基于計算機視覺的葵花子外觀品質檢測研究

吳進玲 張海東 李哲 施偉 田小軍

摘要：通過采集完好、霉變、破損葵花子的圖像并對其進行預處理，研究共提取了3個顏色特征值（G、B、I）和5個紋理特征值（灰度均勻性、梯度均勻性、慣性矩、一致性、熵），采用BP神經網絡和決策樹算法分別對3種葵花子進行檢測識別。結果顯示，BP網絡采納全部8個特征值，正確率98.58%;決策樹算法采納2個特征值（G、B），正確率99.25%，說明決策樹算法模型更簡潔，效果更好，表明計算機視覺技術可以實現完好、霉變、破損葵花子的檢測識別。

關鍵詞：葵花子;計算機視覺;神經網絡;決策樹

中圖分類號：S126? ? ? ? ?文獻標識碼：A

文章編號：0439-8114（2019）23-0201-06

DOI：10.14088/j.cnki.issn0439-8114.2019.23.050? ? ? ? ? ?開放科學（資源服務）標識碼（OSID）：

Research on detection of sunflower seed's appearance quality based on computer vision

WU Jin-ling，ZHANG Hai-dong，LI Zhe，SHI Wei，TIAN Xiao-jun

（School of Mechanical and Electrical Engineering，Yunnan Agricultural University，Kunming 650201，China）

Abstract： The images of intact， mildewed and damaged sunflower seed samples were acquired and preprocessed to extract 3 color featuresvalue of G， B and I， and extract 5 texture feature values which include gray uniformity， gradient uniformity， moment of inertia， consistency and entropy. Then BP neural network and decision tree algorithm were conducted to discriminate above three kinds of sunflower seed samples based on extracted color features and texture features. Results showed that all eight image features were adopted by BP neural network， and the BP model gave the recognition rate by 98.58% for intact， mildewed and damaged sunflower seed samples respectively; while only two features were inputted into decision tree model， G and B， and the model gave the recognition rate by 99.25%. Compared with BP neural network model， the decision tree model shows more concise structure and more efficient performance. Result told that intact， mildew and damaged sunflower seeds can be discriminated computer vision technology.

Key words： sunflower seeds; computer vision; neural network; decision tree

葵花子外觀是評價葵花子品質的重要指標，外觀品質的好壞直接影響其價格和銷售，影響其市場競爭力?？ㄗ油庥^品質通常包括尺寸、形狀、破損和霉變等方面。傳統上，這些外觀品質主要依靠人工挑揀，工作量大且精度低，易受人為因素的影響。計算機視覺作為一種無損檢測技術，不僅能夠實現非接觸、長時間穩定的檢測，并且識別精度高，故在水果、肉類、鮮花等相關品質的檢測中得到了廣泛應用，極大地提高了農產品檢測的質量和效率[1-4]。趙巍[2]根據西瓜的外形和表面特點，提出基于計算機視覺技術的西瓜無損檢測與分級技術。張靜[3]以牛肉為研究對象，利用高光譜成像技術檢測牛肉微生物腐敗過程;許文方[4]利用計算機視覺技術實現了玫瑰切花品質的評判研究。

本研究擬利用計算機視覺技術對葵花子外觀品質進行檢測研究，通過采集葵花子圖像，進行預處理并提取相關特征，利用BP神經網絡以及決策樹算法進行分級，以此來實現葵花子外觀品質的自動化識別和精選，從而促進葵花子生產過程數字化、智能化控制和管理，有效提高葵花子的成品質量和生產效率。

1? 材料與方法

1.1? 試驗材料

研究選用云南滇王驛農業科技開發有限公司的黑珍珠葵花子作為樣本，經過人工處理挑選出完好葵花子470粒，霉變葵花子470粒，破損葵花子520，3個種類總共1 460粒樣本，每種又分成兩部分，一部分取出70粒用于模型的建立，剩下的另外一部分用于模型的驗證。

1.2? 圖像采集

1.2.1? 圖像采集系統? 研究的圖像采集系統結構和組成如圖1所示，主要包括光箱、光源、工業相機和計算機等部分。

1.2.2? 參數設置? 為了使工業相機能夠采集到清晰的葵花子圖像，根據光源的選用原則并結合本研究的實際情況，圖像采集過程在光箱內進行，光箱規格為35 cm×25 cm×75 cm，內壁用黑色紙片包裹。光源用一個自制圓柱形燈罩密封起來，并在燈罩上方放置一張相同大小的透明墊片，方便放置葵花子。光源采用OPPLE LED燈，功率30 W，色溫正白色。相機鏡頭與葵花子距離為55 cm，光源與葵花子距離為4 cm，工業相機分辨率為1 024×768。

1.2.3? 圖像采集? 圖像采集時，將樣本葵花子平躺放置于光源室墊片上方，打開光源，每個樣本分別采集3次，從中選取效果最好的一張圖像。采集過程中，注意保證相機焦距、物距等參數不變，并使葵花子樣本與光軸垂直。圖2中（a）、（b）、（c）分別為完好葵花子、霉變葵花子和破損葵花子圖像。

2? 圖像預處理及特征參數提取

2.1? 圖像預處理

圖像預處理可以提取出圖像中有用的信息，去除無用的信息，增強有關信息的可檢測性，最大限度的簡化數據[5]。研究采用了以下圖像預處理方法。

2.1.1? 圖像分割? 圖像分割的目的是提取出研究所需要的目標對象[6]?；叶乳撝捣指罘ㄊ且环N最常用的并行區域技術，該算法的關鍵是確定合適的分割閾值，為了確定葵花子圖像的分割閾值，需要將葵花子原始圖像轉換為灰度圖像[7]。圖3是樣本葵花子灰度圖像閾值直方圖。由圖3可以發現，葵花子灰度圖像閾值直方圖的波峰開始是在低于500的范圍內波動，隨著灰度值的增大逐漸出現一段低谷，最后波峰突然增高達到4 000以上。低谷處灰度值可作為閾值分割的依據[7]，圖4是分割后的葵花子。

2.1.2? 圖像去噪? 圖像在輸入、傳送、處理過程中受到干擾，形成噪聲，降低圖像質量，中值濾波是一種典型的圖像去噪方法[8]，圖5為中值濾波后的葵花子。

2.1.3? 圖像二值化? 二值圖像只有黑白兩個灰度級，能夠很好地突出圖像特征，便于圖像識別[8]。圖6為二值化處理后的葵花子。

2.1.4? 膨脹和腐蝕? 膨脹是對圖像中的目標對象增加像素，腐蝕則相反[9]。對圖像先進行腐蝕而后膨脹的操作稱為開啟運算，利用該運算可以消除尖峰、凸緣、切斷狹細連接，起到磨光邊緣的作用（圖7），得到的不是原始圖像，結果會比原始圖像更簡單[9]。

2.1.5? 邊緣檢測? 邊緣檢測的目的是標識數字圖像中亮度變化明顯的點，保留圖像重要的結構屬性[10]。本研究邊緣檢測結果如圖8所示。

2.1.6? 圖像合成? 將葵花子邊緣檢測后的圖像作為模板與分割后的圖像進行位運算，把模板圖形中間部分用分割后的彩色圖像代替，而輪廓不變合成新的圖像，這樣能夠較好的保留葵花子的顏色、紋理和輪廓特征[10]。圖9是本研究合成后的葵花子。

2.2? 特征參數提取

霉變、破損葵花子表皮的顏色、表面光滑程度和正?？ㄗ哟嬖诿黠@差異。本研究提取葵花子的3個顏色特征（G、B、I）和5個紋理特征（灰度分布不均勻性、梯度分布不均勻性、慣性矩、一致性和熵）分別建立基于計算機視覺的葵花子霉變、破損神經網絡以及決策樹檢測識別模型。

2.2.1? 葵花子顏色特征參數提取? 每幅葵花子圖像中葵花子所有像素G、B、I的均值，計算公式如下：

2.2.2? 葵花子紋理特征參數提取? 紋理是按一定規則對元素或基元進行排列所形成的重復模式[11]。根據各紋理特征的意義和試驗需求，本研究選用灰度分布不均勻性、梯度分布不均勻性、慣性矩、一致性、熵5個紋理特征提取葵花子圖片特征參數。表1是所提取特征參數的范圍、均值和標準差。比較表1數據可以看出，無論是特征參數的范圍、均值還是標準差，完好、霉變、破損葵花子都存在一定的區別?？傮w上，完好葵花子要比霉變、破損葵花子顏色更偏向綠色和藍色，紋理特征排列更加有序;霉變葵花子的特征基本介于完好以及破損葵花子之間;破損葵花子的顏色特征最弱，且熵值明顯大于其他兩類而灰度均勻性明顯小于其他兩類;說明葵花子圖像處理的效果良好，滿足后續研究要求。

3? 葵花子外觀品質分類模型的建立與分析

3.1? BP神經網絡

3.1.1? BP神經網絡概述? BP（Back Propagation）神經網絡是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡，它通過自身的訓練，學習某種規則，在給定輸入值時得到最接近期望輸出值的結果，實現了從輸入到輸出的非線性映射[12]。BP神經網絡包括輸入層、隱含層和輸出層，當輸入節點為n，輸出節點數為m時，BP神經網絡就表達了從n個自變量到m個因變量的函數映射關系[13]。圖10是BP神經網絡的拓撲結構。

3.1.2? 霉變、破損葵花子的BP神經網絡識別? BP神經網絡的隱含層節點數直接影響BP神經網絡的預測精度[14]，選擇最佳隱含層節點數的參考公式為：

式中，l為隱含層節點數，n為輸入層節點數，m為輸出層節點數[14]。

本研究以輸入層和輸出層節點數之和的平均值4作為隱含層節點初始數，圖11顯示了不同隱含層節點數與網絡分類誤差的關系。

由圖11可以看出隱含層節點數為4時，分類誤差最小。本研究以隱含層、輸入層、輸出層節點數分別為4、8、1建立完好、霉變、破損葵花子BP神經網絡識別模型。圖12和13分別為訓練集和測試集葵花子的BP神經網絡分級結果。

從圖12、圖13可以看出，訓練集樣本中有1個完好葵花子被誤判為霉變葵花子，其他樣本均識別正確，識別正確率為99.92%;測試集樣本中存在2個破損葵花子被誤判為完好葵花子，其余樣本均分級正確，識別正確率為98.58%。表2為BP神經網絡訓練集和測試集樣本中各種葵花子識別正確率。由表2可以看出，在訓練集樣本中，霉變、破損葵花子的識別正確率均為100%，完好葵花子的識別正確率為99.75%，總體識別正確率為99.92%;測試集樣本中，完好、破損葵花子識別正確率均為100%，破損葵花子的識別正確率為97.50%，總體識別正確率為98.58%，這充分說明了該模型對葵花子有較好的識別能力。

3.2? 決策樹算法

決策樹算法是一種歸納學習算法，它能夠從一組毫無規律的數據樣本集合中推理出決策樹具體的表示形式以及分類規則[15]。如圖14是一棵決策樹，其中A，B，C表示屬性名，a1，b1，c1分別表示A，B，C的取值，當屬性A的取值為a1，屬性B的取值為B1時，它屬于第1類，其余樹的分支以此類推。從圖14可以發現，構造好的決策樹分為根節點、內部節點、葉節點三大類，其中根節點和內部節點都是數據的屬性或者屬性的集合，葉節點則是分類的結果[15]。該算法用信息增益率作為選擇標準，信息增益是指數據集原有的信息量與經過分類以后的信息量的差值[16]。對于屬性A的信息增益率計算方法如下：

GainRatio（A）=Gain（A）/SplitInfo（A）? ?（5）

本研究信息增益率設置為0.1，如果信息增益率小于0.1時，那么決策樹模型對于樣本的識別判斷將不再增加新的特征。以根節點與葉節點數分別為8、3建立完好、霉變、破損葵花子決策樹識別模型，圖15為本研究決策樹算法識別結果。圖15中，x1、x2分別表示葵花子圖像特征G和B;1、2、3分別代表完好、霉變、破損葵花子。從圖15可以看出，運用該算法只需要前兩個特征就可以正確的識別出葵花子不同種類，此時再增加其他任何特征，信息增益率均小于0.1，所以識別模型停止添加新特征。表3為決策樹算法訓練集和測試集樣本中各種葵花子識別正確率。由表3可以看出，訓練集樣本中，完好和霉變葵花子的識別正確率均為100%，破損葵花子的識別正確率為99.30%，總體識別正確率為99.77%;測試集樣本中，霉變和破損葵花子識別正確率均為100%，完好葵花子的識別正確率為98.58%，總體識別正確率為99.52%，這充分說明了該模型對葵花子具有較高的識別判斷能力。

3.3? 兩種算法結果比較

將兩種算法先后在同一臺筆記本上運行，筆記本型號為華碩X43B，表4是兩種算法性能比較。分析比較表4可以發現，決策樹算法用時明顯少于神經網絡，且準確率更高。運用BP神經網絡以及決策樹算法，均能對葵花子完好、霉變、破損進行較準確的識別，決策樹算法可以選用更少的特征，能夠展現出具體的節點數據，但是具體誤判情況需要識別判斷前后數據對比得知，不夠直觀;而BP神經網絡結果可以直接顯示出每種樣本誤判的情況以及誤判個數，更加直觀。

4? 結論

本研究基于計算機視覺技術，提取完好、破損、霉變葵花子圖像的顏色、紋理特征，運用BP神經網絡、決策樹算法分別對3種葵花子進行檢測識別，并對兩種算法結果性能進行比較，表明運用計算機視覺技術檢測葵花子外觀品質是完全可行的。

參考文獻：

[1] 陳? 旭，呂小俊，賈志洋.淺談計算機視覺的發展及應用[J].科技信息，2013（16）：6.

[2] 趙? 巍.計算機視覺在西瓜無損檢測與分級中的應用[D].武漢：華中農業大學，2013.

[3] 張? 靜.基于高光譜成像的牛肉微生物腐敗檢測方法的研究[D].北京：中國農業大學，2010.

[4] 許文方.利用計算機視覺技術評判玫瑰切花品質的研究[D].昆明：云南農業大學，2013.

[5] XU T G. A study on the quality Evaluation of cut Rose Flowers by computer Vision technique[D].Kunming：Yunnan Agricultural University，2013.

[6] SUN D W. Infrared spectroscopy for food quality analysis and control[M].Holland：Elsevier，2009.

[7] 胡祖輝，徐? 毅.大數據背景下髙校教育數據的分析與應用研究[J].現代教育科學，2017（1）：109-114.

[8] 高? 文，陳熙霖.計算機視覺—算法與系統原理[M].北京：清華大學出版社，1999.

[9] RICHARD S，STEVE S，DAVID F. Computer vision：Algorithms and applications[M].London：Springer，2011.

[10] 高? 成.Matlab圖像處理與應用[M].北京：國防工業出版社，2007.

[11] 趙娟娟.數字圖像邊緣檢測方法的對比分析及優化[J].甘肅科學學報，2012，24（3）：143-146.

[12] 朱曉麗.關于機器視覺及其應用問題的探討[J].中國教育技術裝備，2010（9）：89.

[13] 馬? 燈.基于C4.5算法的高校教師評價研究[J].現代計算機（專業版），2017（2）：42-44.

[14] 路? 獅，徐? 輝，楊永春.基于決策樹分類算法的研究與應用[J].電子設計工程，2016，24（28）：1-3.

[15] MA L，DEST E S，WANG Y. Online active learning of decision trees with evidential data[J].Pattern recognition，2016，52：33-45.

[16] SANTOS C N D，GATTIT M. Deep convolutional neural networks for sentiment analysis of? short? texts[A].Proc of international? conference on computational linguistics[C].Dublin：Technical papers，2014.69-78.