基于計算機視覺的蘋果水心病無損在線分級系統(tǒng)

張弘煬，蔡 騁

(西北農(nóng)林科技大學(xué) 信息工程學(xué)院，陜西 楊凌 712100)

0 引言

蘋果在我國水果市場中占有較高的比例，蘋果采摘機器人具有廣闊的應(yīng)用前景?？紤]到部分蘋果果實患有生理病害，有必要在蘋果采摘機器人中加入無損在線檢測蘋果病害的模塊，以便指導(dǎo)蘋果采摘機器人的采摘行為。

水心病是我國西北地區(qū)元帥和秦冠蘋果園中常見的一種蘋果病害，是在抗藥性、溫度、果實大小及土壤環(huán)境等因素綜合作用下形成的蘋果內(nèi)部病害。輕度患有水心病的蘋果果實，其果心附近的果肉糖化，呈現(xiàn)出半透明的水漬狀的斑紋，果面與無病蘋果沒有明顯區(qū)別。水心病只是對蘋果果實有害，對于人類無害且其口感比無病蘋果要好，因此日本等地的蘋果園挑選出患有水心病的蘋果進行高價售賣。重度患有水心病的蘋果果實，其水漬狀的斑紋一直延伸到蘋果果實表面，不僅嚴重影響了果實的美觀程度，而且其部分果肉腐敗褐變，不適合進行食用。患有水心病的蘋果會在短時間內(nèi)加快患病程度，因此有必要在蘋果采摘機器人中加入蘋果水心病無損在線分級系統(tǒng)，優(yōu)先采摘輕度患有水心病的蘋果，以便通過減少水心病加重造成的損失和通過單獨售賣糖心蘋果提高經(jīng)濟效益。

因為要保持蘋果的完整性以便售賣，所以只能采用無損檢測技術(shù)地對蘋果水心病進行分級檢測，本文基于高光譜技術(shù)和計算機視覺特征對此進行了研究。計算機視覺是一種無損檢測技術(shù)，使用計算機算法對采集到的農(nóng)業(yè)圖像進行分析，與人工分析農(nóng)業(yè)圖像相比， 不受個人主觀影響，可以挖掘出人眼觀察不到的底層圖像特征，并可自動化運行。目前，計算機視覺被廣泛用于農(nóng)業(yè)機械領(lǐng)域，如計算機視覺用于棉花生長監(jiān)測自主導(dǎo)航車輛及玉米植株高度檢測等。

韓東海等人于2004年使用蘋果果實的密度和透光強度對蘋果水心病的分級檢測進行了研究，將蘋果按照水心病患病程度分為了4個等級。王思玲等人于2015年基于蘋果果實對高光譜近紅外光的吸收值，采用特征選擇算法和支持向量機算法對蘋果果實是否患有水心病進行了檢測。闕玲麗于2017年采用計算機視覺技術(shù)對獲取到的蘋果圖像進行邊緣檢測、圖像預(yù)處理操作，然后提取出形狀特征和顏色特征對蘋果果實進行了分級研究。蘇欣于2017年采用計算機視覺技術(shù)對蘋果圖像提取出了大小特征、形狀特征和顏色特征，并根據(jù)主特征參量對蘋果果實進行了分級研究。

本文采用計算機視覺技術(shù)，在西北農(nóng)林科技大學(xué)白水蘋果試驗示范站無損在線采集到秦冠蘋果的高光譜透射圖像和果面圖像，然后使用K-SVD壓縮感知算法對蘋果圖像進行降噪預(yù)處理，并提取計算機視覺領(lǐng)域的圖像金字塔特征，用支持向量機算法進行蘋果果實水心病患病程度的分級，根據(jù)分級結(jié)果指導(dǎo)蘋果采摘機器人的采摘行為。

1 系統(tǒng)設(shè)計

1.1 蘋果果實圖像采集模塊

本系統(tǒng)在西北農(nóng)林科技大學(xué)白水蘋果試驗示范站采集到479個蘋果的高光譜透射圖像和果面圖像，然后剖開蘋果根據(jù)蘋果內(nèi)部水心病患病情形對其水心病患病程度進行標(biāo)注。其中，采集到的高光譜透射圖像的大小為512×512，采集到的果面圖像的大小為400×600。

1.2 蘋果果實圖像降噪預(yù)處理模塊

本系統(tǒng)采用壓縮感知算法K-SVD對蘋果果實圖像進行降噪處理。該算法基于壓縮感知，假設(shè)圖像中局部區(qū)域是由基本的圖像紋理、圖像邊緣等基本信號線性組合而成，則

arg minx‖x‖0s.t.‖y-Dx‖2≤

(1)

針對容量為K的基本信號字典，K-SVD算法每次使用OMP算法根據(jù)當(dāng)前基本信號字典為蘋果果實圖像求解出線性組合系數(shù)，對基本信號字典的每一列計算出當(dāng)前殘差，并使用SVD分解殘差的結(jié)果更新基本信號字典；迭代有限次后即可求得與圖像內(nèi)容相關(guān)的自適應(yīng)基本信號字典，基本信號字典與對應(yīng)線性表示系數(shù)的乘積即為降噪預(yù)處理后的蘋果果實圖像。

1.3 蘋果果實圖像計算機視覺特征提取模塊

計算機視覺特征有直方圖特征、LBF(Local Binary Pattern)特征、GIST特征、HOG(Histogram of Oriented Gradient)特征、SIFT(Scale Invariant Feature Transform)特征及SPM(Spatial Pyramid Matching)特征等。在這些特征中，SPM特征基于SIFT特征和直方圖特征，既有SIFT特征對平移不變、對尺度不變、對旋轉(zhuǎn)不變及對光照有一定程度不變的優(yōu)點，又可以保留圖像的空間分布信息。

SPM特征將圖像劃分為尺度0到尺度L,對于每個尺度l，將圖像分割為2l個區(qū)域并對每個區(qū)域分別提取128維度的SIFT特征，使用kmeans聚類算法從所有SIFT特征求取K個基本信號組成特征字典；將所有尺度的SIFT特征用其對應(yīng)的聚類中心的索引表示，拼接所有尺度的索引數(shù)組得到最終的SPM特征。

1.4 蘋果水心病分級模塊

根據(jù)人工標(biāo)注好4種等級水心病患病程度無水心病、輕度水心病、中度水心病和重度水心病的蘋果果實圖像，對采用RBF核函數(shù)的支持向量機進行訓(xùn)練。即假設(shè)4個等級水心病患病程度的蘋果果實圖像的計算機視覺特征經(jīng)過RBF核函數(shù)映射后是線性可分的，使用支持向量機算法訓(xùn)練4個等級中每一對等級的蘋果果實圖像對應(yīng)的計算機視覺特征的劃分邊界。對于未知等級的蘋果果實圖像，使用訓(xùn)練好的支持向量機劃分邊界，基于1-vs-1策略可以無損在線對蘋果的水心病患病程度進行分級。

1.5 水心病分級結(jié)果對蘋果采摘機器人行為的指導(dǎo)

根據(jù)對蘋果園中蘋果果實的水心病患病程度的分級結(jié)果，果農(nóng)可以對蘋果采摘機器人的行為進行調(diào)節(jié)，優(yōu)先采摘輕度水心病的蘋果果實。這樣，不僅可以盡早將糖心蘋果提供給消費者以避免蘋果果實由輕度水心病發(fā)展成重度水心病造成浪費，而且可以通過高價出售糖心蘋果來提高經(jīng)濟效益。

2 實驗結(jié)果

本次研究使用計算機視覺函數(shù)庫OpenCV3.0為蘋果果實圖像提取SPM特征，使用libSVM庫根據(jù)蘋果果實圖像的SPM特征進行蘋果果實水心病患病程度的分級。

尺度數(shù)量L對蘋果水心病分級準(zhǔn)確率的影響如表1所示。K=200時，使用5-fold交叉驗證對系統(tǒng)的參數(shù)L進行研究發(fā)現(xiàn)，L=2時的蘋果水心病分級準(zhǔn)確率最高。

表1 尺度數(shù)量L對蘋果水心病分級準(zhǔn)確率的影響

基本信號數(shù)量K對蘋果水心病分級準(zhǔn)確率的影響如表2所示。由表2可以看出：L=2時，使用5-fold交叉驗證對系統(tǒng)的參數(shù)K進行研究發(fā)現(xiàn)，K=200時的蘋果水心病分級準(zhǔn)確率最高。

表2 基本信號數(shù)量K對蘋果水心病分級準(zhǔn)確率的影響

Table 2 Apple water core classification accuracy with different number of base signalK

KSPM特征維度雜草種子識別準(zhǔn)確率/%100420075.4200840078.2

續(xù)表2

3 結(jié)論

本系統(tǒng)將壓縮感知降噪算法、計算機視覺特征與機器學(xué)習(xí)算法用于蘋果水心病的無損在線分級，構(gòu)建了蘋果水心病分級系統(tǒng)用于果園中無損在線獲取到蘋果果實的高光譜透射圖像和果面圖像；然后，經(jīng)過降噪預(yù)處理和計算機視覺特征提取后，對蘋果水心病的患病程度進行分級，最后根據(jù)分級結(jié)果指導(dǎo)蘋果采摘機器人的采摘行為。實驗表明：本系統(tǒng)實現(xiàn)了基于計算機視覺對蘋果水心病患病程度進行分級及根據(jù)分級結(jié)果優(yōu)先采摘糖心蘋果的目標(biāo)，可以取得降低人工成本、提高經(jīng)濟效益的結(jié)果，值得推廣。