基于机器视觉的梨品种识别研究

孙海霞，王林杰，张淑娟，苏立阳，任 锐

（山西农业大学农业工程学院，山西 晋中 030801）

梨被誉为百果之宗，可口多汁、营养丰富，含有多种维生素和纤维素，有降火、清心、润肺等功效[1]。不同品种梨的口感和品质完全不同，消费者对不同品种梨的喜好程度不一。由于山西梨品种繁多，目前，梨品种区分主要依靠人工分选，人工效率低且劳动强度大，限制了梨产业的大规模分选和推广。目前对梨的保鲜、营养成分和品质分级研究较多，但对梨的品种分选较少。因此，迫切需要一种自动化、智能化的技术解决梨品种分类问题，对梨产业的发展具有重要的生产意义和经济价值。

随着计算机技术的发展，基于机器学习的图像处理技术运用于农产品品种分选中[2]。余游江等人[3]以新疆地区5 个品种的红枣为研究对象，提出以卷积神经网络为基学习器的Stacking 模型融合方法进行分类，模型的分类准确率为92.38%。耿磊等人[4]建立了不同品种苹果的数据集，提出了基于融合注意力结构的苹果品种自动鉴别模型EBm-Net，充分提取了外形轮廓和颜色纹理特征，增大了各品种苹果的类间差异，总体分类准确率为96.78%。李秀昊等人[5]通过提取稻谷图像的形状特征和颜色特征，构建了（Support Vector Machines，SVM） 和BP 神经网络识别模型，基于特征融合所建SVM 模型的识别准确率（99.50%） 最高且时间（0.165 s） 最短，可满足稻谷在线识别与质量检测的精度和实时性要求。

以玉露香梨、酥梨和雪花梨为研究对象，利用机器视觉技术采集样本的图像信息，通过连续投影法优选特征值，利用偏最小二乘回归法和最小二乘支持向量机建模分析，优选特征值和模型，为今后的梨品种在线检测提供理论参考。

1 材料和方法

1.1 试验材料

玉露香梨、酥梨、雪花梨样本，采集自山西农业大学（山西省农业科学院） 果树研究所，采摘带柄、成熟度一致、无虫害、无机械损伤的梨。利用Kennard-Stone（K-S） 算法[6]按3 ∶1 划分训练集（312 个） 和预测集（132 个）。其中，酥梨样本中训练集85 个，预测集36 个；雪花梨样本中训练集132 个，预测集56 个；玉露香梨样本中训练集95 个，预测集40 个。

1.2 图像采集装置

图像采集系统是由暗室、2 条LED 灯条、发光板和升降台、带有USB 接口的摄像头（晟悦SY8031） 组成，感光元件为CMOS，焦距为35 mm，摄像头连接笔记本电脑中进行采集图像。

图像采集装置见图1。

图1 图像采集装置

1.3 数据处理方法

利用MATLAB 进行图像的特征值提取，从RGB、HSI、Lab 颜色空间中分别提取颜色特征值，利用灰度差分统计法和灰度共生矩阵提取纹理特征值。采用连续投影法（Successive Projections Algorithm，SPA） 优选特征值，利用偏最小二乘法（Partial least squares，PLS） 和最小二乘支持向量机（Least Squares Support Vector Machine，LS-SVM） 建立识别模型。

2 结果与分析

2.1 特征值提取

由于不同品种的梨之间有颜色和纹理的差异，针对采集的图像进行特征值提取。颜色特征描述图像区域所对应的目标物表面性质[7]。RGB 颜色空间是最基础的模型；HSI 颜色空间接近于人眼视觉特性；Lab 颜色空间是范围最大的色彩模式。从RGB、HSI、Lab 颜色空间中的分别提取R、G、B、H、S、I、L、a、b 颜色特征值的均值和方差，共18 个特征值。纹理特征是对图像区域内灰度级变化进行量化，该研究利用灰度差分统计法和灰度共生矩阵[8]，提取能量、熵、惯性矩、相关性、逆差距的4 个方向（0，45，90，135 °） 的特征值[9]，共20 个特征值。

2.2 优选特征值

通过提取出312 幅图像，每幅图像38 个特征值。由于特征值提取数据量大，每组特征值对不同品种梨的识别能力不同，因此需要提取影响效果显著的特征值，进行建立识别模型。

SPA 是一种使矢量空间共线性最小化的前向变量选择算法，能够消特征中冗余信息，可用于特征参数的筛选[10]。

SPA 优选特征值见图2。

图2 SPA 优选特征值

在RMSE 为0.353 86 时，共优选出15 个特征值。图2（b） 中选择的变量需与38 个特征值相对应，对横坐标为i 时，则表示优选到的特征值为第i 个特征值。15 个优选特征值依次为90 °的相关性、45 °的逆差距、45 °的相关性、S 分量均值、90 °的逆差距、G 分量均值、0 °的惯性矩、90 °的熵、0 °的逆差距、90 °的惯性矩、G 分量方差、H 分量均值、135 °的熵、0 °的熵、S 分量方差。

2.3 品种识别模型的建立

PLS 是一种多元统计数据分析方法[11]。LS-SVM是基于SVM 的改进算法，采用非线性映射将训练样本从低维特征空间映射到高维特征空间，将SVM 的二次规划问题转化为线性方程组的求解问题[12]。基于全特征值和SPA 方法优选特征值，采用PLS 和LS-SVM 分别建立识别模型。

模型的判别结果见表1，模型预测集的判别结果见图3。

表1 模型的判别结果

图3 模型预测集的判别结果

由于模型预测出的结果非整数型，因此将0.5 作为最大偏离值，预测类别值和假设类别值相差小于0.5 的判定为此类样本。由表1 可知，PLS 模型的判别结果好于SPA-PLS 模型，酥梨的判别结果较差。由图3（a） 和（b） 可知，酥梨和雪花梨之间判别错误的样本较多。利用LS-SVM 方法所建模型的判别结果（判别准确率为83.33%～100.00%） 优于PLS 所建模型（判别准确率为66.67%～100.00%）。结合图3可知，LS-SVM 和SPA-LS-SVM 模型中酥梨和雪花梨之间判别错误减少，酥梨的判别准确率得到明显提升。SPA-LS-SVM 模型的判别结果好于LS-SVM模型。SPA-LS-SVM 模型对酥梨、雪花梨、玉露香梨的判别准确率分别为83.33%，98.21%，100.00%。因此，SPA-LS-SVM 通过SPA 方法优选特征值简化了模型，提高检测精度和效率，整体判别准确率达到94.70%。

3 结论

基于机器视觉技术对梨的品种进行识别。采集玉露香梨、酥梨、雪花梨的图像信息，基于38 个全特征值和15 个SPA 优选特征值，采用PLS 和LS-SVM 方法建立了识别模型。SPA 提取特征值可以剔除无用信息和降低数据维度，提高建模速度和稳定性，SPA-LS-SVM 模型的识别结果最优，识别准确率为94.7%。因此，SPA-LS-SVM 方法实现了梨品种的分类，为进一步实现梨品种自动化分类提供技术参考。