基于稀疏表示葡萄干品质分级.docVIP

基于稀疏表示葡萄干品质分级 　　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，稀疏表示方法在车辆检测、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?D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