基于机器人采摘的成熟番茄果实识别及优化

何洋洋 蒋正帅 商丘工学院

引言

采摘机器人的视觉系统是重要环节，能否对果实快速准确的定位是机器人视觉系统中的关键技术，直接影响到机器人的工作效率和可靠性。在采摘机器人的相关研究中，识别准确率严重制约着机器人在自然条件下的工作效率，M.Z.Abdullah用线性判别分析识别杨桃正确率为95.3%，油椰子分类识别率为90%，该方法要求所用数据集是正态分布的，而事实上特征空间中的数据并不一定符合条件。本文以成熟番茄果实为研究对象，为消除光照影响，根据光照无关原理对自然环境中拍摄的番茄图像进行关照无关化处理，获得光照无关图，通过不通核函数识别图片信息，并采用交叉验证和网格搜索的方法进行支持向量机最优模型参数优化。

1 番茄果实图像光照无关化处理

试验所用图像为自然条件下拍摄的彩色番茄果实图像。为减少噪声干扰，采用矢量中值滤波进行图像增强。由于番茄生长于自然环境中，光源的方向、拍摄距离和光照强度等均会对番茄果实图像产生影响，环境的光照会改变图像的真实信息，进而影响视觉系统的识别准确性。为消除光照强度的影响，本文采用图像单个像素的颜色恒常性算法，对中值滤波后的番茄图像进行光照无关处理，获得番茄光照无关图。

2 图像分割、边缘检测和目标提取

本文采用最大类间方差(OSTU)法对图像进行成熟番茄和背景的分割，基于灰度直方图的自动阈值分割方法，通过选取图像的任意灰度级t为初始分割阈值计算目标与背景之间的方差，遍历所有灰度级计算方差值，使方差最大的灰度级就是最佳分割阈值。

3 番茄图像特征提取

在番茄图片中，成熟番茄果实、枝叶都有特定的形状，并且差异大，因此番茄的形状特征明显，根据识别理论进行分类识别。物体的几何形状具有RST（旋转、比例、平移）不变性的特点，即物体的几何特征不会因在图像中的位置、大小和图像的旋转角度的改变而变化。因此，根据上述特性，本文结合番茄图像的特点，采用圆方差、离散度和伸长度作为形状特征。

4 番茄图象识别方法与试验

4.1 支持向量机原理

支持向量机（SVM）通过结构风险最小化准则（SRM）和核函数的方法，将待解决的模式识别转化为二次规划寻优问题。对于线性可分的训练样本集（xi,yi），可被分类面没有错误地分开。类别间的间隔距离越大，推广能力越强，使分类间隔距离最大的分类面为最优分类面。对于线性不可分问题，需要引入松弛项和错误惩罚参数C。应用二次规划方法可以求出最优分类函数为：

其中，a*为拉格朗日乘子，b为分类阈值，K（*）为核函数。

4.2 番茄识别实验和结果分析

在白天不同时间、光照条件下，顺光逆光不同角度拍摄番茄图片，实验拍摄训练照片240张，提取了853个训练样本，测试图片110张，提取了477个测试样本。首先提取目标，然后计算颜色特征、形状特征和纹理特征。识别的准确率是模型识别效果好坏的重要指标，本文定义识别准确率为：，其中i为正确识别的番茄数量，N为区域内番茄的数目。

4.3 参数优化

惩罚参数C和模型参数r是RBF核函数的两个重要参数，对于给定的问题，需要对C和r进行参数优化，本文采用交叉验证（CV）和网格搜索的方法获取最优模型参数，以实现分类器对番茄较高的识别准确率。在交叉验证中，现将训练集分为n个子集，然后将n-1个子集用来训练，剩下的一个用于测试。所有训练集中的每个子集都进行一次测试，数据的正确分类百分比就是交叉验证精度，交叉验证可以避免过度拟合问题。在网格搜索中，参数C和r取不同值进行实验，当识别准确率达到最高时，获取最优参数值。

本文采用RBF核函数，对样本数据进行交叉验证和网格搜索如图1所示，交叉验证分类的子集数目n取不同值时，获得的C和r也有差异，最终影响测试的准确率。由图1知，番茄图象样本训练得到模型的最优参数中，当子集数量分别是2个和10个时，最优参数C=1，r=16，最高识别准确率是96.7575%；当子集数量分别为5个和7个时，最优参数C=4，r=16，而最高识别率是96.8872%。实验证明，支持向量机可通过交叉验证和网格搜索的方法进行参数寻优，并且使用优化参数的支持向量机对番茄的识别正确率很高。

图1 不同N值交叉验证-网格搜索曲线

5 结论

本文采用的基于光照无关图与支持向量机识别方法，实现了支持向量机的分类识别。采用交叉验证与网格搜索的方法对使用径向基核函数的支持向量机进行参数优化，较好的解决了径向基核函数参数选择的难题，对于未被识别的番茄，主要原因是番茄与枝叶等其他物体之间的相互遮挡，对这种情况的番茄识别需要更多研究。