决非线性识别的问题 ,而且所构造的模型具有很好 的预测性能[4～5 ] 。本文采用机器视觉技术获取红 枣的图像 ,在 HIS 颜色空间中提取 H 的均值和均方 差作为红枣的颜色特征值 ,利用支持向量机将缺陷 红枣从正常红枣中区分出来 。
1 试验材料与装置
试验材料为河北省沧州市产金丝小枣 ,其中正 常红枣 140 个 ,缺陷红枣 120 个 。
目前 ,对参数的优化尚无比较成熟的方法 ,一般 要靠多次实验确定 。通过对 260 个金丝小枣进行颜 色特征值的提取 ,建立支持向量机来利用 H 、σH 识 别正常红枣和缺陷红枣 ,在 260 个样本中取 84 个正 常枣 、72 个缺陷红枣作为训练集 ,其余样本作为预 测集检验模型的效果 。依据训练样本回判准确率 、 预测样本预测准确率确定了参数 C 和σ,试验数据 见表 1 。由表 1 可以看出 ,在参数 C = 32 、σ= 2 时 , 虽然支持向量机模型对训练集样本的分类准确率不 是最高 ,但是模型对预测集的分类准确率却是最高 , 此时模型的推广能力最强 。
图 2 红枣图像及其 G 分量直方图 Fig. 2 Image of dates and t he histogram of G value
(a) 红枣图像 (b) G 分量直方图
212 颜色空间的选取 在图像处理中 ,经常使用的颜色空间是 R GB 颜
色空间和 HIS 颜色空间 。R GB 颜色系统是在三基 色学说下建立起来的颜色系统 ,面向计算机 、摄像机
第 3 期 赵杰文 等 : 基于支持向量机的缺陷红枣机器视觉识别
115
311 建立模型 建立缺陷红枣 SVM 识别模型是本文研究的重
点 。应用 SVM 建立识别模型首先是核函数的选 择 ,不同的核函数对所建立模型的性能影响很大 。 在没有先验知识指导的情况下 ,采用径向基核函数 往往能够得到令人满意的结果[12 ] 。这是因为线性 内核只有在样本数据线性可分的情况下才能得到较 好的分类效果 ,而径向基核函数可以将非线性样本 数据映射到高维特征空间 ,因此可以处理具有非线 性关系的样本数据 ,而且当径向基核函数取特定参 数值时与线性内核相同 。而 Sigmoid 内核在实际中 很少应用 ,因此本研究中用径向基函数作为 SVM 的核函数建立识别模型 。但其性能直接受到参数大 小的影响 。误差惩罚参数 C 实现在错分样本的比 例和算法复杂度之间的折衷 ,即在确定的特征子空 间中调节学习机器置信范围和经验风险的比例以使 学习机器的推广能力最好 。它的选取一般是由具体 的问题而定 ,并取决于数据中噪声的数量 ,在确定的 特征子空间中 C 的取值小表示对经验误差的惩罚 小 ,学习机器的复杂度小而经验风险值较大 ;如果 C 取 ∞,则意味着训练样本必须要准确地分类 。径向 基核参数σ直接影响 SVM 的性能优劣 。特征子空
2008年3月
农业机械学报
第 39 卷 第 3 期
基于支持向量机的缺陷红枣机器视觉识别 3
赵杰文 刘少鹏 邹小波 石吉勇 殷小平
【摘要】 在枣的干制过程中形成的油头枣 、浆头枣 、霉烂枣是最常见的缺陷枣 ,它们整体或局部颜色偏暗 、偏
黑 ,有必要通过机器视觉技术将其识别出来 。在 HIS 颜色空间中 ,提取 H 的均值和均方差作为红枣的颜色特征
-
H) 2
(3)
式中 N ———红枣像素总数
Hi ———红枣第 i 个像素的色调值
3 缺陷红枣的识别
红枣色调平均值 H 与色调均方差σH 的分布如 图 3 所示 ,可以看出 ,以 H 、σH 作为特征值采用普通 的线性方法是无法识别正常红枣和缺陷红枣的 。因
此 ,用非线性模式识别方法来判断枣颜色是否为正 常 ,从而判断出枣是否为缺陷枣 。支持向量机能很 好的解决非线性识别的问题 ,所构造的模型具有很 好的预测性能[8～11 ] 。因此 ,本研究采用支持向量机 来识别缺陷红枣 。
从 R GB 到 HIS 的转换为非线性变换 ,其转换 关系为[1 ]
I = ( R + G + B) / 3
S = 1 - min( R , G , B) / I
2R- G- B W = arccos 2 ( R2 + G2 + B2 - RG - GB - RB) 1/ 2 H = W ( B ≤G) H = 2π- W ( B > G)
2 红枣颜色特征的提取
211 图像分割 拍摄到的红枣图像为彩色图像 ,图像经过分割 ,
去除背景 ,保留完整的红枣区域 ,以便进行红枣的特 征提取 。为分析红枣区域与背景区域的差别 ,作图 像的直方图 。图像的 G 分量直方图如图 2b 所示 , 从图中可以看出 G 分量直方图分为明显的 2 块区 域 ,分别对应红枣区域和背景区域 。因此 ,在 G 分 量上设置阈值即可以获得很好的分割效果 ,如图 2a 所示 。
Zhao J iewen Liu Shaopeng Zou Xiaobo Shi J iyong Yin Xiaoping
( Jiangs u U ni versity)
Abstract
During t he production and storage of Chinese dates , some of t hem are easy to mould rot because of high water content . The defect dates appear darker t han t he normal ones. Based on support vector machine , t he recognition of t he defect Chinese date machine vision was proposed. After t he acquisition of t he Chinese dates images , t he color model was changed f rom R GB to HIS. Then , t he average value H and standard square deviation value σH of dates hue values were calculate. Depending on t he two values, t here was few overlaps between defect dates and normal ones in t he plot of H and σH. Therefore , H and σH were t reated as t he feat ure parameters. Artificial neural network (ANN) and support vector machine ( SVM ) model were used to analysis t he dates feat ures respectively. The experimental result s show t hat SVM has a better performance t han ANN on distinguish defect Chinese dates f rom normal ones , and t he correct recognition rate of SVM iG 、B ———R GB 空间颜色分量
213 颜色特征值的选取
红枣的颜色是个整体的概念 ,利用红枣色调 H
的平均值 H 表示红枣的整体颜色 ,利用色调 H 的
均方差σH 表示红枣区域各像素颜色的离散程度 。
N
∑ H
=
1 N
i =1
Hi
(2)
N
σH =
∑ 1
N-
1 i =1 ( Hi
Key words Machine vision , Identification , Chinese date , Support vector machine
引言
GB 5835 —86 中对干制红枣的色泽要求是具有 本品种应有的色泽 。红枣的色泽是鲜枣经干制后的 自然色泽 ,皆为红色 。但由于成熟度不同和加工环 境的影响 ,致使红色程度有所差别 。另外 ,在枣的干 制过程中 ,容易形成油头枣 、浆头枣 、霉烂枣 ,这 3 类 枣是红枣中最常见的缺陷[1 ] 。如果在正常红枣中
图 3 正常红枣和缺陷红枣的 H 、σH 分布 Fig. 3 Distribution of H and σH
© 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved.
硬件的 , R 、G 、B 成分与人对颜色的感觉并无直接 的联系 。人眼主要通过颜色的亮度 、色度及饱和度
来辨别颜色 ,而 HIS 颜色系统正是根据人眼的这一 特性来描述颜色的 。HIS 模型的 3 个要素是色调 H 、饱和度 S 和亮度 I 。因此 ,本研究选取 HIS 颜色 空间模型来提取红枣的颜色特征值[6～7 ] 。
收稿日期 : 2007201212 3 江苏省自然科学基金资助项目 (项目编号 :B K2006552) 、高等学校博士学科点专项科研基金资助项目 (项目编号 :20040299009) 和江苏
省自然科学基金重点资助项目 (项目编号 :BJ 200670721) 赵杰文 江苏大学食品与生物工程学院 教授 博士生导师 , 212013 镇江市 刘少鹏 江苏大学食品与生物工程学院 硕士生 邹小波 江苏大学食品与生物工程学院 副教授 博士后 石吉勇 江苏大学食品与生物工程学院 硕士生 殷小平 江苏大学食品与生物工程学院 硕士生
值 ,利用支持向量机识别缺陷红枣 。实验结果表明 ,识别准确率可以达到 9612 % ,优于人工神经网络的 8914 %。
关键词 : 机器视觉 识别 红枣 支持向量机