素總數的比例1，則2部分的總均值為=00+11。建立目標函數式（7）

式中()就是當分割閾值為時的類間方差表達式，otsu算法掃描的值域，將()取得全局最大值時所對應的作為最終的分割閾值。當被分割的2類有重合時為一個確定的值；當2類之間沒有重合時在某一區間之內取任意值都能實現類間方差最大，此時取該區間的平均值。

3）紋理編碼的穩定性分析方法：能夠用于個體識別的生物特征必須是穩定的，不隨時間的推移而產生顯著變化，本文使用集合HD_AB_SAM和HD_AC_SAM中的數據分析紋理的時間穩定性。為這2個集合中的元素進行成對數據的檢驗：以元素對間的差值構造檢驗統計量，以差值的均值為0作為原假設，將問題轉化為原假設能否被接受；之后用檢驗方法檢驗差值，如果接受原假設，則紋理信息在上述時間范圍內是穩定的。

4）算法對平移、尺度、旋轉適應性的試驗：圖像采集裝置在不同時間、不同條件下獲取的圖像難以保持完全相同，在圖像變換上一般表現為拍攝對象的平移、尺度和旋轉。本文算法在1.3.2節用圓環圖像歸一化處理平移和尺度問題，在1.4節用紋理特征標識碼的循環匹配處理旋轉問題。為了說明上述處理的效果，進行如下試驗：向上、下、左、右平移西瓜改變其在圖像中的位置，共4種平移方式；縮小和擴大西瓜與鏡頭的距離實現圖像的縮放，共2種尺度變換方式；旋轉西瓜+120°、?120°以實現圖像的旋轉，共2種旋轉方式。試驗中平移、尺度、旋轉的組合變化共有4×2×2=16種，示例圖像如表1所示。為了采用假設檢驗判定上述變化是否引起了Hamming距的顯著變化，試驗同時采集了無平移、尺度和旋轉的圖像16幅作為對照，采用檢驗分析上述Hamming距并記錄結果。隨機選擇5個不同的西瓜重復上述試驗以增強結果的可靠性，每個西瓜都采集了16幅平移、尺度、旋轉的圖像和16幅無平移、尺度和旋轉的對照圖像。

表1 平移尺度旋轉示例圖像

Table 1 Example images of translation, scale and rotation

2 結果與分析

2.1 Hamming距的統計信息

計算HD_AB_SAM中各元素的平均值為0.168，標準差為0.015；HD_AB_DIF中各元素的平均值為0.392，標準差為0.023。HD_AC_SAM中各元素的平均值為0.167，標準差為0.017；HD_AC_DIF中各元素的平均值為0.391，標準差為0.023。這表明當Hamming距達到0.168左右時，2幅圖像的紋理已非常接近；而Hamming距達到0.391左右時，2幅圖像的紋理基本沒有關系。

圖5a展示了HD_AB_SAM和HD_AB_DIF的Hamming距概率分布，圖中橫坐標代表Hamming距的值，縱坐標代表Hamming距的歸一化頻率。HD_AB_SAM的歸一化頻率是指：該集合中元素的最大值減去最小值，并將差值50等分作為一個組距（bin），統計每個組距的元素數并分別除以集合中元素總數即得到歸一化頻率；其他集合的歸一化頻率與此類似。為便于比較，圖中也以HD_AB_SAM和HD_AB_DIF中各元素的均值和標準差為對應參數畫出了Gaussian分布曲線。圖5b展示了HD_AC_SAM和HD_AC_DIF中各元素的概率分布。從圖5中可以看出：不同西瓜的Hamming距HD_AB_DIF和HD_AC_DIF大體符合正態分布，而相同西瓜的Hamming距HD_AB_SAM和HD_AC_SAM由于樣本較少因而波動較大，但也基本接近Gaussian分布。

a.組與組紋理編碼的Hamming距分布

a. Hamming distance distribution of group&texture codes

b.組與組紋理編碼的Hamming距分布

b. Hamming distance distribution of group&texture codes

注：HD_AB_SAM為、兩組編碼中相同西瓜紋理編碼的Hamming距；HD_AB_DIF為、兩組編碼中不同西瓜紋理編碼的Hamming距。 HD_AC_SAM為、兩組編碼中相同西瓜紋理編碼的Hamming距；HD_AC_DIF為、兩組編碼中不同西瓜紋理編碼的Hamming距。

Note: HD_AB_SAM is the set of Hamming distances from the texture codes of same watermelon between groupand; HD_AB_DIF is the set of Hamming distances from the texture codes of different watermelon between groupand. HD_AC_SAM is the set of Hamming distances from the texture codes of same watermelon between groupand; HD_AC_DIF is the set of Hamming distances from the texture codes of different watermelon between groupand.

圖5 紋理編碼的Hamming距分布

Fig.5 Hamming distance distribution of texture codes

2.2 紋理信息的唯一性

如1.5節所述，組與組比對完成需要進行10 000次匹配并產生相同數量的Hamming距，圖6用熱圖展示了這10 000個數據，此外在網絡服務器提供了原始數據。如圖6a所示，橫縱坐標分別代表組、組紋理編碼對應的西瓜編號1, 2, 3, …, 100，圖中每一個方塊代表相應的Hamming距，該Hamming距的值用顏色深淺表示。圖中處于對角線位置的方塊代表同一西瓜比對的Hamming距，其他位置代表不同西瓜比對的Hamming距。從圖6a中可以看出對角線上的數據遠小于非對角線的數據，任意一個西瓜除了與自身紋理編碼相近外，與其他所有編碼均有明顯區別，這說明最相近的編碼在數據集內是唯一的。從而用紋理進行西瓜的標識是可行的。圖6b展示的是組與組的比對結果，可以得到相似結論。

2.3 紋理信息的穩定性

對HD_AB_SAM和HD_AC_SAM這2個集合中的元素進行成對數據的檢驗，值為0.826 4>0.05，即在置信水平=0.05下，100個西瓜紋理編碼第7天與初始、第14 天與初始的Hamming距無顯著變化，從而說明在該時間段內紋理是穩定的。

圖6 紋理編碼的Hamming距離

2.4 算法對西瓜平移、尺度和旋轉的適應性

表2展示了圖像變換前后Hamming距變化顯著性的檢驗分析結果，從表中可以看出：在5次重復試驗中>0.05，因此西瓜平移、尺度和旋轉對Hamming距不會產生顯著影響。

表2 平移、尺度、旋轉對Hamming距影響的顯著性檢驗

2.5 閾值判別結果與比對速率

按照1.5節otsu方法計算出Hamming距判別閾值=0.259，小于該閾值的2個紋理編碼來判斷為來自于同一個西瓜，大于該閾值的編碼來自于不同西瓜。使用該閾值對第51至100號西瓜紋理進行判別，即集合HD_AB和HD_AC中的元素，其中=51, 52, 53…100，=51, 52, 53, …, 100，因而包括100個來自同一個西瓜的Hamming距和4 900個來自不同西瓜的Hamming距，網絡服務器提供了Hamming距的原始數據。試驗結果表明，使用該閾值能夠正確判別上述全部Hamming距，準確率與召回率均為100%，二者計算公式為：

式中是來自同一西瓜的編碼正確判斷為來自同一西瓜的個數；是來自不同西瓜的編碼錯誤判斷為來自同一西瓜的個數；是來自同一西瓜的編碼錯誤判斷為來自不同西瓜的個數。

西瓜的比對速率與很多因素有關，包括軟硬件平臺、已存儲編碼的數量、編碼提取順序、程序設計的策略等。本文用下述試驗估算紋理的比對速率，通過設定循環次數并記錄完成時間進行模擬測試。試驗條件如下：普通臺式計算機DELL 9020MT，處理器為Intel Core I7-4790，主頻3.60 GHz；用C++編制程序進行匹配，共存儲了1030個紋理編碼。如果需要比對至最后一個編碼，完成一個西瓜的匹配需要1.00 s。

3 結 論

1）設計了西瓜紋理提取方法，并根據該方法計算100個西瓜在采后貯藏初始、第7天、第14天的紋理編碼，將第7天、第14天的每一個編碼與初始的每一個編碼兩兩比對，證實西瓜的紋理是唯一的，不同西瓜的紋理各不相同。

2）使用成對數據的假設檢驗證實在采收后14 d內紋理是穩定的，紋理特征不隨時間的推移產生顯著變化（>0.05）。

3）設計了采用紋理信息標識西瓜個體的方法并進行試驗，對50個西瓜3個時間點間相互比對生成的5 000個Hamming距進行了判別，準確率與召回率均為100%，證實了算法的有效性。

4）隨機抽取5個西瓜為每個西瓜采集平移、尺度、旋轉圖像16幅，以及無平移、尺度和旋轉的圖像16幅作為對照。采用假設檢驗證明上述變換未引起Hamming距的顯著變化（>0.05），即算法對圖像的平移、尺度和旋轉有適應性。

本文方法直接對西瓜自身的紋理特征進行編碼作為標識碼；無需條形碼、二維碼、RFID等標識介質，從而可以克服條形碼、二維碼在生鮮產品中使用易污損的缺點以及RFID成本高的不足；另一方面，紋理特征難以仿造顯然具有良好的防偽性能。紋理編碼具有唯一性、穩定性、抗污損、低成本、防偽性的特點，這些特點符合農產品追溯系統對產品編碼技術的需求。本文是紋理信息應用于果品標識的探索性研究，試驗中使用普通可見光相機獲取圖像，而虹膜識別一般使用近紅外成像技術，以克服可見光影響獲取更高質量的紋理圖像，在后續工作中將嘗試采用近紅外技術以提高成像質量。

[1] 孫娟娟，陳松. 歐盟農產品質量安全立法的實踐和啟示[J]. 中國食物與營養，2016，22(2)：9－13.

Sun Juanjuan, Chen Song. Practice and enlightenment of European Legislations on quality and safety of agricultural products[J]. Food & Nutrition in China, 2016, 22(2): 9－13. (in Chinese with English abstract)

[2] 孫興權，姚佳，韓慧，等. 中國食品安全問題現狀、成因及對策研究[J]. 食品安全質量檢測學報，2015，6(1)：10－16.

Sun Xingquan, Yao Jia, Han Hui, et al. Present situation, causes and countermeasures for food security in China[J]. Journal of Food Safety & Quality, 2015, 6(1): 10－16. (in Chinese with English abstract)

[3] 熊培芳. 中國食品安全問題現狀成因及對策研究[J]. 農業與技術，2016，36(7)：175－176.

[4] Verdouw C N, Wolfert J, Beulens A J M, et al. Virtualization of food supply chains with the internet of things[J]. Journal of Food Engineering, 2016, 176(1): 128－136.

[5] 錢建平，張保巖，邢斌，等. 集成實時快速檢測信息的蔬菜追溯系統改進與應用[J]. 農業工程學報，2015，31(4)：306－311.

Qian Jianping, Zhang Baoyan, Xing Bin, et al. Improvement and application of vegetable traceability system with integrated real-time rapid detection of information[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(4): 306－311. (in Chinese with English abstract)

[6] 董玉德，丁保勇，張國偉，等. 基于農產品供應鏈的質量安全可追溯系統[J]. 農業工程學報，2016，32(1)：280－285.

Dong Yude, Ding Baoyong, Zhang Guowei, et al. Quality and safety traceability system based on agricultural product supply chain[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(1): 280－285. (in Chinese with English abstract)

[7] 錢建平，杜曉偉，李文勇. 農產品追溯標識雙向轉換設備研究[J]. 農業機械學報，2016，47(11)：239－244.

Qian Jianping, Du Xiaowei, Li Wenyong. Bidirectional transformation equipment for Agro-food traceable identification labels[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(11): 239－244. (in Chinese with English abstract)

[8] Kim Y G, Woo E. Consumer acceptance of a quick response (QR) code for the food traceability system: Application of an extended technology acceptance model[J]. Food Research International, 2016, 85(7): 266－272.

[9] 蘇健，文光俊，韓佳利. 一種基于ISO18000-6B標準的RFID防碰撞算法[J]. 電子學報，2014，42(12)：2515－2519.

Su Jian, Wen Guangjun, Han Jiali. An efficient RFID anti-collision algorithm for ISO 18000-6B protocol[J]. Acta Electronica Sinica, 2014, 42(12): 2515－2519. (in Chinese with English abstract)

[10] 孫冬梅，裘正定. 生物特征識別技術綜述[J]. 電子學報，2001，29(12A)：1744－1748. Sun Dongmei, Qiu Zhengding. A survey of the emerging biometric technology[J]. Acta Electronica Sinica, 2001, 29(12A): 1744－1748. (in Chinese with English abstract)

[11] Feng Jufu, Ma Xiao, Zhuang Wenjing. Collaborative representation Bayesian face recognition[J]. Science China Information Sciences, 2016, 60(4): 1－3.

[12] Mira J, Neto H V, Neves E B. Biometric-oriented iris identification based on mathematical morphology[J]. Journal of Signal Processing Systems, 2015, 80(2): 181－195.

[13] Liu F, Zhang D, Shen L. Study on novel curvature features for 3D fingerprint recognition[J]. Neurocomputing, 2015, 168(22): 599－608.

[14] Raghavendra R, Busch C. Novel image fusion scheme based on dependency measure for robust multispectral palmprint recognition[J]. Pattern Recognition, 2014, 47(6): 2205－2221.

[15] 宣傳忠，馬彥華，武佩，等. 基于聲信號特征加權的設施養殖羊行為分類識別[J]. 農業工程學報，2016，32(19)：195－202.

Xuan Chuanzhong, Ma Yanhua, Wu Pei, et al. Behavior classification and recognition for facility breeding sheep based on acoustic signal weighted feature[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(19): 195－202. (in Chinese with English abstract)

[16] Roswandowitz C, Mathias S R, Hintz F, et al. Two cases of selective developmental voice-recognition impairments[J]. Current Biology, 2014, 24(19): 2348－2353.

[17] Sadikoglu F, Uzelaltinbulat S. Biometric retina identification based on neural network[C].// Procedia Computer Science, Proceedings of the 12th International Conference on Application of Fuzzy Systems and Soft Computing, Elsevier, 2016, 102: 26－33.

[18] Tharwat A, Gaber T, Hassanien A E, et al. Cattle identification using muzzle print images based on texture features approach[C]// Advances in Intelligent Systems and Computing, Proceedings of the International Conference on Innovations in Bio-Inspired Computing and Applications, Springer, 2014, 1970: 217－227.

[19] Lu Y, He X, Wen Y, et al. A new cow identification system based on iris analysis and recognition[J]. International Journal of Biometrics, 2014, 6(1): 18－32.

[20] Corkery G P, Gonzalesbarron U A, Butler F, et al. Preliminary investigation on face recognition as a biometric identifier of sheep[J]. Transactions of American Society of Agricultural and Biological Engineers, 2007, 50(1): 313－320.

[21] 黃惠芳，胡廣書. 虹膜識別算法的研究及實現[J]. 紅外與激光工程，2002，31(5)：404－409. Huang Huifang, Hu Guangshu. Study and implementation of iris recognition algorithms[J]. Infrared & Laser Engineering, 2002, 31(5): 404－409. (in Chinese with English abstract)

[22] Lumini A, Nanni L. Overview of the combination of biometric matchers[J]. Information Fusion, 2017, 33(1): 71－85.

[23] Wildes R P. Iris recognition: An emerging biometrie technology[J]. Proceedings of the IEEE, 1997, 85(9): 1348－1363.

[24] 姚立健，周高峰，倪忠進，等. 基于尺度不變特征轉換算子的水果表面圖像拼接方法[J]. 農業工程學報，2015，31(9)：161－166.

Yao Lijian, Zhou Gaofeng, Ni Zhongjin, et al. Matching method for fruit surface image based on scale invariant feature transform algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(9): 161－166. (in Chinese with English abstract)

[25] Mei Y, Zhao B, Zhou Y, et al. Orthogonal curved-line Gabor filter for fast fingerprint enhancement[J]. Electronics Letters, 2014, 50(3): 175－177.

[26] 張建華，祁力鈞，冀榮華，等. 基于Gabor小波和顏色矩的棉花盲椿象分類方法[J]. 農業工程學報，2012，28(1)：133－138.

Zhang Jianhua, Qi Lijun, Ji Ronghua, et al. Classification of cotton blind stinkbug based on Gabor wavelet and color moments[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(1): 133－138. (in Chinese with English abstract)

[27] 李歡利，郭立紅，王心醉，等. 基于加權Gabor濾波器的虹膜識別[J]. 吉林大學學報，2014，44(1)：196－202. Li Huanli, Guo Lihong, Wang Xinzui, et al. Iris recognition based on weighted Gabor filter[J]. Journal of Jilin University, 2014, 44(1): 196－202. (in Chinese with English abstract)

[28] Jin Z, Lim M H, Teoh A B J, et al. A non-invertible randomized graph-based hamming embedding for generating cancelable fingerprint template[J]. Pattern Recognition Letters, 2014, 42(6): 137－147.

[29] Rai H, Yadav A. Iris recognition using combined support vector machine and Hamming distance approach[J]. Expert Systems with Applications, 2014, 41(2): 588－593.

[30] 趙德安，沈甜，陳玉，等. 蘋果采摘機器人快速跟蹤識別重疊果實[J]. 農業工程學報，2015，31(2)：22－28.

Zhao Dean, Shen Tian, Chen Yu, et al. Fast tracking and recognition of overlapping fruit for apple harvesting robot[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(2): 22－28. (in Chinese with English abstract)

Design and implementation of watermelon traceable identification algorithm based on biometric texture information

Xing Xiangyang, Liu Feng, Gao Junxiang※

(430070)

A traceability system is able to provide an opportunity of obtaining quality and safety information of agricultural products from farm to table. Over the past years, many researchers have engaged in it and continuously made significant progresses, however, the identification of fruit has not been resolved perfectly. Traditional identification technologies include barcode, QR (quick response) code and RFID (radio frequency identification) card. Unfortunately, the barcode and QR code paper tags are easily stained in fruit storage and transportation with high humidity, while RFID is rather expensive for low value products like fruits. Biometric identification is distinctive, and measurable characteristics are used to label and describe individuals. The physical characteristics and traits used in biometric identification include but are not limited to fingerprint, iris, voice and face. Since biometric identifiers are unique to individuals, they are more reliable in identification than traditional methods. As a newer and safer technology, biometrics is being extensively studied and widely used in human identification currently. In recent years, it is also used on livestock such as cattle and sheep, yet it has not been reported so far on biometric identification of fresh fruit. This study tried to introduce biometric technology into fruit identification of traceability system to fill in this gap. Based on the algorithm of iris recognition, a watermelon identification method was proposed to exploit texture information of the area around the fruit pedicel. The method could be briefed as the following procedures. The color image of watermelon was firstly transformed into gray image to reduce computational complexity and improve calculation efficiency. Then 2 concentriccircles were constructed to center the watermelon pedicel, which would be the annulus area for extracting texture information. To ensure the invariance of translation and scaling, every original annulus area image was normalized to the same size using polar coordinates transformation. The texture information of normalized rectangle image was filtered using one-dimensional Gabor filters to extract the orientation and phase information due to its excellent direction selectivity and frequency selectivity. The identification of watermelon texture code based on the above steps is a typical pattern matching problem. This study identifies watermelon using the Hamming distance between texture codes. When the Hamming distance is less than the preset threshold, it would be judged to be from the same individual, vice versa. To eliminate the effect of image rotation, this study converts the rotation of the texture image into code offset, and moves forward or backward the code to overcome the problem of image rotation. The experiments were carried out to verify the feasibility and effectiveness of identification method using the texture of annulus area around the watermelon pedicel. As a watermelon can usually be stored for 2 weeks without spoiling at room temperature, we acquired an image for each of 100 watermelons on the harvest day, the 7thday and the 14thday after harvest and figured out 3 groups of texture codes for subsequent phases. The Hamming distances were computed between each texture on the 7thday and on the harvest day, as well as the 14thday and the harvest day. We can get the following results from the experiments. Firstly, every watermelon has its unique texture code. In other words, the texture code of any watermelon is similar with the one from the same individual, while significantly different from the one from any other watermelon. Secondly, we compared 2 groups of Hamming distances from different time using paired-samples T-test and figured out-value that was 0.826 4. It showed that there was no significant difference between the 2 groups of Hamming distances above, which implied the texture feature of watermelon was relatively stable within 2 weeks after harvest. Thirdly, we divided the 100 watermelon into 2 equal groups and calculated the threshold using one group, and then discriminated the other group with the threshold. All the Hamming distances were classified with 100% accuracy rate and 100% recall rate. Finally, the pictures of watermelon would not be exactly identical if they were acquired at different time or on different conditions. These variations likely cause translation, scaling and rotation of watermelon in an image, and the experiment shows that the method is adaptive to these inevitable variations. Although some problems need to be studied further, this research provides a new idea of biometric identification for fruit quality and safety traceability system.

biometrics; texture; algorithms; traceability system; food safety; feature extraction

10.11975/j.issn.1002-6819.2017.18.039

TP391.41

A

1002-6819(2017)-18-0298-08

2017-05-02

2017-07-24

國家自然科學基金項目（31571351），農業部農業技術試驗示范項目（2015-2130106）

邢向陽，男，湖北武漢人，研究方向為農產品質量安全追溯技術。武漢 華中農業大學信息學院，430070。Email：845527667@qq.com

高俊祥，男，河北灤南人，副教授，博士，研究方向為農業信息工程。武漢 華中農業大學信息學院，430070。Email：gao200@mail.hzau.edu.cn