基于生物特征紋理信息的西瓜追溯標(biāo)識算法設(shè)計(jì)與實(shí)現(xiàn)

邢向陽，劉 峰，高俊祥

?

基于生物特征紋理信息的西瓜追溯標(biāo)識算法設(shè)計(jì)與實(shí)現(xiàn)

邢向陽，劉 峰，高俊祥※

（華中農(nóng)業(yè)大學(xué)信息學(xué)院，武漢 430070）

為了將生物特征識別技術(shù)應(yīng)用于追溯系統(tǒng)中的果品標(biāo)識，該文提出了一種采用西瓜蒂外圍紋理信息標(biāo)識果品個(gè)體的方法。該方法首先采集西瓜圖像并在瓜蒂外圍構(gòu)造一個(gè)環(huán)形區(qū)域；將環(huán)形區(qū)域歸一化后利用Gabor濾波器對圖像紋理進(jìn)行特征提取及編碼；然后通過計(jì)算碼間的Hamming距進(jìn)行紋理編碼的匹配。在試驗(yàn)中，為100個(gè)西瓜在采后貯藏初始、第7 天和第14 天各采集一幅圖像并計(jì)算出3組每組100個(gè)紋理編碼，將第7 天、第14 天的每一個(gè)編碼與初始階段的每一個(gè)編碼兩兩比對，累計(jì)完成20 000次比對證實(shí)西瓜紋理具有唯一性，不同個(gè)體的紋理特征各不相同。使用成對數(shù)據(jù)的假設(shè)檢驗(yàn)證實(shí)在采收后14 d內(nèi)紋理特征不隨時(shí)間的推移產(chǎn)生顯著變化（>0.05）。通過理論和試驗(yàn)證實(shí)算法對平移、尺度和旋轉(zhuǎn)具有適應(yīng)性，即西瓜在圖像中的平移、尺度和旋轉(zhuǎn)對Hamming距的計(jì)算不會產(chǎn)生顯著影響（>0.05）。使用最大類間方差法在50個(gè)西瓜的紋理編碼內(nèi)訓(xùn)練出判別閾值，并用該閾值判別另外50個(gè)西瓜3個(gè)時(shí)間點(diǎn)間相互比對生成的100個(gè)來自同一個(gè)西瓜的Hamming距和4 900個(gè)來自不同西瓜的Hamming距，結(jié)果表明上述Hamming距均能正確判別，準(zhǔn)確率與召回率為100%。該研究為農(nóng)產(chǎn)品追溯系統(tǒng)的標(biāo)識技術(shù)提供新的思路。

生物特征；紋理；算法；追溯系統(tǒng)；食品安全；特征提取

0 引 言

近年來，質(zhì)量安全追溯系統(tǒng)作為控制農(nóng)產(chǎn)品品質(zhì)的有效方法日益受到重視，多數(shù)發(fā)達(dá)國家先后制定了食品安全追溯規(guī)則[1]。隨著農(nóng)業(yè)技術(shù)的發(fā)展，中國城鄉(xiāng)居民對農(nóng)產(chǎn)品質(zhì)量安全的要求越來越高；不斷曝光的“香瓜中毒”、“染色臍橙”、“爆炸西瓜”等問題[2-3]使得人們對生鮮果蔬產(chǎn)品的質(zhì)量安全尤為關(guān)注。構(gòu)建農(nóng)產(chǎn)品質(zhì)量安全追溯系統(tǒng)，實(shí)現(xiàn)對售出產(chǎn)品的信息查詢、對問題產(chǎn)品的追溯是解決上述問題的重要技術(shù)手段[4-5]。中國農(nóng)業(yè)科研機(jī)構(gòu)進(jìn)行了農(nóng)產(chǎn)品質(zhì)量追溯體系的研究[6]，但是仍有很多問題沒有完善的解決方案，產(chǎn)品的標(biāo)識技術(shù)則是其中一例。產(chǎn)品的標(biāo)識包括標(biāo)識碼與標(biāo)識介質(zhì)兩個(gè)要素，當(dāng)前標(biāo)識技術(shù)中標(biāo)識碼多采用生產(chǎn)過程中的批次流水號等唯一的編碼；而標(biāo)識介質(zhì)包括紙質(zhì)條形碼、二維碼和射頻識別卡RFID（radio frequency identification）3種[7]。條形碼基于可見光反射技術(shù)，二維碼采用數(shù)字圖像技術(shù)[8]，二者均具有成本低，操作簡單的優(yōu)勢，但在果蔬產(chǎn)品中應(yīng)用既容易受潮污損又容易復(fù)制偽造。RFID通過無線電信號識別特定目標(biāo)并讀寫相關(guān)數(shù)據(jù)[9]，保密性好且不易污損，但由于RFID成本較高而果蔬類農(nóng)產(chǎn)品附加值一般較低使得其應(yīng)用大受限制。

當(dāng)前迅速發(fā)展的生物識別技術(shù)（biometric identification technology）是指依據(jù)生物體固有的生物特征或行為特征，使用計(jì)算機(jī)或嵌入式系統(tǒng)進(jìn)行自動識別[10]。目前的研究大多以人體的生物特征為對象，包括人臉識別[11]、虹膜識別[12]、指紋識別[13]、掌紋識別[14]、聲音識別[15-16]、視網(wǎng)膜識別等[17]。近年也有科研人員以大型家畜為對象進(jìn)行生物特征標(biāo)識的研究，如鼻紋[18]、虹膜[19]、面部識別等[20]。如何利用果品自身的生物特征標(biāo)識果品個(gè)體是追溯系統(tǒng)的基礎(chǔ)性工作，此類研究尚未見報(bào)道。

本文利用紋理信息將生物特征識別技術(shù)應(yīng)用到果品標(biāo)識中，以紋理特征明顯的西瓜為例探討基于生物特征的果品標(biāo)識技術(shù)，借鑒虹膜識別[21-22]提出基于西瓜紋理信息的標(biāo)識算法并進(jìn)行試驗(yàn)驗(yàn)證，以期為研究西瓜紋理用于標(biāo)識的可行性及其實(shí)現(xiàn)方法提供參考。

1 材料與方法

1.1 試驗(yàn)材料與圖像采集

試驗(yàn)材料采用8424西瓜100個(gè)，西瓜采收后常溫下一般14 d內(nèi)可以保持品質(zhì)，因而試驗(yàn)在采后貯藏初始、第7天、第14天為每個(gè)西瓜采集一幅圖像。利用三腳架固定Canon EOS7D數(shù)碼相機(jī)，設(shè)置分辨率1 920×1 280像素、自動白平衡、無曝光模式采集西瓜蒂及其周圍區(qū)域圖像，所有照片均在試驗(yàn)室條件下拍攝。圖1展示了拍攝照片使用的三腳架、相機(jī)、以及它們與西瓜的相對位置，瓜蒂朝向相機(jī)，西瓜與相機(jī)的距離約為0.3 m。獲得的數(shù)字圖像以JPEG格式存儲并導(dǎo)入計(jì)算機(jī)，在Matlab R2015a平臺上編制程序進(jìn)行圖像處理和標(biāo)識算法的實(shí)現(xiàn)；試驗(yàn)結(jié)果的統(tǒng)計(jì)分析和圖片展示使用Excel和R語言完成。

試驗(yàn)圖像和相關(guān)數(shù)據(jù)公布在服務(wù)器ftp://218.199.68.162/watermelon，包括下述內(nèi)容：3組原始圖像共3×100幅，分別存儲于目錄ImagesA、ImagesB和ImagesC下；每幅圖像的紋理編碼，分別存儲于目錄TexturesA、TexturesB和TexturesC下；Hamming距的原始數(shù)據(jù)存儲于目錄HammingDist_AB_AC下的文件HD_AB.xls和文件HD_AC.xls中；在目錄TransRotatScale下存儲了2.4節(jié)試驗(yàn)中發(fā)生了平移、尺度、旋轉(zhuǎn)變換的5×16幅圖像（5次重復(fù)驗(yàn)證每次16幅圖像），與之對應(yīng)的未發(fā)生平移尺度旋轉(zhuǎn)的5×16幅圖像，每幅圖像的紋理編碼，變換和無變換圖像的Hamming距。上述數(shù)據(jù)讀者可自行下載，內(nèi)有readme.txt文件，其中包含目錄結(jié)構(gòu)和文件內(nèi)容的詳細(xì)說明。

圖1 圖像采集裝置

1.2 算法總體描述

為了使同一個(gè)西瓜不同時(shí)間的圖像能夠采用相同的參考點(diǎn)計(jì)算紋理，本文以西瓜蒂外圍環(huán)形區(qū)域的紋理作為生物特征進(jìn)行標(biāo)識，方法總體流程如圖2所示。主要包括3個(gè)關(guān)鍵環(huán)節(jié)：1）獲取圖像并灰度化后，以瓜蒂中心為圓心做大小2個(gè)同心圓，2個(gè)同心圓之間形成一個(gè)圓環(huán)；對圓環(huán)圖像進(jìn)行預(yù)處理；2）使用Gabor濾波器計(jì)算出該圓環(huán)的紋理編碼作為西瓜的標(biāo)識存儲于數(shù)據(jù)庫中備查，該標(biāo)識碼在數(shù)據(jù)庫中是唯一的；3）查詢時(shí)按照上述2個(gè)步驟計(jì)算出被查詢西瓜瓜蒂圓環(huán)的紋理，之后與數(shù)據(jù)庫中各條記錄進(jìn)行比對，比對過程為計(jì)算二者的Hamming距離。當(dāng)Hamming距離小于某閾值時(shí)表明比對命中，否則未命中。

1.3 圖像紋理特征的計(jì)算

1.3.1 瓜蒂外圍圓環(huán)的構(gòu)造

瓜蒂處呈明顯的圓形輪廓，設(shè)其圓心為（1,1），半徑為1，以該輪廓為內(nèi)圓做半徑大于內(nèi)圓的同心圓，同心圓半徑為1，從而得到一個(gè)以（1,1）為中心的同心圓環(huán)，該圓環(huán)用于提取西瓜紋理特征。經(jīng)試驗(yàn)取=1.5可以獲得較好結(jié)果，其示意圖如圖3。

注：(x1, y1)為同心圓圓心；r1和r2同心圓內(nèi)圓和外圓半徑，單位為像素；HD為兩個(gè)編碼的Hamming距；T為Hamming距判別閾值，下同。

圖3 環(huán)形區(qū)域圖像

1.3.2 環(huán)形圖像歸一化

不同瓜蒂的圓環(huán)圖像大小不同，即使同一個(gè)瓜2次拍攝的圖像大小和位置也不會完全一致。為了將每幅圖像調(diào)整到相同的尺寸和對應(yīng)位置需要將圓環(huán)圖像歸一化[23]，從而消除平移和尺度變換對紋理計(jì)算的影響。

如1.3.1節(jié)所述圓環(huán)內(nèi)圓圓心為（1,1），半徑為1，外圓圓心為（2,2），半徑為2，現(xiàn)采用極坐標(biāo)變換進(jìn)行歸一化，以圓心為極點(diǎn)，以軸正方向?yàn)闃O軸建立極坐標(biāo)系。因環(huán)形區(qū)域?yàn)橥膱A，故2=1,2=1,2=1.51。設(shè)點(diǎn)（,）為環(huán)形區(qū)域中任意一點(diǎn)，該點(diǎn)的極徑為，極角為，則其坐標(biāo)值可以表示為

無變換Without transformation尺度變換Scale transformation平移變換Translation transformation

a. 原始圖像

a. Original images

無變換Without transformation尺度變換Scale transformation平移變換Translation transformation

b. 歸一化圖像（橫坐標(biāo)代表極角，縱坐標(biāo)代表比值）

b. Normalized images (Horizontal ordinate represents polar angle; vertical ordinate represents ratio)

無變換Without transformation尺度變換Scale transformation平移變換Translation transformation

c. Gabor紋理圖像

c. Images of Gabor texture

圖4 無變換、有尺度和平移變換圖像的歸一化和Gabor紋理

Fig.4 Normalized images and Gabor texture images of without-transformation, scale transformation and translation transformation

1.3.3 紋理特征提取及編碼

本文采用一維Gabor濾波器[25]來對歸一化后的矩形圖像紋理信息進(jìn)行特征提取及編碼。Gabor 濾波器能較好的提取圖像不同頻率，方向及尺度等信息，具有良好的方向選擇性和頻率選擇性，適合圖像細(xì)節(jié)紋理信息的提取[26]。設(shè)歸一化后的矩形圖像行數(shù)和列數(shù)分別為和。之后將各列按式（3）進(jìn)行平均化處理，得到一維圖像信號()。

式中=0,1,2,…,(-1),()為歸一化圖像中對應(yīng)的像素灰度值。將得到的所有一維紋理特征信號通過一維Gabor濾波器進(jìn)行濾波處理，濾波后的值按照式（4）進(jìn)行量化編碼。

式中()表示一維圖像信號()的紋理特征編碼，sgn()為符號函數(shù)；為中間變量，在式（4）的求和過程中該變量會被消除。()為一維Gabor濾波器，其數(shù)學(xué)表達(dá)式

式中表示濾波器的中心頻率，代表濾波器的帶寬，二者單位均為Hz。使用Gabor濾波器對圖4b所示的歸一化圖像進(jìn)行紋理分析后得到的圖像如圖4c所示。

圖像進(jìn)行Gabor濾波后，得到局部相位信息的值為復(fù)數(shù)。用一個(gè)閾值來量化相位信息的實(shí)部與虛部，用下述方法[27]將濾波后的數(shù)據(jù)二值化：如果實(shí)部大于0，則相應(yīng)的特征編碼為1，否則置0；如果虛部大于0，則相應(yīng)的特征碼編為1，否則置0。每個(gè)像素對應(yīng)實(shí)部虛部兩個(gè)值，本文歸一化圖像是100×240像素，由此可獲得圓環(huán)的紋理編碼100×480個(gè)值，每個(gè)值均為0或1。

1.4 紋理特征標(biāo)識碼的匹配

基于上述步驟取得的西瓜紋理特征標(biāo)識碼進(jìn)行識別，是一個(gè)典型的模式匹配問題。本文通過特征標(biāo)識碼間的Hamming距離來判斷所標(biāo)識個(gè)體的異同。Hamming距離計(jì)算式為

式中為特征編碼位數(shù)，XOR表示異或運(yùn)算，P、Q分別表示紋理編碼、的第位。由式（6）可以看出，Hamming距離HD在[0, 1]區(qū)間變化，2個(gè)紋理編碼、越相似HD越接近0，差別越大HD越接近1。

值得注意的是，為了消除樣本圖像旋轉(zhuǎn)對編碼匹配結(jié)果的影響，這里把圖像的旋轉(zhuǎn)轉(zhuǎn)化成為編碼的偏移[28]。相匹配的2個(gè)編碼相對移動一定的位數(shù)就相當(dāng)于原圖像對應(yīng)點(diǎn)旋轉(zhuǎn)一定的角度，因此可在紋理編碼中，通過編碼的左右移動循環(huán)匹配來克服圖像旋轉(zhuǎn)帶來的問題。在移位匹配中，依次對紋理編碼向左或向右循環(huán)移動1～480列，篩選出最小Hamming 距，以此消除樣本圖像旋轉(zhuǎn)造成的匹配誤差，實(shí)現(xiàn)算法對圖像旋轉(zhuǎn)的適應(yīng)性。

1.5 數(shù)據(jù)處理方法

1）紋理編碼和Hamming 距的計(jì)算方法：根據(jù)1.3節(jié)的方法，計(jì)算初始、第7天、第14天每幅西瓜圖像的紋理編碼，3組編碼依次命名為1，2…100；1，2…100；1，2…100。根據(jù)1.4節(jié)的方法，將組紋理編碼與組進(jìn)行比對時(shí)，把組中每一個(gè)紋理編碼B與組中每一個(gè)紋理編碼A比對計(jì)算出Hamming距HD，比對次數(shù)共有10 000次。當(dāng)時(shí)代表2個(gè)編碼來自于同一個(gè)西瓜不同時(shí)間的照片，共有100個(gè)這樣的元素，分別記為HD_AB_SAM，=1, 2, 3, …, 100，由這些元素構(gòu)成的集合記為HD_AB_SAM；另外9 900個(gè)元素是不同西瓜紋理比對的Hamming距，分別記為HD_AB_DIF，其中=1, 2, 3, …, 100，=1, 2, 3, …, 100，且≠。由這些元素構(gòu)成的集合記為HD_AB_DIF。按照上述步驟將組紋理編碼與組進(jìn)行比對，同理可定義集合HD_AC_SAM和HD_AC_DIF。

2）閾值的確定方法：在追溯系統(tǒng)中每個(gè)產(chǎn)品對應(yīng)一條記錄，查詢時(shí)以產(chǎn)品的標(biāo)識碼為唯一性索引（unique index）。在對某個(gè)西瓜進(jìn)行查詢時(shí)，需要計(jì)算它的紋理編碼與數(shù)據(jù)庫中各記錄紋理編碼的Hamming距，當(dāng)Hamming距小于某閾值時(shí)表明比對命中；否則未命中[29]。為了設(shè)定閾值，本文將100只西瓜分成2組，第1號至50號用于計(jì)算閾值，得到閾值后對第51至100號西瓜進(jìn)行判別。閾值的計(jì)算采用最大類間方差（otsu）算法[30]，過程如下：首先取2組數(shù)據(jù)HD_AB_SAM和HD_AC_SAM，=1, 2, 3…50；取另外2組數(shù)據(jù)HD_AB_ DIF和HD_AC_DIF，=1, 2, 3…50，=1, 2, 3…50且≠。然后在這些元素的取值范圍內(nèi)從小到大取閾值，計(jì)算小于的元素均值0及其元素個(gè)數(shù)占元素總數(shù)的比例0，大于的元素均值1及其元素個(gè)數(shù)占元素總數(shù)的比例1，則2部分的總均值為=00+11。建立目標(biāo)函數(shù)式（7）

式中()就是當(dāng)分割閾值為時(shí)的類間方差表達(dá)式，otsu算法掃描的值域，將()取得全局最大值時(shí)所對應(yīng)的作為最終的分割閾值。當(dāng)被分割的2類有重合時(shí)為一個(gè)確定的值；當(dāng)2類之間沒有重合時(shí)在某一區(qū)間之內(nèi)取任意值都能實(shí)現(xiàn)類間方差最大，此時(shí)取該區(qū)間的平均值。

3）紋理編碼的穩(wěn)定性分析方法：能夠用于個(gè)體識別的生物特征必須是穩(wěn)定的，不隨時(shí)間的推移而產(chǎn)生顯著變化，本文使用集合HD_AB_SAM和HD_AC_SAM中的數(shù)據(jù)分析紋理的時(shí)間穩(wěn)定性。為這2個(gè)集合中的元素進(jìn)行成對數(shù)據(jù)的檢驗(yàn)：以元素對間的差值構(gòu)造檢驗(yàn)統(tǒng)計(jì)量，以差值的均值為0作為原假設(shè)，將問題轉(zhuǎn)化為原假設(shè)能否被接受；之后用檢驗(yàn)方法檢驗(yàn)差值，如果接受原假設(shè)，則紋理信息在上述時(shí)間范圍內(nèi)是穩(wěn)定的。

4）算法對平移、尺度、旋轉(zhuǎn)適應(yīng)性的試驗(yàn)：圖像采集裝置在不同時(shí)間、不同條件下獲取的圖像難以保持完全相同，在圖像變換上一般表現(xiàn)為拍攝對象的平移、尺度和旋轉(zhuǎn)。本文算法在1.3.2節(jié)用圓環(huán)圖像歸一化處理平移和尺度問題，在1.4節(jié)用紋理特征標(biāo)識碼的循環(huán)匹配處理旋轉(zhuǎn)問題。為了說明上述處理的效果，進(jìn)行如下試驗(yàn)：向上、下、左、右平移西瓜改變其在圖像中的位置，共4種平移方式；縮小和擴(kuò)大西瓜與鏡頭的距離實(shí)現(xiàn)圖像的縮放，共2種尺度變換方式；旋轉(zhuǎn)西瓜+120°、?120°以實(shí)現(xiàn)圖像的旋轉(zhuǎn)，共2種旋轉(zhuǎn)方式。試驗(yàn)中平移、尺度、旋轉(zhuǎn)的組合變化共有4×2×2=16種，示例圖像如表1所示。為了采用假設(shè)檢驗(yàn)判定上述變化是否引起了Hamming距的顯著變化，試驗(yàn)同時(shí)采集了無平移、尺度和旋轉(zhuǎn)的圖像16幅作為對照，采用檢驗(yàn)分析上述Hamming距并記錄結(jié)果。隨機(jī)選擇5個(gè)不同的西瓜重復(fù)上述試驗(yàn)以增強(qiáng)結(jié)果的可靠性，每個(gè)西瓜都采集了16幅平移、尺度、旋轉(zhuǎn)的圖像和16幅無平移、尺度和旋轉(zhuǎn)的對照圖像。

表1 平移尺度旋轉(zhuǎn)示例圖像

Table 1 Example images of translation, scale and rotation

2 結(jié)果與分析

2.1 Hamming距的統(tǒng)計(jì)信息

計(jì)算HD_AB_SAM中各元素的平均值為0.168，標(biāo)準(zhǔn)差為0.015；HD_AB_DIF中各元素的平均值為0.392，標(biāo)準(zhǔn)差為0.023。HD_AC_SAM中各元素的平均值為0.167，標(biāo)準(zhǔn)差為0.017；HD_AC_DIF中各元素的平均值為0.391，標(biāo)準(zhǔn)差為0.023。這表明當(dāng)Hamming距達(dá)到0.168左右時(shí)，2幅圖像的紋理已非常接近；而Hamming距達(dá)到0.391左右時(shí)，2幅圖像的紋理基本沒有關(guān)系。

圖5a展示了HD_AB_SAM和HD_AB_DIF的Hamming距概率分布，圖中橫坐標(biāo)代表Hamming距的值，縱坐標(biāo)代表Hamming距的歸一化頻率。HD_AB_SAM的歸一化頻率是指：該集合中元素的最大值減去最小值，并將差值50等分作為一個(gè)組距（bin），統(tǒng)計(jì)每個(gè)組距的元素?cái)?shù)并分別除以集合中元素總數(shù)即得到歸一化頻率；其他集合的歸一化頻率與此類似。為便于比較，圖中也以HD_AB_SAM和HD_AB_DIF中各元素的均值和標(biāo)準(zhǔn)差為對應(yīng)參數(shù)畫出了Gaussian分布曲線。圖5b展示了HD_AC_SAM和HD_AC_DIF中各元素的概率分布。從圖5中可以看出：不同西瓜的Hamming距HD_AB_DIF和HD_AC_DIF大體符合正態(tài)分布，而相同西瓜的Hamming距HD_AB_SAM和HD_AC_SAM由于樣本較少因而波動較大，但也基本接近Gaussian分布。

a.組與組紋理編碼的Hamming距分布

a. Hamming distance distribution of group&texture codes

b.組與組紋理編碼的Hamming距分布

b. Hamming distance distribution of group&texture codes

注：HD_AB_SAM為、兩組編碼中相同西瓜紋理編碼的Hamming距；HD_AB_DIF為、兩組編碼中不同西瓜紋理編碼的Hamming距。 HD_AC_SAM為、兩組編碼中相同西瓜紋理編碼的Hamming距；HD_AC_DIF為、兩組編碼中不同西瓜紋理編碼的Hamming距。

Note: HD_AB_SAM is the set of Hamming distances from the texture codes of same watermelon between groupand; HD_AB_DIF is the set of Hamming distances from the texture codes of different watermelon between groupand. HD_AC_SAM is the set of Hamming distances from the texture codes of same watermelon between groupand; HD_AC_DIF is the set of Hamming distances from the texture codes of different watermelon between groupand.

圖5 紋理編碼的Hamming距分布

Fig.5 Hamming distance distribution of texture codes

2.2 紋理信息的唯一性

如1.5節(jié)所述，組與組比對完成需要進(jìn)行10 000次匹配并產(chǎn)生相同數(shù)量的Hamming距，圖6用熱圖展示了這10 000個(gè)數(shù)據(jù)，此外在網(wǎng)絡(luò)服務(wù)器提供了原始數(shù)據(jù)。如圖6a所示，橫縱坐標(biāo)分別代表組、組紋理編碼對應(yīng)的西瓜編號1, 2, 3, …, 100，圖中每一個(gè)方塊代表相應(yīng)的Hamming距，該Hamming距的值用顏色深淺表示。圖中處于對角線位置的方塊代表同一西瓜比對的Hamming距，其他位置代表不同西瓜比對的Hamming距。從圖6a中可以看出對角線上的數(shù)據(jù)遠(yuǎn)小于非對角線的數(shù)據(jù)，任意一個(gè)西瓜除了與自身紋理編碼相近外，與其他所有編碼均有明顯區(qū)別，這說明最相近的編碼在數(shù)據(jù)集內(nèi)是唯一的。從而用紋理進(jìn)行西瓜的標(biāo)識是可行的。圖6b展示的是組與組的比對結(jié)果，可以得到相似結(jié)論。

2.3 紋理信息的穩(wěn)定性

對HD_AB_SAM和HD_AC_SAM這2個(gè)集合中的元素進(jìn)行成對數(shù)據(jù)的檢驗(yàn)，值為0.826 4>0.05，即在置信水平=0.05下，100個(gè)西瓜紋理編碼第7天與初始、第14 天與初始的Hamming距無顯著變化，從而說明在該時(shí)間段內(nèi)紋理是穩(wěn)定的。

圖6 紋理編碼的Hamming距離

2.4 算法對西瓜平移、尺度和旋轉(zhuǎn)的適應(yīng)性

表2展示了圖像變換前后Hamming距變化顯著性的檢驗(yàn)分析結(jié)果，從表中可以看出：在5次重復(fù)試驗(yàn)中>0.05，因此西瓜平移、尺度和旋轉(zhuǎn)對Hamming距不會產(chǎn)生顯著影響。

表2 平移、尺度、旋轉(zhuǎn)對Hamming距影響的顯著性檢驗(yàn)

2.5 閾值判別結(jié)果與比對速率

按照1.5節(jié)otsu方法計(jì)算出Hamming距判別閾值=0.259，小于該閾值的2個(gè)紋理編碼來判斷為來自于同一個(gè)西瓜，大于該閾值的編碼來自于不同西瓜。使用該閾值對第51至100號西瓜紋理進(jìn)行判別，即集合HD_AB和HD_AC中的元素，其中=51, 52, 53…100，=51, 52, 53, …, 100，因而包括100個(gè)來自同一個(gè)西瓜的Hamming距和4 900個(gè)來自不同西瓜的Hamming距，網(wǎng)絡(luò)服務(wù)器提供了Hamming距的原始數(shù)據(jù)。試驗(yàn)結(jié)果表明，使用該閾值能夠正確判別上述全部Hamming距，準(zhǔn)確率與召回率均為100%，二者計(jì)算公式為：

式中是來自同一西瓜的編碼正確判斷為來自同一西瓜的個(gè)數(shù)；是來自不同西瓜的編碼錯(cuò)誤判斷為來自同一西瓜的個(gè)數(shù)；是來自同一西瓜的編碼錯(cuò)誤判斷為來自不同西瓜的個(gè)數(shù)。

西瓜的比對速率與很多因素有關(guān)，包括軟硬件平臺、已存儲編碼的數(shù)量、編碼提取順序、程序設(shè)計(jì)的策略等。本文用下述試驗(yàn)估算紋理的比對速率，通過設(shè)定循環(huán)次數(shù)并記錄完成時(shí)間進(jìn)行模擬測試。試驗(yàn)條件如下：普通臺式計(jì)算機(jī)DELL 9020MT，處理器為Intel Core I7-4790，主頻3.60 GHz；用C++編制程序進(jìn)行匹配，共存儲了1030個(gè)紋理編碼。如果需要比對至最后一個(gè)編碼，完成一個(gè)西瓜的匹配需要1.00 s。

3 結(jié) 論

1）設(shè)計(jì)了西瓜紋理提取方法，并根據(jù)該方法計(jì)算100個(gè)西瓜在采后貯藏初始、第7天、第14天的紋理編碼，將第7天、第14天的每一個(gè)編碼與初始的每一個(gè)編碼兩兩比對，證實(shí)西瓜的紋理是唯一的，不同西瓜的紋理各不相同。

2）使用成對數(shù)據(jù)的假設(shè)檢驗(yàn)證實(shí)在采收后14 d內(nèi)紋理是穩(wěn)定的，紋理特征不隨時(shí)間的推移產(chǎn)生顯著變化（>0.05）。

3）設(shè)計(jì)了采用紋理信息標(biāo)識西瓜個(gè)體的方法并進(jìn)行試驗(yàn)，對50個(gè)西瓜3個(gè)時(shí)間點(diǎn)間相互比對生成的5 000個(gè)Hamming距進(jìn)行了判別，準(zhǔn)確率與召回率均為100%，證實(shí)了算法的有效性。

4）隨機(jī)抽取5個(gè)西瓜為每個(gè)西瓜采集平移、尺度、旋轉(zhuǎn)圖像16幅，以及無平移、尺度和旋轉(zhuǎn)的圖像16幅作為對照。采用假設(shè)檢驗(yàn)證明上述變換未引起Hamming距的顯著變化（>0.05），即算法對圖像的平移、尺度和旋轉(zhuǎn)有適應(yīng)性。

本文方法直接對西瓜自身的紋理特征進(jìn)行編碼作為標(biāo)識碼；無需條形碼、二維碼、RFID等標(biāo)識介質(zhì)，從而可以克服條形碼、二維碼在生鮮產(chǎn)品中使用易污損的缺點(diǎn)以及RFID成本高的不足；另一方面，紋理特征難以仿造顯然具有良好的防偽性能。紋理編碼具有唯一性、穩(wěn)定性、抗污損、低成本、防偽性的特點(diǎn)，這些特點(diǎn)符合農(nóng)產(chǎn)品追溯系統(tǒng)對產(chǎn)品編碼技術(shù)的需求。本文是紋理信息應(yīng)用于果品標(biāo)識的探索性研究，試驗(yàn)中使用普通可見光相機(jī)獲取圖像，而虹膜識別一般使用近紅外成像技術(shù)，以克服可見光影響獲取更高質(zhì)量的紋理圖像，在后續(xù)工作中將嘗試采用近紅外技術(shù)以提高成像質(zhì)量。

[1] 孫娟娟，陳松. 歐盟農(nóng)產(chǎn)品質(zhì)量安全立法的實(shí)踐和啟示[J]. 中國食物與營養(yǎng)，2016，22(2)：9－13.

Sun Juanjuan, Chen Song. Practice and enlightenment of European Legislations on quality and safety of agricultural products[J]. Food & Nutrition in China, 2016, 22(2): 9－13. (in Chinese with English abstract)

[2] 孫興權(quán)，姚佳，韓慧，等. 中國食品安全問題現(xiàn)狀、成因及對策研究[J]. 食品安全質(zhì)量檢測學(xué)報(bào)，2015，6(1)：10－16.

Sun Xingquan, Yao Jia, Han Hui, et al. Present situation, causes and countermeasures for food security in China[J]. Journal of Food Safety & Quality, 2015, 6(1): 10－16. (in Chinese with English abstract)

[3] 熊培芳. 中國食品安全問題現(xiàn)狀成因及對策研究[J]. 農(nóng)業(yè)與技術(shù)，2016，36(7)：175－176.

[4] Verdouw C N, Wolfert J, Beulens A J M, et al. Virtualization of food supply chains with the internet of things[J]. Journal of Food Engineering, 2016, 176(1): 128－136.

[5] 錢建平，張保巖，邢斌，等. 集成實(shí)時(shí)快速檢測信息的蔬菜追溯系統(tǒng)改進(jìn)與應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(4)：306－311.

Qian Jianping, Zhang Baoyan, Xing Bin, et al. Improvement and application of vegetable traceability system with integrated real-time rapid detection of information[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(4): 306－311. (in Chinese with English abstract)

[6] 董玉德，丁保勇，張國偉，等. 基于農(nóng)產(chǎn)品供應(yīng)鏈的質(zhì)量安全可追溯系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(1)：280－285.

Dong Yude, Ding Baoyong, Zhang Guowei, et al. Quality and safety traceability system based on agricultural product supply chain[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(1): 280－285. (in Chinese with English abstract)

[7] 錢建平，杜曉偉，李文勇. 農(nóng)產(chǎn)品追溯標(biāo)識雙向轉(zhuǎn)換設(shè)備研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47(11)：239－244.

Qian Jianping, Du Xiaowei, Li Wenyong. Bidirectional transformation equipment for Agro-food traceable identification labels[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(11): 239－244. (in Chinese with English abstract)

[8] Kim Y G, Woo E. Consumer acceptance of a quick response (QR) code for the food traceability system: Application of an extended technology acceptance model[J]. Food Research International, 2016, 85(7): 266－272.

[9] 蘇健，文光俊，韓佳利. 一種基于ISO18000-6B標(biāo)準(zhǔn)的RFID防碰撞算法[J]. 電子學(xué)報(bào)，2014，42(12)：2515－2519.

Su Jian, Wen Guangjun, Han Jiali. An efficient RFID anti-collision algorithm for ISO 18000-6B protocol[J]. Acta Electronica Sinica, 2014, 42(12): 2515－2519. (in Chinese with English abstract)

[10] 孫冬梅，裘正定. 生物特征識別技術(shù)綜述[J]. 電子學(xué)報(bào)，2001，29(12A)：1744－1748. Sun Dongmei, Qiu Zhengding. A survey of the emerging biometric technology[J]. Acta Electronica Sinica, 2001, 29(12A): 1744－1748. (in Chinese with English abstract)

[11] Feng Jufu, Ma Xiao, Zhuang Wenjing. Collaborative representation Bayesian face recognition[J]. Science China Information Sciences, 2016, 60(4): 1－3.

[12] Mira J, Neto H V, Neves E B. Biometric-oriented iris identification based on mathematical morphology[J]. Journal of Signal Processing Systems, 2015, 80(2): 181－195.

[13] Liu F, Zhang D, Shen L. Study on novel curvature features for 3D fingerprint recognition[J]. Neurocomputing, 2015, 168(22): 599－608.

[14] Raghavendra R, Busch C. Novel image fusion scheme based on dependency measure for robust multispectral palmprint recognition[J]. Pattern Recognition, 2014, 47(6): 2205－2221.

[15] 宣傳忠，馬彥華，武佩，等. 基于聲信號特征加權(quán)的設(shè)施養(yǎng)殖羊行為分類識別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(19)：195－202.

Xuan Chuanzhong, Ma Yanhua, Wu Pei, et al. Behavior classification and recognition for facility breeding sheep based on acoustic signal weighted feature[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(19): 195－202. (in Chinese with English abstract)

[16] Roswandowitz C, Mathias S R, Hintz F, et al. Two cases of selective developmental voice-recognition impairments[J]. Current Biology, 2014, 24(19): 2348－2353.

[17] Sadikoglu F, Uzelaltinbulat S. Biometric retina identification based on neural network[C].// Procedia Computer Science, Proceedings of the 12th International Conference on Application of Fuzzy Systems and Soft Computing, Elsevier, 2016, 102: 26－33.

[18] Tharwat A, Gaber T, Hassanien A E, et al. Cattle identification using muzzle print images based on texture features approach[C]// Advances in Intelligent Systems and Computing, Proceedings of the International Conference on Innovations in Bio-Inspired Computing and Applications, Springer, 2014, 1970: 217－227.

[19] Lu Y, He X, Wen Y, et al. A new cow identification system based on iris analysis and recognition[J]. International Journal of Biometrics, 2014, 6(1): 18－32.

[20] Corkery G P, Gonzalesbarron U A, Butler F, et al. Preliminary investigation on face recognition as a biometric identifier of sheep[J]. Transactions of American Society of Agricultural and Biological Engineers, 2007, 50(1): 313－320.

[21] 黃惠芳，胡廣書. 虹膜識別算法的研究及實(shí)現(xiàn)[J]. 紅外與激光工程，2002，31(5)：404－409. Huang Huifang, Hu Guangshu. Study and implementation of iris recognition algorithms[J]. Infrared & Laser Engineering, 2002, 31(5): 404－409. (in Chinese with English abstract)

[22] Lumini A, Nanni L. Overview of the combination of biometric matchers[J]. Information Fusion, 2017, 33(1): 71－85.

[23] Wildes R P. Iris recognition: An emerging biometrie technology[J]. Proceedings of the IEEE, 1997, 85(9): 1348－1363.

[24] 姚立健，周高峰，倪忠進(jìn)，等. 基于尺度不變特征轉(zhuǎn)換算子的水果表面圖像拼接方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(9)：161－166.

Yao Lijian, Zhou Gaofeng, Ni Zhongjin, et al. Matching method for fruit surface image based on scale invariant feature transform algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(9): 161－166. (in Chinese with English abstract)

[25] Mei Y, Zhao B, Zhou Y, et al. Orthogonal curved-line Gabor filter for fast fingerprint enhancement[J]. Electronics Letters, 2014, 50(3): 175－177.

[26] 張建華，祁力鈞，冀榮華，等. 基于Gabor小波和顏色矩的棉花盲椿象分類方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28(1)：133－138.

Zhang Jianhua, Qi Lijun, Ji Ronghua, et al. Classification of cotton blind stinkbug based on Gabor wavelet and color moments[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(1): 133－138. (in Chinese with English abstract)

[27] 李歡利，郭立紅，王心醉，等. 基于加權(quán)Gabor濾波器的虹膜識別[J]. 吉林大學(xué)學(xué)報(bào)，2014，44(1)：196－202. Li Huanli, Guo Lihong, Wang Xinzui, et al. Iris recognition based on weighted Gabor filter[J]. Journal of Jilin University, 2014, 44(1): 196－202. (in Chinese with English abstract)

[28] Jin Z, Lim M H, Teoh A B J, et al. A non-invertible randomized graph-based hamming embedding for generating cancelable fingerprint template[J]. Pattern Recognition Letters, 2014, 42(6): 137－147.

[29] Rai H, Yadav A. Iris recognition using combined support vector machine and Hamming distance approach[J]. Expert Systems with Applications, 2014, 41(2): 588－593.

[30] 趙德安，沈甜，陳玉，等. 蘋果采摘機(jī)器人快速跟蹤識別重疊果實(shí)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(2)：22－28.

Zhao Dean, Shen Tian, Chen Yu, et al. Fast tracking and recognition of overlapping fruit for apple harvesting robot[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(2): 22－28. (in Chinese with English abstract)

Design and implementation of watermelon traceable identification algorithm based on biometric texture information

Xing Xiangyang, Liu Feng, Gao Junxiang※

(430070)

A traceability system is able to provide an opportunity of obtaining quality and safety information of agricultural products from farm to table. Over the past years, many researchers have engaged in it and continuously made significant progresses, however, the identification of fruit has not been resolved perfectly. Traditional identification technologies include barcode, QR (quick response) code and RFID (radio frequency identification) card. Unfortunately, the barcode and QR code paper tags are easily stained in fruit storage and transportation with high humidity, while RFID is rather expensive for low value products like fruits. Biometric identification is distinctive, and measurable characteristics are used to label and describe individuals. The physical characteristics and traits used in biometric identification include but are not limited to fingerprint, iris, voice and face. Since biometric identifiers are unique to individuals, they are more reliable in identification than traditional methods. As a newer and safer technology, biometrics is being extensively studied and widely used in human identification currently. In recent years, it is also used on livestock such as cattle and sheep, yet it has not been reported so far on biometric identification of fresh fruit. This study tried to introduce biometric technology into fruit identification of traceability system to fill in this gap. Based on the algorithm of iris recognition, a watermelon identification method was proposed to exploit texture information of the area around the fruit pedicel. The method could be briefed as the following procedures. The color image of watermelon was firstly transformed into gray image to reduce computational complexity and improve calculation efficiency. Then 2 concentriccircles were constructed to center the watermelon pedicel, which would be the annulus area for extracting texture information. To ensure the invariance of translation and scaling, every original annulus area image was normalized to the same size using polar coordinates transformation. The texture information of normalized rectangle image was filtered using one-dimensional Gabor filters to extract the orientation and phase information due to its excellent direction selectivity and frequency selectivity. The identification of watermelon texture code based on the above steps is a typical pattern matching problem. This study identifies watermelon using the Hamming distance between texture codes. When the Hamming distance is less than the preset threshold, it would be judged to be from the same individual, vice versa. To eliminate the effect of image rotation, this study converts the rotation of the texture image into code offset, and moves forward or backward the code to overcome the problem of image rotation. The experiments were carried out to verify the feasibility and effectiveness of identification method using the texture of annulus area around the watermelon pedicel. As a watermelon can usually be stored for 2 weeks without spoiling at room temperature, we acquired an image for each of 100 watermelons on the harvest day, the 7thday and the 14thday after harvest and figured out 3 groups of texture codes for subsequent phases. The Hamming distances were computed between each texture on the 7thday and on the harvest day, as well as the 14thday and the harvest day. We can get the following results from the experiments. Firstly, every watermelon has its unique texture code. In other words, the texture code of any watermelon is similar with the one from the same individual, while significantly different from the one from any other watermelon. Secondly, we compared 2 groups of Hamming distances from different time using paired-samples T-test and figured out-value that was 0.826 4. It showed that there was no significant difference between the 2 groups of Hamming distances above, which implied the texture feature of watermelon was relatively stable within 2 weeks after harvest. Thirdly, we divided the 100 watermelon into 2 equal groups and calculated the threshold using one group, and then discriminated the other group with the threshold. All the Hamming distances were classified with 100% accuracy rate and 100% recall rate. Finally, the pictures of watermelon would not be exactly identical if they were acquired at different time or on different conditions. These variations likely cause translation, scaling and rotation of watermelon in an image, and the experiment shows that the method is adaptive to these inevitable variations. Although some problems need to be studied further, this research provides a new idea of biometric identification for fruit quality and safety traceability system.

biometrics; texture; algorithms; traceability system; food safety; feature extraction

10.11975/j.issn.1002-6819.2017.18.039

TP391.41

A

1002-6819(2017)-18-0298-08

2017-05-02

2017-07-24

國家自然科學(xué)基金項(xiàng)目（31571351），農(nóng)業(yè)部農(nóng)業(yè)技術(shù)試驗(yàn)示范項(xiàng)目（2015-2130106）

邢向陽，男，湖北武漢人，研究方向?yàn)檗r(nóng)產(chǎn)品質(zhì)量安全追溯技術(shù)。武漢 華中農(nóng)業(yè)大學(xué)信息學(xué)院，430070。Email：845527667@qq.com

高俊祥，男，河北灤南人，副教授，博士，研究方向?yàn)檗r(nóng)業(yè)信息工程。武漢 華中農(nóng)業(yè)大學(xué)信息學(xué)院，430070。Email：gao200@mail.hzau.edu.cn