基于机器视觉葡萄叶片还原糖含量的检测系统

2018-05-21贾尚云高晓阳李红岭邵世禄杨梅武季玲甘肃农业大学机电工程学院甘肃兰州730070

山西农业大学学报(自然科学版) 2018年5期

贾尚云，高晓阳，李红岭，邵世禄，杨梅，武季玲(甘肃农业大学机电工程学院，甘肃兰州 730070)

在传统农业生产中，人们研究作物内在营养成分大都采用化学方法或光谱分析法，这些方法虽然简单，但成本较高，测试复杂，在大批量的农业生产中很难实现。在现代农业自动化生产过程中，机器视觉技术广泛地应用于农产品营养元素检测中。张彦娥等[1]通过对黄瓜叶片颜色各分量特征的提取完成了对黄瓜叶片氮元素的识别测定，结果显示叶片绿色分量G和色度H分量与氮含量线性相关，其他分量没有明显相关性；费丽君等[2]提取了大豆叶片图像的颜色特征，对叶片中叶绿素的含量进行了测算，结果表征，大豆叶绿素信息指标与图像颜色参数极具相关性，可用来快速测定叶片叶绿素含量；徐腾飞[3]等通过对玉米叶片的特征识别完成了对叶片含水率的诊断，得出利用作物叶片灰度直方图均值参数可以对玉米的叶片含水率进行预测；雷静[4]利用机器视觉对番茄中的花青素含量进行了快速无损的测定，测定结果显示以颜色分量V和R/(G+B)为特征参数建立的模型拟合度最好，对检验集的预测表现出很高的精确度，可以用于花青素含量快速无损的检测。但是目前利用机器视觉对植物叶片营养含量的检测主要集中在大豆、番茄、棉花、玉米等一年生作物，侧重点为叶片的含水率、叶绿素、氮磷钾含量等，对多年生藤蔓植株如葡萄叶片营养含量测定的报道甚少。本研究以葡萄叶片为对象，利用机器视觉技术，分别提取叶片图像颜色特征和纹理特征参数，并构建基于支持向量机的分类模型，得出特征参数与含糖量之间的关系。

1 材料与设备

1.1 材料

试验于2017年5-10月在甘肃农业大学甘肃省葡萄与葡萄酒工程研究中心的葡萄试验基地进行(36°03′ N，103°53′ E)，试验园地处内陆干旱地区，海拔1 520 m，年平均气温10.38 ℃，年降水量320 mm，光照充分，水肥同常规处理。供试葡萄品种为六年生“红地球”葡萄，4月上旬出芽，4月下旬上架，5月下旬开花，浆果8月中下旬着色，9月下旬至10月上旬成熟。为降低光照和室外其他因素的影响，每4 d 20:00～20:30采摘样本，每次采摘10片，装入密封袋中尽快带回室内，在室内人工光源下利用CCD数码相机拍摄，拍摄时光源稳定，镜头距离样本20 cm，镜头平行于样本。共采集叶片图像480幅，其中320幅作为训练样本，剩余160幅作为测试样本，同时将采集完成的样本立即做光谱化学实验处理，得出每组样本的准确含糖量。

1.2 设备

本系统由采集装备、终端处理系统和支架等硬件构成。采集系统是索尼公司生产的型号为 DSC-W 320 的CCD数码相机，其分辨率为 640 × 480，白自动平衡，手动调节光距；处理系统为联想Think server TD 340 服务器；支架用来放置叶片，以便采集时样本处于同一水平面。系统图像处理是基于美国国家仪器公司(NI)开发的虚拟仪器 LabVIEW[5～7]软件和配套的图像处理模块 Vision Development Module (视觉开发模块)下进行；颜色纹理特征提取和SVM分类识别则利用 MATLAB 2015b 软件平台完成。

2 系统设计

首先利用相机采集叶片图像，保存于计算机后进行图像预处理，然后利用MTLAB软件提取图像的颜色和纹理特征，颜色特征为H、S、V三通道的颜色一阶矩和二阶矩，纹理特征主要是基于灰度共生矩阵的叶片图像的0°、45°、90°和135°方向上角二阶矩、熵、惯性矩、相关性。最后构建基于径向基核函数的SVM分类模型，将提取的特征向量作为参数输入，完成叶片糖分含量的分类识别试验。系统设计流程如图1所示。

图1 系统设计流程图Fig.1 System design flow chart

2.1 图像预处理

图像预处理可消除图像中的无关信息，增强真实信息的可检测性，提高处理效率，改进图像识别、分类和特征提取的可靠性，提高糖分测试的正确率。本研究图像预处理工作借助于labVIEW软件平台下Vision Development Module模块中的Vision Assistant(视觉助手)来完成，对叶片图像进行了彩色图像灰度化、图像去噪、背景分割等处理。首先在Extract Color plane(抽取彩色平面)模式下将RGB图像转换为HSV模式，从HSV图像中抽取值平面，得以将彩色图像灰度化；Filters(傅里叶滤波器)模式中的Low pass(低通滤波)是对图像进行去噪，在一些条件下低通滤波既可去除图片噪声又可以保持图片边缘清晰；背景分割工作是基于Threshold(阈值)模式，选取图像合适的阈值，将叶片与背景分割。本研究的程序设计如图2所示。

图2 图像处理程序框图Fig.2 Image processing program

2.2 葡萄叶片颜色特征的提取

本研究采用颜色矩法[8,9]研究叶片图像表面特征。由于颜色信息主要集中在低阶矩中，故选择提取图像一阶矩和二阶矩作为颜色分布特征。颜色系统对提取颜色特征也有影响，在常用的RGB、HSV和HIS颜色系统中，HSV系统最符合人眼对颜色的描述习惯，颜色信息丢失较少，并去除了亮度对图像的影响。因此本研究选用HSV颜色系统。

首先将预处理后的图片色彩空间转换为HSV，对叶片图像分别求其颜色矩特征参数，每个样本图像有均值和方差2个颜色分量，每个颜色分量包括3个颜色矩，得到6个特征分量。提取到的叶片图像HSV一阶矩和二阶矩如表1所示。由表1可以看出，不同糖分含量区间叶片HSV,3个通道的颜色特征参数呈现出明显的线性相关性，其中H和S两通道的参数值随还原糖含量的上升而上升，而V分量的参数值随之下降。色调H的差异性说明，随着糖分含量的上升，叶片颜色逐渐从红色调向绿色调转化；饱和度S的数值区间为[0～1]，颜色越饱和，数值越趋近于1，说明随着还原糖含量的增加，叶片的饱和度也随之增加；而亮度V取值范围为0～255，说明还原糖含量越多，叶片颜色越深。

2.3 葡萄叶片纹理特征提取

采用基于灰度共生矩阵纹理特征提取法提取图像的表面特性[10～11]。灰度共生矩阵可以表示为：Pd,θ(i,j)(i,j=0,1,2,3…L-1)，其中L表示图像的灰度级别数；i,j分别表示两个不同位置的像素的灰度；d表示两个像素间的空间位置关系；θ 为灰度共生矩阵的生成方向，通常取0°，45°，90°和135°四个方向。采用角二阶矩、熵、惯性矩和相关性4个特征参数来提取图像纹理信息，算法公式分别为：

角二阶矩：

(1)

熵：

(2)

惯性矩：

(3)

2.4 基于SVM分类模型建立

支持向量机(Support vector machine，SVM)在预报、分类回归、诊断和决策中应用较为广泛[12～13]。选取在全部参数空间中都满足Mercer条件的RBF(径向基)为核函数，其数学表达式为：

K(φ,φi)=exp[-σ|φ-φi|2]

(9)

式中，φ为输入特征值，φi为该特征值；σ为径向基核函数参数，σ一般大于0。基于径向基核函数的SVM图像分类流程图如图3所示。从采集的480幅葡萄叶片图像中选取320幅作为训练样本，采用前述方法提取葡萄叶片的颜色和纹理特征。首先通过最近邻插值法将图像大小调整为50×50；然后分别提取H、S、V三通道颜色的一阶矩、二阶矩共6个特征参数和通过灰度共生矩阵算法得到叶片图像0°、45°、90°和135°四个方向的角二阶矩、熵、惯性矩、相关性的8个参数；最后将这14个特征值参数构成的输入向量输入SVM分类系统，利用Libsvm工具箱得到分类回归模型。输出采用十六进制编码输出，其中0代表糖分区间在[2.11～2.20]，1代表糖分区间在[2.21～2.30]，2代表糖分区间在[2.31～2.40]。以此类推，15代表糖分区间在[3.61～3.70]，共16个输出。

表2 葡萄叶片的纹理特征参数Table 2 Texture featur echaracteristics parameters of grape leaves

图3 基于SVM的图像分类流程图Fig.3 Image classification flow chart based on SVM

3 结果与分析

3.1 叶片糖分含量测定结果

采用光化学方法对葡萄叶片糖分进行测定，得到的糖分含量作为训练样本和测试样本的参数基础。测定是基于3，5-二硝基水杨酸(DNS)比色法来完成。采用721型紫外分光光度计、精度为0.001的电子天平、超级恒温水浴器和101-A型烘干箱。将采集完图像信息的样本立即放入烘干箱中杀青，杀青时间为45 min，温度为105 ℃。经多次试验确定还原糖测定波长580 mm。每次采摘10片叶片，分10组测试，取平均值，结果如表3所示。叶片还原糖含量的变化趋势如图4所示。由表3和图4可以看出，叶片还原糖的含量在葡萄萌芽期几乎为0，随着时间的推移含量慢慢增加，在7月下旬～8月上旬浆果膨大期达到最高值，此时浆果中的还原糖含量会大幅增加，叶片糖分下降，9月份浆果中还原糖含量达到顶点后叶片糖分变化也逐渐趋于稳定。

图4 叶片还原糖含量变化趋势Fig.4 Varation of reducing sugar content in leaves

3.2 系统测试结果

选取160幅葡萄叶片图像作为测试样本，每个糖分含量区间的图像均为10幅，其识别分类结果如表4所示。由表4可知，葡萄叶片的错分总数n为19，测试样本总数N为160，分类识别正确率为：

表3 叶片还原糖测试结果Table 3 Results of reducing sugar in leaves

表4 识别分类结果Table 4 Results of identification and classification

(10)

其中糖分含量区间[2.21～2.30]、[2.31～2.40]、[2.51～2.60]、[2.71～2.80]、[3.01～3.10]和[3.51～3.60]识别率达到100%；糖分区间[2.41～2.50]、[3.21～3.30]和[3.61～3.70]识别率为90%；糖分区间[2.11～2.20]、[2.61～2.70]、[2.91～3.00]、[3.11～3.20]和[3.41～3.50]识别率为80%；其他区间识别率最低为70%。结合图4可以看出，由于葡萄叶片还原糖含量的变化趋势近似于抛物线，数据呈对称分布，在不同的时间，叶片所表现的特征不尽相同，造成识别精度的差异性，所以在抛物线顶点(糖分含量较高)识别率相对较高，反之离顶点越远(糖分含量越小)，误差会变大。其次本设计虽然定于每天夜间8:00—8:30在室内白炽灯光下采集图像，最大限度的降低光照等外界因素的影响，但试验时间跨度较长，日落时间等因素难免会对试验结果造成影响。但测试系统总体分类良好，可用于葡萄叶片糖分含量的识别。

3.3 分析与讨论

图5为葡萄叶片还原糖含量与叶片图像颜色、纹理特征参数之间的共线性关系，由图5看出，通过对颜色、纹理参数和糖分之间的相关性分析，颜色参数的6个特征值与糖分含量之间均具有非常高的相关性，决定系数分别为0.941 1、0.967 5、0.990 4、0.992、0.980 3、0.884 3，而纹理分量的相关性则相对较小，其中熵的均值和方差决定系数为0.769和0.685 9，惯性矩的均值与方差决定系数为0.280 7和0.525 5，角二阶距均值的决定系数为0.448 3，其它3个特征与还原糖含量没有相关性，决定系数非常低。本研究旨在利用机器视觉技术找出叶片图像颜色和纹理特征参数与叶片还原糖含量之间的关系，从而给叶片还原糖的测定提供技术支持。

图5 各分量与含糖量之间的关系Fig.5 The relationship between the components and the sugar content

4 结论

(1)利用机器视觉技术测试葡萄叶片还原糖含量，测试效率高，测试精度和稳定性好；

(2)叶片图像特征参数与还原糖含量有高相关性，测试准确率达88%；

(3)得到葡萄生长周期和叶片还原糖含量的变化趋势，对葡萄糖分含量的研究有一定的借鉴和参考价值。

本试验仅对叶片的单一糖分进行测试，叶片的特征参数对不同糖分如总糖蔗糖等的测定是否更有优势和价值还需要进一步研究。

参考文献

[1]张彦娥，李民赞，张喜杰. 基于计算机视觉技术的温室黄瓜叶片营养信息检测[J]. 农业工程学报，2005，21(8): 102-105.

[2]费丽君，谭峰.机器视觉技术在大豆叶片叶绿素含量测算上的应用[J].农机化研究， 2010，32(3): 199-201.

[3]徐腾飞，韩文霆，孙瑜.基于图像处理的玉米叶片含水率诊断方法研究[J].干旱地区农业研究，2013，31(1): 95-100.

[4]雷静.基于计算机视觉技术的番茄花青素含量检测[J].农机化研究，2018，40(3): 193-197.

[5]杨文祥，杜昭平，庄肖波.基于LabVIEW平台的实时图像采集与处理系统的应用[J]. 电子设计工程，2016，24(12): 159-161.

[6]郑对元.精通LabVIEW虚拟仪器程序设计[M].北京:清华大学出版社，2012，60-67.

[7]丁晟，蒋晓瑜，汪熙.基于LabVIEW 的图像处理技术研究[J].微计算机信息，2010，26(29): 204-205.

[8]Ojala T, Pietikäinen M, Harwood D. A comparative study of texture measures with classification based on featured distributions[J]. Pattern recognition, 1996, 29(1):51-59.

[9]徐贵力，毛罕平，李萍萍.缺素叶片彩色图像颜色特征提取的研究[J].农业工程学报，2002，18(4): 150-154.

[10]杨倩，高晓阳，武季玲，等.基于颜色和纹理特征的大麦主要病害识别研究[J].中国农业大学学报，2013，18(5): 129-135.

[11]Latha Y L M, Prasad M V N K. GLCM Based Texture Features for Palmprint Identification System[M]. Computational Intelligence in Data Mining-Volume l.New Delhi:Springer India，2015:155-163.

[12]何东健，乔永亮，李攀，等.基于SVM-DS多特征融合的杂草识别[J].农业机械学报，2013，44(2):182-187.

[13]张淑雅，赵一鸣，李均利.基于SVM的图像分类算法与实现[J].计算机工程与应用，2007，43(25): 40-42.