胡發(fā)煥+董增文+

摘要：為實現(xiàn)利用機器視覺代替人工視覺對臍橙進行品質(zhì)分級檢測，采用數(shù)字形態(tài)學(xué)方法把臍橙從背景中分離出來，并提取臍橙的體積、果面缺陷、顏色和紋理等幾個主要特征；以這些特征量為支持向量機的輸入特征向量進行ＳＶＭ分類器訓(xùn)練；最后用該分類器進行臍橙分級檢測。結(jié)果表明，該分類器正確識別率可達９０．５％，單個臍橙處理時間為１６５ ｍｓ，具有識別率高、實時性好的特點，適合于實時環(huán)境下的臍橙分級檢測。

關(guān)鍵詞：機器視覺；支持向量機；品質(zhì)分級；臍橙

中圖分類號：ＴＰ３９１文獻標識碼：Ａ文章編號：0439－８114（２０14）09－2160-05

Online Grade Detection of Navel Orange Quality Based on Machine Vision

HU Fa-huan1,2,DONG Zeng-wen2

(1. School of Mechanical & Electrical Engineering, Jiangxi University of Science and Technology, Ganzhou 341000, Jiangxi, China; 2.School of Mechanical & Electrical Engineering, Nanchang University, Nanchang 330031, China)

Ａｂｓｔｒａｃｔ： To replace artificial vision with machine vision and realize grade detection of navel orange quality, mathematical morphological was used to separate navel orange from background. The bulk features, surface defect features, colour features and texture features were extracted and used as the input feature vectors of the support vector machine, support vector machine was used in training and classification of those feature. The trained classifier was used to detect the navel orange. Results showed that the classifier had high rate of correct identification and real-time , which could be used in real-time detection of navel orange.

Ｋｅｙ ｗｏｒｄｓ： machine vision; support vector machine; quality grade; navel orange

臍橙的品質(zhì)分級檢測是臍橙產(chǎn)后處理和市場銷售的一個重要環(huán)節(jié)，我國水果傳統(tǒng)分級是采用人工識別的方式。隨著計算機圖像處理技術(shù)和機器視覺技術(shù)的發(fā)展，國內(nèi)外專家學(xué)者對利用機器視覺進行農(nóng)產(chǎn)品的分級檢測進行了大量的研究，但主要側(cè)重于利用顏色、形狀、大小、紋理等某一個或幾個特征進行分級［１，２］，因特征信息較少，分類效果不是很理想。為此，采用提取臍橙的大小、顏色、表皮紋理、果面缺陷等綜合信息特征，建立了基于支持向量機的臍橙綜合評價模型，實現(xiàn)對臍橙品質(zhì)分類檢測。江西贛州是我國主要的臍橙生產(chǎn)地，采用贛州出產(chǎn)的紐荷爾臍橙為對象，利用機器視覺技術(shù)，實現(xiàn)對臍橙的自動分級檢測，較人工方法提高了效率，降低了加工成本，為臍橙的品質(zhì)分級檢測提供了新的方法。

１試驗設(shè)備和儀器

設(shè)備采用三星ＳＣＣ－１３１Ａ攝像頭，騰龍１／３ ＣＣＴＶ ＣＳ ＴＡＭＲＯＮ鏡頭，ＭｙＶｉｓｉｏｎ９９圖像采集卡，圖像采集處理系統(tǒng)如圖１。檢測系統(tǒng)在一個封閉的箱內(nèi)進行，光源為白色光，背景為深藍色，為能采集臍橙的全貌并進行快速處理，設(shè)計采用２個攝像頭，互成１２０°安裝，攝像頭圖像大小采用統(tǒng)一的６４０×４８０像素，ｂｍｐ格式存儲，ＣＣＤ攝像頭采用標定法對攝像機內(nèi)外參數(shù)進行標定［３］，以彌補透鏡畸變引起的像素坐標偏差。臍橙為贛南地區(qū)出產(chǎn)的紐荷爾臍橙，算法程序用ＶＣ＋＋６．０編寫。

２圖像預(yù)處理

臍橙的品質(zhì)分級檢測主要包括３個步驟：圖像預(yù)處理、臍橙特征向量值的提取和支持向量分類機的構(gòu)建和測試，其信號處理流程見圖２。圖像預(yù)處理是為后續(xù)的特征值處理做準備，通過ＣＣＤ攝像頭所獲得的原始圖像見圖３。先將原始圖像進行Ｇａｕｓｓ濾波，再進行ＨＩＳ模型的轉(zhuǎn)換。

在自然界中，所有顏色都可以量化分解成紅、綠、藍（Ｒｅｄ，Ｇｒｅｅｎ，Ｂｌｕｅ）３種顏色，即ＲＧＢ模型，但采用ＲＧＢ模型獲取色調(diào)及飽和度信息很困難，而采用ＨＳＩ模型更能體現(xiàn)研究對象的信息。ＨＳＩ模型的３個量是：色調(diào)Ｈ（Ｈｕｅ）、飽和度Ｓ（Ｓａｔｕｒａｔｉｏｎ）和亮度Ｉ（Ｉｎｔｅｎｓｉｔｙ）。ＨＳＩ模型具有噪聲靈敏度低，抗干擾能力強的特點［４］。圖像由ＲＧＢ模型轉(zhuǎn)為ＨＳＩ的公式：

Ｈ＝ａｒｃｃｏｓ■（1）

Ｓ＝１－■ （２）

Ｉ＝■ （３）

圖３ａ的臍橙圖像經(jīng)過ＨＳＩ轉(zhuǎn)換后的各分量圖像如圖４所示。

３臍橙特征參量的提取

臍橙特征參量的提取是進行機器視覺分級檢測的一個關(guān)鍵環(huán)節(jié)，采用提取臍橙的大小、果面缺陷、顏色和表面紋理４個方面特征參量進行綜合品質(zhì)分級檢測。

３．１臍橙大小特征的提取

因臍橙個體形狀一般比較規(guī)則地呈橢球形，為了提高系統(tǒng)的實時性，只提取臍橙的大小特征，忽略其形狀特征。為提取臍橙的大小特征，先選取合適的閾值進行二值化處理，把臍橙從背景中分割出來。由圖４可知，Ｈ分量圖中的臍橙與背景易于區(qū)分，故通過Ｈ分量圖像進行閾值分割來提取臍橙的大小特征。采用大津（Ｏｓｔｕ）閾值法對圖像進行分割［５］，圖４ａ進行分割后的二值圖像如圖５所示。為提取臍橙的大小特征，進行二值化圖像掃描：

Ｓ＝■■ｆ（ｉ，ｊ）（４）

式中，Ｍ，Ｎ為圖像行和列的像素，ｆ（ｉ，ｊ）為二值化圖像函數(shù)，其值?。睘槟毘认袼攸c，?。盀楸尘啊＿@樣Ｓ即為臍橙的像素點數(shù)，由攝像機的標定可知，臍橙的像素點數(shù)可反映臍橙的大小特征，通過計算和實際測量，所對應(yīng)的函數(shù)為：ｙ＝０．００２ ６×Ｓ，其中ｙ為臍橙的果徑，單位為ｍｍ。采用了２個攝像頭的均值來確定臍橙的像素點數(shù)，即Ｓ＝（Ｓ１＋Ｓ２）／２。

３．２臍橙果面缺陷特征的提取

在臍橙的品質(zhì)分級檢測中，臍橙果面缺陷對臍橙的品質(zhì)影響很大，缺陷檢測是很重要的一個環(huán)節(jié)。臍橙的果面缺陷主要有２種，一種是由于生蟲原因造成的條紋，其顏色為白色（圖３ｂ）；另一種是腐爛點，其顏色為黑色（圖３ｃ）。顯然不能以一個閾值把兩種缺陷從正常果面（圖３ａ）中提取出來。圖６ａ、６ｂ、６ｃ分別為圖３ａ、３ｂ、３ｃ 3類臍橙ＨＩＳ模式的Ｓ分量圖，由圖６可見3類臍橙的Ｓ分量能很好地展現(xiàn)出臍橙的輪廓和各缺陷的輪廓，要進行臍橙的缺陷檢測，就要把果面缺陷從圖像中提取出來。首先把Ｓ分量圖像的臍橙從背景中分離出來，將圖６ａ、６ｂ、６ｃ的Ｓ分量圖與各自的二值圖像（圖５）進行掩模運算［６］，得到從背景中分離的臍橙Ｓ分量圖，如圖６ｄ、６ｅ、６ｆ所示，圖中臍橙的邊緣和果面缺陷兩者的灰度值接近，難以一次把兩者區(qū)分。采用先提取臍橙的邊緣特征，再提取果面缺陷特征的方法。圖像邊緣是指圖像中周圍像素灰度具有階躍變化的那些像素的點集合，即灰度導(dǎo)數(shù)最大的地方［７］。邊緣算子采用Ｓｏｂｅｌ算子，其水平方向的模板為：-1 -2 -1 000 121，其豎直方向的模板為：-101-202-101，從中可以看出，Ｓｏｂｅｌ算子考慮了鄰域信息，并進行了加權(quán)處理，提取的邊界不會出現(xiàn)斷裂現(xiàn)象。由Ｓｏｂｅｌ算子提取出的邊界較細，為了后續(xù)的運算，對邊界圖像再進行過灰度開運算處理，即得到臍橙的邊緣圖像如圖６ｇ、６ｈ、６ｉ所示。為了提取臍橙的果面缺陷，把圖６ｇ、６ｈ、６ｉ分別與圖６ｄ、６ｅ、６ｆ進行掩模運算得到除去邊緣的臍橙圖像，如圖６ｊ、６ｋ、６ｌ所示。將圖６ｊ、６ｋ、６ｌ進行中值濾波，再用大津（Ｏｓｔｕ）閾值法對圖像進行分割，即得到3類臍橙的果面缺陷二值化圖像，如圖６ｍ、６ｎ、６ｏ所示。得到果面缺陷二值圖像后，按照公式（４）的方法可對果面缺陷面積進行計算，臍橙果面缺陷的總面積為２個攝像頭提取的缺陷像素和，即：Ｓ′＝Ｓ１′＋Ｓ２′。通過計算和實際面積的測量，缺陷面積對應(yīng)的函數(shù)為：ｙ′＝０．１６４×Ｓ′，其中ｙ′為缺陷面積，單位為ｍｍ２。

３．３臍橙果面顏色特征和紋理特征的提取

由于臍橙成熟時的顏色為橙色，橙色主要由紅色和綠色按一定比例組成，因此特征主要選?。摇ⅲ呛停遥?3個量的平均值和標準差來衡量臍橙果面顏色特征，各分量圖像如圖７所示。

表面紋理是衡量臍橙外觀質(zhì)量的一個重要參數(shù)，紋理是由灰度分布在空間位置上反復(fù)交錯變化而形成的，它是一種不依賴于顏色和亮度而反映圖像中同質(zhì)現(xiàn)象的視覺特征，灰度共生矩陣（ＧＬＣＭ，Ｇｒａｙ Ｌｅｖｅｌ Ｃｏ－ｏｃｃｕｒｒｅｎｃｅ Ｍａｔｒｉｘ）是一種已由理論和實踐證明了的紋理度量方法，它反映圖像灰度方向、相鄰間隔和變化幅度等綜合信息，是分析圖像局部模式和排列規(guī)則的基礎(chǔ)［８］?；叶裙采仃嚸枋隽嗽趫D像中距離為d的像素對，在?琢方向上具有灰度為i和灰度為j出現(xiàn)的概率，描述為：

p（i，j，d，?琢）=%{（（k，l），（m，n））∈（Ly×Lx）×（Ly×Lx）|d，?琢，I（k，l）=i，I（m，n）=j}（５）

式中Ly×Lx是圖像的像素集，Ｉ表明每個像素灰度都取自集合Ｇ，即I∶Ly×Lx→G，％表示大括號中成立的像素對?；诨叶裙采仃嚨募y理特征屬性有多種，根據(jù)臍橙的特點選取對比度和能量兩個特征量來反映臍橙的表面紋理特征。

１）對比度（Ｃｏｎｔｒａｓｔ），它反映圖像的清晰度、紋理的強弱，值越大表明紋理效果越顯，反之則越弱，當值為０時，表明完全均一，沒有紋理。其表達式為：

f■＝■■■n2p（i，j） （6）

式中，i-j＝ｎ，Ｎｇ為灰度量化級集，ｐ（ｉ，ｊ）為灰度共生矩陣。

２）能量（角二階矩），它反映圖像中像素的紋理粗細程度和像素分布的均勻程度，當圖像較細、分布均勻時能量較大；反之則更小，取值范圍是［０，１］。其表達式為：

ｆＡＳＭ＝■■｛ｐ（ｉ，ｊ）｝２ （７）

式中，ｐ（ｉ，ｊ）表示歸一化后的灰度共生矩陣。

以從背景中分離出來的臍橙Ｉ分量圖像進行紋理分析，在考慮臍橙顏色的特點和計算量的實時性，在實驗的基礎(chǔ)上，將按照下列的參數(shù)設(shè)置進行紋理特征的提?。悍较?琢取水平方向０°、副對角線４５°、豎直方向９０°、主對角線１３５° 4個方向；灰度化級數(shù)Ｎｇ設(shè)置為１６；步距ｄ設(shè)置為４。

４支持向量機的臍橙分級檢測

４．１支持向量機的識別算法

支持向量機（ＳＶＭ，Ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ）是一種新的模式識別方法，具有兼顧訓(xùn)練誤差和泛化能力的優(yōu)點，它在解決小樣本、高維度、非線性等模式識別問題中表現(xiàn)出很多優(yōu)點。其主要思想是利用非線性映射函數(shù)將輸入樣本從低維空間映射到高維的特征空間，并在高維特征空間建立最優(yōu)分類面［９］。支持向量機采用等式約束替代不等式約束，將誤差的二范數(shù)作為優(yōu)化目標的損失函數(shù)，把求解二次規(guī)劃問題轉(zhuǎn)化為求解線性方程組的問題。設(shè)目標函數(shù)：

?準（?棕，?孜）=■?棕■+C■?孜i（８）

式中，?孜為松弛因子，C為懲罰因子是正常數(shù)，約束條件是：

yi［（?棕·xi）+b］≥1-?孜i，i=1,2，…n （９）

為了解決優(yōu)化問題，引入Ｌａｇｒａｎｇｅ函數(shù)：

L（?棕，b，?琢）=■?棕+C■?孜i-■?琢i［yi（?棕·（xi+b））-1+?孜i］（１０）

為求Ｌａｇｒａｎｇｅ函數(shù)的最小值，分別對?棕，b，?琢i，?孜i求偏導(dǎo)數(shù)并令它們等于０，這樣可得最優(yōu)分類函數(shù)：

ｙ（ｘ）＝sign（■aiyik（x，xi）+b）（１１）

式中，k（x，xi）為核函數(shù)。因高斯徑向基函數(shù)構(gòu)成的支持向量機有很高的非線性分類性能，所以核函數(shù)選用高斯徑向基函數(shù)：

k（x，xi）＝ｅｘｐ（-■） （１２）

在以高斯徑向函數(shù)構(gòu)成的ＳＶＭ分類機中，參數(shù)Ｃ和?啄對分類效果影響較大，目前還沒有統(tǒng)一的方法來確定Ｃ的值，一般是通過實驗選擇合適的Ｃ值，再確定?啄的值，本研究在試驗的基礎(chǔ)上，最后確定Ｃ＝２０，?啄＝０．３６。

４．２特征的選擇和歸一化處理

有效表達和特征選擇是臍橙品質(zhì)分級檢測的一個關(guān)鍵環(huán)節(jié)，良好的特征應(yīng)該具有可區(qū)別性、可靠性、獨立性和數(shù)量少等特點。選取的特征是臍橙的大小特征、果面缺陷面積、３個顏色特征和２個紋理特征為ＳＶＭ的輸入量，在建立分類超平面時，考慮到各特征量的變化范圍，同時為避免不平衡的可能造成的計算困難［１０］，對ＳＶＭ輸入的特征量進行歸一化處理，歸一化處理的公式為：

Ｎｖａ＝■（１３）

式中，Ova為原始特征值，Ｎｖａ為歸一化后的特征值，max（va）、min（va）分別為特征值的最大值和最小值。經(jīng)過歸一化后的特值值取值范圍都為［－１，１］。

４．３支持向量機的構(gòu)建和測試

ＳＶＭ自動分級過程分為兩個步驟，學(xué)習(xí)和建模過程：選擇一批臍橙作為訓(xùn)練樣本，把提取的臍橙特征參數(shù)值作為ＳＶＭ的輸入，臍橙的人工分級作為ＳＶＭ期望輸出。訓(xùn)練樣本通過ＳＶＭ自學(xué)習(xí)和參數(shù)調(diào)整，獲得一組ＳＶＭ最優(yōu)參數(shù)，采用最優(yōu)參數(shù)建立一種輸入與輸出之間的非線性分級模型。臍橙自動分級及檢測過程：將待檢測分級的臍橙特征參數(shù)作為ＳＶＭ輸入，通過建立好的ＳＶＭ分類器進行分類，從而得到臍橙的分類等級。

ＳＶＭ只能處理兩類分類問題，而臍橙是多類的分級，為處理多類別分級問題，ＳＶＭ的擴展主要有以下兩種形式：①多對一，即選取類別中的一種作為一個類別，其余ｎ－１類別作為另一個類別，這樣分離一個類別，對其余ｎ－１個類別用同樣的算法分開。這樣處理ｎ個類別需要解ｎ－１個ＳＶＭ問題。②一對一，在任意兩類樣本之間設(shè)計一個ＳＶＭ，ｎ個分類就需要ｎ（ｎ－１）／２個ＳＶＭ進行分類，最后得票最多的類別即為該未知樣本的類別。這兩種方法各有優(yōu)缺點，考慮到實際工程的實時性和復(fù)雜性，采用前一種方法。為建立ＳＶＭ的學(xué)習(xí)模型，以江西贛南地區(qū)產(chǎn)的紐荷爾臍橙為對象，根據(jù)ＧＢ／Ｔ ２１４８８－２００８的要求，把臍橙分為４種等級：特級果、一級果、二級果和等外果（次品）（表１）。訓(xùn)練集臍橙共４００個，先根據(jù)國家標準對樣本進行人工分級，其中特級果、一級果、二級果、等外果各１００個。測試樣本與訓(xùn)練樣本比例為１∶２，整個系統(tǒng)處理流程如圖２所示，在建立好ＳＶＭ分類器后，分別就單個特征向量和多個特征向量的分類效果進行多次測試，取其平均值進行比較，結(jié)果如表２所示。從表２可以看出當采用4個特征量進行綜合分類時，其識別率最好可達到９０．５％，單個臍橙處理時間為１６５ ｍｓ。

５小結(jié)

采用機器視覺，提取臍橙的大小、果面缺陷、顏色和表面紋理４個特征向量，構(gòu)建了以這４個特征向量為輸入、以臍橙分級等級為輸出的ＳＶＭ分類機。經(jīng)過試驗測試，ＳＶＭ分類機的識別率最高達９０．５％。為基于機器視覺的臍橙品質(zhì)分類檢測提供了可參考的基礎(chǔ)數(shù)據(jù)和技術(shù)方案，對臍橙自動分級檢測生產(chǎn)具有實際參考價值。但此次的技術(shù)方案也存在一個不足，即未對臍橙的糖度進行檢測，沒有把臍橙的甜度納入分級參考。

參考文獻：

［１］ 李聰，高海燕，袁超．基于計算機視覺的蘋果自動分級方法研究［Ｊ］．計算機仿真，２０１２，２９（９）：２９３－２９６．

［２］ ＷＨＩＴＥＬＯＣＫ Ｄ Ｐ， ＢＲＵＳＥＷＩＴＺ Ｇ Ｈ， ＳＴＯＮＥ Ｍ Ｌ． Ａｐｐｌｅ ｓｈａｐｅ ａｎｄ ｒｏｌｌｉｎｇ ｏｒｉｅｎｔａｔｉｏｎ［Ｊ］． Ａｐｐｌｉｅｄ Ｅｎｇｉｎｅｅｒｉｎｇ ｉｎ Ａｇｒｉｃｕｌｔｕｒｅ， ２００６，２２（１）：８７－９４．

［３］ 鄭俊，龔聲蓉，劉純平．一種使用校正模板的非線性攝像機標定方法［Ｊ］．計算機工程與應(yīng)用，２０１１，４７（３１）：１９２－１９６．

［４］ 殷勇，陶凱，于慧春．基于機器視覺的蘋果分級中特征參量選擇方法［Ｊ］．農(nóng)業(yè)機械學(xué)報，２０１２，４３（６）：１１８－１２１，１２７．

［５］ ＰＯＬＡＴ Ｋ，ＧＵＮＥＳ Ｓ．Ｂｒｅａｓｔ ｃａｎｃｅｒ diagnosis ｕｓｉｎｇ ｌｅａｓｔ ｓｑｕａｒｅ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ［Ｊ］． Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，２００７，１７（４）：６９４－７００．

［６］ 李革，李斌，王瑩，等．基于ＨＩＳ顏色模型的珍珠顏色分選方法［Ｊ］．農(nóng)業(yè)工程學(xué)報，２００８，２４（８）：２８４－２８７．

［７］ ＺＥＬＪＫＯＶＩＣ Ｖ， ＰＲＡＫＳ Ｐ． Ａｕｔｏｍａｔｉｃ ｏｂｊｅｃｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ ｉｍａｇｅ ｒｅｔｒｉｅｖａｌ ｂｙ ｓｏｂｅｌ ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｌａｔｅｎｔ ｓｅｍａｔｉｃ ｍｅｔｈｏｄｓ［Ｊ］． Ｓｏｃｉａｌ ａｎｄ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１２， ７９：２０４－２０５．

［８］ 孫君頂，郭啟強，周雪梅．基于顏色和紋理特征的彩色圖像檢索［Ｊ］．計算機工程與應(yīng)用，２０１０，４６（２９）：１７６－１７８．

［９］ 白鵬，張喜斌，張斌，等．支持向量機理論及工程應(yīng)用實例［Ｍ］．西安：西安電子科技大學(xué)出版社，２００８．

［１０］ 陳英，楊豐玉， 符祥．基于支持向量機和灰度共生矩陣的紋理圖像分割方法［Ｊ］．傳感器與微系統(tǒng)，２０１２，３１（９）：６０－６３．

３．３臍橙果面顏色特征和紋理特征的提取

由于臍橙成熟時的顏色為橙色，橙色主要由紅色和綠色按一定比例組成，因此特征主要選?。?、Ｇ和Ｒ－Ｇ 3個量的平均值和標準差來衡量臍橙果面顏色特征，各分量圖像如圖７所示。

表面紋理是衡量臍橙外觀質(zhì)量的一個重要參數(shù)，紋理是由灰度分布在空間位置上反復(fù)交錯變化而形成的，它是一種不依賴于顏色和亮度而反映圖像中同質(zhì)現(xiàn)象的視覺特征，灰度共生矩陣（ＧＬＣＭ，Ｇｒａｙ Ｌｅｖｅｌ Ｃｏ－ｏｃｃｕｒｒｅｎｃｅ Ｍａｔｒｉｘ）是一種已由理論和實踐證明了的紋理度量方法，它反映圖像灰度方向、相鄰間隔和變化幅度等綜合信息，是分析圖像局部模式和排列規(guī)則的基礎(chǔ)［８］?；叶裙采仃嚸枋隽嗽趫D像中距離為d的像素對，在?琢方向上具有灰度為i和灰度為j出現(xiàn)的概率，描述為：

p（i，j，d，?琢）=%{（（k，l），（m，n））∈（Ly×Lx）×（Ly×Lx）|d，?琢，I（k，l）=i，I（m，n）=j}（５）

式中Ly×Lx是圖像的像素集，Ｉ表明每個像素灰度都取自集合Ｇ，即I∶Ly×Lx→G，％表示大括號中成立的像素對。基于灰度共生矩陣的紋理特征屬性有多種，根據(jù)臍橙的特點選取對比度和能量兩個特征量來反映臍橙的表面紋理特征。

１）對比度（Ｃｏｎｔｒａｓｔ），它反映圖像的清晰度、紋理的強弱，值越大表明紋理效果越顯，反之則越弱，當值為０時，表明完全均一，沒有紋理。其表達式為：

f■＝■■■n2p（i，j） （6）

式中，i-j＝ｎ，Ｎｇ為灰度量化級集，ｐ（ｉ，ｊ）為灰度共生矩陣。

２）能量（角二階矩），它反映圖像中像素的紋理粗細程度和像素分布的均勻程度，當圖像較細、分布均勻時能量較大；反之則更小，取值范圍是［０，１］。其表達式為：

ｆＡＳＭ＝■■｛ｐ（ｉ，ｊ）｝２ （７）

式中，ｐ（ｉ，ｊ）表示歸一化后的灰度共生矩陣。

以從背景中分離出來的臍橙Ｉ分量圖像進行紋理分析，在考慮臍橙顏色的特點和計算量的實時性，在實驗的基礎(chǔ)上，將按照下列的參數(shù)設(shè)置進行紋理特征的提?。悍较?琢取水平方向０°、副對角線４５°、豎直方向９０°、主對角線１３５° 4個方向；灰度化級數(shù)Ｎｇ設(shè)置為１６；步距ｄ設(shè)置為４。

４支持向量機的臍橙分級檢測

４．１支持向量機的識別算法

支持向量機（ＳＶＭ，Ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ）是一種新的模式識別方法，具有兼顧訓(xùn)練誤差和泛化能力的優(yōu)點，它在解決小樣本、高維度、非線性等模式識別問題中表現(xiàn)出很多優(yōu)點。其主要思想是利用非線性映射函數(shù)將輸入樣本從低維空間映射到高維的特征空間，并在高維特征空間建立最優(yōu)分類面［９］。支持向量機采用等式約束替代不等式約束，將誤差的二范數(shù)作為優(yōu)化目標的損失函數(shù)，把求解二次規(guī)劃問題轉(zhuǎn)化為求解線性方程組的問題。設(shè)目標函數(shù)：

?準（?棕，?孜）=■?棕■+C■?孜i（８）

式中，?孜為松弛因子，C為懲罰因子是正常數(shù)，約束條件是：

yi［（?棕·xi）+b］≥1-?孜i，i=1,2，…n （９）

為了解決優(yōu)化問題，引入Ｌａｇｒａｎｇｅ函數(shù)：

L（?棕，b，?琢）=■?棕+C■?孜i-■?琢i［yi（?棕·（xi+b））-1+?孜i］（１０）

為求Ｌａｇｒａｎｇｅ函數(shù)的最小值，分別對?棕，b，?琢i，?孜i求偏導(dǎo)數(shù)并令它們等于０，這樣可得最優(yōu)分類函數(shù)：

ｙ（ｘ）＝sign（■aiyik（x，xi）+b）（１１）

式中，k（x，xi）為核函數(shù)。因高斯徑向基函數(shù)構(gòu)成的支持向量機有很高的非線性分類性能，所以核函數(shù)選用高斯徑向基函數(shù)：

k（x，xi）＝ｅｘｐ（-■） （１２）

在以高斯徑向函數(shù)構(gòu)成的ＳＶＭ分類機中，參數(shù)Ｃ和?啄對分類效果影響較大，目前還沒有統(tǒng)一的方法來確定Ｃ的值，一般是通過實驗選擇合適的Ｃ值，再確定?啄的值，本研究在試驗的基礎(chǔ)上，最后確定Ｃ＝２０，?啄＝０．３６。

４．２特征的選擇和歸一化處理

有效表達和特征選擇是臍橙品質(zhì)分級檢測的一個關(guān)鍵環(huán)節(jié)，良好的特征應(yīng)該具有可區(qū)別性、可靠性、獨立性和數(shù)量少等特點。選取的特征是臍橙的大小特征、果面缺陷面積、３個顏色特征和２個紋理特征為ＳＶＭ的輸入量，在建立分類超平面時，考慮到各特征量的變化范圍，同時為避免不平衡的可能造成的計算困難［１０］，對ＳＶＭ輸入的特征量進行歸一化處理，歸一化處理的公式為：

Ｎｖａ＝■（１３）

式中，Ova為原始特征值，Ｎｖａ為歸一化后的特征值，max（va）、min（va）分別為特征值的最大值和最小值。經(jīng)過歸一化后的特值值取值范圍都為［－１，１］。

４．３支持向量機的構(gòu)建和測試

ＳＶＭ自動分級過程分為兩個步驟，學(xué)習(xí)和建模過程：選擇一批臍橙作為訓(xùn)練樣本，把提取的臍橙特征參數(shù)值作為ＳＶＭ的輸入，臍橙的人工分級作為ＳＶＭ期望輸出。訓(xùn)練樣本通過ＳＶＭ自學(xué)習(xí)和參數(shù)調(diào)整，獲得一組ＳＶＭ最優(yōu)參數(shù)，采用最優(yōu)參數(shù)建立一種輸入與輸出之間的非線性分級模型。臍橙自動分級及檢測過程：將待檢測分級的臍橙特征參數(shù)作為ＳＶＭ輸入，通過建立好的ＳＶＭ分類器進行分類，從而得到臍橙的分類等級。

ＳＶＭ只能處理兩類分類問題，而臍橙是多類的分級，為處理多類別分級問題，ＳＶＭ的擴展主要有以下兩種形式：①多對一，即選取類別中的一種作為一個類別，其余ｎ－１類別作為另一個類別，這樣分離一個類別，對其余ｎ－１個類別用同樣的算法分開。這樣處理ｎ個類別需要解ｎ－１個ＳＶＭ問題。②一對一，在任意兩類樣本之間設(shè)計一個ＳＶＭ，ｎ個分類就需要ｎ（ｎ－１）／２個ＳＶＭ進行分類，最后得票最多的類別即為該未知樣本的類別。這兩種方法各有優(yōu)缺點，考慮到實際工程的實時性和復(fù)雜性，采用前一種方法。為建立ＳＶＭ的學(xué)習(xí)模型，以江西贛南地區(qū)產(chǎn)的紐荷爾臍橙為對象，根據(jù)ＧＢ／Ｔ ２１４８８－２００８的要求，把臍橙分為４種等級：特級果、一級果、二級果和等外果（次品）（表１）。訓(xùn)練集臍橙共４００個，先根據(jù)國家標準對樣本進行人工分級，其中特級果、一級果、二級果、等外果各１００個。測試樣本與訓(xùn)練樣本比例為１∶２，整個系統(tǒng)處理流程如圖２所示，在建立好ＳＶＭ分類器后，分別就單個特征向量和多個特征向量的分類效果進行多次測試，取其平均值進行比較，結(jié)果如表２所示。從表２可以看出當采用4個特征量進行綜合分類時，其識別率最好可達到９０．５％，單個臍橙處理時間為１６５ ｍｓ。

５小結(jié)

采用機器視覺，提取臍橙的大小、果面缺陷、顏色和表面紋理４個特征向量，構(gòu)建了以這４個特征向量為輸入、以臍橙分級等級為輸出的ＳＶＭ分類機。經(jīng)過試驗測試，ＳＶＭ分類機的識別率最高達９０．５％。為基于機器視覺的臍橙品質(zhì)分類檢測提供了可參考的基礎(chǔ)數(shù)據(jù)和技術(shù)方案，對臍橙自動分級檢測生產(chǎn)具有實際參考價值。但此次的技術(shù)方案也存在一個不足，即未對臍橙的糖度進行檢測，沒有把臍橙的甜度納入分級參考。

參考文獻：

［１］ 李聰，高海燕，袁超．基于計算機視覺的蘋果自動分級方法研究［Ｊ］．計算機仿真，２０１２，２９（９）：２９３－２９６．

［２］ ＷＨＩＴＥＬＯＣＫ Ｄ Ｐ， ＢＲＵＳＥＷＩＴＺ Ｇ Ｈ， ＳＴＯＮＥ Ｍ Ｌ． Ａｐｐｌｅ ｓｈａｐｅ ａｎｄ ｒｏｌｌｉｎｇ ｏｒｉｅｎｔａｔｉｏｎ［Ｊ］． Ａｐｐｌｉｅｄ Ｅｎｇｉｎｅｅｒｉｎｇ ｉｎ Ａｇｒｉｃｕｌｔｕｒｅ， ２００６，２２（１）：８７－９４．

［３］ 鄭俊，龔聲蓉，劉純平．一種使用校正模板的非線性攝像機標定方法［Ｊ］．計算機工程與應(yīng)用，２０１１，４７（３１）：１９２－１９６．

［４］ 殷勇，陶凱，于慧春．基于機器視覺的蘋果分級中特征參量選擇方法［Ｊ］．農(nóng)業(yè)機械學(xué)報，２０１２，４３（６）：１１８－１２１，１２７．

［５］ ＰＯＬＡＴ Ｋ，ＧＵＮＥＳ Ｓ．Ｂｒｅａｓｔ ｃａｎｃｅｒ diagnosis ｕｓｉｎｇ ｌｅａｓｔ ｓｑｕａｒｅ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ［Ｊ］． Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，２００７，１７（４）：６９４－７００．

［６］ 李革，李斌，王瑩，等．基于ＨＩＳ顏色模型的珍珠顏色分選方法［Ｊ］．農(nóng)業(yè)工程學(xué)報，２００８，２４（８）：２８４－２８７．

［７］ ＺＥＬＪＫＯＶＩＣ Ｖ， ＰＲＡＫＳ Ｐ． Ａｕｔｏｍａｔｉｃ ｏｂｊｅｃｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ ｉｍａｇｅ ｒｅｔｒｉｅｖａｌ ｂｙ ｓｏｂｅｌ ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｌａｔｅｎｔ ｓｅｍａｔｉｃ ｍｅｔｈｏｄｓ［Ｊ］． Ｓｏｃｉａｌ ａｎｄ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１２， ７９：２０４－２０５．

［８］ 孫君頂，郭啟強，周雪梅．基于顏色和紋理特征的彩色圖像檢索［Ｊ］．計算機工程與應(yīng)用，２０１０，４６（２９）：１７６－１７８．

［９］ 白鵬，張喜斌，張斌，等．支持向量機理論及工程應(yīng)用實例［Ｍ］．西安：西安電子科技大學(xué)出版社，２００８．

［１０］ 陳英，楊豐玉， 符祥．基于支持向量機和灰度共生矩陣的紋理圖像分割方法［Ｊ］．傳感器與微系統(tǒng)，２０１２，３１（９）：６０－６３．

３．３臍橙果面顏色特征和紋理特征的提取

由于臍橙成熟時的顏色為橙色，橙色主要由紅色和綠色按一定比例組成，因此特征主要選?。?、Ｇ和Ｒ－Ｇ 3個量的平均值和標準差來衡量臍橙果面顏色特征，各分量圖像如圖７所示。

表面紋理是衡量臍橙外觀質(zhì)量的一個重要參數(shù)，紋理是由灰度分布在空間位置上反復(fù)交錯變化而形成的，它是一種不依賴于顏色和亮度而反映圖像中同質(zhì)現(xiàn)象的視覺特征，灰度共生矩陣（ＧＬＣＭ，Ｇｒａｙ Ｌｅｖｅｌ Ｃｏ－ｏｃｃｕｒｒｅｎｃｅ Ｍａｔｒｉｘ）是一種已由理論和實踐證明了的紋理度量方法，它反映圖像灰度方向、相鄰間隔和變化幅度等綜合信息，是分析圖像局部模式和排列規(guī)則的基礎(chǔ)［８］?；叶裙采仃嚸枋隽嗽趫D像中距離為d的像素對，在?琢方向上具有灰度為i和灰度為j出現(xiàn)的概率，描述為：

p（i，j，d，?琢）=%{（（k，l），（m，n））∈（Ly×Lx）×（Ly×Lx）|d，?琢，I（k，l）=i，I（m，n）=j}（５）

式中Ly×Lx是圖像的像素集，Ｉ表明每個像素灰度都取自集合Ｇ，即I∶Ly×Lx→G，％表示大括號中成立的像素對?；诨叶裙采仃嚨募y理特征屬性有多種，根據(jù)臍橙的特點選取對比度和能量兩個特征量來反映臍橙的表面紋理特征。

１）對比度（Ｃｏｎｔｒａｓｔ），它反映圖像的清晰度、紋理的強弱，值越大表明紋理效果越顯，反之則越弱，當值為０時，表明完全均一，沒有紋理。其表達式為：

f■＝■■■n2p（i，j） （6）

式中，i-j＝ｎ，Ｎｇ為灰度量化級集，ｐ（ｉ，ｊ）為灰度共生矩陣。

２）能量（角二階矩），它反映圖像中像素的紋理粗細程度和像素分布的均勻程度，當圖像較細、分布均勻時能量較大；反之則更小，取值范圍是［０，１］。其表達式為：

ｆＡＳＭ＝■■｛ｐ（ｉ，ｊ）｝２ （７）

式中，ｐ（ｉ，ｊ）表示歸一化后的灰度共生矩陣。

以從背景中分離出來的臍橙Ｉ分量圖像進行紋理分析，在考慮臍橙顏色的特點和計算量的實時性，在實驗的基礎(chǔ)上，將按照下列的參數(shù)設(shè)置進行紋理特征的提?。悍较?琢取水平方向０°、副對角線４５°、豎直方向９０°、主對角線１３５° 4個方向；灰度化級數(shù)Ｎｇ設(shè)置為１６；步距ｄ設(shè)置為４。

４支持向量機的臍橙分級檢測

４．１支持向量機的識別算法

支持向量機（ＳＶＭ，Ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ）是一種新的模式識別方法，具有兼顧訓(xùn)練誤差和泛化能力的優(yōu)點，它在解決小樣本、高維度、非線性等模式識別問題中表現(xiàn)出很多優(yōu)點。其主要思想是利用非線性映射函數(shù)將輸入樣本從低維空間映射到高維的特征空間，并在高維特征空間建立最優(yōu)分類面［９］。支持向量機采用等式約束替代不等式約束，將誤差的二范數(shù)作為優(yōu)化目標的損失函數(shù)，把求解二次規(guī)劃問題轉(zhuǎn)化為求解線性方程組的問題。設(shè)目標函數(shù)：

?準（?棕，?孜）=■?棕■+C■?孜i（８）

式中，?孜為松弛因子，C為懲罰因子是正常數(shù)，約束條件是：

yi［（?棕·xi）+b］≥1-?孜i，i=1,2，…n （９）

為了解決優(yōu)化問題，引入Ｌａｇｒａｎｇｅ函數(shù)：

L（?棕，b，?琢）=■?棕+C■?孜i-■?琢i［yi（?棕·（xi+b））-1+?孜i］（１０）

為求Ｌａｇｒａｎｇｅ函數(shù)的最小值，分別對?棕，b，?琢i，?孜i求偏導(dǎo)數(shù)并令它們等于０，這樣可得最優(yōu)分類函數(shù)：

ｙ（ｘ）＝sign（■aiyik（x，xi）+b）（１１）

式中，k（x，xi）為核函數(shù)。因高斯徑向基函數(shù)構(gòu)成的支持向量機有很高的非線性分類性能，所以核函數(shù)選用高斯徑向基函數(shù)：

k（x，xi）＝ｅｘｐ（-■） （１２）

在以高斯徑向函數(shù)構(gòu)成的ＳＶＭ分類機中，參數(shù)Ｃ和?啄對分類效果影響較大，目前還沒有統(tǒng)一的方法來確定Ｃ的值，一般是通過實驗選擇合適的Ｃ值，再確定?啄的值，本研究在試驗的基礎(chǔ)上，最后確定Ｃ＝２０，?啄＝０．３６。

４．２特征的選擇和歸一化處理

有效表達和特征選擇是臍橙品質(zhì)分級檢測的一個關(guān)鍵環(huán)節(jié)，良好的特征應(yīng)該具有可區(qū)別性、可靠性、獨立性和數(shù)量少等特點。選取的特征是臍橙的大小特征、果面缺陷面積、３個顏色特征和２個紋理特征為ＳＶＭ的輸入量，在建立分類超平面時，考慮到各特征量的變化范圍，同時為避免不平衡的可能造成的計算困難［１０］，對ＳＶＭ輸入的特征量進行歸一化處理，歸一化處理的公式為：

Ｎｖａ＝■（１３）

式中，Ova為原始特征值，Ｎｖａ為歸一化后的特征值，max（va）、min（va）分別為特征值的最大值和最小值。經(jīng)過歸一化后的特值值取值范圍都為［－１，１］。

４．３支持向量機的構(gòu)建和測試

ＳＶＭ自動分級過程分為兩個步驟，學(xué)習(xí)和建模過程：選擇一批臍橙作為訓(xùn)練樣本，把提取的臍橙特征參數(shù)值作為ＳＶＭ的輸入，臍橙的人工分級作為ＳＶＭ期望輸出。訓(xùn)練樣本通過ＳＶＭ自學(xué)習(xí)和參數(shù)調(diào)整，獲得一組ＳＶＭ最優(yōu)參數(shù)，采用最優(yōu)參數(shù)建立一種輸入與輸出之間的非線性分級模型。臍橙自動分級及檢測過程：將待檢測分級的臍橙特征參數(shù)作為ＳＶＭ輸入，通過建立好的ＳＶＭ分類器進行分類，從而得到臍橙的分類等級。

ＳＶＭ只能處理兩類分類問題，而臍橙是多類的分級，為處理多類別分級問題，ＳＶＭ的擴展主要有以下兩種形式：①多對一，即選取類別中的一種作為一個類別，其余ｎ－１類別作為另一個類別，這樣分離一個類別，對其余ｎ－１個類別用同樣的算法分開。這樣處理ｎ個類別需要解ｎ－１個ＳＶＭ問題。②一對一，在任意兩類樣本之間設(shè)計一個ＳＶＭ，ｎ個分類就需要ｎ（ｎ－１）／２個ＳＶＭ進行分類，最后得票最多的類別即為該未知樣本的類別。這兩種方法各有優(yōu)缺點，考慮到實際工程的實時性和復(fù)雜性，采用前一種方法。為建立ＳＶＭ的學(xué)習(xí)模型，以江西贛南地區(qū)產(chǎn)的紐荷爾臍橙為對象，根據(jù)ＧＢ／Ｔ ２１４８８－２００８的要求，把臍橙分為４種等級：特級果、一級果、二級果和等外果（次品）（表１）。訓(xùn)練集臍橙共４００個，先根據(jù)國家標準對樣本進行人工分級，其中特級果、一級果、二級果、等外果各１００個。測試樣本與訓(xùn)練樣本比例為１∶２，整個系統(tǒng)處理流程如圖２所示，在建立好ＳＶＭ分類器后，分別就單個特征向量和多個特征向量的分類效果進行多次測試，取其平均值進行比較，結(jié)果如表２所示。從表２可以看出當采用4個特征量進行綜合分類時，其識別率最好可達到９０．５％，單個臍橙處理時間為１６５ ｍｓ。

５小結(jié)

采用機器視覺，提取臍橙的大小、果面缺陷、顏色和表面紋理４個特征向量，構(gòu)建了以這４個特征向量為輸入、以臍橙分級等級為輸出的ＳＶＭ分類機。經(jīng)過試驗測試，ＳＶＭ分類機的識別率最高達９０．５％。為基于機器視覺的臍橙品質(zhì)分類檢測提供了可參考的基礎(chǔ)數(shù)據(jù)和技術(shù)方案，對臍橙自動分級檢測生產(chǎn)具有實際參考價值。但此次的技術(shù)方案也存在一個不足，即未對臍橙的糖度進行檢測，沒有把臍橙的甜度納入分級參考。

參考文獻：

［１］ 李聰，高海燕，袁超．基于計算機視覺的蘋果自動分級方法研究［Ｊ］．計算機仿真，２０１２，２９（９）：２９３－２９６．

［２］ ＷＨＩＴＥＬＯＣＫ Ｄ Ｐ， ＢＲＵＳＥＷＩＴＺ Ｇ Ｈ， ＳＴＯＮＥ Ｍ Ｌ． Ａｐｐｌｅ ｓｈａｐｅ ａｎｄ ｒｏｌｌｉｎｇ ｏｒｉｅｎｔａｔｉｏｎ［Ｊ］． Ａｐｐｌｉｅｄ Ｅｎｇｉｎｅｅｒｉｎｇ ｉｎ Ａｇｒｉｃｕｌｔｕｒｅ， ２００６，２２（１）：８７－９４．

［３］ 鄭俊，龔聲蓉，劉純平．一種使用校正模板的非線性攝像機標定方法［Ｊ］．計算機工程與應(yīng)用，２０１１，４７（３１）：１９２－１９６．

［４］ 殷勇，陶凱，于慧春．基于機器視覺的蘋果分級中特征參量選擇方法［Ｊ］．農(nóng)業(yè)機械學(xué)報，２０１２，４３（６）：１１８－１２１，１２７．

［５］ ＰＯＬＡＴ Ｋ，ＧＵＮＥＳ Ｓ．Ｂｒｅａｓｔ ｃａｎｃｅｒ diagnosis ｕｓｉｎｇ ｌｅａｓｔ ｓｑｕａｒｅ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ［Ｊ］． Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，２００７，１７（４）：６９４－７００．

［６］ 李革，李斌，王瑩，等．基于ＨＩＳ顏色模型的珍珠顏色分選方法［Ｊ］．農(nóng)業(yè)工程學(xué)報，２００８，２４（８）：２８４－２８７．

［７］ ＺＥＬＪＫＯＶＩＣ Ｖ， ＰＲＡＫＳ Ｐ． Ａｕｔｏｍａｔｉｃ ｏｂｊｅｃｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ ｉｍａｇｅ ｒｅｔｒｉｅｖａｌ ｂｙ ｓｏｂｅｌ ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｌａｔｅｎｔ ｓｅｍａｔｉｃ ｍｅｔｈｏｄｓ［Ｊ］． Ｓｏｃｉａｌ ａｎｄ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１２， ７９：２０４－２０５．

［８］ 孫君頂，郭啟強，周雪梅．基于顏色和紋理特征的彩色圖像檢索［Ｊ］．計算機工程與應(yīng)用，２０１０，４６（２９）：１７６－１７８．

［９］ 白鵬，張喜斌，張斌，等．支持向量機理論及工程應(yīng)用實例［Ｍ］．西安：西安電子科技大學(xué)出版社，２００８．

［１０］ 陳英，楊豐玉， 符祥．基于支持向量機和灰度共生矩陣的紋理圖像分割方法［Ｊ］．傳感器與微系統(tǒng)，２０１２，３１（９）：６０－６３．