基于智能算法甘蔗定位切割方法.docVIP

基于智能算法甘蔗定位切割方法 　　摘要：针对传统的基于图像的甘蔗茎节识别算法主要有中值决策、列灰度及拟合的边缘检测方法、图像滤波方法以及图像分割方法等，传统方法的检测准确率偏低，难以满足识别要求。提出了一种基于改进型粒子群优化算法的混合核函数的支持向量机分类识别模型，对甘蔗的茎节进行分类识别。传统的PSO算法由于粒子群的趋同性，导致前期收敛很快，后期十分缓慢，并且容易陷入局部最优解，也就是常说的早熟。将混沌优化算法与PSO算法进行结合，改造判断解决早熟的收敛方法以改进CPSO算法。传统SVM分类识别模型采用单个核函数，而局部核函数具有较好的学习能力，但不具备较好的泛化能力，相反，全局核函数具有较好的泛化能力，但不具备较好的泛化能力。将局部核函数和全局核函数按照一定规则和条件进行混合，构造一种新型混合核函数，试验验证结果表明，本研究的甘蔗定位识别方法有效。 　　关键词：甘蔗茎节识别；支持向量机；混合核函数；粒子群优化算法 　　中图分类号： TP391.41 　　文献标志码： A 　　文章编号：1002-1302（2016）04-0394-04 　　在我国，甘蔗是一种重要的经济作物，是制糖的主要原材料，同时也是一种重要的化工能源原材料。目前，我国甘蔗收割、种植机械化普及程度极低，同时研究也不够深入，制约了甘蔗产业的发展[1-2]。计算机图像识别技术是种植甘蔗定位切断装置技术的关键技术之一。需要使用计算机对甘蔗茎节的图像进行特征提取与识别。传统的基于图像的甘蔗茎节识别算法主要包括中值决策、列灰度及拟合的边缘检测方法、图像滤波方法以及图像分割方法等，以上传统方法的检测准确率偏低，难以满足识别要求[3]。本研究提出基于改进型粒子群优化算法的混合核函数支持向量机分类识别模型对甘蔗的茎节进行分类识别。 　　1 甘蔗定位切割系统组成 　　甘蔗定位切割系统的硬件组成如图1所示，主要由摄像机、采集卡、终端处理计算机以及用于甘蔗输送的步进电机、夹持机械手、切断器以及可编程控制器等组成[4]。 　　甘蔗定位切割系统的核心是对于甘蔗图像采集和处理。甘蔗图像采集和处理流程如图2所示。 　　甘蔗图像采集有2种方式：一种是将整根甘蔗进行图像采集，并一并存入计算机存储器中，经过图像识别处理后，再从甘蔗一端一次性进行切断；另一种在甘蔗两端交替进行图像采集与切断[5]。本研究采用后面一种处理方法。 　　2 甘蔗图像处理 　　使用RGB色彩空间对于甘蔗图像这类遍布全部灰度级的图像颜色进行分割难度很大，因此HSV空间更加适合对甘蔗图像进行处理。HSV色彩空间是对色调、饱和度以及亮度进行表述，HSV色彩空间中的H分量中，可以清晰地观察到甘蔗茎节与节间的差异，因此H分量更适合用于对甘蔗茎节的识别处理，通过研究，确定用于茎节识别的H分量分割阀值最终确定为0.15。研究发现，在S分量和H分量合成图中，茎节位置的白点个数密度大而且分布均匀。将合成图按照列方向划分为64个块，得到图像集合X（i，j），图像上下边缘分别为：pt=[xt，yt]T和pb=[xb，yb]T。第k列的最高点和最低点分别为[6]： 　　本研究提出的ICPSO算法对于混合函数的支持向量机参数优化步骤如下： 　　步骤1：对改进混沌粒子群优化算法的初始控制参数、最大进化代数T、种群规模m、学习算子C1和C2取值范围[Cmin，Cmax]、惯性系数W取值范围[Wmin，Wmax]、粒子群飞行速度取值范围[Vmin，Vmax]以及常数H等参数进行初始化设定。对支持向量机的惩罚因子c、最优权系数β、不敏感损失参数ε以及RBF的核参数γ进行随机赋予初始值。使用混沌模型对学习算子C1和C2、惯性系数W以及随机数R1和R2生成混沌时间序列。 　　步骤2：使用各个粒子的个体极值作为粒子的目前位置，由均方差函数对其适应值进行计算，全局极值选取为得到最优适应度的粒子的个体极值。 　　步骤3：若条件满足收敛准则则跳至步骤10，若不满足则进行下一步优化。 　　步骤4：使用混沌模型与PSO算法对粒子的位置和速度进行更新。 　　步骤5：如果适应值F（Pid）F（Pbestd），则对Pbestd进行更新。 　　步骤6：对于更新后的Pbestd，若F（Pbestd）F（Gbestd），则对Gbestd进行更新。 　　步骤7：若条件满足收敛准则则跳至步骤10，若不满足则进行下一步优化。 　　步骤8：根据早熟判别条件对种群群体适应值的方差δ2进行计算，判断早熟处理条件十分满足，如果满足则处理早熟问题，如果不满足则跳至步骤4。 　　步骤9：使用混沌模型与PSO算法对粒子的位置和速度进行更新，对已经陷入局部最优解的粒子处理早熟，使其脱离局部最优问题，并跳至步骤3。 　　步骤10：得到支持向量机的惩罚因子