祝保林，張彥波，張欣羽，邢若男，趙明月

(河南大學(xué)物理與電子學(xué)院，河南 開封 475000)

小桐子又名麻瘋樹，它不但人工造林容易，天然更新能力強(qiáng)，還耐火燒，改良土壤能力強(qiáng)[1]。目前，針對(duì)小桐子種子篩選采用人工篩選識(shí)別效率較低、主觀性強(qiáng)、錯(cuò)誤率高。若應(yīng)用機(jī)器視覺技術(shù)對(duì)小桐子種子的品質(zhì)進(jìn)行判斷，能夠快速準(zhǔn)確地完成識(shí)別分類。

農(nóng)作物數(shù)字化選種是農(nóng)業(yè)數(shù)字化的重要步驟。利用機(jī)器視覺技術(shù)對(duì)種子進(jìn)行識(shí)別是其中的常用手段之一。王宏勇等[2]研究了基于遺傳算法和支持向量機(jī)的玉米品種識(shí)別，溫芝元等[3]利用婭柑病蟲害作為病害圖像，建立BP神經(jīng)網(wǎng)絡(luò)模型來對(duì)病蟲害進(jìn)行識(shí)別，周鴻達(dá)等[4]使用主成分分析法確定主因子個(gè)數(shù)，使用BP神經(jīng)網(wǎng)絡(luò)建立判別模型，許良鳳等[5]提取玉米病害區(qū)域顏色特征，構(gòu)造相應(yīng)地單分類器，通過線性加權(quán)的形式融合判決，最終獲得分類結(jié)果。綜上所述，種子識(shí)別與檢測(cè)中主要有種子有效特征提取和種子模式識(shí)別分類方法等兩大關(guān)鍵技術(shù)，其中特征提取是種子識(shí)別的關(guān)鍵環(huán)節(jié)。

針對(duì)小桐子種子識(shí)別技術(shù)與算法進(jìn)行了深入的研究和探索，提出了一種通過主成分分析有效特征提取和支持向量機(jī)的粒子群優(yōu)化算法的小桐子種子識(shí)別方法。趙秀紅[6]、賀心皓等[7]研究表明，基于機(jī)器視覺的小桐子種子識(shí)別與檢測(cè)方法是可行的，該方法可提高小桐子種子識(shí)別的準(zhǔn)確率。

1 識(shí)別系統(tǒng)

小桐子種子識(shí)別系統(tǒng)如圖1所示。攝像機(jī)垂直固定在暗箱頂部中心位置，調(diào)節(jié)物距為30 cm，以保證拍攝圖像的質(zhì)量，補(bǔ)光照明系統(tǒng)主要由條形光源實(shí)現(xiàn)，識(shí)別系統(tǒng)在一個(gè)封閉的暗箱內(nèi)進(jìn)行。其中，圖像采集系統(tǒng)如下：計(jì)算機(jī)CPU Intel Core 3.6 G，8 G內(nèi)存；相機(jī)選用CCD SONY TD-2073等。

注：1為CCD相機(jī)；2為遮光箱；3為條形光源；4為載物流水線； 5為被檢測(cè)種子；6為計(jì)算機(jī)。 圖1 系統(tǒng)組成

2 小桐子種子圖像處理與特征提取

2.1 圖像處理

試驗(yàn)選取的小桐子種子來源于云南省元謀干熱河谷區(qū)種植的小桐子樹，經(jīng)采摘、去殼和曬干等處理后，該小桐子種子的外觀特征主要表現(xiàn)為整體顏色近于黑色，但表面具有白色的小斑點(diǎn)。通過攝像頭采集的小桐子種子圖像如圖2所示。在進(jìn)行特征提取之前，首先對(duì)采集的圖像進(jìn)行灰度化處理，然后對(duì)灰度化圖像進(jìn)行閾值分割，緊接著進(jìn)行形態(tài)學(xué)處理等預(yù)處理，最后進(jìn)行邊緣提取得到所需圖像[8]。

注：a是原始圖像，b是處理后圖像。 圖2 種子圖像處理結(jié)果

2.2 特征提取

對(duì)分割出的圖像分別從形狀、顏色、紋理等3個(gè)方面進(jìn)行特征提取。實(shí)際提取小桐子種子性狀的19個(gè)特征參數(shù)如表1所示。

表1 小桐子種子的主要特征參數(shù)

3 識(shí)別分類

3.1 主成分分析法

主成分分析是將多個(gè)指標(biāo)進(jìn)行組合，轉(zhuǎn)化為少數(shù)幾個(gè)綜合指標(biāo)的統(tǒng)計(jì)分析方法，從而達(dá)到簡(jiǎn)化的目的[9]，再依據(jù)各變量的特征值貢獻(xiàn)率作為權(quán)重結(jié)合特征向量構(gòu)建評(píng)價(jià)模型[10]。

主成分的特征值和貢獻(xiàn)率是選擇主成分的依據(jù)，該試驗(yàn)選擇特征值大于1作為主成分的抽取條件[11]。由表2可知，前5個(gè)主成分的特征值大于1，累計(jì)貢獻(xiàn)率達(dá)88.779%，所以選前5個(gè)主成分可表示原來19個(gè)性狀所包含的絕大部分信息。其中表3中的特征的排列順序與表1中的特征排列順序一致。

表2 種子主成分分析

由表3可知，對(duì)主成分1影響最大的因子是長(zhǎng)軸長(zhǎng)度，與長(zhǎng)軸長(zhǎng)度顯著相關(guān)的面積、周長(zhǎng)、當(dāng)量直徑等指標(biāo)均對(duì)主成分1影響較大，所以主成分1是長(zhǎng)軸長(zhǎng)度；在主成分2中，影響較大的因子為緊湊度和圓形度，且與長(zhǎng)軸長(zhǎng)度呈極顯著負(fù)相關(guān)，所以主成分2是緊湊度；對(duì)主成分3影響較大的有B分量，所以主成分3是B分量；對(duì)主成分4影響較大的是H分量，因此主成分4是H分量；對(duì)主成分5影響較大有mean和con，且mean和con呈正相關(guān)，所以主成分5是mean。

3.2 支持向量機(jī)(SVM)分類模型

采用粒子群優(yōu)化算法的支持向量機(jī)對(duì)小桐子種子進(jìn)行分類識(shí)別。使用通過主成分分析選取的5個(gè)參數(shù)為輸入特征參數(shù)值做為樣本學(xué)習(xí)數(shù)值，采用粒子群優(yōu)

化的SVM算法，隨機(jī)的輸入樣本數(shù)據(jù)可以得到很高的正確識(shí)別率[12](圖3)。

通過對(duì)表4分析可知，將長(zhǎng)軸長(zhǎng)、緊湊度、B分量、H分量和mean等這5個(gè)特征參數(shù)值輸入支持向量機(jī)的粒子群優(yōu)化算法進(jìn)行試驗(yàn)，訓(xùn)練樣本為120個(gè)，對(duì)25個(gè)進(jìn)行測(cè)試，其正確識(shí)別率達(dá)到96%左右。

表4 粒子群優(yōu)化SVM分類結(jié)果

4 總 結(jié)

為實(shí)現(xiàn)利用機(jī)器視覺代替人工視覺，對(duì)小桐子種子進(jìn)行識(shí)別分類，提出了一種通過主成分分析有效特征提取和支持向量機(jī)的粒子群優(yōu)化算法的小桐子種子識(shí)別方法。對(duì)小桐子種子優(yōu)劣品質(zhì)進(jìn)行識(shí)別分類，準(zhǔn)確率達(dá)到96%左右，提高了準(zhǔn)確率。研究表明，基于機(jī)器視覺的小桐子種子識(shí)別與檢測(cè)方法是可行的，該方法可提高小桐子種子識(shí)別的正確率。