基于机器视觉和人工神经网络的切花玫瑰瓶插寿命预测

翟超男++张海东++王孟++邢志中++郭小军++陈腾

摘要：对切花玫瑰瓶插寿命进行预测，利用机器视觉提取颜色和形状特征参数共15个，并结合人工神经网络ANN建立预测模型。该预测模型的输入层、隐含层和输出层的神经元数分别为15、15和1，训练集相关系数R2=0.939 4，训练集均方根误差RMSEC=0.784 9；其预测集相关系数R2=0.850 7，预测均方根误差RMSEP=1.205 1。结果表明，机器视觉结合人工神经网络能够较准确地预测切花玫瑰的瓶插寿命。

关键词：机器视觉；人工神经网络；切花玫瑰；瓶插寿命

中图分类号：S126 文献标识码：A 文章编号：0439-8114（2017）08-1564-03

DOI：10.14088/j.cnki.issn0439-8114.2017.08.041

Prediction of Vase Life of Cut Roses Based on Machine Vision

and Artificial Neural Network

ZHAI Chao-nan，ZHANG Hai-dong，WANG Meng，XING Zhi-zhong，GUO Xiao-jun，CHEN Teng

（Mechanical and Electrical Engineering College，Yunnan Agricultural University，Kunming 650201，China）

Abstract：In order to predict rose vase life of cut flowerwe， using machine vision to extract color and shape feature parameters，a total of 15，and combined with artificial neural network ANN prediction model was established. The ANN model consisted of 15，15， and 1 neurons in the input，hidden，and output layers. The ANN model using the validated data showed a good predictability between the predicted and observed values（R2=0.850 7， RMSEP=1.205 1）， similar to using the trained data（R2=0.939 4， RMSEC=0.784 9）. The results showed that the ANN model based on machine vision can predict the vase life of cut roses accurately.

Key words： machine vision；artificial neural network；cut rose；vase life

玫瑰（Rosa rugosa Thunb.）為蔷薇科蔷薇属落叶灌木，被称为花中皇后。瓶插寿命是鲜切花的重要品质之一，而中国鲜切花保鲜技术还有很多问题和不足[1，2]，直接影响鲜切花的观赏价值。传统瓶插寿命测定需要将物理方法和感官评定法相结合，操作繁琐、耗时，且易受外界因素和个人主观因素的干扰。机器视觉技术因其检测结果准确、检测速度快、操作方便和易于实现在线检测等优点，已被广泛应用于农产品品质评价和分级检测中[3，4]。近年来，机器视觉技术也已开始被应用于花卉品种识别、品质分级[5-10]以及瓶插寿命预测等研究中，但关于利用机器视觉技术预测鲜切花瓶插寿命的研究较少。国外学者Brosnan等[10]利用机器视觉技术研究百合切花不同插花期的变化规律，结果表明，颜色特征比形状特征更能表征百合花切花的瓶插寿命；Byungchun等[11]利用机器视觉技术结合人工神经网络对切花玫瑰进行瓶插寿命预测，提取了29个特征参数，结果表明，机器视觉技术预测切花玫瑰瓶插寿命是可行的，但29个参数中包括玫瑰花生长期生理参数，而对市售绝大多数玫瑰花而言，其生长期生理参数都是未知的，因此无法用于瓶插寿命预测。本研究利用机器视觉技术提取切花玫瑰的颜色和形态共15个特征参数，结合BP神经网络建立其瓶插寿命预测模型，以验证利用玫瑰花采切后的图像参数预测切花玫瑰瓶插寿命的可行性，并为切花品质的机器视觉检测提供理论参考。

1 材料与方法

1.1 材料与设备

1.1.1 试验材料 试验用玫瑰品种为卡罗拉（超玫），采自昆明市斗南花卉基地，采切生长健壮、无弯茎、无病虫害、开花指数一致（2级）的花枝，共148支。随机选择其中的122支作为训练集样本，用于建立预测模型，剩下的26支作为预测集样本，用来检验模型的性能。样本自母体采切后立即放入水桶中，并于2 h内运回实验室。统一修剪后放入500 mL饮料瓶中，瓶插液为蒸馏水。室温25 ℃，湿度30%～40%。

1.1.2 试验设备 图1中彩色CCD工业相机采用DFK 31BG03.H（德国），分辨率为1 024×768，镜头焦距为50 mm。光源箱长100 cm、宽50 cm、高150 cm，光源箱内壁贴上白卡纸以使光线能够均匀散射。光源为Philips公司的T5 Essential Batten—TCH086 21W/840冷光灯，在光源箱内4个角各布置1个。在光源箱内安装有1个可载切花玫瑰的夹子，以保证每幅切花玫瑰图像都具有相同的清晰度。采集的图像数据通过千兆网线传输到计算机。本研究中相机工作参数设定为：曝光时间1.778 s；增益1.625 dB；亮度90；红增益1；蓝增益1。

1.1.3 系统标定 系统标定的精度直接影响图像测量的结果，采用网格标定法对系统进行标定[12]。在纸上绘制边长为10 mm的正方形网格，在保证网格平面与光轴严格垂直的情况下，采集该网格图像。本研究中系统标定的结果为水平方向Kx=0.092 7 mm/pixel；垂直方向Ky=0.093 4 mm/pixel。

系统标定之后，在保持同焦距、同物距、被测物体平面与光轴垂直的条件下采集图像。

1.2 试验方法

1.2.1 图像采集 每天18：00对切花玫瑰的图像进行采集。将切花玫瑰从瓶中取出置于载物夹中，使花苞顶面保持水平，每个样本分别采集4次RGB数字图像并保存，图像采集完成后立即将切花放回瓶中。

1.2.2 瓶插寿命观测 图像采集后，对切花玫瑰进行观测记录，若出现弯茎、枯萎或蓝变现象则认为切花寿命终结，记录寿命时间。

3 人工神经瓶插寿命预测

3.1 预测模型的建立

3.1.1 层结构的确定 采用单隐含层的三层网络结构，以切花玫瑰的颜色特征和形状特征等15个参数作为BP神经网络模型的输入，即输入层神经元数为15，以瓶插寿命值为输出，即输出层神经元数为1。

图4显示了BP预测模型的均方根误差随隐含层神经元数的变化趋势，在隐含层神经元数由1增加到35的过程中，训练集均方根误差逐渐减小，预测集均方根误差先逐渐减小而后逐渐增加，当隐含层神经元数为15时，预测集均方根误差达到最小值，训练集相关系数为0.939 4，均方根误差为0.784 9，已表现出较好的预测性能。因此，本研究中选取隐含层神经元数为15。

3.1.2 其他参数的确定

1）目标误差。设定该研究中BP神经网络的目标误差为0.01；

2）激活函数。隐含层的激活函数多采用S形函数，输出层则采用线性函数。隐含层采用正切函数传递函数‘tansig，输出层采用线性传递函数‘purelin；

3）学习率。学习率设定为0.05；

4）迭代次数。设定BP神经网络的迭代次数为1 000次。

图5为预测模型测试急的预测误差随迭代次数的变化。

3.2 预测性能分析

表2列出了切花玫瑰瓶插寿命BP神经网络预测模型的性能。BP神经网络预测模型的训练集相关系数R2=0.939 4，训练集均方根误差为RMSEC=0.784 9；预测集相关系数R2=0.850 7，预测集均方根误差为RMSEP=1.205 1，表明BP模型具有较好的预测性能。图6为BP模型训练集和预测集的瓶插寿命预测值与实测值之间的散点图。训练集和预测集的瓶插寿命预测值都均匀地分布在45°线两侧，且偏差较小，表明BP网络模型能较好地预测切花玫瑰的瓶插寿命。

4 结论

本研究利用机器视觉技术结合人工神经网络建立切花玫瑰瓶插寿预测模型，其预测集相关系数为RP2=0.850 7，预测均方根误差RMSEP=1.205 1。结果表明，利用采切后玫瑰花的颜色和形状特征参数预测其瓶插寿命是可行的。

参考文献：

[1] 谢秋兰，全亚力，王 静.贵阳市常见鲜切花种类和市场潜力分析[J].黑龙江农业科学，2014（1）：110-114.

[2] 孙 琦，金时倩，田知理.新型百合花保鲜剂对百合花保鲜效果的影响[J].安徽农业科学，2015，43（36）：135-136.

[3] 刘 刚，王立香，柳兆軍.基于计算机视觉的苹果质量检测[J].安徽农业科学，2012，40（8）：5014-5016.

[4] 孙翠霞，方 华，胡 波.大米外观品质检测中图像采集条件的研究[J].安徽农业科学，2010，38（10）：5478-5479.

[5] 李芳繁，蔡玉芬.以机器视觉与类神经网络分级玫瑰切花之研究[J].农业机械学刊，1997，6（1）：57-59.

[6] 席友亮，李芳繁.以机器视觉分级文心兰切花之研究[J].农业机械学刊，2001，10（1）：17-30.

[7] 黃国益，林圣泉.蝴蝶兰大苗选別系统之研制[J].农业机械学刊，2001，10（4）：85-98.

[8] SIMONTON W，PEASE J. Automatic plant feature identification on geranium cuttings using machine vision[J].Transactions of the ASAE，1990，33（6）：2067-2073.

[9] STEINMETZ V，DELWICHE M J，GILES D K.Sorting cut roses with machine vision[J].Transactions of the ASAE，1994，37（4）：1347-1353.

[10] BROSNAN T，SUN D W.PH—postharvest technology：Evaluation of cut lily flower vase life by computer vision[J]. Biosystems Engineering，2002，83（2）：191-198.

[11] BYUNGCHUN I，INAMOTO K，DOI M. A neural network technique to develop a vase life prediction model of cut rose[J].Postharvest Biology and Technology，2009，52（3）：273-278.

[12] 杨 益.基于图像处理的机械零件几何尺寸检测方法研究[D].成都：西华大学，2011.