基于极限学习机的脐橙分级检测系统研究①

王 亮

(安徽机电职业技术学院，安徽 芜湖 241000)

0 引 言

赣南是我国脐橙的主要产销地，其脐橙味道鲜美，已销往全国各地，包括港澳台等地区。但其工业水平相对落后，其脐橙分级检测基本上采用人工检测的方式[1]，虽然其识别率很高，但其需要消耗大量的人力，且劳动强度大、检测效率低下。

近来年，随着人工智能技术及机器视觉技术的发展，农产品及水果的检测分级也逐渐采用智能方式，李聪、高海燕等[2]为了解决传统苹果分级优化方法的单一特征问题，建立基于最小二乘支持向量机的苹果自动分级模型，加快了苹果自动分级速度；施健、何建国等人利用单片机高性能、低成本的特点，实现了鲜枣大小的快速分级，但其检测率收到一定的限制；为了实现棉田中不同类型杂草对棉花识别的影响，文献[3]提出基于主成分分析和支持向量机的杂草识别方法，通过试验结果证明该方法具有识别率高、训练时间短等优点；许月明[4]等对槟榔分级研究，提取形状、颜色、纹理特征，综合性较强，但识别率效果欠佳；也有研究采用多个特征向量进行分级，识别率较高，由于考虑的特征量较多导致系统的实时性降低[5-7]。通过考虑脐橙的形状特征，拟通过提取脐橙的大小、表面缺陷等特征，建立极限学习机的综合分级模型，实现脐橙的准确分级。

1 系统结构与试验设备

试验所用的脐橙样本均由江西中新云农科技有限公司提供，产地江西赣州。受限于实验室的平台条件，将使用Cannon PowerShot SD1200相机为图像采集设备，将采集到的图像存入计算进行图像处理，其图像采集处理系统见图1。图像采集在封闭箱中进行，光照条件是荧光灯，背景是蓝黑色，为了提高图像处理的速度，图像采用640×480像素，存储格式bmp。

脐橙检测分级系统采用北京达盛科技有限公司的EL_DM6437达芬奇图像处理设备，其主芯片为TI的TMS320DM6437(DSP)，其主频为600MHz，其处理速度快、外设丰富，同时含有DSP子系统与视频处理子系统(VPSS)。其中，VPSS前端包括CCD控制器、预览器以及图像缩放装置等；VPSS后端包括0SD模块及视频编码器。

2 图像预处理算法

脐橙的整个分级系统由图像预处理、特征参数提取以及极限学习机分类的构建和测试三个部分组成，其处理流程如图2所示。

进行图像处理过程中，图像的颜色模型至关重要。根据自然界的颜色分类，所有的研究均可分解为红(Red)、绿(Green)及蓝色(Blue)，即RGB模型，基于RGB模型得到试验过程中采集到的脐橙RGB分量图如图3所示。

由图3可知，相比较G分量与B分量，B分量的颜色与背景颜色的差异相对较大，其表面缺陷的差异更加明显，便于后续的图像预处理[8]。因此，选用R分量图作为后续工作的输入图。

图像处理过程中，噪声无处不在，特别对于机器视觉系统，其输送带运动过程中产生的噪声对脐橙的检测产生较大的影响。因此，需要对噪声进行抑制甚至消除。综合比较去噪算法，选用中值滤波对图像进行去噪处理。

3 图像的特征参数提取

3.1 脐橙大小特征参数的提取

大小是脐橙分级的重要特征之一，通常定义脐橙果实赤道部位的横经为其大小。根据R分量的图像参数，采用划线法对图像进行阈值分割来提取脐橙的大小特征参数，得到各像素点的灰度值如图4所示。

由于脐橙的边界接近于椭圆形，可使用最小二乘法对边界点进行线性回归，建立拟合的椭圆，分别用椭圆的长轴与短轴来描述脐橙的横径与纵径，得到的实验结果如图5所示。其横径对应的回归模型为y=0.288x+16.75；其纵轴对应的回归模型为y=0.982x+1.228，其相关系数为0.9802，最大相对误差为4.1%。

3.2 脐橙表面缺陷特征参数的提取

在脐橙分级检测中，表面缺陷对其影响最大，常见的缺陷包括腐烂(呈现出灰绿色)，病斑、溃疡、裂果(呈现出黑灰色)。

脐橙正常表面和缺陷部分的颜色直方图有明显的不同，考虑计算正常表面与缺陷部分颜色分量(RGB)的平均值，找到能区分正常与缺陷的参数，再遍历脐橙图像的所有像素点[9]，大于该参数为正常像素点，否则为缺陷像素点，且将该像素点变成红色。本研究选择R/B=2和G/B=1.6作为分割正常与缺陷的阈值，结果如图6所示。

3.3 脐橙颜色特征提取

脐橙果面颜色为橙色，为了将亮度信息和图像携带的信息区分开，结合RGB颜色模型和HIS颜色模型来提取脐橙的颜色特征，从RGB转换到HIS模型的转换公式为：

(1)

(2)

(R+G+B)/3

(3)

选取110个脐橙样本，其正确率达到95%左右，验证所选取算法的精确性。

4 极限学习机的脐橙分级检测

4.1 极限学习机模型

极限学习机(extreme learning machine，ELM)是Hang等[10]于2006年提出的一种适用于单隐层前馈神经网络的新型学习算法模型，该算法在训练前只需设置合适的隐层节点数，随机给输入节点和隐层节电的权值与阈值赋值，在训练过程中无需调整便可获得唯一的最优解，优点是学习速度快、泛化性能好。

给定任意N个样本(xi,yi)，其中xi=[xi1,xi2,…,xin]T∈Rn是样本输入值，yi=[yi1,yi2,…,yin]T∈Rn是期望输出值，激活函数g(x)是无限可微的，单隐层神经网络模型如图7所示。

学习机模型可表示为：

(4)

式中j,1,2，…,N,wi=[wi1,wi2,win]T是输入层节点与第i个隐含层节点的连接权值向量；βi=[βi1,βi2,…βin]是第i个隐含节点与网络输出层节点的连接权值向量；yi=[yi1,yi2,…,yim]是网络的输出值。对于任意的w和b，误差函数E可表示为：

(5)

将其写成矩阵形式，Hβ=Y，其中

H=(w1,w2,…,wL;b1,b2,…,bL;x1,x2,…,xL)=

由此可知，ELM在计算过程中不需要调整过多参数，训练速度较其他算法更快。

4.2 极限学习机模型的构建与测试

为了提高ELM的识别准确率，要选取较好的激活函数，常用的有Sigmoidal、Sine和Hardlim几种[11]，通过分析不同神经元个数对准确率的影响，最终选择Sigmoidal函数作为ELM的激活函数。当隐含神经元个数与训练样本个数相等时，ELM可以以零误差逼近所有训练样本。当神经元个数逐渐增多时，测试样本识别准确率逐渐降低，需要综合考虑进行选择，本研究选用30作为隐含神经元的个数。

脐橙的级别在出厂时已由专业人员通过评定确定了等级，分别为特级、一级、二级、三级、级外。其中特级果是脐橙横径在7.5到8.5厘米之间，果形为椭圆，着色率大于90%，表面光洁；一级果的着色率大于80%，表面附着物面积不超过10%；二级果的横径在7到9厘米之间，着色率80%以上，表面附着物面积不超过15%；三级果的横径在6.5至9.5之间，附着物面积不超过20%；级外的特征是特大特小尺寸，着色率差。其分级流程图如图8所示。

实验共采集了326幅图像，其中特级30幅，一级48幅，二级110幅，三级95幅，级外33幅，以Sigmoidal函数为激活函数，隐含神经元个数为30进行识别分析。识别结果如表1所示。可见，激活函数为Sigmoidal，隐含神经元个数为30的极限学习机能够准确对脐橙进行分级，误差小于4%。

表1 识别结果

5 结 语

研究通过对脐橙图像进行预处理，选择HIS颜色模型，R分量灰度图，对图像去噪，分别提取脐橙的大小特征、缺陷特征和颜色特征。构建极限学习机，选取Sigmoidal为激活函数，隐含神经元个数为30，试验测得该模型的正确分级率较高。结果表明利用机器视觉技术将不同等级的脐橙识别出来是可行的，为脐橙的分级检测提供了参考，也为其他球类农产品的检测提供了实际参考价值。