杜曉晨 張 幸 陸國權(quán)

（浙江農(nóng)林大學(xué)信息工程學(xué)院1，臨安 311300）

（浙江農(nóng)林大學(xué)薯類作物研究所2，臨安 311300）

（浙江農(nóng)林大學(xué)生物種業(yè)研究中心3，臨安 311300）

（浙江省農(nóng)產(chǎn)品品質(zhì)改良技術(shù)研究重點實驗室4，臨安 311300）

甘薯是一種重要的農(nóng)作物，遍布我國各地。由于甘薯的品種繁多，不同品種的甘薯經(jīng)濟價值不同，存在魚龍混雜現(xiàn)象，因此對甘薯加工、生產(chǎn)機構(gòu)來說，如何智能、便捷、有效地對薯塊進行薯種識別具有重要的應(yīng)用價值。目前國內(nèi)對薯塊種類的識別主要還是依靠人工和化學(xué)的方式進行［1-2］。人工方式是通過觀察薯塊的外形、顏色等信息來進行判斷。這種方式比較便捷，但需要專業(yè)知識，實際操作中工人未必具有相應(yīng)的經(jīng)驗，另外這種方式具有人為因素，判斷結(jié)果的準確性不能保證?；瘜W(xué)方式是對薯塊中的淀粉含量進行化學(xué)分析，并將結(jié)果用于相應(yīng)薯種的化學(xué)特性進行比對［3］。這種方法的準確性有保證，但不夠簡便，且成本過高。

利用圖像處理技術(shù)對農(nóng)作物、農(nóng)產(chǎn)品進行識別能兼顧準確性和便捷性，目前已經(jīng)在很多農(nóng)作物上得到了應(yīng)用，如玉米、花生等［4］。對甘薯進行相關(guān)的研究較少，主要集中在質(zhì)量分級和疫病檢測。如：Tao等［5］進行了基于傅里葉描述子的甘薯形狀檢測，能將薯塊分為非常好、良好、一般、差4種類型，與人工分級一致率達89%；孔彥龍等［6］通過馬鈴薯俯視圖像的面積和側(cè)視圖像的周長為特征，實現(xiàn)了馬鈴薯質(zhì)量與形狀檢測分級；郝敏等［7］使用Zernike矩方法對甘薯圖像進行了提取特征，能對薯塊形狀進行分類，檢測出薯形良好和正常的薯塊；馬曉丹等［8］針對馬鈴薯的疫病，提取了馬鈴薯葉片病斑圖像中的形狀、顏色等特征，并采用了量子神經(jīng)網(wǎng)絡(luò)作為分類器實現(xiàn)了馬鈴薯早期疫病的診斷。但對薯種的識別研究鮮見報道。

考慮到甘薯的橫切面圖像中包含著自身品種特有的顏色、紋理信息，本研究提出了一種基于圖像顏色和紋理特征相結(jié)合的甘薯薯種識別方法。該方法組合了顏色直方圖法、灰度共生矩陣法和Gabor濾波法提取的圖像特征，融合各種方法的優(yōu)勢，能方便、準確地通過圖像信息進行薯種識別。

1 圖像獲取

數(shù)字圖像質(zhì)量會直接影響特征選取與薯種識別的結(jié)果。為了統(tǒng)一焦距和光源等因素，在圖像獲取環(huán)節(jié)中，自行構(gòu)建了圖像采集環(huán)境，它包括圖像采集箱、CMOS相機、光源，如圖1所示。其中，圖像采集箱由木板搭建，箱內(nèi)貼黑色啞光紙；相機采用OLYM-PUS（型號 E-PL5，30 mm焦距，1 600萬像素，JPG圖像格式），固定在圖像采集箱頂部，距離樣品50 cm；光源由一對LED燈組成，位于相機左右兩邊，功率6W，色溫5 000 K。

圖1 圖像采集

采集甘薯橫切原始圖像之后，在圖像預(yù)處理環(huán)節(jié)，首先找到原始圖像的中心像素點所在區(qū)域，然后截取周圍256×256像素范圍的鄰域圖像作為本研究的樣本圖像。

2 特征提取和薯種識別

2.1 顏色特征提取

肉質(zhì)顏色是甘薯的重要屬性之一，可以作為識別甘薯種類的依據(jù)之一。常用的顏色空間有RGB和HSV等［9-10］，其中，HSV顏色空間是一種面向視覺感知的顏色模型，對比從計算機硬件角度提出的RGB顏色模型，它能更好與人眼主觀感受相匹配，轉(zhuǎn)換公式如下：

本試驗使用多特征融合的方法進行薯種識別，為了減少特征量，將HSV空間非等間隔量化（H量化成16級，S量化成4級，V量化成4級），再將HSV3個分量合成為1個分量：

式中：Qs Qv分別是S和V的量化級數(shù)，C取值范圍為［0，255］，最后對C構(gòu)建直方圖。圖2中的a和b顯示了浙紫薯1號和心香薯塊的橫切面圖像；d和e顯示了其對應(yīng)的HSV空間顏色直方圖，顯然2類薯種的肉質(zhì)在HSV顏色統(tǒng)計值上差異明顯。所以本試驗將C中出現(xiàn)頻率最高的值（即圖2中縱坐標最大值所對應(yīng)的橫坐標值）作為顏色特征，記為f1。

圖2 薯種樣本的顏色特征

2.2 灰度共生矩陣法

圖2中的浙紫薯1號和心香2類薯種在肉質(zhì)顏色存在較大差別，但有很多薯種之間的顏色差別并不明顯，如圖2中的心香和美國紅，肉質(zhì)的視覺直觀感受都呈黃色，兩者的HSV顏色直方圖也較為相近。由此可見，僅靠圖像的顏色信息不足以進行薯種識別?？紤]到不同薯種的肉質(zhì)存在差異，如：緊實程度、淀粉含量、含水率等，體現(xiàn)到圖像中，可以發(fā)現(xiàn)不同薯種的圖像紋理信息存在規(guī)律性的差異。故本研究進一步對薯塊圖像提取紋理特征，采用顏色特征和紋理特征相結(jié)合的手段來識別薯種。

灰度共生矩陣是一種經(jīng)典的圖像紋理分析方法，它是基于統(tǒng)計方法，根據(jù)圖像中各個像素之間的距離、方向關(guān)系構(gòu)造而成［11］。這種灰度共生矩陣能根據(jù)圖像灰度值的空間信息計算出距離（Dx，Dy）的2個像素點同時存在的聯(lián)合分布概率，它表達了各像素點對之間的空間關(guān)系的相關(guān)性。

從圖像中灰度值為i、坐標值為x，y的像素點位置開始，計算灰度值為j，生成方向 θ（可以選擇0°、45°、90°和 135°4個方向）為距離為 d（位置在 x＋Dx，y＋Dy）的像素點同時出現(xiàn)在紋理圖像中的頻數(shù)P（i，j，d，θ）。那么，灰度共生矩陣的數(shù)學(xué)表達式為：

p（i，j，d，θ）＝｛［（x，y），（x＋dx，y＋dy）］｜f（x，y）＝i；f（x＋dx，y＋dy）＝j(luò)｝ （5）

圖3 在2個方向生成的步長為4的灰度共生矩陣

圖3顯示了心香和美國紅薯塊的橫切面圖像在2個在0°和90°方向生成的灰度共生矩陣圖。結(jié)果顯示，雖然這兩類薯種的肉質(zhì)顏色相近，但無論在0°或90°方向，它們的灰度共生矩陣均差異明顯，表明它們的肉質(zhì)紋理特性存在區(qū)分度，可以作為有效的薯種識別依據(jù)之一。Haralick等［11］通過灰度共生矩陣進一步提取了若干個通用的紋理特征：均值和、方差、熵、對比度、角二階矩、逆差矩、相關(guān)、方差和、差的方差、和熵、差熵。根據(jù)文獻［12-13］的仿真試驗，在這些基于灰度共生矩陣方法得到紋理特征值中，對比度和角二階矩最有代表性，能夠很好的表示出薯塊肉質(zhì)紋理的粗細均勻程度和強弱程度。本研究僅保留這2個紋理特征，分別記為f2和f3，這樣最終生成的混合特征向量維數(shù)能保持在較低的水平，從而提高識別算法性能。

生成方向參數(shù)θ和步長參數(shù)d是GLCM算法的應(yīng)用過程中的2個重要參數(shù)，直接影響生成的紋理特征優(yōu)劣。文獻［12］驗證了在實際應(yīng)用中，θ取0°或90°合適，d取4合適（圖像大小為256×256像素）。本研究也采用相同的參數(shù)設(shè)置進行薯種識別試驗。

2.3 Gabor濾波法

依靠紋理特征對顏色相近的薯種進行分類是本試驗方法的關(guān)鍵。由于灰度共生矩陣法僅考慮了基于圖像空域的紋理信息，單獨使用未必能得到最佳效果［13］。因此，本研究擬將灰度共生矩陣與經(jīng)典的Gabor濾波法相結(jié)合使用，以進一步提高識別率。Gabor濾波法與灰度共生矩陣法不同，它是基于圖像的時域和頻域信息進行紋理分析，能有效提取圖像的整體特征并突出局部紋理信息［14］，兩種算法能有效互補。

針對圖像f（x，y），首先定義二維小波變換：

式中：Δx、Δy表示距離間隔，一般為1；p和 q表示某像素點的坐標；m和l表示了小波變換的方向、尺度（m＝0，…，M-1，l＝0，…，L-1）。

φml（x，y）則可表示為：式中：x′＝a-m（x cosθ＋y sinθ），y′＝a-m（-x sinθ＋y cosθ），y′＝a-m（-x sinθ＋y cosθ）。φ（x，y）為母波，它根據(jù)a-m的尺度進行調(diào)整，方向θ的調(diào)整可表示為：

當母波為Gabor函數(shù)時，Gabor濾波就可以表示為：

式中：W為濾波器窗寬。

圖4 W＝0.5，θ＝3π／4時的 Gabor濾波結(jié)果

根據(jù)文獻［15］的研究，W取0.5較為合適，此時的濾波結(jié)果圖像符合人的視覺感知系統(tǒng)。圖4顯示了心香薯塊橫切面圖像的Gabor濾波結(jié)果，可以明顯發(fā)現(xiàn)，通過濾波后，圖像中的紋理細節(jié)體現(xiàn)的更加明顯，這有利于后續(xù)特征提取。最后，對變換后的圖像提取統(tǒng)計特征均值和能量（即：一致性），分別記為f4和f5。

2.4 基于圖像混合特征和BP人工神經(jīng)網(wǎng)絡(luò)的薯種識別

采用HSV顏色直方圖法提取1個顏色特征值f1；然后，將圖像轉(zhuǎn)為灰度圖，在90°的方向上生成灰度共生矩陣，分別提取共生矩陣的對比度和角二階矩作為紋理特征值，分別記為f2，f3；最后，對圖像進行Gabor變換（窗寬設(shè)為0.5，方向設(shè)為3π／4），并對變換后的圖像提取均值和能量作為另一組紋理特征值，分別記為f4，f5。這樣，得到了薯種圖像的混合特征向量 F＝［f1，f2，…f5］。

由于本研究用到了3種特征提取算法，得到特征值區(qū)間并不一致，需要進行歸一化處理。這個環(huán)節(jié)本文使用高斯歸一化法，如果向量F＝［f1，f2，…f5］符合高斯分布，則歸一化計算可表示為：

式中：m為F的均值，σ為F的標準差。這樣F最終落入［-1，1］區(qū)間內(nèi)。在得到最終的特征向量F′＝［f1′，f2′，…，f5′］后，建立薯種圖像樣本集，然后應(yīng)用BP人工神經(jīng)網(wǎng)絡(luò)作為分類器進行薯種識別。

人工神經(jīng)網(wǎng)絡(luò)是一種由大量神經(jīng)元連接而構(gòu)成的自適應(yīng)非線性學(xué)習(xí)、分類系統(tǒng)［16］。其中，BP人工神經(jīng)網(wǎng)絡(luò)由輸入層、隱層、輸出層構(gòu)成，采用反向傳播算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)，具有較強學(xué)習(xí)和抗噪聲能力，已被廣泛應(yīng)用于各種分類或預(yù)測研究。本研究應(yīng)用BP人工神經(jīng)網(wǎng)絡(luò)對混合特征向量的5個分量進行融合，通過大量樣本使其學(xué)習(xí)各類薯種中各項特征值的相應(yīng)取值范圍，從而“掌握”各類薯種的綜合屬性，訓(xùn)練得到甘薯薯種的識別模型，并最終應(yīng)用于薯種的識別。

3 結(jié)果

針對浙紫薯1號、心香、美國紅、川薯924、徐薯26、泰中10號、北京553等10類薯種，每個薯種采集15個薯塊。由于農(nóng)產(chǎn)品生長受環(huán)境等因素的影響較大，為了檢驗本方法的適應(yīng)性，這些薯塊取自不同年份（2012年、2013年）和產(chǎn)地（浙江、江蘇、北京等地），并統(tǒng)一在薯塊出土1周左右進行圖像獲取，總共采集了150個樣本圖像。為了驗證算法性能，針對每類薯種隨機選擇12幅樣本圖像作為訓(xùn)練樣本，另外3幅圖像作為測試樣本。

分別單獨使用顏色直方圖法、灰度共生矩陣、Gabor濾波和本文方法對10種甘薯種類在Matlab 7.0的環(huán)境中進行了薯種識別試驗。其中，BP人工神經(jīng)網(wǎng)絡(luò)中的期望誤差設(shè)置為0.000 1，最大迭代次數(shù)設(shè)置為5 000次，隱層的神經(jīng)元個數(shù)設(shè)置對分類結(jié)果有一定影響，當隱層神經(jīng)元個數(shù)取25時，本試驗的融合模型訓(xùn)練效果最好，試驗結(jié)果如表1所示?？梢钥吹剑瑔为毷褂没叶裙采仃嚪ɑ騁abor濾波法也能取得一定的正確識別率，說明針對甘薯橫切面圖像中存在大量紋理信息，可以被充分利用于甘薯的薯種識別或檢測研究；而顏色直方圖法由于只考慮了圖像的顏色信息，不少薯種的肉質(zhì)顏色幾乎一樣，所以單獨在本應(yīng)用中的識別結(jié)果不理想，這與前文中主觀預(yù)計一致。將3種方法融合使用后，本文方法的識別成功率得到明顯提升，平均識別成功率達到了90%。這說明將灰度共生矩陣法和Gabor濾波法結(jié)合后，算法不僅提取了圖像空域中的紋理，還能有效分析圖像時域和頻域中的局部信息，再結(jié)合顏色直方圖法綜合考慮了圖像的顏色特征，使得本文方法充分利用了圖像中的可用信息進行識別。

表1反映了本方法在算法準確性方面的性能。除了隱層的神經(jīng)元個數(shù)，樣本個數(shù)也對BP人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果有一定影響。圖5反映了本方法的對樣本個數(shù)的適應(yīng)能力。由于算法在設(shè)計時已經(jīng)充分考慮了特征向量在訓(xùn)練、分類時的計算復(fù)雜度，所以在提取特征時已經(jīng)進行了優(yōu)化選擇，5個特征值能簡潔、有效地協(xié)同工作，就10種薯類而言，當樣本數(shù)量接近70個開始，本方法得到的識別成功率就趨于穩(wěn)定，這說明算法具備較好的魯棒性。綜上所述，本研究提出的識別方法在準確性、魯棒性方面的表現(xiàn)令人滿意。

圖5 試驗結(jié)果

試驗中的樣本圖像統(tǒng)一在薯塊出土1周左右的時間進行采集。為了進一步分析本方法的適應(yīng)性，再次對不同時間采集的薯塊進行薯種識別試驗。仍然以上述試驗中的訓(xùn)練樣本為訓(xùn)練樣本，每類薯種另取3個薯塊的橫切圖像為測試樣本，這些測試薯塊的出土?xí)r間為0.5周、1周或2周，試驗結(jié)果如表2所示?？梢园l(fā)現(xiàn)，薯塊出土?xí)r間的不同，顏色直方圖法的識別成功率并未下降，這是因為薯塊肉質(zhì)的顏色在2周時間內(nèi)變化并不明顯；但薯塊出土?xí)r間的不同，對2種紋理特征方法和本文的融合特征方法有一定影響，其中，GLCM法的識別成功率下降了6.6%，Gabor法由于突出了圖像紋理細節(jié)所以僅下降了3.4%，而本文方法也下降了3.3%。這表明隨著薯塊出土?xí)r間的增加，淀粉含量、含水率等因素的變化會導(dǎo)致薯塊橫切圖像中紋理特征產(chǎn)生細微變化，但變化的程度仍可接受。

表1 不同方法的試驗結(jié)果

表2 不同時間獲取測試樣本的試驗結(jié)果

4 結(jié)論

本研究提出了一種基于圖像處理技術(shù)的甘薯種類識別方法。通過試驗驗證了將顏色直方圖方法、灰度共生矩陣方法以及Gabor濾波方法相結(jié)合能成功地用于薯種識別，平均識別成功率達到了90%。該方法有望應(yīng)用于甘薯加工、生產(chǎn)、銷售行業(yè)。研究表明，通過圖像的顏色、紋理等信息對甘薯進行識別應(yīng)用是完全可行的，這類方法具備更深、更廣的研究空間。

［1］Chen Z，Schols H A，Voragen A G J.Physicochemical properties of starches obtained from three varieties of Chinese sweet potatoes［J］.Journal of Food Science，2003，68（2）：431-437

［2］Abegunde O K，Mu T H，Chen JW.Physicochemical characterization of sweet potato starches popularly used in chinese starch industry［J］.Food Hydrocolloids，2013，33（2）：169-177

［3］Tsakama M，Mwangwela A M，Manani T A，et al.Physicochemical and pasting properties of starch extracted from eleven sweetpotato varieties［J］.African Journal of Food Science and Technology，2010，1（4）：90-98

［4］萬鵬，孫鐘雷，宗力.基于計算機視覺的玉米粒形檢測方法［J］.中國糧油學(xué)報，2011，26（5）：107-110

［5］Tao Y，Morrow C T，Heinemann PH，etal.Fourier-based separation technique for shape grading of potatoes using machine vision［J］.Transactions of the ASAE，1995，38（3）：949-957

［6］孔彥龍，高曉陽，李紅玲，等.基于機器視覺的馬鈴薯質(zhì)量和形狀分選方法［J］.農(nóng)業(yè)機械學(xué)報，2012，28（17）：142-148

［7］郝敏，麻碩士，郝小冬.基于Zernike矩的甘薯薯形檢測［J］.農(nóng)業(yè)工程學(xué)報，2010，26（2）：347-350

［8］馬曉丹，譚峰，許少華.基于量子神經(jīng)網(wǎng)絡(luò)的馬鈴薯早疫病診斷模型［J］.農(nóng)業(yè)機械學(xué)報，2011，42（6）：174-178

［9］章毓晉.圖像工程上冊-圖像處理［M］.北京：清華大學(xué)出版社，1999

［10］Vimina E R，Jacob K P.Content based image retrieval using low level features of automatically extracted regions of interest［J］.Journal of Image and Graphics，2013，1（1）：7-11

［11］Haralick R M.Statistical and structural approaches to texture［J］.Proceeding of IEEE，1975，67（5）：786-504

［12］白雪冰，王克奇，王輝.基于灰度共生矩陣的木材紋理分類方法的研究［J］.哈爾濱工業(yè)大學(xué)學(xué)報，2005，37（12）：1667-1670

［13］尹建新，祁亨年，馮海林，等.一種基于混合紋理特征的木板材表面缺陷檢測方法［J］.浙江農(nóng)林大學(xué)學(xué)報，2011，28（6）：937-942

［14］Jain A K，F(xiàn)arrokhnia F.Unsupervised texture segmentation using gabor filters［J］.Pattern Recognition，1991，24（12）：238-241

［15］Lee T S.Image representation using 2D gabor wavelets［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1996，18（10）：959-971

［16］Goyal S.Artificial neural networks in vegetables：a comprehensive review［J］.Scientific Journal of Crop Science，2013，2（7）：75-94.