基于多分类器融合的水果自动分级系统

胡 静，郭 新，何浩甲，李 帅，朱学令，赵 阳

（1.上海电机学院 电子信息学院，上海 200240；2.上海华虹NEC电子有限公司，上海 201203）

基于多分类器融合的水果自动分级系统

胡 静1，郭 新1，何浩甲1，李 帅1，朱学令1，赵 阳2

（1.上海电机学院 电子信息学院，上海 200240；2.上海华虹NEC电子有限公司，上海 201203）

为了有效提高水果分级系统的分类正确率，利用图像处理、模式识别，以及神经网络分类器融合等技术，构造了一个水果等级分类系统。以3个最具代表性的水果的外在品质特征作为神经网络的输入，并融合各神经网络分类器的结果对水果进行自动化分级。实验结果表明：系统分类效果较好，可用于水果深加工生产。

外在品质；特征提取；神经网络分类器；多分类器融合

传统的人工水果分类主要是从色、形两个方面进行人工判别的，它的缺点是效率低、耗时长、识别准确率不稳定。随着计算机图像处理和模式识别技术的不断成熟和发展，在水果识别方面的自动判别技术也慢慢成熟。国内外对此已作了大量的研究［1－11］，如 Kavdir等［1］根据苹果的表面质量状况，包括苹果的像素灰度值、纹理特征等来对苹果进行两种类型的分级：一种是“好与差”两级分类，另一种则是较为细致的五级分类，都取得了较好的效果。Trueba等［2］提取肉的表面纹理及颜色特征，利用神经网络精确地描述了牛肉嫩度。国内的研究［3－11］主要是在华中农业大学、中国农业大学、中国农科院等高等院校中。吕秋霞等［3］提取了水果的颜色、形状以及纹理3个特征，利用单个神经网络对其进行等级分类，也取得了一定的成果。

本文提出了一个基于多分类器融合的水果外在品质自动分级系统。该系统以神经网络作为等级分类器，以最具代表性的水果的外在品质作为分级依据，并采用了与一般研究不同的水果图像采集方式，即利用3个摄像头同时从3个不同的角度提取水果的包括颜色、形状和大小3个外在特征。经过大量数据训练后，融合多个神经网络的分级结果，以此判别水果的最终等级。

1 系统构成

图1 系统总体结构图Fig.1 System framework

系统构成主要包括：摄像头、光源、计算机3个部分。利用3个摄像头实时采集水果图像，将采集到的水果图像信息输入计算机进行图像处理及提取图像特征，再分别利用每个单神经网络分类器进行分类识别，最后融合多分类器的分级结果。系统采用了3个摄像头和目前最具代表性的3个神经网络分类器：BP神经网络分类器、径向基网络分类器和竞争型网络分类器。系统总体结构如图1所示。

2 系统设计

分类程序流程包括：① 图像的采集及预处理。包括图像获取、图像增强、边缘分割等。② 图像特征提取。提取形状、颜色、大小的主要特征，并进行定量表示。③ 单个分类器的设计。包括神经网络分类器的结构与参数设计，判决门限的设计等。④ 多个分类器的融合。采用某种融合策略判别水果的最终等级。

2.1 图像采集及预处理

为了全方位的采集水果图像，本系统采用3个摄像头，从3个不同角度同时获取水果的图像信息，如图2所示。

图2 水果图像获取图Fig.2 Fruit image retrieval

此外，为提高采集图像的质量，还采取了一些图像预处理措施。如，为消除阴影的影响，将底板的颜色置为黑色；采用灯光控制背景光，将摄像头与水果的距离保持相对稳定等；采用经典算法分别对图像进行了图像增强、边缘检测及图像分割等操作，这些操作为后续的特征提取做准备。

2.2 图像特征提取

2.2.1 颜色特征 摄像头采集的图像一般采用红绿蓝（RGB）颜色空间，但RGB颜色空间对光照变化比较敏感。从生理学的角度理解，HSI（Hue－Intensity－Saturation）系统直接采用颜色特性意义上的色调（Hue）、亮度（Intensity）和饱和度（Saturation）来描述每种颜色，比较符合人类对颜色的理解，故本系统把RGB空间转换为HSI空间。其中，色调H分量为

式中，R、G、B分别为红、绿、蓝分量。

2.2.2 形状特征 定义为水果图像的最大横轴与最大纵轴之比值λ。将原始图像转换为灰度图像，通过灰度图像的直方图阈值分割，计算该图像的最大横轴和最大纵轴之比值λ，即

λ值越接近1，表明该水果形状越规则。

2.2.3 面积特征 将水果图像进行二值化处理后，并对所有白色区域内的所有像素点进行求和计算，其结果定义为水果面积大小。实验中还发现底板的颜色对水果面积的大小有一定的影响，故在实验中，采用不同颜色的底板进行对比。对比的结果表明：在外部环境不变的情况下，利用黑色底板采集到的图像在经过二值化处理后，较少出现白斑的状况，极大地减小了环境因素对图像特征的影响。

2.3 单分类器设计

由于不同方位、不同角度的水果特征空间之间的关系是很复杂的，它们之间一定是非线性的关系。因此，为了达到克服每种神经网络本身的缺陷、尽量充分覆盖水果特征空间的目的，本系统采用了3种不同类型的神经网络来分别完成分类任务。

2.3.1 BP网络 BP神经网络采用4层结构，包括1个输入层、2个隐节点层和1个输出层。其中，输入层有3个节点，分别为水果的3个外在特征值；第1层隐节点层为4个节点，第2次隐节点层为3个节点；输出层的节点数根据水果分级的级别数来设定。虽然神经网络方面的专家曾经指出［6］，应尽量避免使用2层以上的隐节点层，因为那会大大增加实验花费的时间。但在本实验中，发现2层隐节点层在BP训练结束后，对新进对象判断的稳定性很好，同时花费的训练实验时间也在允许范围内，故采用了2层隐节点层。由于本系统暂时只对优质和较差两类水果进行分级，故输出节点为一个，且神经网络的具体参数如下：

2.3.2 径向基网络 径向基网络是一种前向型网络，包含一个具有径向基函数神经元的隐层和一个具有线性神经元的输出层。在本系统中，利用径向基网络newrbe函数，创建了一个准确的径向基函数网络，但由于径向基函数的分布密度spread可以影响网络的精度，故在实验中要反复尝试这个值。系统研究可知：spread越大，函数越平滑，但运行更复杂。因此，经过实验表明本系统中spread参数取值为0.15。

2.3.3 竞争网络 竞争网络只有单层神经元，其输入节点与输出节点之间是直接相连接的，网络在学习中的竞争型也表现在输出层上。竞争网络的学习和训练过程，实际上是对输入矢量的划分聚类过程，同一神经元层次上各个神经元相互竞争，获胜的神经元修改其连接权，使得获胜节点与输入适量之间的权矢量代表获胜输入矢量。本系统根据输入矢量的维数估计，适当的调整该网络的参数。

2.4 多分类器融合设计

不同的分类器得到不同的分类结果。为了克服单个神经网络系统受自身结构的限制，将多个神经网络进行融合，利用不同分类器、不同特征之间的互补性，达到进一步提高分辨率的目的。

多分类器的融合算法有很多，本文采用的是多数投票法（Majority Voting Scheme，MVS）。该算法的优点在于简单、鲁棒性较好［12－15］；缺点是精确率不高。由于水果的种类很多，外在品质相差也较大，若考虑鲁棒性和分类精确率之间的折中，则采用MVS还是可行的。

MVS的算法用数学语言描述如下：如果有n个独立的分类器具有相同的正确分类的概率，且每一个分类都做出关于未知图像的身份唯一确定的结论，则该图像就会被归类到意见一致的类别中去。如，当至少有k个分类同意，则得出的结论是一致同意此分类结果，这里，k被定义为

多个分类器融合结构如图3所示，通过MVS方法将各不同神经网络分类器的结果进行有效的分析与判别，最终得出水果的最有效等级。

图3 多分类器融合示意图Fig.3 Multi－classifier fusing

4 实验结果分析

为检验本系统的水果分级效果，以苹果为实验对象进行了实验验证。由于只是验证实验，故苹果的等级暂时分为“优质”与“较差”两种。实验中，每个苹果分别采集3幅图像，取其中60幅作为训练样本，另外165幅作为测试样本。

实验1 训练样本与测试样本相一致，分别记录3个不同网络分类器的分级正确率。

实验2 训练样本与测试样本不相同，也分别记录3种网络分类器的分级正确率。

得到的实验结果如表1所示。

表1 实验结果Tab.1 Experimental results

从表1可见，实验1中，训练样本与测试样本一致，径向基网络作为分类器效果最好。而实验2中，训练样本与测试样本不一致，虽然BP网络作为分类器的效果最好，但通过分别计算方差后发现，多分类器融合时的方差最小，最为稳定。因此，如果将系统的鲁棒性和分级正确率两方面综合起来考虑的话，采用多分类器融合进行等级分类效果较好。

4 结 语

本文通过提取水果的最具代表性的外在品质特征，作为各个神经网络分类器的输入数据，通过对各神经网络的分类结果进行分析，发现实验中影响较大的因素有2个：① 底板的颜色对水果面积的大小有一定影响，故系统采用了黑色底板，在某种程度上可以消除影响；② 如果水果的表面颜色变化较大时，试验过程中所得的H值会相对趋向于坏苹果的H 值，从而导致对水果等级的误判，而采用多分类器融合算法可有效消除影响。因此，本文的研究对我国水果深加工产业具有一定的积极作用。

［1］ Kavdir I，Guyer D E.Apple sorting using artificial neural networks and spectral imaging［J］.Transactions of the ASABE，2002，45（6）：1995－2005.

［2］ Trueba E A，Orepeza M JL，Ortiz S CA，et al.Identification of erode zones with digital images using artificial neural networks［J］.Agrociencia，2004，38（6）：573－581.

［3］ 吕秋霞.张景鸿.基于神经网络的水果自动分类系统设计［J］.安徽农业科学，2009，37（35）：17392－17394，17439.

［4］ 葛纪帅，赵春江，黄文倩，等.基于智能称重的水果分级生 产 线 设 计 ［J］.农 机 化 研 究，2012 （1）：126－130.

［5］ 毛华先，莫建灿，方连发，等.水果品质智能化实时检测和分级系统研究［J］.农机化研究，2010（10）：95－97.

［6］ 饶秀琴，应义斌.水果按表面颜色分级的方法［J］.浙江大学学报：工学版，2009，43（5）：869－871.

［7］ 周 建，刘 治，刘 杰.基于神经网络多分类器融合系统的人脸识别方法［J］.南通大学学报：自然科学版，2011，10（1）：1－4.

［8］ 毕卫红，付兴虎，王奎荣，等.水果品质近红外检测技术的研究现状与发展［J］.激光与光电子学进展，2006，43（3）：3－7.

［9］ 周晓蓉，杨 坚，蒙必胜，等.5BF－3型水果分级机性能影响因素的试验研究［J］.农机化研究，2007（2）：142－145，148.

［10］ 章海亮，左雪平.苹果自动分级中计算机视觉信息处理技术的研究［J］.农机化研究，2006（1）：28－30.

［11］ 黄秀玲，郑加强，赵茂程.水果分级支撑技术的研究进展［J］.南京林业大学学报：自然科学版，2007，31（2）：123－126.

［12］ 毛鹏军，杜东亮，贺智涛，等.农产品视觉检测与分级的研究现状与发展趋势［J］.河南科技大学学报：自然科学版，2006，27（4）：76－79.

［13］ 祝 媛，常江龙.基于多分类融合算法的3D人脸年龄识 别 ［J］.计 算 机 仿 真，2009，26（5）：248－250，295.

［14］ 嵇新浩，丁荣涛.基于多特征融合和Boosting RBF神经网络的人脸识别［J］.计算机科学，2008，35（6）：196－198.

［15］ 王 黎.基于融合决策的多分类器系统研究［D］.西安：西安理工大学，2008.

Automatic Classification of Fruit Using Multi－Classifier Fusing

HU Jing1，GUO Xin1，HE Haojia1，LI Shuai1，ZHU Xueling1，ZHAO Yang2
（1.School of Electronics and Information，Shanghai Dianji University，Shanghai 200240，China；2.Shanghai Hua Hong NEC Electronics Co，Ltd.，Shanghai 201203，China）

To improve accuracy of the of fruit quality classification，a system is constructed using image processing，pattern recognition and neural networks.Three most representative fruit surface quality conditions obtained from images are used as input to neural networks.Classification results of the neural network classifier are fused to separate the fruits into different quality levels.Experiments show that the system can produce good results of fruit classification.The method can be used in the deep processing of fruits.

surface quality condition；characteristic extraction；neural network classifier；fusion of multi－classifier

TP 216；S 375

A

2095－0020（2012）03－0163－04

2012－03－12

上海市大学生科技创新项目资助（2011SCX36）

胡 静（1964－），女，副教授，博士，专业方向为智能信息处理与网络工程，E－mail：hujing＠sdju.edu.cn