李紅娟　楊穎輝

摘要：采用混沌多宇宙算法，提高蘋果表面缺陷檢測(cè)的質(zhì)量。首先建立單宇宙、多宇宙結(jié)構(gòu)，多個(gè)單宇宙群組成超單宇宙群；接著超單宇宙群信息交流通過自適應(yīng)策略選擇宇宙?zhèn)€體，Logistic映射對(duì)選中的宇宙?zhèn)€體進(jìn)行混沌優(yōu)化；然后采用改進(jìn)OTSU算法進(jìn)行蘋果缺陷區(qū)域目標(biāo)分割，分割區(qū)域內(nèi)像素紋理信息作為蘋果提取特征；最后給出了算法流程。試驗(yàn)仿真顯示，該算法對(duì)蘋果表面缺陷檢測(cè)效果清晰，各種缺陷檢測(cè)準(zhǔn)確率比較高。

關(guān)鍵詞：混沌；多宇宙；蘋果表面；缺陷檢測(cè)；仿真試驗(yàn)；檢測(cè)準(zhǔn)確率

中圖分類號(hào)： TP391文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2017）15-0202-04

蘋果在生長(zhǎng)、運(yùn)輸、存儲(chǔ)過程中，表面難免會(huì)產(chǎn)生各種缺陷，易造成蘋果深程度病變，因此蘋果表面缺陷檢測(cè)是確保蘋果制品安全的基礎(chǔ)[1]。目前，蘋果表面缺陷檢測(cè)依靠傳統(tǒng)的人工檢測(cè)，但是人工檢測(cè)存在效率低下等弊端。Leemans等采用K均值聚類算法（K means clustering，KMC）提取RGB圖像中蘋果缺陷的特征，然后采用二次判別分析方法實(shí)現(xiàn)缺陷的檢測(cè)[2]，但是算法復(fù)雜，需要事先進(jìn)行訓(xùn)練數(shù)據(jù)樣本。馬曉丹等采用模糊神經(jīng)網(wǎng)絡(luò)算法（fuzzy neural network，F(xiàn)NN）對(duì)蘋果表面缺陷進(jìn)行檢測(cè)，采用缺陷和物理特征作為神經(jīng)網(wǎng)絡(luò)分類器的輸入?yún)?shù)訓(xùn)練樣本，此方法存在分級(jí)過程復(fù)雜、效率低等缺點(diǎn)[3]。Linker等通過蘋果色差對(duì)比算法（color difference contrast，CDC）對(duì)缺陷區(qū)域檢測(cè)，格式化具有同樣特點(diǎn)的區(qū)域，分割這些區(qū)域，但是不能有效分割背景與提取目標(biāo)[4]。Keresztes等采用基于支持向量機(jī)算法（support vector machine，SVM）對(duì)蘋果表面缺陷進(jìn)行檢測(cè)，將圖像分為缺陷區(qū)域和非缺陷區(qū)域2類，對(duì)各區(qū)域分別采集一定數(shù)量樣本進(jìn)行分析，但難以實(shí)施大規(guī)模訓(xùn)練樣本[5]。本研究采用混沌多宇宙算法（chaotic multi universe，CMU）檢測(cè)蘋果表面缺陷，建立單宇宙、多宇宙空間拓?fù)浣Y(jié)構(gòu)，多個(gè)單宇宙群組成超單宇宙群；采用改進(jìn)OTSU算法分割蘋果缺陷區(qū)域目標(biāo)，以分割區(qū)域內(nèi)像素紋理信息作為蘋果提取特征，旨在為快速檢測(cè)蘋果表面缺陷提供依據(jù)。

1算法模型

1.1多宇宙算法

1.1.1多宇宙?zhèn)€體

多宇宙將整個(gè)宇宙群劃分為多個(gè)單宇宙，每個(gè)單宇宙只與自己周圍的單宇宙進(jìn)行單向連接[6]，多個(gè)單宇宙又可以組成相對(duì)單宇宙群，如圖1所示，U11、U12、U13、U14各代表1個(gè)單宇宙，U11、U12、U13、U14又組成相對(duì)其他單宇宙的單宇宙群U1；當(dāng)宇宙數(shù)目較多時(shí)，多個(gè)單宇宙群又可組成超單宇宙，每個(gè)單宇宙群可與自己周圍的單宇宙群進(jìn)行雙向連接，U1、U2、U3、U4代表單宇宙群，U1、U2、U3、U4又組成相對(duì)其他單宇宙群U5、U6、U7、U8的超單宇宙群。

式中：G（i，j）為灰度共生矩陣元素，k為灰度共生矩陣的維數(shù)。

對(duì)提取的特征量數(shù)據(jù)通過混沌多宇宙算法尋優(yōu)，即可獲得缺陷區(qū)域的最佳特征值。

算法流程：（1）輸入待檢測(cè)蘋果圖像，進(jìn)行平滑、濾波處理；（2）利用OTSU算法進(jìn)行蘋果缺陷目標(biāo)分割；（3）分割閾值滿足t>1.25t*時(shí)，進(jìn)行步驟（4），否則進(jìn)行步驟（2）；（4）提取缺陷區(qū)域的特征量；（5）按混沌優(yōu)化多宇宙算法過程進(jìn)行特征量數(shù)據(jù)尋優(yōu)；（6）滿足f[X（h+1）]→fbest（X*）時(shí)，把X*作為混沌最優(yōu)搜索結(jié)果輸出，進(jìn)行步驟（7），否則進(jìn)行步驟（5）；（7）輸出檢測(cè)結(jié)果。

3試驗(yàn)仿真

在試驗(yàn)中，依次進(jìn)行KMC算法、FNN算法、CDC算法、SVM算法、本研究CMU算法對(duì)比試驗(yàn)，試驗(yàn)PC配置為 CPU 2.0 GHz、內(nèi)存4 GB、Intel主板、集成顯卡，利用MATLAB軟件實(shí)現(xiàn)仿真。試驗(yàn)中單宇宙50個(gè)，單宇宙群9個(gè)，單宇宙群里最多含有單宇宙8個(gè)，超單宇宙群最多6個(gè)，算法最大迭代次數(shù)為30次。水果表面缺陷包括碰壓傷、刺傷、疤痕、腐爛、蟲咬、裂傷、果銹等。

3.1蘋果表面缺陷檢測(cè)

從圖2、圖3可以看出，其他算法檢測(cè)出的缺陷區(qū)域不完整，視覺效果不好，本研究算法能夠完整檢測(cè)出缺陷區(qū)域，邊緣[CM（25]沒有間斷現(xiàn)象，這是因?yàn)椴捎酶倪M(jìn)OTSU算法進(jìn)行蘋果缺陷區(qū)域目標(biāo)分割，提高了CMU算法精度。

3.2檢測(cè)準(zhǔn)確率分析

對(duì)碰傷、刺傷、暗斑、蟲傷、干裂、萎縮進(jìn)行正確率檢測(cè)識(shí)別，數(shù)據(jù)樣本為700張有缺陷的蘋果圖像，其中碰傷679張、刺傷665張、暗斑658張、蟲傷654張、干裂660張、萎縮650張，存在1張圖片上有多個(gè)缺陷的樣本數(shù)據(jù)，為了提高分析數(shù)據(jù)的可信性，各進(jìn)行10次蒙特卡羅試驗(yàn)仿真，取其均值，如圖4所示。

從圖4可以看出，本研究算法能夠有效檢測(cè)出蘋果常見的各類缺陷，檢測(cè)準(zhǔn)確率最少為93%，高于其他算法，是一種非常有效的蘋果缺陷無損檢測(cè)方法，有利于蘋果在線分級(jí)。

4結(jié)論

本研究采用混沌多宇宙算法進(jìn)行蘋果表面缺陷檢測(cè)，Logistic映射對(duì)選中的單宇宙?zhèn)€體進(jìn)行混沌優(yōu)化，改進(jìn)OTSU算法進(jìn)行蘋果缺陷區(qū)域目標(biāo)分割。試驗(yàn)仿真顯示，該算法對(duì)蘋果表面缺陷檢測(cè)效果清晰，各種缺陷檢測(cè)準(zhǔn)確率比較高，檢測(cè)正確率最少為93%，為蘋果缺陷智能檢測(cè)提供了一種新方法。

參考文獻(xiàn)：

[1]程榮花，馬飛，石夢(mèng). 基于顏色特征的蘋果表面質(zhì)量檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J]. 遼寧農(nóng)業(yè)科學(xué)，2014（3）：22-24.

[2]Leemans V，Destain M F. A real-time grading method of apples based on features extracted from defects[J]. Journal of Food Engineering，2004，61（1）：83-89.endprint

[3]馬曉丹，劉剛，周薇，等. 基于量子遺傳模糊神經(jīng)網(wǎng)絡(luò)的蘋果果實(shí)識(shí)別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44（12）：227-232，251.

[4]Linker R，Cohen O，Naor A. Determination of the number of green apples in RGB images recorded in orchards[J]. Computers and Electronics in Agriculture，2012，81（1）：45-57.

[5]Keresztes J C，Goodarzi M，Saeys W. Real-time pixel based early apple bruise detection using short wave infrared hyperspectral imaging in combination with calibration and glare correction techniques[J]. Food Control，2016，66（1）：215-226.

[6]劉曉紅，曲志堅(jiān)，曹雁鋒，等. 基于自適應(yīng)機(jī)制的多宇宙并行量子衍生進(jìn)化算法[J]. 計(jì)算機(jī)應(yīng)用，2015，35（2）：369-373.

[7]Yu F，Li P，Gu K，et al. Research progress of multi-scroll chaotic oscillators based on current-mode devices[J]. Optik-International Journal for Light and Electron Optics，2016，127（13）：5486-5490.

[8]Zhu Q B，Guan J Y，Huang M，et al. Predicting bruise susceptibility of ‘Golden Delicious apples using hyperspectral scattering technique[J]. Postharvest Biology and Technology，2016，114（4）：86-94.

[9]Lu Y Z，Li R，Lu R F. Structured-illumination reflectance imaging （SIRI） for enhanced detection of fresh bruises in apples[J]. Postharvest Biology and Technology，2016，117（7）：89-93.

[10]Ferrari C，F(xiàn)oca G，Calvini R，et al. Fast exploration and classification of large hyperspectral image datasets for early bruise detection on apples[J]. Chemometrics and Intelligent Laboratory Systems，2015，146（8）：108-119.

[11]Zhang B H，Huang W Q，Gong L，et al. Computer vision detection of defective apples using automatic lightness correction and weighted RVM classifier[J]. Journal of Food Engineering，2015，146（2）：143-151.

[12]Li C Y，Heinemann P，Sherry R. Neural network and Bayesian network fusion models to fuse electronic nose and surface acoustic wave sensor data for apple defect detection[J]. Sensors and Actuators B-Chemical，2007，16（1）：301-310.

[13]張保華，黃文倩，李江波，等. 基于亮度校正和AdaBoost的蘋果缺陷在線檢測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45（6）：221-226.

[14]李江波. 臍橙表面缺陷的快速檢測(cè)方法研究[D]. 杭州：浙江大學(xué)，2012.endprint