基于智能算法的甘蔗定位切割方法

韋相貴

摘要：針對傳統(tǒng)的基于圖像的甘蔗莖節(jié)識別算法主要有中值決策、列灰度及擬合的邊緣檢測方法、圖像濾波方法以及圖像分割方法等，傳統(tǒng)方法的檢測準(zhǔn)確率偏低，難以滿足識別要求。提出了一種基于改進(jìn)型粒子群優(yōu)化算法的混合核函數(shù)的支持向量機分類識別模型，對甘蔗的莖節(jié)進(jìn)行分類識別。傳統(tǒng)的PSO算法由于粒子群的趨同性，導(dǎo)致前期收斂很快，后期十分緩慢，并且容易陷入局部最優(yōu)解，也就是常說的早熟。將混沌優(yōu)化算法與PSO算法進(jìn)行結(jié)合，改造判斷解決早熟的收斂方法以改進(jìn)CPSO算法。傳統(tǒng)SVM分類識別模型采用單個核函數(shù)，而局部核函數(shù)具有較好的學(xué)習(xí)能力，但不具備較好的泛化能力，相反，全局核函數(shù)具有較好的泛化能力，但不具備較好的泛化能力。將局部核函數(shù)和全局核函數(shù)按照一定規(guī)則和條件進(jìn)行混合，構(gòu)造一種新型混合核函數(shù)，試驗驗證結(jié)果表明，本研究的甘蔗定位識別方法有效。

關(guān)鍵詞：甘蔗莖節(jié)識別；支持向量機；混合核函數(shù)；粒子群優(yōu)化算法

中圖分類號： TP391.41

文獻(xiàn)標(biāo)志碼： A

文章編號：1002-1302（2016）04-0394-04

在我國，甘蔗是一種重要的經(jīng)濟作物，是制糖的主要原材料，同時也是一種重要的化工能源原材料。目前，我國甘蔗收割、種植機械化普及程度極低，同時研究也不夠深入，制約了甘蔗產(chǎn)業(yè)的發(fā)展[1-2]。計算機圖像識別技術(shù)是種植甘蔗定位切斷裝置技術(shù)的關(guān)鍵技術(shù)之一。需要使用計算機對甘蔗莖節(jié)的圖像進(jìn)行特征提取與識別。傳統(tǒng)的基于圖像的甘蔗莖節(jié)識別算法主要包括中值決策、列灰度及擬合的邊緣檢測方法、圖像濾波方法以及圖像分割方法等，以上傳統(tǒng)方法的檢測準(zhǔn)確率偏低，難以滿足識別要求[3]。本研究提出基于改進(jìn)型粒子群優(yōu)化算法的混合核函數(shù)支持向量機分類識別模型對甘蔗的莖節(jié)進(jìn)行分類識別。

1 甘蔗定位切割系統(tǒng)組成

甘蔗定位切割系統(tǒng)的硬件組成如圖1所示，主要由攝像機、采集卡、終端處理計算機以及用于甘蔗輸送的步進(jìn)電機、夾持機械手、切斷器以及可編程控制器等組成[4]。

甘蔗定位切割系統(tǒng)的核心是對于甘蔗圖像采集和處理。甘蔗圖像采集和處理流程如圖2所示。

甘蔗圖像采集有2種方式：一種是將整根甘蔗進(jìn)行圖像采集，并一并存入計算機存儲器中，經(jīng)過圖像識別處理后，再從甘蔗一端一次性進(jìn)行切斷；另一種在甘蔗兩端交替進(jìn)行圖像采集與切斷[5]。本研究采用后面一種處理方法。

2 甘蔗圖像處理

使用RGB色彩空間對于甘蔗圖像這類遍布全部灰度級的圖像顏色進(jìn)行分割難度很大，因此HSV空間更加適合對甘蔗圖像進(jìn)行處理。HSV色彩空間是對色調(diào)、飽和度以及亮度進(jìn)行表述，HSV色彩空間中的H分量中，可以清晰地觀察到甘蔗莖節(jié)與節(jié)間的差異，因此H分量更適合用于對甘蔗莖節(jié)的識別處理，通過研究，確定用于莖節(jié)識別的H分量分割閥值最終確定為0.15。研究發(fā)現(xiàn)，在S分量和H分量合成圖中，莖節(jié)位置的白點個數(shù)密度大而且分布均勻。將合成圖按照列方向劃分為64個塊，得到圖像集合X（i，j），圖像上下邊緣分別為：pt=[xt，yt]T和pb=[xb，yb]T。第k列的最高點和最低點分別為[6]：

本研究提出的ICPSO算法對于混合函數(shù)的支持向量機參數(shù)優(yōu)化步驟如下：

步驟1：對改進(jìn)混沌粒子群優(yōu)化算法的初始控制參數(shù)、最大進(jìn)化代數(shù)T、種群規(guī)模m、學(xué)習(xí)算子C1和C2取值范圍[Cmin，Cmax]、慣性系數(shù)W取值范圍[Wmin，Wmax]、粒子群飛行速度取值范圍[Vmin，Vmax]以及常數(shù)H等參數(shù)進(jìn)行初始化設(shè)定。對支持向量機的懲罰因子c、最優(yōu)權(quán)系數(shù)β、不敏感損失參數(shù)ε以及RBF的核參數(shù)γ進(jìn)行隨機賦予初始值。使用混沌模型對學(xué)習(xí)算子C1和C2、慣性系數(shù)W以及隨機數(shù)R1和R2生成混沌時間序列。

步驟2：使用各個粒子的個體極值作為粒子的目前位置，由均方差函數(shù)對其適應(yīng)值進(jìn)行計算，全局極值選取為得到最優(yōu)適應(yīng)度的粒子的個體極值。

步驟3：若條件滿足收斂準(zhǔn)則則跳至步驟10，若不滿足則進(jìn)行下一步優(yōu)化。

步驟4：使用混沌模型與PSO算法對粒子的位置和速度進(jìn)行更新。

步驟5：如果適應(yīng)值F（Pid）

步驟6：對于更新后的Pbestd，若F（Pbestd）

步驟7：若條件滿足收斂準(zhǔn)則則跳至步驟10，若不滿足則進(jìn)行下一步優(yōu)化。

步驟8：根據(jù)早熟判別條件對種群群體適應(yīng)值的方差δ2進(jìn)行計算，判斷早熟處理條件十分滿足，如果滿足則處理早熟問題，如果不滿足則跳至步驟4。

步驟9：使用混沌模型與PSO算法對粒子的位置和速度進(jìn)行更新，對已經(jīng)陷入局部最優(yōu)解的粒子處理早熟，使其脫離局部最優(yōu)問題，并跳至步驟3。

步驟10：得到支持向量機的懲罰因子c、最優(yōu)權(quán)系數(shù)β、不敏感損失參數(shù)ε以及RBF的核參數(shù)γ的最優(yōu)解，即完成了對支持向量機參數(shù)的優(yōu)化。

4 試驗研究

下面針對上述提出的甘蔗莖節(jié)圖像識別方法進(jìn)行試驗研究。試驗所使用的圖像處理系統(tǒng)由VC++和Matlab混合編制。使用高清數(shù)碼相機對甘蔗圖像進(jìn)行采集，抽取其中100幅用于試驗。通過人工識別莖節(jié)后，將各幅甘蔗圖片編號為1～100，隨機選取50幅用于對上述提出的甘蔗莖節(jié)圖像識別模型進(jìn)行訓(xùn)練，另外50幅用于對模型進(jìn)行測試。

4.1 識別評價標(biāo)準(zhǔn)

由于目前針對甘蔗莖節(jié)識別的研究較少，沒有形成標(biāo)準(zhǔn)的莖節(jié)識別標(biāo)準(zhǔn)。本研究將莖節(jié)的中心線Lc作為莖節(jié)識別的基準(zhǔn)線，將莖節(jié)左生長帶的標(biāo)記線記作Ll，將莖節(jié)右生長帶的標(biāo)記線記作Lc。定義節(jié)寬Jk為某一莖節(jié)左生長帶標(biāo)記線Ll和右生長帶標(biāo)記線Lr的水平間距。若某一幅圖中同時間出現(xiàn)2個莖節(jié)，則定義節(jié)間間距Jj為第一莖節(jié)的右生長帶標(biāo)記線Lr和第二莖節(jié)的左生長帶標(biāo)記線Ll的水平距離。定義偏差量Pc為圖像識別算法得到的莖節(jié)識別中心線Ls與實際的莖節(jié)中心線Lc的水平間距。各種標(biāo)記線如圖3所示[18]。

當(dāng)圖像識別算法得到的莖節(jié)識別中心線Ls落入莖節(jié)左生長帶標(biāo)記線Ll和右生長帶標(biāo)記線Lr之間，則認(rèn)為是一次正確識別，否則認(rèn)為是一次錯誤識別。當(dāng)偏差量Pc不超過莖節(jié)半徑Jb時，認(rèn)為是一次正確識別，偏差量Pc越趨近于零，說明識別準(zhǔn)確度越高。

5 結(jié)論

我國甘蔗收割、種植機械化普及程度極低，同時研究也不夠深入，制約了甘蔗產(chǎn)業(yè)發(fā)展。本研究首先對甘蔗切割系統(tǒng)組成進(jìn)行介紹，并分析甘蔗的圖像處理技術(shù)，提取甘蔗圖像特征。針對傳統(tǒng)的基于圖像的甘蔗莖節(jié)識別算法主要有中值決策、列灰度及擬合的邊緣檢測方法、圖像濾波方法以及圖像分割方法等，傳統(tǒng)方法的檢測準(zhǔn)確率偏低，難以滿足識別要求等問題，本研究提出一種基于改進(jìn)型粒子群優(yōu)化算法的混合核函數(shù)支持向量機分類識別模型對甘蔗的莖節(jié)進(jìn)行分類識別，通過試驗驗證，本研究的識別模型比使用徑向基核函數(shù)、多項式核函數(shù)以及常規(guī)PSO優(yōu)化的支持向量機識別模型具有更好的識別性能。

參考文獻(xiàn)：

[1]陸尚平. 基于機器視覺的甘蔗莖節(jié)識別與蔗芽檢測研究[D]. 武漢：華中農(nóng)業(yè)大學(xué)，2011.

[2]陸尚平，黃 林，陳炳森，等. 基于機器視覺的甘蔗種植機械化研究[J]. 廣西農(nóng)業(yè)機械化，2012（5）：28-29，32.

[3]陸尚平，馬翠龍，賀敏超，等. 圖像灰度統(tǒng)計梯度特性的甘蔗莖節(jié)識別研究[J]. 廣西農(nóng)業(yè)機械化，2012（6）：21-22.

[4]喬 曦. 基于計算機視覺的甘蔗種莖切割防傷芽系統(tǒng)的研究[D]. 南寧：廣西大學(xué)，2013.

[5]黃亦其，喬 曦，唐書喜，等. 基于Matlab的甘蔗莖節(jié)特征分布定位與試驗[J]. 農(nóng)業(yè)機械學(xué)報，2013，44（10）：93-97，232.

[6]王士鋒. 基于機器視覺的車輪圖像處理與分析[D]. 濟南：濟南大學(xué)，2011.

[7]譚 浩，林 芝，鄭英模，等. 基于機器視覺的甘蔗段分選系統(tǒng)的設(shè)計[J]. 安徽農(nóng)業(yè)科學(xué)，2014（19）：6462-6464，6467.

[8]黃亦其，王小波，尹 凱，等. 基于感應(yīng)計數(shù)的甘蔗種切割防傷芽系統(tǒng)的設(shè)計與試驗[J]. 農(nóng)業(yè)工程學(xué)報，2015，31（18）：41-47.

[9]匡芳君，徐蔚鴻，張思揚. 基于改進(jìn)混沌粒子群的混合核SVM參數(shù)優(yōu)化及應(yīng)用[J]. 計算機應(yīng)用研究，2014，31（3）：671-674，687.

[10]匡芳君. 群智能混合優(yōu)化算法及其應(yīng)用研究[D]. 南京：南京理工大學(xué)，2014.

[11]曹秋燕. 基于SVM和PSO的信用評級模型研究[D]. 杭州：浙江工商大學(xué)，2013.

[12]陳金鳳. 支持向量機回歸算法的研究與應(yīng)用[D]. 無錫：江南大

學(xué)，2008.

[13]霍 明. 短期負(fù)荷預(yù)測的支持向量機模型參數(shù)優(yōu)化方法研究[D]. 長沙：湖南大學(xué)，2009.

[14]王 佳. 混合核支持向量機參數(shù)優(yōu)化及其應(yīng)用研究[D]. 長沙：長沙理工大學(xué)，2011.

[15]毛志亮. 混合核函數(shù)支持向量機在發(fā)酵過程建模中的應(yīng)用研究[D]. 無錫：江南大學(xué)，2011.

[16]單黎黎，張宏軍，王 杰，等. 一種改進(jìn)粒子群算法的混合核 ε-SVM 參數(shù)優(yōu)化及應(yīng)用[J]. 計算機應(yīng)用研究，2013，30（6）：1636-1639.

[17]陳其松. 智能優(yōu)化支持向量機預(yù)測算法及應(yīng)用研究[D]. 貴陽：貴州大學(xué)，2009.

[18]陸尚平，鐘麗珠. 機器視覺與模糊決策在甘蔗種蔗識別機械化中的運用[J]. 農(nóng)業(yè)開發(fā)與裝備，2013（7）：35-36.

[19]陸尚平，文友先，葛 維，等. 基于機器視覺的甘蔗莖節(jié)特征提取與識別[J]. 農(nóng)業(yè)機械學(xué)報，2010，41（10）：190-194.許洪斌，王智強，楊長輝. 丘陵山地小型田間搬運機遙控系統(tǒng)設(shè)計[J]. 江蘇農(nóng)業(yè)科學(xué)，2016，44（4）：398-400.