程榮花　馬飛　梁亞紅

摘要：水果分類在超市導(dǎo)購(gòu)中有較為重要的應(yīng)用價(jià)值，應(yīng)用自動(dòng)化識(shí)別技術(shù)能夠?qū)崿F(xiàn)大量水果的高效分類。主成分分析可以從多元事物中解析出主要影響因素，從而利用一個(gè)或幾個(gè)較好的綜合指標(biāo)來(lái)概括信息。本研究采用基于主成分分析的識(shí)別分類技術(shù)對(duì)10種外形相似的水果進(jìn)行預(yù)處理、訓(xùn)練和識(shí)別，得到了較好的識(shí)別效果，各種水果的平均識(shí)別率達(dá)到93%以上，基本能夠滿足實(shí)際應(yīng)用。

關(guān)鍵詞：水果；分類；主成分分析； 外形相似；自動(dòng)化識(shí)別

中圖分類號(hào)：S126 文獻(xiàn)標(biāo)識(shí)號(hào)：A 文章編號(hào)：1001-4942（2015）08-0116-03

Abstract Fruit classification is important for supermarket shopping guiding， which can be achieved efficiently by automatic recognition technology. The principal component analysis can separate out the main influencing factors from multiple things，and then use one or several better comprehensive indexes to summarize information. In this paper， 10 kinds of shape similar fruits were pretreated， trained and recognized by recognition and classification technologies based on the principal component analysis， and better recognition effects were obtained. The average recognition rate of various kinds of fruits were more than 93%， which indicated that this method could meet the actual application.

Key words Fruit； Classification； Principal component analysis； Shape similarity；Automatic recognition

水果的智能識(shí)別是當(dāng)前農(nóng)產(chǎn)品市場(chǎng)及超市急需采用的一項(xiàng)技術(shù)，主要應(yīng)用在水果品質(zhì)檢測(cè)和分級(jí)方面，不僅有利于大規(guī)模、高效率地采購(gòu)水果，還可以對(duì)水果進(jìn)行準(zhǔn)確地分類，提高其管理效率。水果識(shí)別技術(shù)的本質(zhì)是圖像識(shí)別，圖像的預(yù)處理、特征提取和最終的判別分類方法的研究是水果識(shí)別技術(shù)的關(guān)鍵。

近年來(lái)越來(lái)越多的研究人員開(kāi)始關(guān)注農(nóng)產(chǎn)品分類識(shí)別的研究[1～5]。聶繼云等[6]利用圖像的顏色、紋理及維度特征對(duì)蘋(píng)果分類進(jìn)行了研究，但由于受多方面因素的限制，未能充分利用圖像領(lǐng)域發(fā)展的先進(jìn)技術(shù)，存在很多不足之處。張保華等[7]采用高光譜成像技術(shù)和分段主成分分析方法對(duì)蘋(píng)果輕微損傷進(jìn)行檢測(cè)，損傷果的識(shí)別率達(dá)96%，這為應(yīng)用主成分分析技術(shù)和多光譜成像技術(shù)檢測(cè)水果損傷的研究提供了參考。薛建新等[8]采用高光譜成像技術(shù)對(duì)壺瓶棗的自然損傷（縮果病、裂紋、蟲(chóng)害、黑斑病以及鳥(niǎo)啄傷）進(jìn)行識(shí)別研究，通過(guò)采集自然損傷及完好棗的高光譜圖像，并提取相應(yīng)的感興趣區(qū)域，應(yīng)用偏最小二乘回歸，運(yùn)用主成分分析對(duì)單波段圖像進(jìn)行數(shù)據(jù)壓縮，識(shí)別出壺瓶棗樣本的邊緣與自然損傷特征區(qū)域，預(yù)測(cè)精度和穩(wěn)定性得到顯著提高，這為自然損傷壺瓶棗的無(wú)損檢測(cè)提供了理論參考。

但在水果形狀識(shí)別方面的研究仍較少，而隨著人們生活水平的提高和對(duì)水果蔬菜需求量的增加，為了降低大型超市中人工導(dǎo)購(gòu)的成本，進(jìn)行水果識(shí)別的需求日益強(qiáng)烈。本文即將圖像識(shí)別技術(shù)應(yīng)用到智能化蔬菜識(shí)別中，通過(guò)攝像機(jī)獲取待識(shí)別的水果樣本圖像，然后利用圖像識(shí)別技術(shù)進(jìn)行歸一化，然后對(duì)樣本進(jìn)行主成分分析（PCA），最后利用歐氏距離進(jìn)行歸類，輸出識(shí)別結(jié)果。

1 技術(shù)方案與關(guān)鍵技術(shù)

1.1 總體方案

首先利用攝像頭等設(shè)備獲取水果樣本圖像，然后對(duì)樣本圖像進(jìn)行預(yù)處理，主要包括水果樣本的定位和歸一化等過(guò)程，選取其中一部分樣本進(jìn)行訓(xùn)練，得到子空間映射矩陣，最后將待測(cè)樣本投影到子空間映射矩陣，計(jì)算距離得到識(shí)別結(jié)果，即得到每一個(gè)待測(cè)樣本所屬的類別?？傮w方案如圖1所示。

其中的水果定位模塊，主要涉及到拍攝的水果圖像包含空白背景，需進(jìn)一步縮小范圍，突出水果實(shí)際區(qū)域；歸一化過(guò)程主要是將獲取的水果圖像樣本進(jìn)行尺寸度量的一致性轉(zhuǎn)換，方便后續(xù)PCA處理。

1.2 圖像預(yù)處理——定位與歸一化

主要是對(duì)因距離不等造成所拍攝水果樣本大小不一致等問(wèn)題的處理，包括對(duì)水果樣本進(jìn)行定位，以減少背景干擾信息。具體實(shí)現(xiàn)效果見(jiàn)圖2。圖中最左邊一列為水果的原始圖像，大小不盡相同；第二列為定位后的效果圖，存在大小不一的情況，為后續(xù)PCA處理帶來(lái)不便，需進(jìn)行歸一化處理；第三列為歸一化后的效果，本研究選取像素[200，200]作為歸一化的尺寸。

1.3 基于PCA的水果樣本訓(xùn)練與識(shí)別

PCA法是利用一個(gè)或幾個(gè)較好的綜合指標(biāo)來(lái)概括信息，而且希望各綜合指標(biāo)能互相獨(dú)立地代表某一方面的性質(zhì)，主要應(yīng)用在大數(shù)據(jù)分析（如農(nóng)業(yè)分析[9，10]）、生物實(shí)驗(yàn)中的因子分析和模式識(shí)別[11～13]等領(lǐng)域，近年被越來(lái)越多地應(yīng)用于樣本的分類識(shí)別。利用PCA法進(jìn)行樣本識(shí)別需假設(shè)所有樣本都處于一個(gè)低維線性空間，并且具有正態(tài)分布特性。其實(shí)現(xiàn)思路：將原始圖像經(jīng)PCA變換后得到一組新的正交基，即投影向量矩陣，對(duì)投影向量矩陣做一定的取舍，選取特征值較大的特征向量構(gòu)成低維的樣本空間?；赑CA的樣本訓(xùn)練和識(shí)別實(shí)現(xiàn)過(guò)程算法描述如下：endprint

[step1]：計(jì)算 PCA變換的生成矩陣Q。本實(shí)驗(yàn)選取10種不同的水果，每種水果選20幅圖像作為訓(xùn)練集Train、15幅作為測(cè)試集Test，將訓(xùn)練集和測(cè)試集樣本均轉(zhuǎn)換為列向量的形式，轉(zhuǎn)換后都為像素40 000×1的形式；得到的訓(xùn)練集樣本矩陣X為40 000×20，計(jì)算訓(xùn)練集均值u和協(xié)方差矩陣C=（X-u）T（X-u）；

[step2]：利用函數(shù)eig（C）求特征值和特征向量，選擇特征值大于1的特征向量構(gòu)建成為一個(gè)特征子空間P；

[step3]：把訓(xùn)練圖像和測(cè)試圖像投影到特征子空間P中，每一幅圖像對(duì)應(yīng)于子空間中的一個(gè)點(diǎn)，子空間中的一個(gè)點(diǎn)也對(duì)應(yīng)于一幅圖像。這樣每幅水果樣本圖像都可以獲得一組坐標(biāo)系數(shù)，可以標(biāo)明該圖像在子空間中的位置，從而將水果圖像的識(shí)別問(wèn)題轉(zhuǎn)化為依據(jù)子空間的訓(xùn)練樣本點(diǎn)進(jìn)行分類的問(wèn)題；

[step4]： 分別計(jì)算訓(xùn)練集各樣本和待測(cè)水果樣本圖像在子空間中的坐標(biāo)，計(jì)算待測(cè)樣本坐標(biāo)與各訓(xùn)練集樣本坐標(biāo)間的距離，距離哪一類最近就確定為哪一類水果。

2 實(shí)驗(yàn)驗(yàn)證分析

常見(jiàn)的水果識(shí)別方法是通過(guò)提取顏色、紋理、形狀等特征實(shí)現(xiàn)的，但這些特征在提取和訓(xùn)練過(guò)程中的權(quán)重系數(shù)不易確定，往往導(dǎo)致識(shí)別效果不是太好。而PCA方法則是對(duì)樣本圖像中的主要成分進(jìn)行統(tǒng)一考慮，沒(méi)有特別突出或者丟失某些關(guān)鍵性信息，是無(wú)監(jiān)督的識(shí)別方法，適用條件和場(chǎng)合更為寬松，應(yīng)用范圍更為廣泛。

本實(shí)驗(yàn)基于此法對(duì)10種形狀相似水果進(jìn)行識(shí)別，識(shí)別率基本都達(dá)到93%以上（見(jiàn)圖3），能夠滿足實(shí)際需求。實(shí)驗(yàn)也發(fā)現(xiàn)，有些水果的識(shí)別率未達(dá)到100%，主要是因?yàn)檫@些水果在形狀和顏色方面太過(guò)相似，導(dǎo)致不能很好地區(qū)分。

3 結(jié)論

主成分分析是一種掌握事物主要矛盾的統(tǒng)計(jì)分析方法，它可以從多元事物中解析出主要影響因素，揭示事物本質(zhì)，簡(jiǎn)化復(fù)雜問(wèn)題，是近年來(lái)模式識(shí)別和分類領(lǐng)域的研究熱點(diǎn)，在多個(gè)領(lǐng)域取得了較好的識(shí)別分類效果。本研究將PCA技術(shù)應(yīng)用于形狀相似水果的識(shí)別中，取得了良好的識(shí)別分類效果，為大規(guī)模、高效率采購(gòu)水果提供了技術(shù)支持。

參 考 文 獻(xiàn)：

[1] 張艷琦，朱虹，徐成華，等. 農(nóng)產(chǎn)品分類的國(guó)內(nèi)外發(fā)展現(xiàn)狀研究[J]. 中國(guó)標(biāo)準(zhǔn)化，2014（7）：70-75.

[2] 李寒.基于機(jī)器視覺(jué)的目標(biāo)檢測(cè)在精細(xì)農(nóng)業(yè)中的關(guān)鍵技術(shù)研究[D].北京：中國(guó)農(nóng)業(yè)大學(xué)，2014.

[3] 公麗艷，孟憲軍，劉乃僑，等.基于主成分與聚類分析的蘋(píng)果加工品質(zhì)評(píng)價(jià)[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30（13）：276-285.

[4] 黃文倩，陳立平，李江波，等.基于高光譜成像的蘋(píng)果輕微損傷檢測(cè)有效波長(zhǎng)選取[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29（1）：272-277.

[5] 李粉紅，劉新平.主成分分析綜合評(píng)價(jià)模型的改進(jìn)及應(yīng)用[J].統(tǒng)計(jì)與決策，2010（2）：162-163.

[6] 聶繼云，李志霞，李海飛，等. 蘋(píng)果理化品質(zhì)評(píng)價(jià)指標(biāo)研究[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2012，45（14）：2895-2903.

[7] 張保華，黃文倩，李江波，等.用高光譜成像和PCA檢測(cè)蘋(píng)果的損傷和早期腐爛[J].紅外與激光工程， 2013，42（S2）： 279-283.

[8] 薛建新，張淑娟，張晶晶.壺瓶棗自然損傷的高光譜成像檢測(cè)[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào)，http：//www.cnki.net/kcms/detail/11.1964.s.20150320.0858.001.html.

[9] 張桂鳳.基于PCA方法的阜新農(nóng)業(yè)可持續(xù)發(fā)展綜合評(píng)價(jià)[J].遼寧工程技術(shù)大學(xué)學(xué)報(bào)， 2012， 14（4）： 349-351.

[10]龐小寧，王柳.基于主成分分析法的循環(huán)經(jīng)濟(jì)綜合評(píng)價(jià)的指標(biāo)體系構(gòu)建[J].統(tǒng)計(jì)與決策， 2012（14）： 56-58.

[11]徐斌， 馬盡文. PCA 聯(lián)合子空間理論的規(guī)范化與擴(kuò)展 [J].信號(hào)處理，2013，29（12）：1638-1643.

[12]崔茜.基于Gabor小波和主成分分析的人臉識(shí)別算法研究[D].長(zhǎng)春：東北師范大學(xué)，2014.

[13]梁志貞，李勇，夏士雄，等. Lp 范數(shù)約束下的最大化L1 范數(shù)主成分分析 [J]. 模式識(shí)別與人工智能，2013，26（2）： 211-218.endprint