安娟華 董 鑫 王克儉 何振學(xué)

（河北農(nóng)業(yè)大學(xué)信息科學(xué)與技術(shù)學(xué)院，071000，河北保定）

小麥?zhǔn)鞘澜缟戏N植面積最大的農(nóng)作物，是我國最重要的商品糧食[1]，但是小麥優(yōu)劣參差不齊，導(dǎo)致種子的質(zhì)量不高，而且小麥籽粒分級主要依靠人工目測的方式，該方法具有主觀性強、隨意性大和效率低等缺陷，給小麥分級帶來很大的不確定性[2]。因此利用有效的科學(xué)技術(shù)快速準(zhǔn)確地識別小麥籽粒的優(yōu)劣具有重要的研究意義和價值。

隨著信息技術(shù)的發(fā)展，機器視覺和圖像處理等在農(nóng)業(yè)上發(fā)揮著越來越重要的作用。Zayas等[3]利用計算機視覺區(qū)分小麥品種及非小麥成分，之后又做了各種糧食的分類；Verma[4]采用數(shù)字圖像處理并結(jié)合BP神經(jīng)網(wǎng)絡(luò)對大米進行分級，分級準(zhǔn)確率達到90%。Paliwal等[5]將5種加拿大小麥和谷糠、麥穗等一些谷物雜質(zhì)混合鑒定，正確率達到90%。Mahale等[6]采用邊緣檢測算法提取谷物顆粒區(qū)域的邊緣，通過計算和分析谷物的大小和形狀實現(xiàn)對谷物的分級。Abirami等[7]采用神經(jīng)網(wǎng)絡(luò)結(jié)合數(shù)字圖像處理方法對大米顆粒分級的準(zhǔn)確率達到96%。Waghmare等[8]通過分析識別葡萄葉片紋理特征，采用多級支持向量機檢測分級方法對葡萄霜霉病和黑腐病進行檢測和分級，準(zhǔn)確率達到96.6%。石小風(fēng)[9]探索分析基于圖像處理技術(shù)的小麥品質(zhì)檢測與分級的新方法，建立能夠正確識別小麥品種的最優(yōu)模型，為自動檢測小麥所屬品種分類提供技術(shù)支持。梁良[10]以小麥籽粒優(yōu)劣分級為目標(biāo)，通過數(shù)字圖像處理對小麥籽粒進行特征提取，利用層次分級法和隸屬度函數(shù)法對小麥籽粒進行了分級，準(zhǔn)確率達到93%。馮麗娟等[11]利用稀疏表示法識別小麥品種，準(zhǔn)確率達到96.7%，獲得了很好的效果。孟惜等[12]通過提取小麥形態(tài)顏色紋理特征，利用BP神經(jīng)網(wǎng)絡(luò)對單個品種小麥進行識別，然后結(jié)合主成分分析法降維研究一次性識別多類小麥品種，最后利用標(biāo)準(zhǔn)粒子群優(yōu)化算法（particle swarm optimization，PSO）優(yōu)化權(quán)值參數(shù)，達到了更好的識別效果。張博[13]通過對經(jīng)典CNN網(wǎng)絡(luò)模型進行改進和優(yōu)化，對小麥籽粒的分類準(zhǔn)確率達到了96.3%。張浩等[14]利用計算機圖像處理技術(shù)能夠準(zhǔn)確測定小麥籽粒長軸、短軸和投影面積等形態(tài)特征，為小麥分級提供了技術(shù)支持。

綜上所述，國內(nèi)外學(xué)者在農(nóng)產(chǎn)品上利用計算機視覺技術(shù)取得了很多的研究成果，但是在小麥優(yōu)劣檢測分級方面仍然存在速度慢和精度低等問題，需要在此基礎(chǔ)上進一步的研究。本文在國內(nèi)外研究的基礎(chǔ)上，針對小麥籽粒檢測分級中存在的問題，以航麥8805為研究對象，對采集到的小麥圖像預(yù)處理獲得小麥籽粒的形態(tài)、顏色和紋理等特征參數(shù)，利用支持向量機建立小麥分級模型，實現(xiàn)小麥籽粒的優(yōu)劣分級，再利用灰狼算法（grey wolf optimizer，GWO）優(yōu)化支持向量機（support vector machine，SVM）的兩個參數(shù)c和σ，將特征參數(shù)輸入到GWO-SVM算法模型中進行訓(xùn)練和測試，以提高分級的準(zhǔn)確率。

1 材料與方法

1.1 小麥籽粒圖像獲取

研究對象為河北農(nóng)業(yè)大學(xué)選育的航麥8805，試驗以黑色絨布為背景[15]，在光線充足的室內(nèi)將小麥籽粒均勻地鋪在黑色絨布上，用蘋果6Plus在距離小麥籽粒8cm處拍照，每幅圖像所用的小麥籽粒為20粒，圖像以JPG格式存儲于計算機中，得到20張小麥籽粒圖像，RGB圖像的分辨率為3024×4032dpi，從中選擇清晰的小麥籽粒圖像作為研究對象，共獲得302粒小麥籽粒。其中的一張小麥籽粒圖像如圖1所示。

圖1 小麥籽粒RGB原圖像Fig.1 Wheat grain RGB original image

1.2 小麥籽粒圖像預(yù)處理

在圖像采集過程中，會受到很多因素的影響，使小麥籽粒圖像產(chǎn)生噪聲，圖像質(zhì)量下降，對后期籽粒特征提取及籽粒分級產(chǎn)生一定的干擾和影響，因此有必要在對小麥籽粒進行分析之前對采集到的小麥籽粒圖像進行預(yù)處理。

1.2.1 圖像灰度化 由于原始小麥籽粒圖像由R、G、B三基色組成，不利于直接對圖像進行分割和特征提取，因此需要對其進行灰度化。圖像灰度化方法有最大值法、平均法和加權(quán)平均法。本文分別使用這3種方法對圖像灰度化，試驗結(jié)果表明使用加權(quán)平均法效果最好，加權(quán)平均法計算公式為：

式中Gray為灰度；R、G、B為紅、綠、藍三通道，0.3、0.59、0.11為加權(quán)系數(shù)，結(jié)果如圖2-A所示。

圖2 小麥籽粒預(yù)處理效果圖Fig.2 Effect diagram of wheat grain pretreatment

1.2.2 圖像濾波 由圖2可看出，小麥籽粒形狀基本得以保全，但部分細節(jié)仍有欠缺，需要進一步處理。首先分別使用均值濾波、中值濾波和高斯濾波對小麥籽粒圖像進行平滑降噪。在3種方法中分別使用3×3、5×5、7×7的模板進行濾波，試驗表明采用7×7模板的中值濾波效果最好，濾波后的二值圖像如圖2-B所示。

1.2.3 圖像增強 經(jīng)過濾波處理后的二值化圖像變得圓潤，但小麥籽粒局部特征不明顯，因此需要對其進行圖像增強。增強方法為直方圖均衡化，圖像增強算法有頻域和空域兩種。其中，頻域方法又分為高通濾波、低通濾波和同臺濾波；空域方法分為點處理和空間濾波。通過試驗結(jié)果的對比，本文采用點處理算法，用imadjust函數(shù)對灰度圖像進行對比度增強，選擇閾值參數(shù)為0.3和0.5，目的是為了使黑的更黑，白的更白，達到小麥籽粒更加突出的效果，如果增大或縮小閾值都達不到增強的效果，增強后的二值圖如圖2-C所示。

1.2.4 圖像形態(tài)學(xué)處理 增強后的二值圖像還是存在少許的顆粒噪聲點，而且小麥籽粒還存在空洞，利用形態(tài)學(xué)對其進行處理。開運算和閉運算都是形態(tài)學(xué)中兩個非常有用的二次運算，二者的定義分別為：

其中A為待處理圖像；B為結(jié)構(gòu)元素；? 和⊕分別代表腐蝕和膨脹。

在小麥籽粒圖像處理過程中，本文采用開運算，首先采用較小的結(jié)構(gòu)圓對圖像進行腐蝕操作，再采用較大的結(jié)構(gòu)圓進行膨脹操作。開運算后圖像中噪聲基本消除，但小麥籽粒存在空洞，所以對其進行填充操作，最終使小麥籽粒更加完整，處理的結(jié)果如圖2-D所示。

1.2.5 小麥圖像籽粒提取 用bwlabel函數(shù)對1.2.4中得到的圖像進行標(biāo)記跟蹤，如圖2-E所示。采用連通區(qū)域重心提取法提取出單個小麥籽粒，用來提取單個小麥籽粒的特征，為后期小麥籽粒分級做準(zhǔn)備，如圖2-F、2-G、2-H所示。

1.3 特征提取

小麥籽粒的優(yōu)劣與形態(tài)、顏色、紋理特征參數(shù)[15-17]有關(guān)，通過提取以上特征來判斷優(yōu)劣程度。

1.3.1 形態(tài)學(xué)特征參數(shù) 根據(jù)形態(tài)學(xué)特征可以了解不同小麥籽粒的外形特點，選取面積（area）、周長（perimeter）、長軸（major axis length）、短軸（minor axis length）和橢圓離心率（eccentricity）5個特征。

面積是最自然的區(qū)域?qū)傩?，表示分割得到的籽粒區(qū)域中所包含的像素個數(shù)，本研究中假設(shè)每個像素點的面積為單位1，則面積的計算公式為：

其中，A表示面積，（x，y）表示像素點坐標(biāo)，R表示小麥籽粒圖像中像素坐標(biāo)點集合。

周長表示籽粒區(qū)域的輪廓長度，是按8鄰域連通規(guī)則來計算的，計算公式為：

其中，P表示周長，Na表示偶數(shù)鏈碼數(shù)目，Nd表示奇數(shù)鏈碼數(shù)目。

長軸（短軸）表示與區(qū)域具有相同標(biāo)準(zhǔn)二階中心矩的橢圓的長軸（短軸）長度，用regionprops函數(shù)計算。

橢圓離心率表示與區(qū)域具有相同標(biāo)準(zhǔn)二階中心矩的橢圓的離心率，計算公式為：

其中E為橢圓離心率，maj為長軸，min為短軸。

將全部計算結(jié)果存儲在stats結(jié)構(gòu)陣列中。

1.3.2 顏色特征參數(shù) 小麥籽粒顏色是判斷小麥籽粒等級的重要特征參數(shù)。利用RGB和HSI顏色模型提取小麥籽粒顏色特征參數(shù)，具體過程為首先利用1.2節(jié)中籽粒分割方法確定籽粒的位置，然后求出每個籽粒的紅色分量、綠色分量和藍色分量的均值和方差，再利用RGB模型和HSI模型的關(guān)系求出籽粒的色調(diào)、亮度、飽和度的均值和方差，最后整理分析所得的顏色數(shù)據(jù)，從而得到小麥籽粒的顏色特征參數(shù)。

本研究中，需要把小麥籽粒RGB圖像轉(zhuǎn)換到HSI顏色模型中，具體轉(zhuǎn)換公式如下：

R、G和B分別表示R、G和B顏色空間的紅、綠和藍分量值；H、S和I分別表示H、S和I顏色空間的色度分量、飽和度分量和亮度分量。

1.3.3 紋理特征參數(shù) 采用灰度共生矩陣法，過程為把得到的彩色小麥籽粒圖轉(zhuǎn)化為灰度圖，然后計算對比度（CON）、能量（ASM）、相關(guān)性（COR）和逆差距（HOM）這4個特征。

對比度反映的是小麥籽粒圖像的清晰程度和紋理的溝紋深淺，計算公式為：

能量是灰度共生矩陣各元素的平方和，反映的是灰度圖像紋理變化的均勻度和紋理的粗細度，計算公式為：

相關(guān)性值的大小反映圖像中局部灰度的相關(guān)性，計算公式為：

逆差距反映圖像紋理的同質(zhì)性，其值的大小表明圖像紋理的不同區(qū)域間缺少變化，局部非常均勻，計算公式為：

其中，P(i，j)表示圖像中灰度值為i的像素相距為d、角度為θ、灰度值為j的像素共同出現(xiàn)的概率。

1.4 分級算法

根據(jù)查閱的相關(guān)文獻和育種專家的指導(dǎo)，將小麥籽粒分為三級，其中形狀飽滿、顏色明亮、表面光滑的小麥籽粒視為優(yōu)等小麥，分級時類別標(biāo)簽取值設(shè)為2；形狀基本飽和、顏色較深、表面略微有褶皺的小麥籽粒視為中等，分級時類別標(biāo)簽取值設(shè)為1；形狀干癟、殘缺或發(fā)病，顏色很深，表面褶皺視為劣等小麥，分級時類別標(biāo)簽取值設(shè)為0。首先使用傳統(tǒng)SVM算法建立小麥籽粒分級模型，然后用GWO優(yōu)化SVM參數(shù)建立小麥籽粒分級模型來提高傳統(tǒng)SVM分級的準(zhǔn)確率，最后使用PSOSVM算法[18-19]與其進行對比。

1.4.1 SVM分級核函數(shù) SVM是以統(tǒng)計學(xué)習(xí)理論為基礎(chǔ)逐步發(fā)展而來的新型機器學(xué)習(xí)方法，有訓(xùn)練樣本少、訓(xùn)練時間短、精度高等優(yōu)點。它的原理是通過構(gòu)建最優(yōu)分割超平面，使位于超平面一側(cè)的為一類，另一側(cè)的為另外一類，以實現(xiàn)樣本的分類。分類函數(shù)為：

式中：αi為拉格朗日因子；b為根據(jù)訓(xùn)練樣本所確定的閾值；c為懲罰因子；K(x，xi)為核函數(shù)。

采用不同的核函數(shù)K(x，xi)可以生成不同的支持向量分類器，常用的核函數(shù)有多項式核函數(shù)（PKF）、多層感知器核函數(shù)（Sigmoid）、線性核函數(shù)（Linear）和高斯核函數(shù)（RBF）等，核函數(shù)的選取往往取決于應(yīng)用場景的復(fù)雜度，對以上幾個核函數(shù)的試驗對比發(fā)現(xiàn)對小麥籽粒進行分級時，進行高斯核函數(shù)映射后，不僅能夠?qū)崿F(xiàn)將原數(shù)據(jù)在高維空間中實現(xiàn)線性可分，而且計算方面不會有很大的消耗，同時高斯核函數(shù)具有收斂速度快，參數(shù)較少等優(yōu)點，適合用高斯核函數(shù)來構(gòu)建SVM分類器，因此本文選擇使用高斯核函數(shù)作為核函數(shù)K(x，xi)，其表達式為：

式中：σ為高斯核函數(shù)的寬度。

σ隱含的決定了數(shù)據(jù)映射到新的特征空間后的分布。σ越大，支持向量個數(shù)越少；σ越小，支持向量個數(shù)越多。σ間接影響訓(xùn)練樣本在高維空間中分布的復(fù)雜程度和分類精度，而且高斯核函數(shù)中只有σ這一個變量，對參數(shù)的優(yōu)化也相對簡單，因此本文選擇高斯核函數(shù)來構(gòu)建SVM。

1.4.2 GWO優(yōu)化SVM算法 在SVM算法的構(gòu)建中需要對懲罰因子c和核參數(shù)σ進行選擇，而在實際當(dāng)中SVM參數(shù)的選擇對分類精度和性能有很大的影響，一旦選取不當(dāng)則可能會導(dǎo)致分級效果不理想，但其參數(shù)的選擇只能依靠模型建立者的經(jīng)驗，目前沒有統(tǒng)一的標(biāo)準(zhǔn)。本文使用全局搜索能力及收斂能力都強的GWO對SVM參數(shù)進行優(yōu)化，從而建立GWO-SVM小麥籽粒分級模型。

首先選擇算法的適應(yīng)度函數(shù)，由于SVM模型易受懲罰系數(shù)c和核參數(shù)σ的影響，因此運用GWO算法對SVM參數(shù)進行優(yōu)化選擇，選擇SVM對小麥籽粒樣本分級的錯誤率為適應(yīng)度函數(shù)，公式為：

式中：right為正確分級樣本數(shù)量，total為樣本總數(shù)量。

GWO優(yōu)化SVM算法[20]主要流程如下：

步驟1：輸入小麥籽粒樣本數(shù)據(jù)和樣本對應(yīng)的標(biāo)簽數(shù)據(jù)，設(shè)定SVM的訓(xùn)練集和測試集。

步驟2：設(shè)置GWO算法的參數(shù)：種群規(guī)模N，最大迭代次數(shù)T；初始化SVM參數(shù)（c，σ）的取值范圍。

步驟3：隨機產(chǎn)生狼群，每頭狼的位置由（c，σ）組成。

步驟4：根據(jù)初始參數(shù)c和σ，用SVM對訓(xùn)練集樣本進行訓(xùn)練，根據(jù)公式（17）計算每頭狼的適應(yīng)度函數(shù)值。

步驟5：根據(jù)適應(yīng)度值的大小把狼群進行等級排序，α最優(yōu)，β次之，最后為δ。

步驟6：根據(jù)以下狼群算法[21]公式進行狼群個體的位置更新。

式中Dα、Dβ和Dδ分別為狼α、β和δ與獵物之間的距離；C1、C2、C3和A1、A2、A3分別表示 α、β、δ 的系數(shù)矢量；Xα(t)、Xβ(t)、Xδ(t)為t時刻獵物位置；X1、X2、X3分別表示狼群的矢量位置；Xα、Xβ、Xδ分別表示獵物的矢量位置。Xp為獵物所處的位置（全局最優(yōu)解向量），t為當(dāng)前的迭代次數(shù)，X(t+1)為更新后的潛在最優(yōu)解向量。

步驟7：求出灰狼群個體在新位置的適應(yīng)度值，重新對狼群個體等級進行劃分。

步驟8：以達到最大迭代次數(shù)為終止條件，輸出α狼的位置即為SVM的最優(yōu)參數(shù)；否則跳轉(zhuǎn)至步驟5。

步驟9：采用輸出的最優(yōu)參數(shù)來建立模型，對樣本進行測試，輸出結(jié)果并分析驗證。

2 結(jié)果與分析

文本中共有302粒樣本，根據(jù)查閱文獻和育種專家指導(dǎo)，將小麥籽粒分為3級，其中優(yōu)等籽粒數(shù)目為150，中等籽粒數(shù)目為90，劣等籽粒數(shù)目為62。將樣本按4∶1的比例分為訓(xùn)練集和測試集。測試集共有61粒，其中有優(yōu)等小麥29粒，中等小麥20粒，劣等小麥12粒。將狼群數(shù)量設(shè)置為10，最大迭代次數(shù)為100，保證能夠全局搜索。用GWO優(yōu)化后得到最優(yōu)參數(shù)（c，σ），然后構(gòu)建GWOSVM模型，最后用構(gòu)建好的模型對樣本進行分級。

2.1 分級結(jié)果

用GWO-SVM算法和人工實際分級結(jié)果進行對比，結(jié)果如表1所示。

由表1可以看出，GWO-SVM算法中被正確分級的總數(shù)達到了58粒，與人工實際分級結(jié)果相比只被分錯3個。整體的正檢率為95.08%，錯檢率為4.92%，3種不同等級的小麥籽粒平均正檢率達94.41%，錯檢率為5.59%，由此可見，用GWOSVM算法對小麥籽粒分級是可行的，達到了小麥籽粒分級預(yù)期的效果。由表2可以看出，PSOSVM算法模型對小麥籽粒樣本分級，優(yōu)等小麥籽粒、中等小麥籽粒和劣等小麥籽粒被正確識別的個數(shù)分別為28、17和10，共計識別個數(shù)為55，錯誤分類共計6粒，總計識別正檢率為90.16%，錯檢率為9.84%。平均識別正檢率為88.29%，平均錯檢率為11.71%。SVM算法模型結(jié)果顯示，優(yōu)等、中等和劣等小麥籽粒被正確識別的個數(shù)分別為26、15和10，正確分類共計51粒，錯誤分類共計10粒，整體正檢率為83.61%，錯檢率為16.39%，平均正檢率為82.66%，平均錯檢率為17.34%。其中優(yōu)等小麥籽粒的正檢率最高，因為優(yōu)等小麥籽粒在形態(tài)特征、顏色特征和紋理特征上均具有良好的屬性，能很好地與中等和劣等小麥籽粒區(qū)分開，所以識別率高。而中等小麥籽粒和劣等小麥籽粒在形態(tài)、顏色上容易混淆，所以會導(dǎo)致錯分，因此中等小麥和劣質(zhì)小麥的正檢率比較低。

表1 GWO-SVM和人工分級結(jié)果對比Table 1 Comparison of GWO-SVM and manual classification results

表2 不同算法分級結(jié)果Table 2 Classification results of different algorithms

綜合以上結(jié)果可以得出，GWO-SVM算法正確分級的總數(shù)為58粒，而PSO-SVM算法和SVM算法正確分級總數(shù)分別是55粒和51粒，GWO-SVM算法的整體正檢率和平均正檢率都要比PSO-SVM算法和SVM算法高。由此可見，GWO-SVM算法的分級效果要比PSO-SVM算法和SVM算法好。

2.2 算法時間性能比較

分別用GWO和PSO算法對SVM模型中的懲罰因子c和高斯核函數(shù)的參數(shù)σ進行尋優(yōu)，以此來優(yōu)化SVM模型，提高算法的效率，然后進行交叉驗證，結(jié)果如表3所示。

表3 不同算法時間結(jié)果Table 3 Time results of different algorithms s

由表3結(jié)果可以看出，無論交叉驗證的K值取3、5，還是7，GWO-SVM算法和PSO-SVM算法的時間消耗都要比SVM算法時間消耗大，因為GWO算法和PSO算法在尋找最優(yōu)參數(shù)時會消耗一定的時間。在相同的條件下，GWO-SVM算法在時間消耗上要比PSO-SVM算法時間消耗小，雖然比SVM算法消耗時間大，但是區(qū)別不是很明顯，對小麥籽粒分級影響不大，可以在接受范圍之內(nèi)。因此，可以得出GWO-SVM算法在速度上也同樣有很大的優(yōu)勢。

分級準(zhǔn)確率和分級速度的高低決定了分級模型的好壞。在本研究中，GWO-SVM算法模型不僅分級速度具有較大優(yōu)勢，而且在很大程度上提高了分級的準(zhǔn)確率。

3 討論

小麥品種的好壞可以通過對小麥籽粒優(yōu)劣程度精確量化表示，只有提高國內(nèi)小麥的質(zhì)量，才能推動國內(nèi)農(nóng)業(yè)的發(fā)展。但是小麥籽粒優(yōu)劣參差不齊，對小麥籽粒分級帶來很大的不確定性，本文針對小麥籽粒提取了形態(tài)特征、顏色特征和紋理特征等共21個特征參數(shù)，用于小麥籽粒的分級，試驗結(jié)果表明，利用這些特征參數(shù)對小麥籽粒優(yōu)劣分級是可行的。

小麥籽粒分級依靠人工目測，效率慢，準(zhǔn)確度低，與傳統(tǒng)的技術(shù)相比，機器視覺檢測技術(shù)得到了突飛猛進的發(fā)展，用機器視覺技術(shù)代替繁瑣復(fù)雜的人工檢測過程是自動化分級發(fā)展的必然趨勢，梁良[10]基于小麥籽粒特征利用層次分級法和隸屬度函數(shù)法對小麥籽粒進行分級，雖然準(zhǔn)確率達93%，但需要人工對其進行閾值的選取，比較艱難繁瑣；而王志軍等[17]利用人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)了小麥籽粒自動分級，識別準(zhǔn)確率也達到了93%以上。本研究利用灰狼算法優(yōu)化支持向量機建立小麥分級模型，在實現(xiàn)自動分級的同時，同樣也達到了很好的效果，準(zhǔn)確率達95.08%，比前面的研究者準(zhǔn)確率有所提高，分級速率也達到了較好的效果。

4 結(jié)論

本文研究了基于GWO-SVM的小麥籽粒優(yōu)劣分級模型并給出了模型的詳細步驟。試驗結(jié)果表明，將GWO算法引入到SVM模型參數(shù)的選取上，并應(yīng)用于小麥籽粒優(yōu)劣分級上是可行的，正檢率達95.08%，提高了小麥籽粒優(yōu)劣分級的準(zhǔn)確率。