基于BP神经网络的桂圆干分级方法研究

马庆修 和二斌

摘 要：为了实现桂圆干的快速、精准分级，采用自行构建的基于机器视觉技术的桂圆干检测系统获取3种不同等级的桂圆图像，通过均值滤波、图像二值化和形态学运算对桂圆干和背景进行处理、分割和特征参数选取，获取桂圆大小、颜色和缺陷特征参数。将提取的特征参数输入BP神经网络进行训练，可以获得识别成功率达到91%的桂圆分级能力。该系统综合运用数字图像处理和基于神经网络的分级技术，对桂圆的等级检测具有低时延、高准确度、低功耗等特点，因此利用该模型对桂圆等级的检测识别具有较高的可行性。

关键词：桂圆干;机器视觉;BP神经网络

Research on Dried Longan Classification Technology

Based on Neural Network

Ma Qingxiu He Erbin*

College of Physics and Telecommunications Engineering，Yunlin Normal University GuangxiYulin 537000

Abstract：In order to achieve the rapid and accurate classification of dried longan，the image information of dried longan is processed to obtain the size，color and defect characteristic parameters of dried longan.By inputting the extracted feature parameters into BP neural network for training，the classification ability of dried longan with 91% recognition success rate can be obtained.Therefore，it is feasible to use this model to detect and identify the grade of dried longan.

Keywords：dried longan;BP neural network;image processing

桂圓干性温味甜，益气补血，有良好的滋补作用，是深受广大消费者喜欢的营养滋补品，具有广阔的市场前景[12]。随着经济的发展和人们生活水平的提高，消费者对桂圆干的品质提出了更高的要求。桂圆干一般根据其直径大小和色泽进行分级，方便以不同的价格进行售卖，现有的分级方法大多采用家庭作坊式手工操作为主，这种传统方法主要基于人工观测，分级速度慢、效率低、受主观影响大，桂圆的颜色和缺陷等问题仅靠人的视觉很难做到精确识别，桂圆的品质很难得到保证。因此，加快桂圆干产业化发展，提高桂圆分级处理能力受到高度重视。我国是世界上最大的桂圆干消费国，实现桂圆干自动分级对于加速桂圆相关产业的发展具有重要意义。

对桂圆干的分级属于模式识别问题，随着图像识别和人工智能技术的快速发展，使桂圆干的可视化自动检测分级成为可能。目前，通过图像处理技术进行外形检测和几何特征分析已有许多报道[36]，本项目利用MatLab图像处理技术对桂圆干的图像进行处理并提取其大小、颜色和缺陷的特征参数，将获得的特征参数输入神经网络进行训练，可以获得较高的桂圆干分级能力，从而为桂圆干可视化的自动分级处理提供技术支持。

1 材料与方法

1.1 材料

本实验所用的桂圆干样品购买于玉林中药港，按品质将其人为分为三个等级。所使用实验设备为：尼康D7500单反相机，2088万有效像素;镜头焦距为18～140mm，光圈范围为f/3.55.6;图像处理软件为Matlab R2012a。

1.2 图像采集

为了避免出现与桂圆干颜色相同或相近的背景，本实验设计采用白色背景实验台，能更好地凸显桂圆干本身的颜色，光源采用色温为6500K的LED灯。为了解决图像阴影对图像后续处理的影响，采集图像时理想的环境为一个密闭且光照均匀的封闭箱。本项目利用光学级亚克力板材作为导光板，将点光源变为面光源，实现光源的均匀照射，从而将图像的阴影降低到最小，使采集的图像符合图像处理的标准。

在设定好光源之后，用数码相机对桂圆干进行静态的图像采集。采集图像时保持镜头与桂圆干距离均为20cm，采集好的桂圆干彩色图像为之后的图像预处理提供了原始的数据。

1.3 桂圆干原始图像的预处理

采集的桂圆干原始彩色图像往往会受到各种随机因素的影响，在对图像进行进一步分析之前需对原始图像进行针对性的预处理。图像的预处理过程包括彩色图像的灰度化、图像增强、二值化以及形态学去噪。

1.3.1 图像的灰度化处理

将彩色图像转换为灰度图像就是图像的灰度化，灰度图像只包含亮度信息，和彩色图像相比所包含的信息量大大减少，用于图像处理的计算量也相应降低，极大地减少处理时间，方便对图像进行后续的计算。原始彩色图像的每个像素在RGB颜色空间中是由R、G、B三个分量共同决定的，当R、G、B这三个分量值相同时就是灰度图像。

本实验对图像灰度化处理的过程为：读取桂圆干原始RGB图像GY1=imread（‘guiyuan.jpg’），然后利用Matlab自带的rgb2gray函数对图像进行灰度化转换，使用的语句为GY2=rgb2gray（GY1）。灰度化处理前后的图像如图1所示。为方便对桂圆干图像进行进一步处理，需要对桂圆干图像和背景进行分割，图像的灰度直方图能为后续的图像二值化处理提供有利的信息，有助于进一步处理图像。

1.3.2 图像噪声去除和二值化处理

在图像的获取和传输过程中，不可避免地会产生噪声污染，降低了图像的质量。在对桂圆干RGB图像进行灰度化处理后，需要去除图像中的噪声，以使图像更适合处理与分析。本实验使用的图像增强算法是先对灰度图像进行中值滤波处理，基本原理是把数字图像中一点的值用该点的一个邻域中各点值的中值进行代换，在Matlab图像工具箱中，使用GY3=medfilt2（GY2，[3，3]）命令进行中值滤波，输出图像如图2（a）所示。

图像的二值化就是把图像用黑白两种颜色呈现出来，图像上点的值为0或1。将桂圆干的灰度图像进行二值化处理是为了将背景信息滤除，保留目标轮廓，从而获取桂圆干的几何特征信息。Matlab自带的BW4=im2bw（GY3，level）函数可以将灰度图像GY3转换成二值图像，level值来自于函数level=graythresh（GY3），输出图像如图2（b）所示。

1.3.3 图像的形态学去噪

灰度图转换为二值图后，其边界一般是不平滑的，在目标物体上会有一些噪声孔，背景区域也会带有一些小的噪声。为解决该问题，通过形态学闭运算可以填充桂圆干表面的细小空洞，平滑桂圆干边界又不明显改变桂圆干的面积。本实验利用形态学的闭运算填充桂圆干表面的细小空洞平滑其图像的轮廓。形态学处理后的二值图像平滑了图像边缘，为后续的几何特征提取提供保障。

2 桂圆干外观特征提取

运用机器视觉技术建立桂圆干品质检测模型，特征参数的选取是对桂圆干进行品质检测的关键，能够直接影响最终识别效果，为实现桂圆干检测自动化奠定基础。通常，人们将桂圆干大小、表面缺陷和色泽作为桂圆干品质的主要特征。

2.1 桂圆干面积提取

本实验中的数字图像都是由像素点组成，只要知道每个像素点代表的实际面积，就可以通过桂圆干的像素求出其面积。在本实验中，通过图像处理技术计算桂圆干图像所包含的像素数量来计算桂圆干的大小，在图像的获取过程中，首先计算单个像素所对应的实际面积，通过对形态学去噪后的二值图像中像素值为0的像素点进行计数，可以获得桂圆干的面积与像素数量的关系，从而提取的桂圆干面积为2.6cm2，通过对多幅桂圆干图像进行计算表明，该方法简单易行，提高了检测效率，避免了人工筛选过程中主观因素的干扰，使得实验结果更加准确可靠。

2.2 桂圆干表面缺陷信息提取

桂圆干表面在生长、制作和运输过程不可避免地会造成表面损伤，损伤的大小决定了桂圆干的等级。桂圆干表面损伤的直观表现就是颜色的不均匀分布，实验通过对桂圆干的损伤表面进行提取，然后对其损伤部分的面积进行填充，根据填充面积在桂圆干图像中的所占比例的大小作为桂圆干品质等级判断依据。将待检测的桂圆干原始灰度图像的对比度通过Matlab系统函數“I1=imadjust（GY2，[0 0.6]，[0 1]）”进行调整，使图像变得更加清晰，随后通过函数I2=im2bw（I1，0.5）转换为二值图像，使用函数BW5=imfill（I2，’holes’）对损伤部分进行填充并对填充结果进行滤波，处理结果如图3所示。将填充后图像与填充前图像进行对比并计算所填充的像素点个数，所填充的像素点个数占桂圆干总像素的百分比作为实验判断的依据[7]。

2.3 桂圆干颜色特征提取

颜色是识别优质桂圆干和劣质桂圆干的一个显著特征，正常的桂圆干在制作过程中可放于太阳底下自然晒干或者使用干树枝等燃料进行烘焙，此时的果肉颜色多呈现褐黄色或栗褐色。一些使用硫黄或者煤球熏制的桂圆干果肉颜色发白或者明亮透黄，这样烘焙的桂圆干的颜色与正常烘焙的桂圆干颜色的各分量存在明显差异。在具体的图像处理过程中，想要提取到图像相关颜色区域，就需要建立一个颜色模型。HSI模型可以从图像中的彩色信息里消除强度分量的影响，使得对彩色的描述更加直观、自然。因此，将采集的桂圆干图像的RGB颜色模型转换成HSI模型，得到桂圆干颜色的色调、饱和度和亮度。

特级桂圆干的颜色特征主要表现为色泽统一，颜色明黄。通过对多幅图像进行分析、计算得到色度均值和色度范围作为特征参数，作为桂圆干分级的依据。

3 基于BP神经网络的等级分类模型

BP（Back Propagation）神经网络是误差反向传播的多层前馈网络结构，主要功能包括函数逼近、模式识别和信息分类。本实验的模式识别采用BP神经网络来完成，输入参数包括桂圆干图像面积，缺陷大小，色度均值和色度范围[8]。输入层神经元个数由参数数量确定，输入层神经元个数为4，隐含层神经元数目h根据经验公式h= m+n+a确定，m和n为输入层和输出层节点的数目，a为1～10之间的调节常数。网络输出为3种桂圆干等级，目标输出模式为100、010和001，分别代表一级、二级和三级。

以BP神经网络的输入神经元个数为4，输出神经元个数为3，该系统的识别结果如表格所示。由表格的识别结果可以看出，使用BP神经网络模型对桂圆干进行识别时，模型能够对桂圆干等级进行有效识别。

结语

该研究以桂圆干为研究对象，通过对采集到的桂圆干彩色图像进行均值滤波、图像分割和形态学运算等预处理，可以较好地实现图像增强和消除噪声的目的，能够满足图像特征提取的要求。通过对原始RGB图像及其处理后的图像进行大小、缺陷和颜色特征提取，可以获得桂圆干的品质特征信息。

通过建立三层BP神经网络模型，利用测试样品对所建模型进行验证，根据不同等级桂圆干特征信息的差异，通过训练集得到不同等级桂圆干的相应信息，并根据提取的测试集样本信息对桂圆干进行等级划分。研究表明，基于Matlab的BP神经网络对桂圆干品质进行分类处理的方法是可行的，研究結果表明该方法简便、实用，简化并优化了计算过程，效率高、数值稳定性好，为桂圆干的分级奠定了基础。

参考文献：

[1]蔡长河，唐小浪，张爱玉，等.龙眼肉的食疗价值及其开发利用前景[J].食品科学，2002（08）：328330.

[2]黄志其，李兵，韦建华，等.桂圆的化学成分研究[J].广西师范大学学报（自然科学版），2016，34（04）：4649.

[3]伍蓥芮，张志勇，韩小平，等.基于图像处理技术的番茄成熟度检测研究[J].农业技术与装备，2021（04）：5051+54.

[4]朱明秀.采摘机器人水果检测及定位研究——基于图像处理和卷积神经网络[J].农机化研究，2022，44（04）：4953.

[5]张玉荣，陈赛赛，周显青，等.基于图像处理和神经网络的小麦不完善粒识别方法研究[J].粮油食品科技，2014，22（03）：5963.

[6]钟小清，易施光.基于Halcon机器视觉药品分拣系统设计[J].电子技术与软件工程，2020（06）：9698.

[7]罗雪宁，彭云发，代希君，等.基于MATLAB的红枣图像处理研究[J].农机化研究，2015，37（03）：183186.

[8]蔡健荣，赵杰文.自然场景下成熟水果的计算机视觉识别[J].农业机械学报，2005（02）：6164.

基金项目：广西高等教育本科教学改革工程项目（2019JGB313，2020JGA281）;玉林师范学院高等教育本科教学改革工程重点项目（2020XJJGZD19）

作者简介：马庆修（1990— ），男，汉族，上海人，硕士，助教，研究方向：嵌入式控制。

*通讯作者：和二斌（1980— ），男，汉族，河南焦作人，博士，副教授，研究方向：图像处理、计算物理。