張婷 ，高穎 ，王東 ，呂炎 ，董軍宇 ，亓琳 *，陳鵬

（1.華中師范大學(xué)/國家數(shù)字化學(xué)習(xí)工程技術(shù)研究中心，武漢430079；2.中國海洋大學(xué)信息科學(xué)與工程學(xué)院，山東青島266100；3.山東出入境檢驗檢疫局，山東青島266001）

棉花是我國的主要農(nóng)作物和大宗進(jìn)口商品，也是檢驗檢疫實施批檢驗的特殊進(jìn)口商品。近年來，國內(nèi)棉紡織行業(yè)的迅速發(fā)展帶動棉花的需求量不斷增加，國內(nèi)棉花市場缺口日益增大。但由于國內(nèi)棉花的播種面積不斷下降，導(dǎo)致每年國內(nèi)均需要進(jìn)口大量棉花。2010年棉花進(jìn)口量為267萬t，2011年為330萬t，2012年則達(dá)到了513萬t[1]。棉花自實施檢驗以來，其外觀品級一直是反映棉花品質(zhì)好壞的重要因素之一，也是棉花價格的決定因素之一，在棉花的進(jìn)出口貿(mào)易中扮演著重要的角色。品級多年來一直沿用人工評級的方法，對照實物標(biāo)準(zhǔn)或成交小樣，確定進(jìn)口棉花的品級等級及降級幅度。品級人工檢驗存在一定的不足之處，如需要人力較多，檢驗效率低，受光線等檢驗條件的影響較大，檢驗時間長時易產(chǎn)生人為誤差等。而進(jìn)口棉花品種多樣，變化反復(fù)的情況則使得這種弊端更為放大。如何消除這些不利因素，一直是棉花檢測行業(yè)研究的重點。

圖像處理技術(shù)的日益成熟和機(jī)器學(xué)習(xí)技術(shù)、距離度量學(xué)習(xí)技術(shù)的快速發(fā)展，為從圖像角度出發(fā)研究棉花品級分類的算法奠定了基礎(chǔ)。采集棉花的圖像，進(jìn)而從圖像中提取相應(yīng)的特征來表征棉花外觀，最后使用距離度量學(xué)習(xí)、機(jī)器學(xué)習(xí)技術(shù)來訓(xùn)練出1個魯棒性高的分類器，以達(dá)到對棉花品級自動分類的目的。

本文從3個方面來介紹基于距離度量學(xué)習(xí)的棉花品級分類算法：數(shù)據(jù)采集和圖像預(yù)處理、特征提取、分類器設(shè)計。色澤、雜質(zhì)和軋工是訓(xùn)練有素的工人在判斷棉花的品級時考慮的3大因素。本文根據(jù)這3個因素，從棉花的數(shù)字圖像中提取相應(yīng)的計算特征來表征棉花的屬性。本文使用主成分分析法對數(shù)據(jù)集進(jìn)行預(yù)處理，降低特征向量的維度。然后使用大邊界最近鄰算法 （Large margin nearest neighbor，縮寫為LMNN）通過半定規(guī)劃（Semidefinite programming）[2]學(xué)習(xí)得到1個馬氏距離度量矩陣。最后訓(xùn)練1個k近鄰（k-nearest neighbor，kNN）分類器，從而實現(xiàn)棉花品級的自動分類。

1 數(shù)據(jù)采集與圖像處理

1.1 數(shù)據(jù)采集

美國陸地棉的級別共分為5大類[3]，分別為白棉（White）、淡點污棉（Light spotted）、點污棉（Spotted）、淡黃染棉（Tinged）、黃染棉（Yellow stained）。本文著眼于陸地棉中的白棉，共分為7個等級（質(zhì)量依次遞減）， 分別為：Good middling、Strict middling、Middling、Strict low middling、Low middling、Strict good ordinary、Good ordinary[3]。

本文使用Canon EOS 20D數(shù)碼單反相機(jī)，以美國棉花中的作為采集對象，在山東檢驗檢疫局國家進(jìn)口棉花檢測實驗室進(jìn)行圖像數(shù)據(jù)的采集。采集的數(shù)據(jù)范圍為：白棉的7個級別對應(yīng)的標(biāo)準(zhǔn)盒，以及進(jìn)出口貿(mào)易常見的前4個級別對應(yīng)的非標(biāo)準(zhǔn)盒樣本。為保證每次采集的硬件環(huán)境一致，每次采集都位于實驗室的同一位置，并使相機(jī)視線與棉花放置的平面成垂直關(guān)系，從而減少陰影，如圖1所示。

圖1 數(shù)據(jù)采集裝置簡易圖

光源為實驗室設(shè)置的D65光源，是標(biāo)準(zhǔn)光源中最常用到的人工日光，色溫為6500K。由于對棉花外觀品級的判斷很大程度上依賴于其色澤特征，因此拍攝圖像質(zhì)量的好壞嚴(yán)重影響后期的判斷。拍攝圖像的格式為RAW。RAW格式的圖像是傳感器記錄的原始信息，以盡可能保證數(shù)據(jù)的準(zhǔn)確性。

1.2 圖像預(yù)處理

本文采用MATLAB 2010進(jìn)行數(shù)據(jù)處理。與其他格式相比，RAW格式的優(yōu)點在于它能夠被轉(zhuǎn)化為16位的圖像，在保證數(shù)據(jù)原始性的前提下，精度遠(yuǎn)遠(yuǎn)高于8位的圖像。本文將RAW格式的圖像線性轉(zhuǎn)化為16位的TIFF（Tagged image file format）文件。經(jīng)過轉(zhuǎn)化后的圖像如圖2所示。

1.3 特征提取

由于進(jìn)口棉花的品級等級由色澤、雜質(zhì)和軋工3個因素決定，本文針對這3個因素擬提取相應(yīng)的計算特征對其進(jìn)行數(shù)學(xué)描述。

1.3.1色澤。所謂色澤，指的是顏色和光澤度。針對這一因素，將在CIELAB顏色空間里提取特征來對其表征。HVI通過測量棉花的反射率和黃度來反映其色澤級別。 反射率（Reflectance degree，Rd）指的是棉花的明暗程度，用百分比表示，數(shù)值大表示反射率高，棉花明亮；黃度（+b）指示棉花黃色色調(diào)的深淺，數(shù)值越大代表棉花越黃[4]。Rd和+b都來源于20世紀(jì)三四十年代Nickerson和Hunter的研究[5]。如圖3所示，在Hunter系統(tǒng)顏色空間中，顏色由三維的空間點（Rd，a，b）描述。

圖3 Hunter系統(tǒng)顏色空間示意圖

反射率和黃度在棉花色澤的測量中扮演著十分重要的角色，但隨著人們對全球棉花貿(mào)易的關(guān)注，人們希望采用更被普遍接受的測量標(biāo)準(zhǔn)來測量棉花的色澤。CIE L*a*b*是國際公認(rèn)、十分成熟的顏色模型，由國際照明委員會 （International Commission on Illumination，CIE）在 1976 年提出，是對Hunter Lab顏色空間的改進(jìn)[6]。目前，CIE L*a*b*在許多行業(yè)中得到廣泛使用。表1對這2個顏色模型從各個方面進(jìn)行了比較，其中在敏感度方面，CIE L*a*b*顏色空間對于黃色更為敏感。

此前，很多人嘗試采用L*a*b*系統(tǒng)測量棉花的色澤。1988年Aspland等試圖將Rd、+b參數(shù)變換為CIELAB的坐標(biāo)，即將美國農(nóng)業(yè)部制定的比色圖由（Rd，+b）形式改為（L*，b*）形式[7-8]。 2008 年，Thibodeaux等對HVI顏色標(biāo)準(zhǔn)和CIELAB坐標(biāo)系的相關(guān)性進(jìn)行了研究，結(jié)果表明標(biāo)準(zhǔn)CIE顏色參數(shù)（L*，b*）與 HVI的顏色參數(shù)（Rd，+b）具有非常好的相關(guān)性[9]。本文在已有的研究基礎(chǔ)之上，從棉花圖像的角度出發(fā)，開展了下述工作。

假設(shè)棉花圖像的像素為M×N。首先提取CIELAB空間每個顏色通道的均值，作為棉花樣本的1個特征。公式如下：

表1 Hunter Lab與CIE L*a*b*的比較

其中L*ij代表圖像中每個像素點的L*通道的值。其他2個顏色通道與此類似。HVI只是對棉花樣本的每個顏色通道的均值進(jìn)行了測定。而實際上，顏色的均勻性對于棉花等級的判定也是1個很重要的因素。因此，本文提取了不同尺度上的方差作為表示顏色均勻性的特征。首先計算整幅圖像每個顏色通道的方差，即選擇的基本單位為單個像素，分別表示為，它們是對整體顏色均勻性的測定。然后以n×n（n小于M、N）像素的方塊作為基本單位，這個基本單位的顏色值用塊內(nèi)所有像素點的均值來表示。假設(shè)一共劃分出互不重疊的Q個小塊。

1.3.2雜質(zhì)。雜質(zhì)，是指混入皮棉中的一些非棉纖維物質(zhì)和不孕籽、棉籽、破籽、籽屑和籽棉等。為了能夠準(zhǔn)確地提取特征來描述雜質(zhì)這一因素，首先要做的就是有效地識別雜質(zhì)。因雜質(zhì)和棉花的亮度差別較大，一黑與一白，所以要對圖像的L*通道處理，識別雜質(zhì)。雜質(zhì)識別后，可以得到一個二值圖像，提取該二值圖像上的雜質(zhì)總面積、塊數(shù)、平均大小、分布4個特征作為對雜質(zhì)這一因素的表征。

1.3.3軋工。軋工的好壞表示的是籽棉經(jīng)過軋花工序后皮棉的光潔、柔順、粗糙、雜亂的程度。在美國農(nóng)業(yè)部的566號農(nóng)業(yè)手冊[13]中，有關(guān)于“Preparation”和“Extraneousmatter”的定義。 “Preparation”用來描述皮棉的光滑和粗糙程度?！癊xtraneousmatter”用來描述棉花中除纖維和葉屑外，所含的另外的物質(zhì)，例如草根、樹皮、籽屑、灰塵、油污等。

綜上，軋工包括2個方面的內(nèi)容：一是它的外觀形態(tài)，表面平滑或粗糙，棉花表面的糾結(jié)程度；二是所含疵點的程度。關(guān)于疵點的檢驗，在雜質(zhì)提取時能一定程度上識別出來，所以這些內(nèi)容在針對“雜質(zhì)”提取的特征中有所體現(xiàn)。對于外觀形態(tài)的粗糙度，通過提取紋理特征——灰度共生矩陣（Gray level co-occurrence matrix，GLCM）來表示。 Duckett等在文章中也提到，紋理是人眼觀測到的1個很重要的特征[8]。紋理分析的方法在紡織品中的應(yīng)用也在前人的研究中有所體現(xiàn)[14-16]。人類視覺感知對二階統(tǒng)計量十分敏感，因此，選擇圖像的灰度共生矩陣的二次統(tǒng)計量對紋理進(jìn)行描述。

灰度共生矩陣是1種通過分析圖像像素灰度值的空間分布相關(guān)性來描述紋理的方法。常用的灰度直方圖是對圖像中每個灰度級出現(xiàn)頻率的統(tǒng)計結(jié)果，與空間位置無關(guān)；而灰度共生矩陣是對圖像中相距某個固定距離的2個像素點分別具有某灰度的情況進(jìn)行統(tǒng)計得到的[17]。假設(shè)存在1幅N×N像素的圖像，取其中的任意一個像素點（x，y）以及另外1個與它有固定間隔的像素點（x＋m，y＋n），它們對應(yīng)的灰度值分別為f1和f2，這一像素點對的灰度值表示為（f1，f2）。 令像素點（x，y）在整幅圖像上以 1 個像素點為間隔順序移動，則會得到不同（f1，f2）值。如果該圖像是8位圖像，即灰度值的級數(shù)為256，那么（f1，f2）有2562種不同的組合。遍歷整個圖像，統(tǒng)計每一對（f1，f2）出現(xiàn)的次數(shù)，以矩陣的形式記錄下來。最后將統(tǒng)計得到的次數(shù)歸一化為頻率，形成的矩陣就是灰度共生矩陣。間隔（m，n）可以有不同的取值，具體可以依據(jù)紋理的特征來設(shè)定。針對細(xì)的紋理，選擇小的間隔值；反之，選擇較大的間隔值。當(dāng)m=1，n=0時，像素點對是水平分布的，此時對應(yīng)的是0°方向上的灰度共生矩陣；當(dāng)m=0，n=1時，像素點對是垂直分布的，此時對應(yīng)的是90°方向上的灰度共生矩陣；與此類似，當(dāng)m=1，n=1 時，對應(yīng)的是 45°方向；當(dāng)m=－1，n=1時，對應(yīng)的是135°方向。

由于通過灰度共生矩陣計算出的一些標(biāo)量，可以用來表示紋理的特征。針對棉花圖像，本文選定步長為 1，方向為 0°、45°、90°、135°的 4 個灰度共生矩陣進(jìn)行計算。針對每個灰度共生矩陣，計算其能量、熵、對比度、相關(guān)性4個紋理參數(shù)。然后，求能量、熵、對比度、相關(guān)性的均值和標(biāo)準(zhǔn)差作為最終8維紋理特征。

綜上所述，本文一共提取了21個特征來表征棉花圖像，包括 9 個色澤特征[均值（L*）、均值（a*）、均值（b*）、方差（L*）、方差（a*）、方差（b*）、方差（L*）（32×32 像素的方塊）、 方差 （a*）（32×32 像素的方塊）、方差（b*）（32×32 像素的方塊）]，4 個雜質(zhì)特征（區(qū)域百分比、平均大小、數(shù)量、雜質(zhì)的分散程度），8個軋工（GLCM）特征[平均值（能量）、標(biāo)準(zhǔn)差（能量）、平均值（熵）、標(biāo)準(zhǔn)差（熵）、平均值（對比度）、標(biāo)準(zhǔn)差（對比度）、平均值（相關(guān)性）、標(biāo)準(zhǔn)差（相關(guān)性）]，也就是說，每幅圖像對應(yīng)1個21維的向量。

1.4 分類器設(shè)計

基于以上得到的特征數(shù)據(jù)設(shè)計、訓(xùn)練合適的分類器，并測試其性能。棉花定級人員的棉花分類能力也是花費大量的時間、精力來學(xué)習(xí)獲取的。因此，本文將機(jī)器學(xué)習(xí)（Machine learning，ML）的技術(shù)應(yīng)用到棉花品級分類算法的研究中，利用大量的已分類的棉花樣本來訓(xùn)練分類器，使得分類器具備棉花定級能力，從而將人的眼睛從這項工作中解放出來。具體的機(jī)器學(xué)習(xí)算法包括人工神經(jīng)網(wǎng)絡(luò)、決策樹、k近鄰分類算法（kNN）、支持向量機(jī)等[18]。本文主要研究最近鄰分類算法及其后續(xù)發(fā)展的一系列算法在棉花分類中的應(yīng)用。圖4為棉花分類方法的流程。

圖4 棉花分類方法的流程

（1）特征數(shù)據(jù)降維。采用主成分分析（Principal component analysis，PCA）的方法對前面得到的數(shù)據(jù)降維，減少數(shù)據(jù)冗余，以便后續(xù)的分析。假設(shè)選取100個樣本，把數(shù)據(jù)表示成100×21的矩陣形式。降維之前，需要對數(shù)據(jù)逐列（每列代表的是100個樣本的同一個特征）進(jìn)行歸一化處理，使每列的數(shù)據(jù)減去本列數(shù)據(jù)的均值，除以標(biāo)準(zhǔn)差。最后得到的是均值為0，標(biāo)準(zhǔn)差為1的數(shù)據(jù)，方便以下的計算。

設(shè)X＝（x1，…，xp）T是 1 個p維隨機(jī)向量，均值向量EX＝u，協(xié)方差矩陣DX＝V≥0。來自某個總體X的樣本有p個特征變量，主要的任務(wù)是要將這p個特征變量x1，…，xp組合成少數(shù)幾個綜合性變量y1，y2，….，yq（q＜p），同時要求新的綜合變量能涵蓋原來p個特征變量所包含的信息，并且q個綜合變量互不相關(guān)。針對本文中使用的樣本，p應(yīng)該為21，q是＜21的正數(shù)。 將y1取為x1，x2，…，xp的線性組合，即：

其中，a1=（a11，a12，…，a1p）T為非 0 常向量。選取合適的非零向量a1，使得y1能盡可能多地包含原來p個特征變量所具有的信息，也就是說經(jīng)過變換后得到的y1具有最大的方差

（2）Multiple-metricsLMNN。最初提出的 LMNN分類框架存在1個明顯的局限性：針對輸入的所有樣本數(shù)據(jù)，都是使用同一個馬氏距離度量來計算樣本間的距離。將度量記為M＝LTL，那么可以看到馬氏距離[19]本質(zhì)上就是歐式距離[20]的全局線性變換，即x→→Lx→，這樣的變換不適用于訓(xùn)練數(shù)據(jù)中的非線性變化。Weinberger等[21]對singlemetricLMNN進(jìn)行了改進(jìn)，提出了Multiple-metricsLMNN的概念。

假設(shè)將數(shù)據(jù)集劃分為P個不相交的子集其中當(dāng) α≠β 時那么在kNN分類中，每個Pα都有自己的馬氏距離度量Mα。輸入1個測試特征向量計算它與訓(xùn)練集中任意向量屬于子集 αi）的距離的平方，公式如下：

將計算出的距離大小排序，選出的最近鄰，從而確定其類別。 在 LMNN 分類中，假設(shè)是的1 個目標(biāo)鄰居。 首先，使用Mai計算與間的距離；第二步，使用Mai計算與潛在的冒名目標(biāo)鄰居間的距離；最后，將半正定約束條件改寫為多個。綜上所述，這些步驟又形成了新的半正定規(guī)劃問題。如下所示：

（b） ξijl≥0；

（c）Ma為半正定矩陣。

2 棉花品級分類算法應(yīng)用試驗

2.1 雜質(zhì)識別試驗及結(jié)果

為了提高試驗的準(zhǔn)確性，首先要進(jìn)行雜質(zhì)識別。在雜質(zhì)識別試驗中，通過對圖像進(jìn)行歸一化處理，并在歸一化后的圖像基礎(chǔ)上尋找邊緣以檢測灰度變化，從而提高方法的魯棒性。因此本文利用sobel算子對歸一化后的圖像進(jìn)行邊緣檢測[12]，得到二值圖像。如圖5（b）所示，每個小雜質(zhì)塊是一個連通域。

對所得圖像進(jìn)行閾值分割，得到另一張二值圖像。并對2幅二值圖像進(jìn)行“與”操作，最后通過消除噪聲點，將只有1個像素點的雜質(zhì)去掉。圖6為7個級別的雜質(zhì)識別結(jié)果。

圖5 雜質(zhì)識別

對所得圖像進(jìn)行閾值分割，得到另一張二值圖像。并對2幅二值圖像進(jìn)行“與”操作，最后通過消除噪聲點，將只有1個像素點的雜質(zhì)去掉。圖6為7個級別的雜質(zhì)識別結(jié)果。

2.2 棉花品級分類試驗及結(jié)果

本試驗將大邊界k近鄰算法應(yīng)用到棉花分類中。根據(jù)特征數(shù)據(jù)的降維方式，先后設(shè)置不同的k值和維度值，根據(jù)不同維度值對應(yīng)的貢獻(xiàn)率的大小選取適合的維度值，本試驗中選取的維度為10維和15維2種，對應(yīng)的累積貢獻(xiàn)率分別為99.80%和99.99%。

2.2.1基于標(biāo)準(zhǔn)盒的棉花品級分類。每個品級選取了108個標(biāo)準(zhǔn)盒樣本，組成了大小為756（108×7=756）的樣本集。其中70%用來訓(xùn)練，30%用來測試。不同的參數(shù)設(shè)置對應(yīng)的分級效果如圖7所示。

從圖 7 可以看出，當(dāng)方法（kNN、LMNN（10）、LMNN（15）等）相同時，k=1對應(yīng)的試驗的錯誤率最??；當(dāng)k值相同時，方法 LMNN（10）或 LMNN（15）可取得最好的試驗效果。綜上所述，當(dāng)參數(shù)k=1時，使用LMNN（15）的方法得到最小的錯誤率1.32%。

圖6 雜質(zhì)識別結(jié)果圖

圖7 不同參數(shù)下基于標(biāo)準(zhǔn)盒的棉花分級效果

2.2.2基于標(biāo)準(zhǔn)盒和非標(biāo)準(zhǔn)盒的棉花品級分類。上述試驗的數(shù)據(jù)僅包含標(biāo)準(zhǔn)盒樣本，而在實際應(yīng)用中，針對非標(biāo)準(zhǔn)盒樣本的準(zhǔn)確率才是最需要關(guān)心的問題，因此后續(xù)試驗中加入了非標(biāo)準(zhǔn)盒樣本（僅常見的前4個級別的非標(biāo)準(zhǔn)盒樣本）。本試驗數(shù)據(jù)集包括：（1）標(biāo)準(zhǔn)盒樣本共 432 個（108×4）；（2）非標(biāo)準(zhǔn)盒樣本349個 （因為非標(biāo)準(zhǔn)盒樣本的有限性，每個級別的樣本個數(shù)沒有完全統(tǒng)一，但大致相同）。因此，本試驗的樣本集大小為 781（432＋349），70%用來訓(xùn)練，30%用來測試。結(jié)果如圖8所示。

圖8 不同參數(shù)下基于標(biāo)準(zhǔn)盒和非標(biāo)準(zhǔn)盒的棉花分級效果

2.3 結(jié)果分析

由上述試驗結(jié)果可以看出：（1）是否使用PCA降維，對分級結(jié)果影響不大。在基于標(biāo)準(zhǔn)盒的棉花品級分類試驗中，使用PCA降維的分級準(zhǔn)確率比LMNN的結(jié)果稍高；基于標(biāo)準(zhǔn)盒和非標(biāo)準(zhǔn)盒的棉花品級分類試驗中，使用PCA降維的分級準(zhǔn)確率比LMNN的結(jié)果稍低。特征向量的維數(shù)是21，本身不屬于高維數(shù)據(jù)，因此是否使用PCA法對計算量的影響也不大。

（2）MM LMNN法的分級結(jié)果與LMNN法基本持平，僅在圖8b所示的結(jié)果中有所提高。因此，可以說馬氏距離度量法適用于整個棉花樣本集。

（3）加入非標(biāo)準(zhǔn)盒樣本后的分級準(zhǔn)確率下降。下降的原因分析如下：第一，標(biāo)準(zhǔn)盒樣本屬于人工制作的樣本，從整個樣本來看，無論是雜質(zhì)、色澤，還是軋工技術(shù)，分布得都很均勻；因此500×500像素的圖像（本文中的樣本都是500×500像素的）能很好地代表1個品級的特征。而非標(biāo)準(zhǔn)盒樣本的雜質(zhì)、色澤、軋工技術(shù)分布不均勻，用500×500像素的圖像不能很好地反映1個品級的特征（這一點也是未來要完善的）。第二，標(biāo)準(zhǔn)盒樣本十分平整，而非標(biāo)準(zhǔn)盒樣本凹凸不平，由于自身的遮擋會產(chǎn)生陰影，這也是造成分級準(zhǔn)確率下降的原因之一。第三，對于非標(biāo)準(zhǔn)盒樣本的分類準(zhǔn)確率計算，本文是通過將分類器給出的結(jié)果與工人給出的級別相比較得出，但是并不能保證工人的判斷完全正確。

3 結(jié)論

本文從圖像的角度出發(fā)，提出了一種非常經(jīng)濟(jì)高效的棉花品級自動分類方法，解決了人工檢測棉花中的效率低、主觀性強(qiáng)等缺點。本文首先從圖像中提取能反映棉花屬性的相關(guān)特征，之后再用距離度量學(xué)習(xí)、機(jī)器學(xué)習(xí)算法對這些數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，得到1個高準(zhǔn)確率的分類器。

本文所提出的棉花等級分類方法，完全從圖像的角度出發(fā)，通過計算棉花樣品的L*、a*、b*的均值、方差等值，更全面地反映棉花圖像的色澤特征。從視覺感知的角度出發(fā)，提取棉花的紋理特征，使其能很好地表征軋工。并通過圖像處理對棉花的雜質(zhì)情況進(jìn)行了有效表征。同時將評價棉花外觀好壞的色澤、雜質(zhì)和軋工這3個指標(biāo)都考慮進(jìn)來，提出了1種完備的棉花品級自動分類方法，并將機(jī)器學(xué)習(xí)和距離度量學(xué)習(xí)的技術(shù)應(yīng)用到棉花品級分類中。應(yīng)用試驗證明本文提出的方法可以有效實現(xiàn)棉花品級分類。