基于稀疏表示的葡萄干品質分級

劉小英 秦振濤 楊蜀秦

摘要：以新疆綠色無核葡萄干為研究對象，提取顏色、形狀等特征值建立稀疏表示數據字典，采用弱匹配追蹤算法求得稀疏解，計算每個測試樣本在數據字典上的投影，將具有最小殘差的等級作為測試樣本的級別，并與BP人工神經網絡、支持向量機（SVM）識別結果進行比較分析。結果表明，提出的分級方法平均識別率達到96.7%，具有較好的識別率和魯棒性。這為葡萄干等級識別提供了一種新的有效方法。

關鍵詞：葡萄干；分級；BP神經網絡；稀疏表示；識別率；支持向量機（SVM）

中圖分類號：TP391 文獻標志碼：

文章編號：1002-1302（2016）08-0421-03

綠色葡萄干是我國新疆地區的重要特產之一，研究葡萄干品質快速檢測技術，對新疆葡萄產業的穩定發展有重要的推動作用。葡萄干品質分為外在品質和內在品質2個部分[1]，內在品質檢測主要通過抽樣檢驗完成，外在品質包括色澤、果形、果粒大小、肉質軟硬等，機器視覺是實現葡萄干外在品質快速檢測的有效途徑。目前，對農產品品質檢測運用較多的是人工神經網絡、人工蜂群模糊聚類方法、極限學習機神經網絡等[2-3]，而唐晶磊等應用人工神經網絡對葡萄干分級技術進行了相關研究[4]。稀疏表示方法是一種新的模式識別方法，近年來在計算機視覺檢測中應用比較廣泛。有研究表明，稀疏表示方法在車輛檢測、害蟲圖像識別、交通標志分類識別、人臉識別中獲得較好的識別性能[5-8]。試驗以新疆綠色無核葡萄干為研究對象，在提取葡萄干特征參數的基礎上，利用稀疏表示方法對葡萄干等級進行檢測，為葡萄干的等級識別提供一種新的方法。

1葡萄干圖像采集

葡萄干圖像由計算機視覺系統獲取，將3個等級的葡萄干單層均勻擺放在載樣臺上，由固定在照明室頂端的數碼相機進行圖像采集（圖1）。光照不勻、線路傳輸不暢等會影響采集的圖像質量，給后期分類造成影響，因此，圖像采集后應利用中值濾波法進行圖像去噪，采用判別分析法選取閾值，利用閾值分割法對背景進行分割，并根據邊界跟蹤得到的單個葡萄干邊界信息，提取單個葡萄干的圖像[9]。從提取的3個等[CM（25]級各2個葡萄干的圖像樣本可見，3個等級的葡萄干形狀[CM）]〖LM〗類似，但大小、顏色具有不同特征（圖2）。本試驗每個等級各采用40個葡萄干作為訓練樣本，60個葡萄干作為測試樣本。

2.1特征提取

葡萄干的顏色和形狀是分級的關鍵。通過編寫BP神經網絡識別算法，對不同參數組合對識別率的影響進行分析，最終確定色調、面積、長度、寬度為識別的最佳參數組合。

2.1.1顏色由于HSI顏色模型最能反映人類的視覺原理，因此，試驗采用HSI顏色模型色調H作為葡萄干的顏色特征。提取H特征前，將獲取的RGB彩色圖像轉換為HSI顏色模型。1個葡萄干圖像的顏色特征參數為所有像素點的H平均值，計算公式為：

.2稀疏分級算法的思想

對于測試樣本的關系可表示為第i級葡萄干第j個訓練樣本上的投影系數，即：

[JZ（]y=[WTHX][STHX]A[WTBZ][STBZ]x。[JZ）]

式中：x=[x11…x401x12…x402x13…x403]；xji表示測試樣本y在[WTHX][STHX]A[WTBZ][STBZ]中第i級第j個訓練樣本上的投影系數。如果測試樣本y屬于第n個樣本，則系數向量x與訓練樣本An的投影系數非0，而在其他訓練樣本Ai（i≠n）上的投影為0。因此，y的解是稀疏的。稀疏表示研究理論[11]中，對于稀疏解x可通過求解最小化范數l1求解，計算方法為：

對有10個基數的矩陣，隨著真實解基數個數的增加，WMP算法的效能因子逐漸提升，這表明算法有較好的收斂性。WMP與最小二乘法-正交匹配追蹤（LS-OMP）算法、正交匹配追蹤（OMP）算法、匹配追蹤（MP）算法及硬閾值算法[13-16]進行比較發現，隨著真實解基數個數的增加，WMP算法的l2范數均方誤差較少。因此，WMP貪婪方法具有更高的效率。

3.4葡萄干等級的檢測算法

根據研究原理，葡萄干等級的檢測算法為：（1）輸入，由3個等級的葡萄干提取的歸一化訓練樣本數據矩陣[WTHX][STHX]A[WTBZ][STBZ]=[A1，…，Ai]（i=1，…，3），某等級歸一化測試樣本數據y，設置誤差閾值為0.000 1，下降指數t=0.5，迭代次數為1 000；（2）運用WMP方法，求解最小化范數 [KG-5]x[DD（-15][HT6]⌒[DD）]；（3）求 [KG-5]y[DD（-15][HT6]⌒[DD）]i與y的距離；（4）輸出，若Ai具有最小殘差ri（y），則y就可以判定為第i級葡萄干。

4結果與分析

利用Matlab編程，實現BP神經網絡方法、支持向量機（SVM）及稀疏表示方法對葡萄干進行等級檢測，計算機配置為CPU Core i5-4430 3.00 GHz，內存4G。由表1可見，BP神經網絡方法、SVM方法及稀疏表示方法對3個等級葡萄干的平均識別率分別為92.0%、95.3%、96.7%；從對各等級的識別數據來看，3種方法對二級葡萄干的識別率相對較低，這是因為測試樣本由人依據視覺主觀進行分級，二級葡萄干介于一級、三級之間，不好判定，從而造成葡萄干的定級誤差。

從BP神經網絡、SVM及稀疏表示這3種方法對一級葡萄干測試樣本的識別時間分別為1.825、0.254、0.185 s，稀疏表示方法算法復雜度比其他2種方法要低；稀疏表示方法只須考慮誤差閾值及求解最小化范數時的迭代次數，誤差小，可獲得較高的識別率；BP網絡需要多次優化特征參數及網絡結構進行比較分析，SVM中的多個參數也須要經過若干次優化才能確定。因此，稀疏表示方法魯棒性更強，優于其他2種方法。

5結論

本研究提出一種基于稀疏表示的葡萄干品質檢測方法，該方法通過提取單個葡萄干圖像的色度、面積、長軸、短軸特征向量，建立稀疏等級檢測模型，并利用WMP方法求得稀疏解，計算具有最小殘差的等級作為測試樣本的等級。這種方法與BP神經網絡方法、SVM方法相比，稀疏表示方法對葡萄干的檢測平均識別率達到96.7%，識別效果好，算法復雜度低，這為葡萄干等級外觀檢測提供了一種新的方法，對其他農產品等級檢測具有參考價值。

[HS+6mm][HT8.5H]參考文獻：

[1]郭春苗，伍新宇，周曉明，等. 葡萄干飽滿度評定指標及影響因子研究[J]. 新疆農業科學，2015，52（6）：1033-1039.

[2]羅陸鋒，鄒湘軍，楊洲，等. 基于改進人工蜂群模糊聚類的葡萄圖像快速分割方法[J]. 農業機械學報，2015，46（3）：23-28.

[3]李國進，董第永，陳雙. 基于計算機視覺的芒果檢測與分級研究[J]. 農機化研究，2015（10）：13-18，23.

[4]唐晶磊，景旭，何東健. 基于BP神經網絡的葡萄干分級技術的研究[J]. 農機化研究，2007（11）：51-53.

[5]蔡英鳳，王海，張旭. 面向復雜道路場景的視覺車輛檢測算法[J]. 科學技術與工程，2015，15（20）：84-88.

[6]胡永強，宋良圖，張潔，等. 基于稀疏表示的多特征融合害蟲圖像識別[J]. 模式識別與人工智能，2014，27（11）：985-992.

[7]王瑞，杜林峰，孫督，等. 復雜場景下結合SIFT與核稀疏表示的交通目標分類識別[J]. 電子學報，2014，42（11）：2129-2134.

[8]湯鎮宇，孟凡榮，王志曉. 基于稀疏表示的快速l2-范數人臉識別方法[J]. 計算機應用研究，2015，33（9）：1-8.

[9]劉小英. 基于圖像分析的葡萄干分級技術研究[D]. 楊凌：西北農林科技大學，2006.[ZK）]

[10]劉小英，張健. 葡萄干圖像長短軸快速檢測算法[J]. 安徽農業科學，2008，36（26）：11482-11483，11509.

[11]Candes E J，Romberg J K，Tao T. Stable signal recovery from incomplete and inaccurate measurements[J]. Communications on Pure and Applied Mathematics，2006，59（8）：1207-1223.

[12]Elad M. Sparse and redundant representations：from theory to applications in signal and image processing[M]. Berlin：Springer，2010：39-40.

[13]何俊飛，李峰，張建明，等. 使用雙稀疏的圖像去噪算法[J]. 小型微型計算機系統，2015，36（5）：1109-1112.

[14]陳寧，閻琳，邱岳恒. 基于OMP算法的圖像重構研究與 FPGA 實現[J]. 計算機測量與控制，2014，22（9）：2944-2946.

[15]金晶，冉隆科. 改進型粒子濾波與稀疏表達的自適應圖像跟蹤算法[J]. 計算機應用與軟件，2014，31（7）：152-155.

[16]Figueiredo M A，Nowak R D. An EM algorithm for wavelet-based image restoration[J]. Transactions on Image Processing，2003，12（8）：906-916.