基于稀疏表示的葡萄干品质分级

刘小英 秦振涛 杨蜀秦

摘要：以新疆绿色无核葡萄干为研究对象，提取颜色、形状等特征值建立稀疏表示数据字典，采用弱匹配追踪算法求得稀疏解，计算每个测试样本在数据字典上的投影，将具有最小残差的等级作为测试样本的级别，并与BP人工神经网络、支持向量机（SVM）识别结果进行比较分析。结果表明，提出的分级方法平均识别率达到96.7%，具有较好的识别率和鲁棒性。这为葡萄干等级识别提供了一种新的有效方法。

关键词：葡萄干；分级；BP神经网络；稀疏表示；识别率；支持向量机（SVM）

中图分类号：TP391 文献标志码：

文章编号：1002-1302（2016）08-0421-03

绿色葡萄干是我国新疆地区的重要特产之一，研究葡萄干品质快速检测技术，对新疆葡萄产业的稳定发展有重要的推动作用。葡萄干品质分为外在品质和内在品质2个部分[1]，内在品质检测主要通过抽样检验完成，外在品质包括色泽、果形、果粒大小、肉质软硬等，机器视觉是实现葡萄干外在品质快速检测的有效途径。目前，对农产品品质检测运用较多的是人工神经网络、人工蜂群模糊聚类方法、极限学习机神经网络等[2-3]，而唐晶磊等应用人工神经网络对葡萄干分级技术进行了相关研究[4]。稀疏表示方法是一种新的模式识别方法，近年来在计算机视觉检测中应用比较广泛。有研究表明，稀疏表示方法在車辆检测、害虫图像识别、交通标志分类识别、人脸识别中获得较好的识别性能[5-8]。试验以新疆绿色无核葡萄干为研究对象，在提取葡萄干特征参数的基础上，利用稀疏表示方法对葡萄干等级进行检测，为葡萄干的等级识别提供一种新的方法。

1葡萄干圖像采集

葡萄干图像由计算机视觉系统获取，将3个等级的葡萄干单层均匀摆放在载样台上，由固定在照明室顶端的数码相机进行图像采集（图1）。光照不匀、线路传输不畅等会影响采集的图像质量，给后期分类造成影响，因此，图像采集后应利用中值滤波法进行图像去噪，采用判别分析法选取阈值，利用阈值分割法对背景进行分割，并根据边界跟踪得到的单个葡萄干边界信息，提取单个葡萄干的图像[9]。从提取的3个等[CM（25]级各2个葡萄干的图像样本可见，3个等级的葡萄干形状[CM）]〖LM〗类似，但大小、颜色具有不同特征（图2）。本试验每个等级各采用40个葡萄干作为训练样本，60个葡萄干作为测试样本。

2.1特征提取

葡萄干的颜色和形状是分级的关键。通过编写BP神经网络识别算法，对不同参数组合对识别率的影响进行分析，最终确定色调、面积、长度、宽度为识别的最佳参数组合。

2.1.1颜色由于HSI颜色模型最能反映人类的视觉原理，因此，试验采用HSI颜色模型色调H作为葡萄干的颜色特征。提取H特征前，将获取的RGB彩色图像转换为HSI颜色模型。1个葡萄干图像的颜色特征参数为所有像素点的H平均值，计算公式为：

.2稀疏分级算法的思想

对于测试样本的关系可表示为第i级葡萄干第j个训练样本上的投影系数，即：

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

式中：x=[x11…x401x12…x402x13…x403]；xji表示测试样本y在[WTHX][STHX]A[WTBZ][STBZ]中第i级第j个训练样本上的投影系数。如果测试样本y属于第n个样本，则系数向量x与训练样本An的投影系数非0，而在其他训练样本Ai（i≠n）上的投影为0。因此，y的解是稀疏的。稀疏表示研究理论[11]中，对于稀疏解x可通过求解最小化范数l1求解，计算方法为：

对有10个基数的矩阵，随着真实解基数个数的增加，WMP算法的效能因子逐渐提升，这表明算法有较好的收敛性。WMP与最小二乘法-正交匹配追踪（LS-OMP）算法、正交匹配追踪（OMP）算法、匹配追踪（MP）算法及硬阈值算法[13-16]进行比较发现，随着真实解基数个数的增加，WMP算法的l2范数均方误差较少。因此，WMP贪婪方法具有更高的效率。

3.4葡萄干等级的检测算法

根据研究原理，葡萄干等级的检测算法为：（1）输入，由3个等级的葡萄干提取的归一化训练样本数据矩阵[WTHX][STHX]A[WTBZ][STBZ]=[A1，…，Ai]（i=1，…，3），某等级归一化测试样本数据y，设置误差阈值为0.000 1，下降指数t=0.5，迭代次数为1 000；（2）运用WMP方法，求解最小化范数 [KG-5]x[DD（-15][HT6]⌒[DD）]；（3）求 [KG-5]y[DD（-15][HT6]⌒[DD）]i与y的距离；（4）输出，若Ai具有最小残差ri（y），则y就可以判定为第i级葡萄干。

4结果与分析

利用Matlab编程，实现BP神经网络方法、支持向量机（SVM）及稀疏表示方法对葡萄干进行等级检测，计算机配置为CPU Core i5-4430 3.00 GHz，内存4G。由表1可见，BP神经网络方法、SVM方法及稀疏表示方法对3个等级葡萄干的平均识别率分别为92.0%、95.3%、96.7%；从对各等级的识别数据来看，3种方法对二级葡萄干的识别率相对较低，这是因为测试样本由人依据视觉主观进行分级，二级葡萄干介于一级、三级之间，不好判定，从而造成葡萄干的定级误差。

从BP神经网络、SVM及稀疏表示这3种方法对一级葡萄干测试样本的识别时间分别为1.825、0.254、0.185 s，稀疏表示方法算法复杂度比其他2种方法要低；稀疏表示方法只须考虑误差阈值及求解最小化范数时的迭代次数，误差小，可获得较高的识别率；BP网络需要多次优化特征参数及网络结构进行比较分析，SVM中的多个参数也须要经过若干次优化才能确定。因此，稀疏表示方法鲁棒性更强，优于其他2种方法。

5结论

本研究提出一种基于稀疏表示的葡萄干品质检测方法，该方法通过提取单个葡萄干图像的色度、面积、长轴、短轴特征向量，建立稀疏等级检测模型，并利用WMP方法求得稀疏解，计算具有最小残差的等级作为测试样本的等级。这种方法与BP神经网络方法、SVM方法相比，稀疏表示方法对葡萄干的检测平均识别率达到96.7%，识别效果好，算法复杂度低，这为葡萄干等级外观检测提供了一种新的方法，对其他农产品等级检测具有参考價值。

[HS+6mm][HT8.5H]参考文献：

[1]郭春苗，伍新宇，周晓明，等. 葡萄干饱满度评定指标及影响因子研究[J]. 新疆农业科学，2015，52（6）：1033-1039.

[2]罗陆锋，邹湘军，杨洲，等. 基于改进人工蜂群模糊聚类的葡萄图像快速分割方法[J]. 农业机械学报，2015，46（3）：23-28.

[3]李國进，董第永，陈双. 基于计算机视觉的芒果检测与分级研究[J]. 农机化研究，2015（10）：13-18，23.

[4]唐晶磊，景旭，何东健. 基于BP神经网络的葡萄干分级技术的研究[J]. 农机化研究，2007（11）：51-53.

[5]蔡英凤，王海，张旭. 面向复杂道路场景的视觉车辆检测算法[J]. 科学技术与工程，2015，15（20）：84-88.

[6]胡永强，宋良图，张洁，等. 基于稀疏表示的多特征融合害虫图像识别[J]. 模式识别与人工智能，2014，27（11）：985-992.

[7]王瑞，杜林峰，孙督，等. 复杂场景下结合SIFT与核稀疏表示的交通目标分类识别[J]. 电子学报，2014，42（11）：2129-2134.

[8]汤镇宇，孟凡荣，王志晓. 基于稀疏表示的快速l2-范数人脸识别方法[J]. 计算机应用研究，2015，33（9）：1-8.

[9]刘小英. 基于图像分析的葡萄干分级技术研究[D]. 杨凌：西北农林科技大学，2006.[ZK）]

[10]刘小英，张健. 葡萄干图像长短轴快速检测算法[J]. 安徽农业科学，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]何俊飞，李峰，张建明，等. 使用双稀疏的图像去噪算法[J]. 小型微型计算机系统，2015，36（5）：1109-1112.

[14]陈宁，阎琳，邱岳恒. 基于OMP算法的图像重构研究与 FPGA 实现[J]. 计算机测量与控制，2014，22（9）：2944-2946.

[15]金晶，冉隆科. 改进型粒子滤波与稀疏表达的自适应图像跟踪算法[J]. 计算机应用与软件，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.