孫世鵬，李 瑞，謝洪起，馮亞利，傅隆生,2，朱兆龍

(1.西北農(nóng)林科技大學(xué) 機(jī)械與電子工程學(xué)院，陜西 楊凌 712100；2.農(nóng)業(yè)部 農(nóng)業(yè)物聯(lián)網(wǎng)重點(diǎn)實(shí)驗(yàn)室，陜西 楊凌 712100)

0 引言

機(jī)器視覺(jué)以其無(wú)損、快速、低成本的優(yōu)點(diǎn)在農(nóng)產(chǎn)品質(zhì)量分級(jí)、檢測(cè)、農(nóng)田病蟲(chóng)草害控制、農(nóng)業(yè)自動(dòng)采摘系統(tǒng)，以及農(nóng)作物成長(zhǎng)過(guò)程檢測(cè)等領(lǐng)域被廣泛研究和應(yīng)用[1-3]。其中，在果品檢測(cè)方面，學(xué)者已經(jīng)采用機(jī)器視覺(jué)技術(shù)對(duì)草莓[4]、蘋(píng)果[5]、荔枝[6]等水果的品質(zhì)進(jìn)行檢測(cè)。羅雪寧等[7]對(duì)紅棗的缺陷進(jìn)行研究，先提取缺陷部位輪廓，然后填充求得缺陷檢測(cè)面積占比，根據(jù)已知紅棗質(zhì)量規(guī)定缺陷面積占紅棗表面積的5%確定為缺陷棗；但只是對(duì)少量樣本的理論分析，并未討論大量樣本下的識(shí)別結(jié)果。李運(yùn)志等[8]在半干棗的病害和裂紋識(shí)別過(guò)程中，采用了病害面積占比、顏色特征值的H分量的均值和均方差，采用支持向量機(jī)進(jìn)行分類(lèi)，識(shí)別正確率達(dá)到95.79%；在裂紋識(shí)別過(guò)程中，采用不變距區(qū)分裂紋、褶皺和光滑棗，識(shí)別正確率達(dá)到94.55%，但只使用了H分量作為判別依據(jù)，顏色分量單一。

高光譜圖像由一系列光譜圖疊加而成，能檢測(cè)果品內(nèi)、外部品質(zhì)，擴(kuò)展了傳統(tǒng)成像技術(shù)的使用范圍[9-12]。LI等[13](2010)對(duì)柑橘9種潰瘍采用高光譜進(jìn)行識(shí)別，利用主成分分析法和波段比(Q687/630)的組合，以及單獨(dú)波段比(Q687/630)的方法，識(shí)別正確率分別為84.5%和82.9%。MEHL等[14]對(duì)金冠蘋(píng)果、紅冠蘋(píng)果和嘎啦蘋(píng)果利用高光譜成像系統(tǒng)進(jìn)行缺陷的檢測(cè)，采用主成分分析和葉綠素吸收峰得到區(qū)分受污染和正常蘋(píng)果的3個(gè)光譜帶，進(jìn)而設(shè)計(jì)多光譜成像系統(tǒng)得到嘎啦蘋(píng)果和金冠蘋(píng)果的檢測(cè)正確率分別為95%和85%，紅冠的識(shí)別率僅為76%。高光譜成像技術(shù)由于光譜眾多及復(fù)雜的降維算法降低了算法優(yōu)先選擇權(quán)。

目前，利用機(jī)器視覺(jué)對(duì)冬棗的多種病害進(jìn)行研究還未見(jiàn)報(bào)道，同時(shí)冬棗的病害的分類(lèi)閾值及有效檢測(cè)的顏色分量需要進(jìn)一步確定。針對(duì)上述問(wèn)題，本文對(duì)黑斑類(lèi)病害獲取了9個(gè)顏色分量，并利用單因素方差分析(one-way ANOVA)和費(fèi)希爾最小顯著差異(Fisher’s LSD)檢驗(yàn)得到有效顏色分量，并建立Bayes線性分類(lèi)模型和冬棗病害的分類(lèi)標(biāo)準(zhǔn)；對(duì)縮果病采用紋理特征參數(shù)建立SVM分類(lèi)模型進(jìn)行檢測(cè)，同時(shí)探索最優(yōu)的構(gòu)造參數(shù)。

1 材料與方法

1.1 試驗(yàn)材料

本實(shí)驗(yàn)選取樣本的地點(diǎn)在陜西省大荔縣一個(gè)果園，該果園地處東經(jīng)109°10＇，北緯34°52＇，海拔高度354m。用于黑斑類(lèi)病害檢測(cè)的冬棗樣本個(gè)數(shù)統(tǒng)計(jì)：輪紋病52個(gè)、日灼病42個(gè)、炭疽病34個(gè)、裂紋30個(gè)，共158個(gè)，正常冬棗100個(gè)。用于縮果病檢測(cè)的冬棗樣本個(gè)數(shù)統(tǒng)計(jì)：縮果病48個(gè)，正常冬棗109個(gè)。

1.2 采集圖像

采集完冬棗樣本后將其帶回實(shí)驗(yàn)室拍攝果實(shí)圖像。拍攝過(guò)程如下：將佳能EOS Kiss X3型號(hào)單反相機(jī)固定在四周和下方密閉、上方中間開(kāi)孔的試驗(yàn)箱之上，隨后側(cè)的小型鏈輪上下移動(dòng)，當(dāng)鏡頭從試驗(yàn)箱中間孔洞穿過(guò)，觀察鏡頭里面的成像；當(dāng)鏡頭距果實(shí)底部的垂直距離為22.5 cm時(shí)成像清楚且果實(shí)在圖片中的大小合適，固定相機(jī)。試驗(yàn)箱內(nèi)部安放有一個(gè)5W的熒光燈以提供足夠的光源，相機(jī)參數(shù)設(shè)置為F8.0光圈，快門(mén)速度1/125 s，M檔，像素大小為4 752×3 168，在相機(jī)底部墊有坐標(biāo)紙用來(lái)獲取圖像像素與實(shí)際大小的比例。各種病害棗和正常棗如圖1所示。

輪紋病 日灼傷 炭疽病

裂紋病 縮果病 正常果

圖像處理在CPU為Intel(R)Core(TM)i3-2330M，雙核，主頻均為2.2GHz，6GB內(nèi)存的聯(lián)想Y470筆記本電腦上利用MatLab2014b實(shí)現(xiàn)。

1.3 試驗(yàn)方法

1.3.1 冬棗黑斑類(lèi)病害檢測(cè)

通過(guò)像素提取軟件分別獲取病害果和正常果10個(gè)的像素，得到RGB、HSB和Lab顏色空間的9個(gè)顏色分量。通過(guò)SPSS22.0進(jìn)行單因素方差分析，得到病害果和正常果具有顯著性差異的顏色分量。為進(jìn)一步減少顏色分量的個(gè)數(shù)，對(duì)顏色分量進(jìn)行Fisher’s LSD檢驗(yàn)，根據(jù)F值的大小得到區(qū)分病害和正常果最為顯著的顏色分量。建立Bayes線性判別函數(shù)得到像素的分類(lèi)結(jié)果。利用圖像處理算法得到果實(shí)區(qū)域提取圖像，利用已知Bayes線性判別函數(shù)進(jìn)行像素遍歷得到識(shí)別圖像，同時(shí)獲得病害識(shí)別面積所占果實(shí)區(qū)域的比例和標(biāo)準(zhǔn)差。通過(guò)計(jì)算上述比例的平均值和平均差，確定正常果和病害果的分類(lèi)閾值，進(jìn)而得到識(shí)別正確率。

1.3.2 冬棗縮果病檢測(cè)

首先利用圖像處理算法得到果實(shí)區(qū)域的提取圖像，對(duì)果實(shí)圖像提取基于灰度共生矩陣(GLCM)的紋理特征參數(shù)，GLCM是關(guān)于圖像亮度的二階統(tǒng)計(jì)量[15]。GLCM的主要影響因素有計(jì)算窗口N、灰度級(jí)L、距離d、方向θ。因?yàn)橛?jì)算窗口由一般由圖像大小決定，方向θ一般取0°、45°、90°和135°的平均值，這里只討論灰度級(jí)L、距離d兩個(gè)構(gòu)造參數(shù)對(duì)果實(shí)紋理特征的影響。

定義在方向θ上，相距為d的像素分別具有灰度值i和j的GLCM為P(i,j;d,θ)，得到的紋理特征為：

能量E為

(1)

慣性矩I為

(2)

熵H為

(3)

相關(guān)性C為

(4)

逆差距LL為

(5)

2 試驗(yàn)結(jié)果與討論

2.1 冬棗縮果病檢測(cè)

冬棗病害和正常部位提取像素的顏色分量數(shù)據(jù)如表1所示。通過(guò)方差顯著性分析，得到9個(gè)顏色分量R、G、B、H、S、Br、L*、a*、b*都具有顯著性差異，正常棗的RGB模型的R、G、B、HSB模型的S和Br、L*a*b*模型的L*、a*、b*分量都比病害果的值高，說(shuō)明了病害區(qū)域的亮度比正常表面低。為了進(jìn)一步縮小變量個(gè)數(shù)，通過(guò)Fisher’s LSD檢驗(yàn)，發(fā)現(xiàn)F值較大的R、S和b*顏色分量，將其作為區(qū)分病害和正常果最為顯著的顏色分量。對(duì)R、S、b*3個(gè)顏色分量進(jìn)行判別分析，獲得Bayes線性分類(lèi)函數(shù)為

score1 = 0.182 ×R+ 14.132 ×S- 0.531 ×b*- 4.743

(7)

score2 = 0.217 ×R+ 32.284 ×S- 0.424 ×b*- 15.673

(8)

其中，score1表示黑斑類(lèi)病害判別得分；score2表示正常判別得分。

表1 冬棗病害和正常區(qū)域顏色分量數(shù)據(jù)統(tǒng)計(jì)

標(biāo)有不同字母的在0.05水平下有顯著性差異。數(shù)據(jù)格式：平均值(標(biāo)準(zhǔn)差)。為了與RGB模型的B分量區(qū)別，定義HSB模型的B分量為Br。

基于Bayes線性判別函數(shù)，采用交叉驗(yàn)證方法獲得的像素分類(lèi)結(jié)果如表2所示。3 059個(gè)像素的平均識(shí)別正確率為94.2%，達(dá)到了較佳檢測(cè)效果。

表2 病害和正常像素的識(shí)別結(jié)果

各種黑斑類(lèi)病害的圖像處理過(guò)程如圖2所示。首先采用imresize函數(shù)將圖像尺寸縮小為1 000×667以減小計(jì)算時(shí)間，采用HSB顏色空間的B分量進(jìn)行背景分割，首先利用5×5模板進(jìn)行中值濾波去除噪聲，采用Otsu法自動(dòng)求取閾值獲得二值化圖像，采用bwareaopen函數(shù)去掉細(xì)小雜質(zhì)，并通過(guò)形態(tài)學(xué)運(yùn)算平滑果實(shí)邊緣輪廓，填充內(nèi)部空洞；通過(guò)上述方法獲得掩模圖像，之后掩模圖像與原圖像相乘獲得果實(shí)區(qū)域的提取圖像，對(duì)果實(shí)區(qū)域提取圖像帶入已知Bayes線性判別函數(shù)進(jìn)行遍歷，得到每個(gè)像素的判別結(jié)果；同時(shí)，對(duì)判定圖像采用偽彩色處理以提高辨識(shí)度，得到最終的識(shí)別圖像。因?yàn)榱鸭y總是伴隨日灼傷出現(xiàn)，所以裂紋的識(shí)別一般為整體的區(qū)域。通過(guò)統(tǒng)計(jì)各個(gè)果實(shí)的病害識(shí)別的像素以及果實(shí)的總像素，得到病害面積所占果實(shí)區(qū)域的比例。

原圖 果實(shí)區(qū)域提取 HSB顏色空間 L*a*b*顏色空間 識(shí)別結(jié)果

分析病害果和正常果病害識(shí)別面積所占果實(shí)區(qū)域的比例，計(jì)算病害識(shí)別面積占比的均值和標(biāo)準(zhǔn)差如圖3所示。病害果的病害識(shí)別面積占比在0.2%～30.0%之間，正常果的病害識(shí)別面積占比小于7.0%。設(shè)定病害面積所占果實(shí)的比例為5.0%，當(dāng)識(shí)別的病害面積比大于5.0%時(shí)，判定冬棗為病害果，當(dāng)小于5.0%時(shí)判定冬棗為正常果。

圖3 識(shí)別的病害面積所占果實(shí)區(qū)域的比例的平均值和標(biāo)準(zhǔn)差

通過(guò)圖像檢測(cè)技術(shù)，病害冬棗和正常冬棗的分類(lèi)正確率接近，總體分類(lèi)正確率達(dá)到89.6%，滿足實(shí)際的檢測(cè)要求。實(shí)驗(yàn)結(jié)果表明：通過(guò)單因素方差分析以及Fisher’ LSD檢驗(yàn)，得到R、S、b*3個(gè)具有顯著性影響的顏色變量，對(duì)于病害檢測(cè)有很好的區(qū)分效果，并且能降低分類(lèi)模型復(fù)雜度和減少程序執(zhí)行的時(shí)間開(kāi)銷(xiāo)。

表3 冬棗病害識(shí)別正確率

2.2 冬棗縮果病檢測(cè)

當(dāng)灰度級(jí)為16時(shí)，觀察紋理特征隨距離d從1到20變化的趨勢(shì)，如圖4所示。相關(guān)性與慣性矩在正常冬棗和縮果病中隨距離變化差異趨勢(shì)相反，前者隨距離d的增大快速縮小，后者隨距離d的增大迅速擴(kuò)大。其他紋理特征如能量、熵、逆差距的差異隨距離d變化不明顯。構(gòu)造參數(shù)距離d取值為1，可以減少計(jì)算的復(fù)雜度，帶入SVM分類(lèi)模型采用十折交叉驗(yàn)證的方法得到分類(lèi)正確率為86.5%。

灰度級(jí)較小，不容易分辨出冬棗表面紋理特征，灰度級(jí)過(guò)大又會(huì)影響計(jì)算速度，增加存儲(chǔ)空間。設(shè)定灰度級(jí)為16、32、64、128、256，初步計(jì)算上述灰度級(jí)下紋理特征參數(shù)的計(jì)算時(shí)間，得到128和256灰度級(jí)的冬棗灰度共生矩陣的計(jì)算時(shí)間分別為173.8s和641.4s，計(jì)算時(shí)間過(guò)長(zhǎng)。所以，本文只研究灰度級(jí)L為16、32、64的冬棗的紋理特征。從圖5中可以看出：距離d為1時(shí)，隨著灰度級(jí)的擴(kuò)大，縮果病和正常冬棗紋理特征的差異越來(lái)越顯著。

圖4 紋理特征參數(shù)隨距離d變化圖

Fig.4 Variation of texture feature parameters with distance d

圖5 紋理特征參數(shù)隨灰度級(jí)變化圖

不同灰度級(jí)下紋理特征的計(jì)算時(shí)間如表4所示。隨著灰度級(jí)的增加處理時(shí)間也快速增加，距離d固定為1，構(gòu)造參數(shù)灰度級(jí)L分別設(shè)置為16、32和64，將5個(gè)紋理特征參數(shù)帶入到SVM中進(jìn)行分類(lèi)，通過(guò)十折交叉驗(yàn)證方法得到相應(yīng)的分類(lèi)正確率分別為85.9%、99.4%和100.0%?？紤]到計(jì)算速度，當(dāng)灰度級(jí)是64時(shí)的計(jì)算時(shí)間是灰度級(jí)為32的4倍，構(gòu)造參數(shù)灰度級(jí)設(shè)置為32合適。

表4 不同灰度級(jí)冬棗的紋理特征參數(shù)的計(jì)算時(shí)間

3 結(jié)論

1)提出了冬棗的黑斑類(lèi)病害和縮果病的檢測(cè)方法，該方法準(zhǔn)確度高，黑斑類(lèi)病害的識(shí)別正確率為89.6%，縮果病的識(shí)別正確率為99.4%，為冬棗的病害檢測(cè)提供了理論依據(jù)。

2)對(duì)不同病害的9個(gè)顏色分量進(jìn)行顯著性分析以及Fisher’ LSD檢驗(yàn)，不僅提高了檢測(cè)的可靠性也降低了分類(lèi)模型的復(fù)雜程度和計(jì)算量，對(duì)實(shí)際自動(dòng)化分級(jí)具有重要意義。

3)探索了影響紋理特征參數(shù)對(duì)縮果病檢測(cè)的影響，當(dāng)距離為1、灰度級(jí)為32時(shí)識(shí)別正確率達(dá)到99.4%，不僅識(shí)別精度較高而且計(jì)算速度也滿足要求。

對(duì)冬棗像素提取更多顏色分量，需要進(jìn)一步驗(yàn)證其他顏色分量的有效性，采用高光譜實(shí)現(xiàn)冬棗的輕微損傷檢測(cè)是下一步的研究方向。