利用计算机视觉技术评判玫瑰切花品质等级的研究

王孟 张海东

摘要

目前国内外普遍采用的鲜切花品质检测方法是感官评审法，此方法易受个人主观因素和外界因素的影响。该研究利用计算机视觉技术来代替人的感官对玫瑰切花品质等级进行分类研究，试验中对玫瑰切花图像进行图像分割、图像去噪等图像处理后选取其7个形状特征参数作为玫瑰切花的品质评价指标，并借助BP神经网络建立玫瑰切花品质分级模型，分级正确率达到94%以上。试验表明，基于计算机视觉的玫瑰切花品质分级是可行的，并且具有较高的分级正确率。

关键词 玫瑰切花； 计算机视觉； 形状特征； 神经网络

中图分类号S126文献标识码A文章编号0517-6611（2015）05-322-05

Research on Determination of Cut Roses Quality Using Computer Vision

WANG Meng， ZHANG Hai-dong*， XU Wen-fang et al

（College of Mechanical and Electrical Engineering， Yunnan Agricultural University， Kunming， Yunnan 650201）

AbstractAt present， the prevailing method to determinate flower quality is through organoleptic way at home and abroad， this method is affected by external and personal subjective factors easily. This article uses the computer vision technology to replace human's sense organ to study on classification of cut roses quality grade， in the experiment， after preprocess the cut roses image with image segmentation， image denoising， then abstract 7 shape parameters as cut roses quality evaluation index， and through the establishment of rose cut flower quality grading model based on BP neural network， the classification accuracy rate was above 94%. Experiments show that classifying cut roses based on computer vision is feasible and has highly accuracy.

Key words Cut roses； Computer vision； Shape parameter； Neural network

作者简介

王孟（1989-），男，河南南阳人，硕士研究生，研究方向：农业机械及设施。

*通讯作者，副教授，博士，硕士生导师，从事农业机械及其自动化研究。

收稿日期2014-12-26

玫瑰屬蔷薇科蔷薇属，是世界4大鲜切花之一，因其花色鲜艳、花形丰富、花香怡人，极具观赏价值，被称为“花中皇后”。玫瑰切花通常在采集和售卖过程中根据其外观指标和瓶插表现进行分级，等级越高，切花价格也越高。传统的玫瑰切花品质分级依靠专业审评员通过感官对切花花蕾、茎和叶的尺寸、外形、色泽、新鲜程度、病虫害及机械损伤情况等指标进行逐一评判，但该方法易受外界因素和审评员个人主观因素影响，结果不准确，且不能实现实时在线分析，效率低。这造成了我国玫瑰切花品质的良莠不齐，市场上以次充好欺瞒消费者的案例时有发生，影响了玫瑰切花的市场影响力和竞争力。所以为了增强我国玫瑰切花产业的竞争力，急需一种快速、无损的品质检测方法来对鲜切花的品质进行检测分级。有鉴于此，有必要研究更为先进的玫瑰切花品质检测分级技术来替代传统方法，以提高切花的市场竞争力，促进切花产业的发展。

计算机视觉技术是利用检测对象本身的光、电磁学等特性得到相应的响应信号，从而在非破坏条件下获取大量反映被检测对象内外品质特性信息的方法。它具有检测速度快、客观、非接触、操作方便和易实现在线检测的优点，已广泛应用于农产品品质的评价和分级，如苹果的分级筛选、烟叶的分级、作物生长监测等[1- 6]。在鲜花的种植和检测应用方面， Humphries等利用颜色特征识别切天竺葵图像中的叶柄、主枝杆、叶片、生长点（锥）[7]；V.Steinmetz等应用计算机视觉图像处理技术提取了玫瑰切花花茎长、花茎直径、茎秆挺直度、花蕾成熟度和颜色特征，分别用贝叶斯算法和神经网络进行挺直度和花蕾成熟度的分类识别，并对玫瑰切花的颜色种类进行分类识别从而确定天竺葵切割部位[8]；Byung-Chun In利用机器视觉技术结合人工神经网络对切花玫瑰进行瓶插寿命预测，共提取了环境参数、形态参数和生理指标参数29个，获得了较好的预测结果[9]；席友亮等利用数字图像处理技术提取了文心兰的花部投影面积、花部边界长度、茎部长、花部长、切花中间部分茎粗以及茎部底端茎粗等6个形状特征参数，使用类神经网络对文心兰进行分级[10]。总体来看，目前有关计算机视觉技术在鲜花品质检测方面的应用还处于研究探索阶段。

笔者受前人研究成果启发，研究利用计算机视觉技术结合人工神经网络对玫瑰切花进行品质分级，以期为玫瑰切花的品质分级找到一种新的方法，进一步推动我国鲜切花产业的发展。

1试验材料与图像获取

1.1试验材料

试验用玫瑰品种为卡罗拉（超玫），采自昆明市斗南花卉基地，采集时选择生长健壮、无弯茎、无病虫害、开花指数一致的花枝进行采切。样本自母体采切后立即放入水桶中，并于2 h内运回试验室进行统一修剪，然后将每枝花插入容量为500 ml的锥形瓶中，倒入400 ml蒸馏水。保证实验室室温25 ℃，湿度30%～40%。

对采集的玫瑰切花进行人工审评分级，审评过程严格按《NY/T 321-1997》切花分级标准进行。试验采集的卡罗拉（超玫） 样本共98支，人工审评分级结果为：A级38支，B级38支，C级22支。随机选取A等级34个样本，B等级32个样本，C等级13个样本，共79个作为训练集，余下的19个样本作为测试集，其中包括A等级4个样本、B等级6个样本、C等级9个样本。

1.2图像采集系统及其标定

考虑到带茎鲜切花图像采集的需要，该研究专门搭建了针对玫瑰切花及其他品种切花的计算机视觉图像采集系统，整个系统主要由光源、图像采集和图像分析等分系统组成，见图1。

图中分别使用工业相机采集玫瑰切花整体图像信息（侧拍）和玫瑰切花的花苞图像（顶拍）。相机为德国the Imaging Source 的DFK 31BG03.H kM以太网CCD彩色工业相机，其分辨率为1 024×768，感光器件为采用逐行扫描的Sony CCD。光源为Philips的T5 Essential Batten—TCH086 21W/840冷光灯，在光源箱四角各布置一个。采集到的图像数据传输到计算机进行相应的分析处理。

计算机视觉系统采集的图像信息是以像素为单位的是

数字图像，所以要想得到图像中目标的具体几何尺寸，就要进行系统的标定[11]。该研究采用网格标定法对系统进行标定。方法如下：在纸板上绘制边长为10 mm的正方形网格，在保证网格平面与光轴严格垂直的情况下，采集该网格图像。这样做相当于把视场分割成边长为10 mm的标准块，通过计算标准块边长在图像中的像素平均值得到相机像素与实际尺寸的比例常数K。

K=10mm/apixel

（1）

式中，a表示图像中单位网格用像素表示的长度平均值。该研究系统标定结果见表4。

1.3原始图像的获取

系统标定之后，利用图1所示计算机视觉系统在保持同焦距、同物距、保持被测物体平面与光轴垂直的情况下对玫瑰切花进行图像采集。采集时，将玫瑰切花置于载物夹中，分别采集花苞图像（顶拍）和切花整体图像（侧拍）。采集的玫瑰切花花苞图像和切花整体图像如图2所示。

2图像预处理与特征参数提取

2.1图像预处理

该研究中的图像预处理主要包括：图像分割、图像去噪、数学形态学变换、边缘检测。

2.1.1

图像分割。图像分割是把图像分成各具特性的区域并提取出感兴趣目标的技术和过程[12]。由于图像中的目标和背景占据不同灰度级范围，通过设置灰度阈值的方法可以分割出有意义的区域。所以该研究采用直方图阈值法进行图像分割。

图3为直方图阈值法分割图像的结果。由图3（a）、（b）可见，此方法可以较好地将目标图像从背景图像中分割出来。分割后的玫瑰切花花苞图像和花茎图像用于提取玫瑰切花的特征参数。

2.1.2

图像去噪。由于玫瑰切花图像在采集、转换和传输过程中，常常受到成像设备、传输设备以及外部环境噪声干扰等影响。因此，需要对采集到的图像进行去噪，以减小干扰的影响。典型的图像去噪方法是：邻域均值滤波和中值滤波。图4为对玫瑰切花彩色图像进行中值滤波和邻域均值滤波后的图像，所取的窗口大小均为5×5。

由图4可以看出，中值滤波能够有效抑制图像中的噪声，并且能保证图像的轮廓边界不变模糊。因此，该研究采用中值滤波算法来滤除图像噪声。

2.1.3

数学形态学变换。在计算机图像处理中，处理的图像主要是二值图像。二值图像只有黑白两个灰度级，能够很好地突出图像特征，便于图像识别。图像二值化是在原图像的灰度范围内选定一个阈值t，令图像中所有灰度大于等于t的像素灰度值为1，其余为0就可以完成图像二值化处理。其变换函数为：

g（i，j）=0f（i，j）≤t

1f（i，j）>t

（2）

式中，f（i，j）为输入图像；g（i，j）为输出图像；t为灰度阈值。

图5为对玫瑰切花图像进行二值化和膨胀处理[13]后的二值图像。玫瑰切花圖像进行数学形态学变换后的结果用于提取玫瑰切花的投影面积。

安徽农业科学2015年

2.1.4

边缘检测。在图像中，边缘表明一个特征区域的终结和另一个特征区域的开始[14]。对比常用的边缘检测算子Robert算子、Sobel算子、Prewitt算子和Canny算子对玫瑰切花的图像进行边缘检测的结果。该研究采用Robert算子来对图像进行边缘检测，边缘检测的结果（图6）用于提取花苞图像的边缘周长C。

2.2图像特征参数提取

按照分级标准，该研究主要针对花苞和切花整体形状特征进行测定。花苞图像的形状特征参数主要提取投影面积A1、周长C、长宽比b1；切花整体图像的形状特征参数提取的有茎粗d、花苞面积A2，花苞长宽比b2、茎秆挺直度θ。

2.2.1

花苞特征参数提取。

提取花苞图像的3个形状特征参数：花苞图像花苞投影面积A1，周长C和长宽比b1。

（1）投影面积A1。指花苞图像的投影面积，在二值图像中，花苞图像的投影面积实际上就是图像边界内所包含的非0像素点的数目。

A1=

∑mi=1

∑nj=1f（i，j）

（3）

式中，f（i，j）为花苞二值图像元素；m×n为花苞图像中花苞个体大小。

（2）周长C。即花苞图像外轮廓线的长度。该研究采用8方向链码法（图7），图中0、2、4、6方向像素间的距离为1，则1、3、5、7方向像素间的距离为2，得到周长C计算公式如下：

C=2Nd+Nx+Ny

（4）

式中，Nx为水平方向像素点的个数；Ny为垂直方向像素点的个数；Nd为奇数码的链码总数目。

图7 8方向链码

（3）长宽比b1。用最小区域面积的外接矩形的长与宽之比来度量。

b1=H1W1

（5）

式中，H1为花苞图像高度方向的最大值；W1为花苞图像宽度方向上的最大值。

2.2.2

切花整体特征参数提取。

提取切花整体图像的茎粗d、花苞投影面积A2、花苞长宽比b2和挺直度θ。

（1）茎粗d。茎粗d取顶部茎粗d1和底部茎粗d2的平均值。

d=d1+d22 （6）

（2）花苞投影面积A2。计算方法与A1的计算方法相同。

A2=

∑mi=1

∑nj=1f（i，j）

（7）

（3）花苞长宽比b2。计算方法与b1的计算方法相同。

b2=H2W2

（8）

（4）挺直度θ。该研究用反正切角θ来表示玫瑰切花的挺直度（图8）。

θ=arctan（yx）

（9）

表2列出了该研究所提取的7个样本特征参数的范围、均值和标准差。

3玫瑰切花等级评判的BP神经网络模型

BP（Back Propagation ）神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播。在前向传递中，输入信号从输入层经隐含层逐层处理，直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输入得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出。

3.1构建网络

该研究中网络的输入层和输出层层数都固定为1。选取上文中提取的7个形状特征即：花苞投影面积A1、花苞周长C、长宽比b1、花苞投影面积A2、长宽比b2、挺直度θ和茎粗d作为输入变量，因此BP神经网络的输入层节点数为7个。以玫瑰切花等级为输出结果，则输出层节点数为1。玫瑰切花的等级A、B和C级分别赋值为1、2、3。采用单隐含层BP神经网络建立玫瑰切花品质分级模型。

该研究以输入层节点n和输出层节点m的平均值（n+m）/2作为隐含层节点的初始数，然后用试凑法在初始数上左右偏移，从而确定最佳隐含层节点数。对比表3中数据，当隐含层节点为4时，测试集分类误差最小。因此，该研究选取BP神经网络分级模型的隐含层节点数为4。

3.2训练网络

设定BP神经网络是目标误差goal为0.01，学习速率为0.05，迭代次数为1 000次，其中隐含层采用S型双曲正切传递函数tansig，输出层采用线性传递函数purelin作为网络的激活函数，网络训练结果见图9。

从图9可以看出，随着迭代次数的增加，测试集分类误差不断减小，当迭代次数为26时达到目标误差0.01，此时训练结束。

3.3.3

测试网络。

以输入层节点数为7，隐含层节点数为4，输出层节点数为1，建立玫瑰切花BP神经网络分级模型。图10和图11分别为玫瑰切花训练集和测试集的BP神经网络分级模型的真实类别和预测类别值之间的散点图。结合图10、11得出训练集和测试集玫瑰切花的BP分级模型的识别正确率，见表4。

从表4可以看出，经过训练后的网络模型对样本的分级结果很理想，训练集样本和测试集样本都能够较准确地被分级识别，其中测试集样本中除将1个B级玫瑰切花误判为C级玫瑰切花外，其余样本均分级正确。训练集样本的分级正确率达到100%，测试集样本分级正确率达到94.74%。

4结论

该研究利用计算机视觉技术对玫瑰切花进行了品质分级研究，提取了反映玫瑰切花品质等级的7个形状特征参数，结合BP神经网络建立了玫瑰切花品质分级模型，得到了精确的分级效果，该模型对测试集样本的分级正确率为94.74%。研究表明，利用计算机视觉对玫瑰切花进行品质分级是可行的。

参考文献

[1]

安愛琴，余泽通，王宏强. 基于机器视觉的苹果大小自动分级方法[J].农机化研究，2008（4）：163-166.

[2] 毛鹏军，贺智涛，杜东亮，等.烤烟烟叶视觉检测分级系统的研究现状与发展趋[J]. 农业机械，2006（16）：43.

[3] TOSHIYUKI SUZUKI，HARUHIKO MURASE，NOBUO HONAMI. Non-destructive growth measurement of cabbage Plug Seedlings Population by Image information.（Part1）.Measurement of Top Fresh Weight by Soil Coverage Model[J]. Journal of the Japanese Society of Agricultural Machinery，1999，6（12）：45-51.

[4] 应义斌，章文英，蒋亦元，等.机器视觉技术在农产品收获和加工自动化中的应用[J]. 农业机械学报，2000，31（3）：112-115.

[5] LING P P， RUZHITSKY V N. Machine vision techniques for measuring the canopy of the tomato seeding[J]. Journal of Agricultural Engineering Research， 1996， 65（2）： 85-95.

[6] CASADY W W，SINGH N，COSTELLO T A. Machine vision for measurement of rice canopy dimensions[J]. Transactions of the ASAE， 1996， 39（5）： 1891-1898.

[7] HUMPHRIES S，SIMONTON W. Geranium feature identification using color machine vision[R].American Society of Agricultural Engineers，1992.

[8] STEINMETZ V，DELWICHE M J，GILES D K. Sorting cut roses with machine vision[J]. Transactions of the ASAE，1994，37（4）：1347-1353.

[9] BYUNG-CHUN IN， KATSUHIKO， MOTOKI DOI. A neural network technique to develop a vase life prediction model of cut rose[J]. Postharvest Biology and Technology， 2009，52（3）：273-278.

[10] 席友亮，李芳繁. 以機器视觉分级文心兰切花之研究[J]. 农业机械学刊，2001，10（1）：17-30.

[11] 郭超，马麟.基于机器视觉的尺寸测量方法研究[J].机械工程与自动化，2012（1）：15-17.

[12] 于殿泓.图像检测与处理技术[M].西安：西安电子科技大学出版社，2006.

[13] 吴国平.数字图像处理原理[M].武汉：中国地质大学出版社，2007.

[14] 刘洲峰，徐庆伟，李春雷，等.小波变换在图像检测中的应用[J].传感器与检测技术（电气自动化），2008，30（6）：90-91.

科技论文写作规范——引言

扼要地概述研究工作的目的、范围、相关领域的前人工作和知识空白、理论基础和分析、研

究设想、研究方法和实验设计、预期结果和意义等。一般文字不宜太长，不需作详尽的文献

综述。在最后引出文章的目的及试验设计等。“引言”两字省略。

责任编辑徐丽华责任校对李岩