基于機器視覺的梨品種識別研究

孫海霞，王林杰，張淑娟，蘇立陽，任 銳

（山西農業大學農業工程學院，山西 晉中 030801）

梨被譽為百果之宗，可口多汁、營養豐富，含有多種維生素和纖維素，有降火、清心、潤肺等功效[1]。不同品種梨的口感和品質完全不同，消費者對不同品種梨的喜好程度不一。由于山西梨品種繁多，目前，梨品種區分主要依靠人工分選，人工效率低且勞動強度大，限制了梨產業的大規模分選和推廣。目前對梨的保鮮、營養成分和品質分級研究較多，但對梨的品種分選較少。因此，迫切需要一種自動化、智能化的技術解決梨品種分類問題，對梨產業的發展具有重要的生產意義和經濟價值。

隨著計算機技術的發展，基于機器學習的圖像處理技術運用于農產品品種分選中[2]。余游江等人[3]以新疆地區5 個品種的紅棗為研究對象，提出以卷積神經網絡為基學習器的Stacking 模型融合方法進行分類，模型的分類準確率為92.38%。耿磊等人[4]建立了不同品種蘋果的數據集，提出了基于融合注意力結構的蘋果品種自動鑒別模型EBm-Net，充分提取了外形輪廓和顏色紋理特征，增大了各品種蘋果的類間差異，總體分類準確率為96.78%。李秀昊等人[5]通過提取稻谷圖像的形狀特征和顏色特征，構建了（Support Vector Machines，SVM） 和BP 神經網絡識別模型，基于特征融合所建SVM 模型的識別準確率（99.50%） 最高且時間（0.165 s） 最短，可滿足稻谷在線識別與質量檢測的精度和實時性要求。

以玉露香梨、酥梨和雪花梨為研究對象，利用機器視覺技術采集樣本的圖像信息，通過連續投影法優選特征值，利用偏最小二乘回歸法和最小二乘支持向量機建模分析，優選特征值和模型，為今后的梨品種在線檢測提供理論參考。

1 材料和方法

1.1 試驗材料

玉露香梨、酥梨、雪花梨樣本，采集自山西農業大學（山西省農業科學院） 果樹研究所，采摘帶柄、成熟度一致、無蟲害、無機械損傷的梨。利用Kennard-Stone（K-S） 算法[6]按3 ∶1 劃分訓練集（312 個） 和預測集（132 個）。其中，酥梨樣本中訓練集85 個，預測集36 個；雪花梨樣本中訓練集132 個，預測集56 個；玉露香梨樣本中訓練集95 個，預測集40 個。

1.2 圖像采集裝置

圖像采集系統是由暗室、2 條LED 燈條、發光板和升降臺、帶有USB 接口的攝像頭（晟悅SY8031） 組成，感光元件為CMOS，焦距為35 mm，攝像頭連接筆記本電腦中進行采集圖像。

圖像采集裝置見圖1。

圖1 圖像采集裝置

1.3 數據處理方法

利用MATLAB 進行圖像的特征值提取，從RGB、HSI、Lab 顏色空間中分別提取顏色特征值，利用灰度差分統計法和灰度共生矩陣提取紋理特征值。采用連續投影法（Successive Projections Algorithm，SPA） 優選特征值，利用偏最小二乘法（Partial least squares，PLS） 和最小二乘支持向量機（Least Squares Support Vector Machine，LS-SVM） 建立識別模型。

2 結果與分析

2.1 特征值提取

由于不同品種的梨之間有顏色和紋理的差異，針對采集的圖像進行特征值提取。顏色特征描述圖像區域所對應的目標物表面性質[7]。RGB 顏色空間是最基礎的模型；HSI 顏色空間接近于人眼視覺特性；Lab 顏色空間是范圍最大的色彩模式。從RGB、HSI、Lab 顏色空間中的分別提取R、G、B、H、S、I、L、a、b 顏色特征值的均值和方差，共18 個特征值。紋理特征是對圖像區域內灰度級變化進行量化，該研究利用灰度差分統計法和灰度共生矩陣[8]，提取能量、熵、慣性矩、相關性、逆差距的4 個方向（0，45，90，135 °） 的特征值[9]，共20 個特征值。

2.2 優選特征值

通過提取出312 幅圖像，每幅圖像38 個特征值。由于特征值提取數據量大，每組特征值對不同品種梨的識別能力不同，因此需要提取影響效果顯著的特征值，進行建立識別模型。

SPA 是一種使矢量空間共線性最小化的前向變量選擇算法，能夠消特征中冗余信息，可用于特征參數的篩選[10]。

SPA 優選特征值見圖2。

圖2 SPA 優選特征值

在RMSE 為0.353 86 時，共優選出15 個特征值。圖2（b） 中選擇的變量需與38 個特征值相對應，對橫坐標為i 時，則表示優選到的特征值為第i 個特征值。15 個優選特征值依次為90 °的相關性、45 °的逆差距、45 °的相關性、S 分量均值、90 °的逆差距、G 分量均值、0 °的慣性矩、90 °的熵、0 °的逆差距、90 °的慣性矩、G 分量方差、H 分量均值、135 °的熵、0 °的熵、S 分量方差。

2.3 品種識別模型的建立

PLS 是一種多元統計數據分析方法[11]。LS-SVM是基于SVM 的改進算法，采用非線性映射將訓練樣本從低維特征空間映射到高維特征空間，將SVM 的二次規劃問題轉化為線性方程組的求解問題[12]。基于全特征值和SPA 方法優選特征值，采用PLS 和LS-SVM 分別建立識別模型。

模型的判別結果見表1，模型預測集的判別結果見圖3。

表1 模型的判別結果

圖3 模型預測集的判別結果

由于模型預測出的結果非整數型，因此將0.5 作為最大偏離值，預測類別值和假設類別值相差小于0.5 的判定為此類樣本。由表1 可知，PLS 模型的判別結果好于SPA-PLS 模型，酥梨的判別結果較差。由圖3（a） 和（b） 可知，酥梨和雪花梨之間判別錯誤的樣本較多。利用LS-SVM 方法所建模型的判別結果（判別準確率為83.33%～100.00%） 優于PLS 所建模型（判別準確率為66.67%～100.00%）。結合圖3可知，LS-SVM 和SPA-LS-SVM 模型中酥梨和雪花梨之間判別錯誤減少，酥梨的判別準確率得到明顯提升。SPA-LS-SVM 模型的判別結果好于LS-SVM模型。SPA-LS-SVM 模型對酥梨、雪花梨、玉露香梨的判別準確率分別為83.33%，98.21%，100.00%。因此，SPA-LS-SVM 通過SPA 方法優選特征值簡化了模型，提高檢測精度和效率，整體判別準確率達到94.70%。

3 結論

基于機器視覺技術對梨的品種進行識別。采集玉露香梨、酥梨、雪花梨的圖像信息，基于38 個全特征值和15 個SPA 優選特征值，采用PLS 和LS-SVM 方法建立了識別模型。SPA 提取特征值可以剔除無用信息和降低數據維度，提高建模速度和穩定性，SPA-LS-SVM 模型的識別結果最優，識別準確率為94.7%。因此，SPA-LS-SVM 方法實現了梨品種的分類，為進一步實現梨品種自動化分類提供技術參考。