劉浩，孟令峰，王松峰，劉自暢，杜海娜，孫福山

(1. 中國農(nóng)業(yè)科學(xué)院煙草研究所,農(nóng)業(yè)部煙草生物學(xué)與加工重點實驗室,山東青島,266101;2. 中國農(nóng)業(yè)科學(xué)院研究生院,北京市,100081)

0 引言

烤煙煙葉是卷煙生產(chǎn)的主要原料,其產(chǎn)量和品質(zhì)的提升一直是廣大煙葉工作者關(guān)注的重點,鮮煙葉作為烤后煙的基礎(chǔ),其成熟度直接影響烤后煙的質(zhì)量[1],烤煙上部葉是烤煙單株生產(chǎn)力的重要組成部分,并且上部煙葉的烘烤難度較中下部煙葉大,所以科學(xué)地判定上部葉成熟度對于提高烤后煙質(zhì)量有重大意義。但目前對于鮮煙成熟度的判別大多是依靠人工主觀經(jīng)驗,存在判別標(biāo)準(zhǔn)不統(tǒng)一、主觀性過強、費力低效的缺點[2-3]。而且對鮮煙進行各種生理生化指標(biāo)判別時[4],需對煙葉進行有損檢測,存在技術(shù)性要求較高,費時和操作復(fù)雜等問題。因此實現(xiàn)鮮煙葉成熟度的智能判別是目前研究的重點。目前機器視覺技術(shù)在農(nóng)業(yè)方面應(yīng)用甚廣[5-7],如產(chǎn)前種子篩選與果蔬分級[8-9]、產(chǎn)中作物病蟲草害識別與監(jiān)測[10-14]、作物生長信息監(jiān)測與產(chǎn)量估計[15]以及現(xiàn)代農(nóng)業(yè)裝備定位導(dǎo)航[16]等領(lǐng)域均有一定程度的應(yīng)用。在鮮煙成熟度判別方面,史龍飛等[17-18]建立了鮮煙成熟度智能判別的一些模型,初步證明利用機器視覺技術(shù)對鮮煙成熟度進行判別是可行的,而建立多種預(yù)測鮮煙成熟度模型進行比較的報道較少。

基于此,本文擬通過構(gòu)建不同鮮煙成熟度圖像數(shù)據(jù)庫、提取圖像顏色與紋理特征值,利用聚類分析和相關(guān)性分析篩選鮮煙成熟度圖像指標(biāo),建立基于遺傳算法的支持向量機(GA-SVM)、基于粒子群算法(PSO-BP)的神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(ELM)三種模型對鮮煙成熟度進行判別比較,得出優(yōu)選模型,以期為鮮煙素質(zhì)成熟度的智能判別和智能采收提供理論依據(jù)和技術(shù)支持。

1 材料和方法

1.1 試驗材料

試驗于2021年在四川省涼山州西昌市中國農(nóng)業(yè)科學(xué)院西南試驗基地進行,試驗田肥力中等,供試烤煙品種為云煙87,行距1.2 m,株距0.5 m,按照優(yōu)質(zhì)煙生產(chǎn)技術(shù)規(guī)范進行栽培。采收的上部鮮煙葉按照4個檔次成熟度分類:欠熟(50片)、尚熟(49片)、適熟(49片)、過熟(52片),分類標(biāo)準(zhǔn)如表1所示。

表1 煙葉不同成熟度處理及主要外觀特征Tab. 1 Tobacco leaves with different maturity and main appearance characteristics

圖像采集設(shè)備采用專用高清相機和標(biāo)準(zhǔn)拍攝暗箱。利用Matlab 2016進行數(shù)據(jù)處理。

1.2 圖像預(yù)處理

煙葉圖像會受到背景、光照等因素影響而產(chǎn)生噪聲,為了增強圖像中的有效信息,需對采集圖像進行改善處理,來提高圖像的辨識度[19-21]。如圖1所示,本研究將原始圖像轉(zhuǎn)為灰度圖像,分別采用均值濾波和中值濾波對采集圖像進行去噪,結(jié)果表明使用中值濾波器能夠改善煙葉圖像的質(zhì)量。由于鮮煙葉圖像采集時會受背景因素影響,所以使用Matlab 2016自帶的閾值分割程序進行基于YCbCr顏色空間的圖像分割。并運用合成運算獲得與背景分割后的完整煙葉彩色圖像。

(a) 煙葉原始圖像

1.3 圖像特征提取

鮮煙素質(zhì)可作為鮮煙采收成熟度的內(nèi)在基礎(chǔ)與成熟度形成對應(yīng)關(guān)系,鮮煙素質(zhì)可以通過成熟度表現(xiàn)出來,而煙葉顏色和主脈狀態(tài)是判斷煙葉田間成熟度的重要依據(jù)[22],因此可以通過顏色特征和紋理特征來量化煙葉采收成熟度,以提供判斷標(biāo)準(zhǔn)。本試驗主要是在不同顏色空間模型RGB和l*a*b*顏色空間的基礎(chǔ)上提取了其顏色均值和基于R、G、B顏色矩陣的幾種組合特征2G-R-B、R/G、G-R和基于l*a*b*顏色矩陣的a*/b*,基于鮮煙葉圖像灰度梯度共生矩陣的能量、灰度平均、梯度平均、灰度不均勻、梯度不均勻、相關(guān)度、灰度熵、梯度熵、慣性矩和逆差矩10個紋理特征。

1.4 數(shù)據(jù)處理與模型建立

為保證模型訓(xùn)練準(zhǔn)確性及模型的泛化性,將上述提取的10個顏色特征和10個紋理特征分別進行變量聚類,然后將煙葉圖像特征與鮮煙成熟度進行相關(guān)性分析,篩選出每類特征中與成熟度相關(guān)性最強的1個圖像特征作為訓(xùn)練樣本。選取優(yōu)選圖像特征組合作為模型輸入,建立ELM、GA-SVM和PSO-BP分類模型對煙葉成熟度進行分類比較。數(shù)據(jù)處理軟件為SAS 9.4和Matlab 2016軟件。

支持向量機(SVM)是數(shù)據(jù)挖掘中的一個新方法,能夠處理模式識別分類等問題。本文建立SVM模型選用的是SVM中的RBF核函數(shù),其特點是不隨參數(shù)變化而變化[23],利用模擬自然界中適者生存的遺傳算法對支持向量機中c和g兩個參數(shù)進行尋優(yōu)[24-26]。以最高的交叉驗證集判別準(zhǔn)確率為尋優(yōu)目標(biāo),在遺傳算法中將種群數(shù)量設(shè)置為30,最大迭代次數(shù)為50,參數(shù)c和g從0.1～200進行尋優(yōu)取值。

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)模型以隱含層節(jié)點數(shù)目5為步長,從0到60對BP隱含層節(jié)點數(shù)進行尋優(yōu)。并選取premnmx函數(shù),將樣本數(shù)據(jù)進行歸一化處理。設(shè)定訓(xùn)練誤差目標(biāo)為0.000 1,終止訓(xùn)練步數(shù)為1 000,并將BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值運用粒子群算法(PSO)進行優(yōu)化,PSO中的種群大小設(shè)置為30,迭代次數(shù)設(shè)置為50,以確保分類的精準(zhǔn)度。

極限學(xué)習(xí)機(ELM)是一種針對單隱含層前饋神經(jīng)網(wǎng)絡(luò)的算法。本文建立ELM模型選用Sigmoid函數(shù),以隱層神經(jīng)元數(shù)目20為步長,交叉驗證集判別準(zhǔn)確率最高為尋優(yōu)目標(biāo)進行隱層神經(jīng)元數(shù)目尋優(yōu),并用10折交叉法進行驗證。

2 結(jié)果與分析

2.1 上部煙葉圖像特征的聚類分析

利用SAS 9.4將提取的顏色特征和紋理特征分別進行變量聚類和相關(guān)性分析,結(jié)果如表2所示。由表2可知,煙葉的顏色特征值與鮮煙成熟度的相關(guān)性均達到極顯著關(guān)系。類別1中a*/b*的相關(guān)性最強,相關(guān)系數(shù)達到0.924,類別2中R的相關(guān)性最強,相關(guān)系數(shù)為0.934,類別3中l(wèi)*的相關(guān)性最強,相關(guān)系數(shù)為0.926。煙葉的紋理特征值與鮮煙成熟度的相關(guān)性均呈極顯著關(guān)系,類別1中慣性矩相關(guān)性最強,相關(guān)系數(shù)達到0.745,類別2中梯度不均勻相關(guān)性最高,相關(guān)系數(shù)為0.457。所以選定3個顏色特征a*/b*、R、l*和2個紋理特征慣性矩、梯度不均勻為煙葉圖像的優(yōu)選特征作為模型輸入變量。

表2 煙葉特征優(yōu)選Tab. 2 Optimization of tobacco characteristics

2.2 上部煙葉圖像特征值參數(shù)范圍

表3是每個成熟度各個特征值的平均值及參數(shù)變化范圍。由表3可知,顏色特征值R隨成熟度增加而逐漸增大,欠熟煙葉R平均值為77.07,而過熟煙葉R平均值增加到162.94。顏色特征a*/b*與l*值隨成熟度增加也表現(xiàn)為逐漸增大的趨勢,這表明煙葉成熟度的變化可以由煙葉顏色特征很好地體現(xiàn)出來。紋理特征慣性矩表現(xiàn)為隨成熟度增加而增加,梯度不均勻隨成熟度增加其變化程度并不大。表明隨成熟度增加,煙葉外觀紋理變均勻但程度較小。

表3 上部葉特征值參數(shù)范圍Tab. 3 Parameter range of upper leaf eigenvalues

2.3 上部煙葉圖像特征變化趨勢

圖2為上部鮮煙葉成熟過程中顏色特征變化趨勢。

(a) R值變化趨勢

由圖2(a)可知,上部葉隨成熟度增加,顏色特征R呈現(xiàn)逐漸增大的趨勢,R分量體現(xiàn)為過熟>適熟>尚熟>欠熟,這是由于純紅色與純綠色的加色理論上為純黃色[27],隨煙葉成熟度增加,煙葉逐漸由綠色變?yōu)辄S色,R分量逐漸增加;由圖2(b)可知,四種成熟度a*/b*總體呈現(xiàn)逐漸升高的趨勢,這主要是因為a*分量表示從紅色到綠色的范圍[28-29],a*分量為負表示為綠色,隨著鮮煙葉成熟度增加,鮮煙葉中綠色是逐漸減少的,所以a*分量逐漸增大;b*分量表示從黃色到藍色的范圍,b*分量為正表示黃色,隨著鮮煙葉成熟度增加,鮮煙葉中黃色逐漸增加;b*分量隨之增加,總體呈隨成熟度增加,a*/b*逐漸增大的趨勢;圖2(c)為l*值在煙葉成熟過程中變化趨勢,l*代表明暗度,隨煙葉成熟度增加,煙葉色澤變亮,所以l*呈現(xiàn)隨成熟度增加逐漸增大的趨勢?？傮w來看,成熟度可以由顏色特征R、a*/b*、l*很好地體現(xiàn)出來。

圖3為上部鮮煙葉成熟過程中紋理特征變化趨勢。由圖3(a)可知,紋理特征慣性矩隨成熟度增加而增加,但變化不明顯,主要因為慣性矩與紋理均勻程度有關(guān)[30-31],隨煙葉成熟度增加,煙葉葉片紋理變均勻但程度較小;圖3(b)表明紋理特征梯度不均勻隨成熟度增加變化不大。總體來看,慣性矩與梯度不均勻?qū)Τ墒於鹊谋碚餍Ч⒉幻黠@。

(a) 慣性矩變化趨勢

2.4 基于機器視覺的上部煙葉成熟度預(yù)測模型

選取不同圖像特征組合作為模型輸入,建立ELM、GA-SVM和PSO-BP分類模型對鮮煙成熟度進行判別效果比較。由表4可知,輸入優(yōu)選特征數(shù)據(jù)所建立的ELM模型訓(xùn)練集、交叉驗證集、測試集準(zhǔn)確率分別為96.67%、83.00%、84.00%,模型識別時間為0.000 440 s,所建立的GA-SVM模型訓(xùn)練集、交叉驗證集、測試集準(zhǔn)確率分別為93.33%、93.33%、92.00%,模型識別時間為0.044 196 s,所建立的PSO-BP模型訓(xùn)練集、交叉驗證集、測試集準(zhǔn)確率分別為94.00%、96.67%、90.00%,模型識別時間為0.176 045 s。結(jié)果可知,基于遺傳算法的GA-SVM模型對于上部煙葉成熟度的判別效果最優(yōu),測試集準(zhǔn)確率達到92.00%,其次是基于粒子群算法的BP神經(jīng)網(wǎng)絡(luò)模型,測試集準(zhǔn)確率達到90.00%,ELM模型的效果相對較差,測試集正確率只有84.00%。

表4 模型分類結(jié)果Tab. 4 Model classification results

3 討論

鮮煙素質(zhì)作為煙葉烘烤特性的決定因素,直接影響烤后煙的質(zhì)量,鮮煙素質(zhì)可以通過成熟度表現(xiàn)出來,科學(xué)地判定鮮煙成熟度對于提高烤后煙質(zhì)量有著很大作用,顏色和主脈是判斷煙葉田間成熟度的重要依據(jù),圖像處理技術(shù)可以量化鮮煙的顏色形態(tài)等外部特征[32-33],通過顏色特征和紋理特征來量化煙葉采收成熟度,以提供判斷標(biāo)準(zhǔn)。本研究選定與煙葉成熟度相關(guān)性系數(shù)最大的3個顏色特征和2個紋理特征,發(fā)現(xiàn)隨成熟度增加,顏色特征R、a*/b*、l*隨成熟度增加呈明顯增大的趨勢,這是由于隨煙葉成熟度增加,煙葉顏色由綠變黃。將5個特征作為PSO-BP神經(jīng)網(wǎng)絡(luò)、GA-SVM和ELM分類模型的輸入,進行鮮煙成熟度判別,結(jié)果表明,PSO-BP神經(jīng)網(wǎng)絡(luò)、GA-SVM和ELM分類模型的準(zhǔn)確率分別為90.00%、92.00%、84.00%,說明GA-SVM模型分類結(jié)果最好,PSO-BP神經(jīng)網(wǎng)絡(luò)次之,ELM分類模型略差。原因是鮮煙葉四個成熟度顏色紋理特征的空間分布較為接近,特別是相鄰的兩成熟度之間,而SVM的特點是采用映射函數(shù)將原始數(shù)據(jù)映射到一個高維空間[34],相對于BP神經(jīng)網(wǎng)絡(luò)和ELM這類神經(jīng)分類網(wǎng)絡(luò),可以使原始樣本轉(zhuǎn)化成為高維空間中線性可分的樣本,所以模型準(zhǔn)確度較高。前文所提相關(guān)學(xué)者的研究,試驗只設(shè)置了欠熟、適熟、過熟三種成熟度處理,煙葉特征相差明顯,但在煙葉實際生產(chǎn)采烤過程中,成熟度校對不止3個檔次,本研究按照煙葉生產(chǎn)實際采收經(jīng)驗,將煙葉成熟度劃分為欠熟、尚熟、適熟、過熟4個檔次,進行了模型參數(shù)的優(yōu)化比較,提高了模型的穩(wěn)定性和泛化性,以期為之后的煙葉成熟度判別和機械采收提供技術(shù)支撐和理論指導(dǎo)。

4 結(jié)論

1) 本研究選取四個成熟度鮮煙樣本,分為欠熟、尚熟、適熟、過熟,符合實際采收與煙草公司收購要求。所建立的3類鮮煙成熟度預(yù)測模型,表現(xiàn)為基于遺傳算法的SVM模型鮮煙成熟度識別效果優(yōu)于基于粒子群算法的BP神經(jīng)網(wǎng)絡(luò)模型,基于粒子群算法的BP神經(jīng)網(wǎng)絡(luò)模型識別效果優(yōu)于ELM模型。

2) 本研究選定與鮮煙成熟度相關(guān)性系數(shù)最高的3個顏色特征R、a*/b*、l*與2個紋理特征慣性矩、梯度不均勻。發(fā)現(xiàn)煙葉顏色特征R、a*/b*、l*可以很好表征成熟度的變化,表現(xiàn)為隨成熟度增加,顏色特征R、a*/b*、l*逐漸增大的趨勢。而紋理特征慣性矩與梯度不均勻表征效果稍不明顯。

3) 本研究建立三類模型并進行比較,包括基于遺傳算法的支持向量機(GA-SVM)、基于粒子群算法的反向傳播(PSO-BP)神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(ELM)模型,從中篩出優(yōu)選模型。SVM模型準(zhǔn)確度達到92.00%,初步實現(xiàn)了對鮮煙成熟度的智能判別。表明可以利用機器視覺技術(shù)對鮮煙成熟度進行判定,對實際生產(chǎn)有一定指導(dǎo)意義。