一种新型的水果分类系统设计

胡 静， 罗宜元， 宁建红

(上海电机学院 电子信息学院，上海 200240)

一种新型的水果分类系统设计

胡 静， 罗宜元， 宁建红

(上海电机学院 电子信息学院，上海 200240)

在图像处理、特征提取等技术的基础上，设计了一种水果等级分类系统，提出了一种新型的距离分类器。通过提取出水果的颜色、形状和大小3个最具代表性的外在品质特征，作为距离分类器的输入。仿真结果表明，该方法实时性好，分类准确率高，可满足水果深加工生产的需要。

距离分类器； 图像处理； 特征提取； 外在品质特征

水果产业是近年来我国发展较为快速的一个农产品产业，但由于国内水果的深加工技术较为落后，故大大影响了水果产业在世界市场上的出口量。随着计算机图像处理、模式识别等技术的不断成熟和发展，作为水果深加工的最重要环节——水果分类正逐步由机器替代人工方式完成。为提高机器分级系统的质量与水平，国内外学者做了大量的研究，如文献[1]中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，利用神经网络对苹果进行两种类型的分级。文献[2]中通过机器视觉等技术对苹果进行了分级研究。国内的研究主要集中在高等院校内进行[5-10]，文献[5]中提取了水果的颜色、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，取得了一定的成果。

本文设计了一种新型的距离分类器，建立了水果等级分类系统。该系统以最具代表性的水果外在品质作为分级依据，且采用了与以往研究不同的水果图像采集方式，利用3个摄像头同时从3个不同角度提取水果的颜色、形状和大小3个外在特征，再利用设计好的距离分类器进行分级。实验结果表明，该方法具有较好的实时性，水果分组效果较好。

1 系统工作原理

本文设计了一种水果等级分类系统，利用该系统进行水果分类处理可分为3个阶段： ① 采集水果的原始图像，并进行图像增强处理；② 提取水果的3个外在品质特征，即提取水果的颜色、形状和大小3个最具代表性的特征；③ 利用设计好的距离分类器进行水果的等级分类。系统工作原理图如图1所示。

如图可见，3个摄像头同时采集水果的原始图像，并通过3台计算机分别对图像进行细化处理和特征提取；然后，将提取的特征值作为距离分类器的输入值，经过计算比较，得出水果等级的最终判别结果。

图1 系统工作原理图Fig.1 System principle

2 系统设计

2.1图像采集与处理

对获得的原始图像进行锐化操作，再对其求反及补色处理；然后，利用边缘检测来分割图像，其基本思想如下： 先检测图像中的边缘点，按照某种策略将边沿点连接成轮廓，从而构成分割区域。目前，常用的边缘检测算子有4种[11-13]： Canny、Prewitt、、Roberts和Sobel边缘检测算子。本文以苹果为例，分别采用这4种算子对苹果的原始图像进行了边缘分割，效果如图2所示。

图2 4种边缘分割算子分割效果比较图Fig.2 Comparison of four edge detection algorithms

由图可见，经Sobel算子和Prewitt算子检测得到的物体轮廓较为清晰，故本文采用了效果最好的Sobel算子作为图像边缘检测算子，为之后的形状检测，即计算苹果形状的横纵比做准备。

2.2图像特征提取

2.2.1 水果的颜色特征 摄像头采集的图像一般采用RGB颜色空间，但是，RGB颜色空间对光照变化非常敏感。由于HIS(Hue-Saturation-Intensity)系统直接采用颜色特性意义上的色调、亮度和饱和度来描述每种颜色,比较符合人类对颜色的理解，故本系统把RGB颜色空间转换为HSI空间，采用H分量作为水果的颜色特征，

H=

(1)

式中，R、G、B为红、绿、蓝3色的亮度。

2.2.2 水果的形状特征 系统将水果的形状特征定义为水果图像中的最大横、纵轴之比，即

l=最大横轴/最大纵轴

(2)

先将水果的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。l值越接近1，表明该水果形状越规则。

2.2.3 水果的面积特征 定义为水果图像的面积值。具体做法如下： 先对水果图像进行二值化处理；然后，对水果区域内(白色区域)的所有像素点进行求和计算，其结果即为水果的面积值。在实验的计算过程中，笔者发现底板的颜色对面积的大小有一定的影响，故在实验中，系统采用了不同颜色的底板进行了比较。结果显示： 在外部环境不变的情况下，采用黑色底板能够极大地减小底板对水果面积的影响，故在采集水果图像时，配备了黑色底板。

2.3距离分类器

在实际问题中，常把一种模式矢量的统计平均值作为该模式的标准模式，然后，将待识别样本与此标准模式作比较。由于距离度量函数的选择对分类效果的影响很大，而在许多情况下欧氏距离便于分析与计算，故最常用的还是欧氏距离及其等价的距离度量函数。但是，欧式距离存在着分类时所产生的隔离度不够高的问题。按照Fisher准则，分类函数应使类间偏差最大、类内偏差最小，即隔离度应尽可能的高[14-15]。相应地，在距离函数分类中，标准样本与同类样本距离越近、与非同类样本距离越大，表示该距离度量函数意义下的分类效果越好。因此，本文提出一种新型的距离度量函数——均衡误差函数，以达到提高隔离度的目的。

定义距离度量函数：

(3)

此外，令距离隔离度函数为

(4)

式中，E(d(x,y))为标准样本y与整个样本空间中所有样本距离的均值；E(d(xω,y))为标准样本y与样本空间只属于ω类的所有样本xω距离的均值。

显然，f(d(x,y))越大，分类效果就越好。可以证明，当模式空间足够大，且呈均匀分布时，本文所提出的距离函数隔离度要比欧式距离函数的隔离度大。这是由于通过引入均衡误差系数wi，使各维特征向量引起的平均误差相等，而模式特征中不稳定的部分受到了抑制，同时突出了稳定部分，从而提高了分类性能。

在本文所设计的系统中，距离分类器将任意一个苹果样本与标准苹果样本进行样本间的距离测量，同时，设置一个判定阈值k，若测得的距离小于或等于k，则认为该苹果为同类样本，否则，为非同类样本，以此来判断苹果的种类。本系统设置k=0.001。

同时，由于本系统是采用3个摄像头同时采集图像，3台电脑同时进行图像处理、特征提取，以及距离分类；最后，需要将3台电脑的结果综合在一起，采取多数投票方法来确定最终的分类结果。这种将多个距离分类器综合起来最终得出水果的最有效等级的方法，其效果要比使用单个距离分类器得到的分类等级效果好得多。

3 实验结果与分析

为检验本文所提出的水果等级分类系统在水果等级分类中的效果，以苹果为实验对象进行实验。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，样本总数总计为330幅，取其中15、30、45、60幅分别统计、计算它们的平均值，作为其模式的标准样本；另外，180幅图像作为测试样本。本文实验分两次进行： 第1次实验，测试样本与标准样本一致；第2次实验，测试样本与标准样本不一致。分别记录利用欧式距离分类器与本文提出的均衡误差距离分类器的分类正确率，得到的实验结果如表1所示。

由表1可见，当标准样本与测试样本一致时，两类分类器的分类准确率都较高；而当测试样本与标准样本不一致时，本文提出的均衡误差距离分类器的分类效果较好，且随着标准样本数的增加，分类效果越好。由此可见，利用本文提出的均衡误差距离分类器使水果等级分类系统的鲁棒性和分级准确率都较好。

表1 实验结果Tab.1 Experiment results

4 结 语

本文设计了一个水果等级分类系统，通过采集水果的颜色、形状和大小3个最具代表性的外在品质特征，作为距离分类器的输入数据，最后由距离分类器输出水果等级的结果。距离分类器的设计充分考虑了计算简单、隔离度大的两个因素。本文设计的水果等级分类系统具有整体过程简单、计算量小、计算过程较短、系统实时性较高的特点。但是，作为水果深加工的一个完整过程，仅有外在品质，而不考虑内在特质是不够的，因此，外在品质加上内在品质的水果等级分类系统将是下一步的研究方向。

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

[2] Rehkugler G,Throop J.Apple sorting with machine vision[J].Transaction of the ASAE,1986,29(5)： 1388-1397.

[3] Nalcano K.Application of neural networks to the color grading of apples[J].Computers and Electronics in Agriculture，1997,18(2/3)： 105-116.

[4] Pitie F,Kokaram A C,Dahyot R.Automated colour grading using colour distribution transfer[J].Computer Vision and Image Understanding,2007,107(1/2)： 123-137.

[5] 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.

[6] 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,2012,34(1)： 126-130.

[7] 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,2010,32(10)： 95-97.

[8] 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,2009,34(5)： 869-871.

[9] 毕卫红、付兴虎、王魁荣，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(4)： 3-7.

[10] 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,2007,26(2)： 134-145.

[11] 王艳玲.一种改进的Sobel边缘检测和细化算法[J].桂林师范高等专科学校学报，2011，25(2): 152-154.

[12] 王耀文,于海勋,姚博，等.基于Canny检测算法实现的目标跟踪[J].电子设计工程，2012,20(3)： 149-152.

[13] 项力领,刘智,齐冀，等.图像去噪的混合滤波方法[J].吉林大学学报： 信息科学版，2013,31(3)： 266-271.

[14] 文乔农,万遂人,徐双.Fisher准则和正则化水平集方法分割噪声图像[J].计算机研究与发展,2012,49(6)： 1339-1347.

[15] 张宇萍.基于Fisher准则的二次线性特征提取[J].西安工业大学学报,2007,27(5)： 460-463.

Design of a Fruit Classification System

HUJing,LUOYiyuan，NINGJianhong

(School of Electronic Information Engineering, Shanghai Dianji University, Shanghai 200240, China)

This paper presents the design of a distance classifier, and builds a fruit level classification system based on image processing and feature extraction. Three representative surface quality conditions for apple obtained from images are used as input to a distance classifier. Simulation results show that the system has good real-time performance and high rate of classified accuracy. It can meet practical needs for deep processing of fruits.

distance classifier； image processing； feature extraction； surface quality

2014 - 07 - 16

国家自然科学基金项目资助(61402280)

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

2095 - 0020(2014)06 -0343 - 04

TP 391.41；TS 255.35

A