基于機器視覺的珍珠顏色特征提取與識別

葉佳英 鄧飛 王佩欣 趙大旭 王毓綜 壽國忠

摘要：為了提高珍珠顏色分類的準(zhǔn)確率，擬設(shè)計半球型珍珠圖像獲取裝置，并提出基于Lab[L表示亮度（luminosity），a表示從洋紅色至綠色的范圍（+127，-128），b表示從黃色至藍色的范圍（+127，-128）]顏色空間的GA-SVM（基于遺傳算法尋優(yōu)的支持向量機）的珍珠顏色識別方法。結(jié)果表明，設(shè)計的圖像獲取裝置能夠有效地避免珍珠反光，獲取了顏色信息較全面的珍珠圖像;提出了適用于珍珠圖像分割的全局自動閾值與K-means相結(jié)合的分割方法。根據(jù)GB/T 18781—2008《珍珠分級》進行珍珠顏色的分類，通過不同顏色特征值以及不同分類器的對比試驗結(jié)果表明，使用Lab顏色空間三通道均值作為GA-SVM的分類訓(xùn)練特征值，準(zhǔn)確率最高，交叉驗證準(zhǔn)確率達到98.42%以上，測試分類準(zhǔn)確率為100.00%。

關(guān)鍵詞：機器視覺;珍珠;顏色特征;提取;識別;光源裝置;GA-SVM;Lab顏色空間

中圖分類號： TP391.4?文獻標(biāo)志碼： A

文章編號：1002-1302（2019）20-0226-05

我國淡水珍珠的年產(chǎn)量占世界珍珠產(chǎn)量的95%以上，其中浙江諸暨是我國淡水珍珠生產(chǎn)的最大基地，擁有珍珠加工企業(yè)1 500多家。珍珠分級的內(nèi)容主要有大小、形狀[1-2]、顏色等，由于珍珠的寶石質(zhì)地，使其具有較強的反光性，從而造成實現(xiàn)機器視覺的珍珠分揀難度較高。其中顏色受光線的影響最大，實現(xiàn)計算機識別的難度也最大。目前，珍珠顏色分級仍然依靠人工目測完成，需要投入大量勞動力，并且珍珠顏色的檢測人員需要經(jīng)過嚴格的培訓(xùn)，不僅費時費力且分類標(biāo)準(zhǔn)不統(tǒng)一，易受人的主觀因素和外界光線的影響。在人工智能的時代，計算機視覺得到了廣泛應(yīng)用，基于計算機視覺的機器分揀能夠在封閉光源的固定環(huán)境中獲取珍珠的顏色圖像，不受其余光線干擾，有助于對分級標(biāo)準(zhǔn)進行量化統(tǒng)一且可重復(fù)的操作。

目前，國內(nèi)外對珍珠顏色的分類研究較為鮮見，雖然國外已有色度級別的相關(guān)檢測設(shè)備，但是價格高達幾十萬美元，具體資料不詳。國內(nèi)基于計算機視覺實現(xiàn)珍珠顏色識別的研究主要集中在21世紀初，至今仍處于研究階段。李革等在HIS[色調(diào)（hue，簡稱H）-亮度（intensity，簡稱I）-飽和度（saturation，簡稱S）]顏色模型中，通過I分量分割掩模以消除珍珠的反光區(qū)域，利用RPROP（振蕩傳播）神經(jīng)網(wǎng)絡(luò)和特征值H進行顏色分類，主要分為紅、白、黑3個色系[3]。湯一平等實現(xiàn)了通過單目多視角視覺獲取珍珠圖像，提取光亮區(qū)的H分量直方圖進行顏色檢測，通過顏色像素所占比例來區(qū)分顏色類別，主要分為紅色、白色[4]。

基于顏色特征的分類應(yīng)用廣泛，在食品[5-6]、交通[7-8]、農(nóng)產(chǎn)品[9-13]等領(lǐng)域已取得一定的成果，與珍珠較為相似的有礦物顏色識別等[14]。以上研究對珍珠的顏色識別具有一定的參考借鑒作用，珍珠的顏色分類與以上物體顏色分類的主要不同在于圖像的獲取困難，主要由于珍珠體積小、反光強。

因此，針對現(xiàn)有研究的不足，本研究擬設(shè)計珍珠圖像獲取裝置，獲取較好的珍珠顏色信息，在Lab[L表示亮度（luminosity），a表示從洋紅色至綠色的范圍（+127，-128），b表示從黃色至藍色的范圍（+127，-128）]顏色空間提取顏色特征值，構(gòu)建基于遺傳算法尋優(yōu)的支持向量機（GA-SVM）分類模型，根據(jù)GB/T 18781—2008《珍珠分級》對淡水珍珠顏色的分類，實現(xiàn)計算機視覺分類，并測試分析不同顏色特征值及不同分類器針對顏色分類的效果。

1?珍珠圖像獲取裝置

本研究采用半球形遮光罩來減少不可控的自然光照及其他燈光光照的干擾，照明裝置采用可調(diào)節(jié)發(fā)光二極管（LED）燈條照明。光源裝置如圖1所示，其中的半球形遮光罩2為白色PLA（聚乳酸）材料，能夠有效遮擋其他非試驗裝置光源如日光燈、太陽光等的干擾，減少珍珠由于強光影響而產(chǎn)生的光斑;3為白色紙筒;4為磨砂半透明遮光紙，能夠使LED燈條5產(chǎn)生的光源更加柔和均勻;相機1的型號為GYM300，光學(xué)尺寸為1/2″CMOS（互補金屬氧化物半導(dǎo)體）彩色。

在無遮光罩、自然光及室內(nèi)日光燈條件下拍攝的圖片如圖2-a所示，可見珍珠圖片有較多雜亂的光斑產(chǎn)生，對體積越小的珍珠，圖像采集產(chǎn)生的影響越大，光斑所占比例越大，導(dǎo)致珍珠圖像顏色信息丟失嚴重，對顏色的提取造成干擾。圖2-b為文獻[3]中的珍珠圖像。圖2-c為文獻[4]中用單目多視角裝置獲取的某個視角的珍珠圖像。文獻[3]和[4]中2種對于珍珠顏色的分類方法，都采取了I分量分割珍珠反光區(qū)域的方法來消除光線干擾。圖2-d顯示，在該條件下獲取的珍珠圖像無光斑，顏色與實際接近，是較為理想的圖像。

2?珍珠顏色分類方法

珍珠顏色分類方法包括建立分類模型、識別模塊2個部分，總體流程如圖3所示。首先對樣本庫的珍珠圖像進行預(yù)處理，圖像預(yù)處理包括2個部分：均值濾波去噪和全局閾值分割圖像。對于分割后的圖像進行顏色空間轉(zhuǎn)換并提取顏色特征值。在建立分類器時，先將樣本珍珠圖像進行人工分類，構(gòu)建分類標(biāo)簽。將樣本圖庫分為訓(xùn)練集、測試集2個部分，訓(xùn)練集用于分類器的學(xué)習(xí)，測試集用于測試分類模型的準(zhǔn)確率。在得到分類準(zhǔn)確率理想的模型后，建立識別模塊，進行珍珠圖像識別并輸出待測圖像的匹配圖像及所屬類別。

2.1?樣本的獲取

珍珠圖像的采集主要是以不同顏色的塑料仿珠以及白、淺粉、淺紫等常見顏色的珍珠作為試驗對象。在前文所述光源裝置條件下，共拍攝19種顏色的仿珍珠，每種顏色各20張圖片，并按國家淡水珍珠顏色劃分標(biāo)準(zhǔn)GB/T 18781—2008《珍珠分級》，給予相應(yīng)的顏色類別標(biāo)簽1～19，其表征的顏色分別如下：1表示玫瑰色，2表示粉紅色，3表示紫紅色，4表示深紫色，5表示紫色，6表示淺粉色，7表示金黃色，8表示淺黃色，9表示深藍色，10表示深綠色，11表示淺綠色，12表示藍色，13表示淺藍色，14表示灰黑色，15表示中綠色，16表示銀灰色，17表示奶白色，18表示白色伴粉色，19表示淺紫色。部分顏色較為相近的試驗圖像如圖4所示。在訓(xùn)練樣本階段，分別提取19種不同顏色珍珠圖像的前10張作為訓(xùn)練樣本，后10張作為測試樣本。

2.2?珍珠圖像的預(yù)處理

相機拍攝獲得的原圖像像素為2 048×1 536，由于珍珠體積較小，在圖像中占像素面積的比例小于10%，因此首先將圖像對珍珠區(qū)域裁剪為360×360像素大小的圖像，然后使用5×5均值濾波將灰塵等造成的背景干擾及噪點過濾掉，最后進行圖像分割。

全局閾值分割[15]采用基于圖像數(shù)據(jù)的自動選擇閾值方法，主要步驟如下：

（1）設(shè)置初始估計值T;（2）用T分割圖像，產(chǎn)生灰度值大于T的像素值G1和灰度值小于T的像素值G2;（3）分別計算G1、G2區(qū)域的平均灰度值m1、m2;（4）計算新的閾值：T=12（m1+m2）;（5）重復(fù)（2）～（4）的步驟，直到T的差異比預(yù)設(shè)參數(shù)ΔT小為止;（6）使用二值化分割圖像。

不同顏色、不同光澤度的珍珠，會導(dǎo)致相機獲取的珍珠圖像曝光不均，單個像素點灰度值異常，帶來分割噪聲問題，單純使用全局閾值分割，難以得到較好的效果。

基于K-means聚類算法，通過找到特征空間中像素值的空間聚類，并將每個像素劃分到不同的類聚中來實現(xiàn)圖像的分割。首先給定聚類數(shù)K，然后對圖像的每個像素特征值根據(jù)相似度大小劃分為K個聚類。K-means算法具有優(yōu)越性，同時也存在局限性，最初的聚類中心是隨機選取的，聚類的好壞依賴于特征值的選取等。

本研究采用全局閾值分割與K-means分割相結(jié)合的方法，2種方法具有互補作用，不僅能夠解決全局閾值無法分割亮度分布不均的問題，同時能夠解決K-means分割聚類中心隨機的問題。

K-means分割采用Lab顏色空間來提取分割特征值，Lab顏色空間相較于RGB[紅（red，簡稱R）-綠（green，簡稱G）-藍（blue，簡稱B）]模型，具有色域?qū)拸V、色彩分布均勻的優(yōu)勢。RGB先轉(zhuǎn)換到XYZ顏色空間，再由XYZ空間轉(zhuǎn)換到Lab空間。轉(zhuǎn)換公式如下：

式中：L*、a*、b*為最終的Lab色彩空間3個通道的值;r、g、b分別為像素點R、G、B的取值;x為某個像素值;Xn、Yn、Zn為對照白的三刺激值，分別為95.047、100.0、108.883。

1個類聚中?首先對圖像進行全局閾值分割，然后取圖像a、b通道的顏色值，作為K-means聚類的特征值進行K-means分割。由于第1次進行了全局閾值分割，背景的a、b值為0，其中心接近0，求2個類聚中心特征值的絕對值之和，以此來判斷目標(biāo)與背景。將絕對值之和較大的作為分割目標(biāo)，分割結(jié)果如圖5所示。圖5-a由于曝光不均勻，僅用全局閾值分割，無法使背景分割完全;圖5-b僅用K-means分割，會出現(xiàn)分割背景與分割目標(biāo)隨機的現(xiàn)象;圖5-c采用的本研究方法，解決了以上出現(xiàn)的問題。

2.3?分類顏色特征值的提取

顏色特征是顏色分類的重要指標(biāo)，對于顏色特征的提取，是顏色分類的首要任務(wù)，顏色特征提取的質(zhì)量好壞決定了分類的準(zhǔn)確性。為了方便地研究和使用顏色，國際照明委員會（CIE）創(chuàng)建了十幾種顏色空間模型，如RGB、HIS、Lab、HSV[色調(diào)（hue，簡稱H）-飽和度（saturation，簡稱S）-亮度（value，簡稱V）]、LUV（L表示亮度，U、V表示色度）等。其中Lab、LUV、HSV常用于皮革[15]、瓷磚[16]、地板[17]等物品表面顏色的分類研究。本研究即基于Lab顏色空間實現(xiàn)顏色分類。

顏色特征值提取的基本步驟如下：（1）顏色空間轉(zhuǎn)換后，分別獲取L、a、b 3個通道的圖像信息;（2）在L、a、b 3個分量的圖像信息中，分別獲取珍珠區(qū)域L、a、b值的總和以及珍珠區(qū)域?qū)?yīng)的像素點數(shù);（3）求珍珠區(qū)域的L、a、b均值，最終將均值作為顏色特征值。

2.4?分類器的構(gòu)建

2.4.1?支持向量機算法?支持向量機較其他神經(jīng)網(wǎng)絡(luò)而言，更適合小樣本的分類。其算法的核心思想是將在低維空間線性不可分的樣本訓(xùn)練數(shù)據(jù)通過某種核函數(shù)映射到高維的特征空間變成線性可分。假設(shè)通過映射將訓(xùn)練數(shù)據(jù)映射到特征空間，應(yīng)用核方法間接計算內(nèi)積K（Xi，Xj）=（Xi）T（Xj），然后引入拉格朗日乘子α，將最佳超平面問題轉(zhuǎn)化為二次規(guī)劃的對偶問題，最后利用啟發(fā)式優(yōu)化算法SMO（序列最小優(yōu)化）來求解支持向量機[18]。

由此可知，SVM基本上不涉及概率預(yù)測及大數(shù)定律，簡化了通常的分類問題，其最終決策函數(shù)由少量支持向量確定，剔除了冗余樣本，算法簡單且魯棒性好。

2.4.2?核函數(shù)?由上述結(jié)論可知，核函數(shù)相當(dāng)于隱式地映射定義了“特征空間”，若核函數(shù)的選擇不當(dāng)，將樣本映射到1個不合適的“特征空間”，則會導(dǎo)致模型的性能不佳。常用的核函數(shù)有線性核函數(shù)、多項式核函數(shù)、高斯徑向基核函數(shù)（RBF）等。其中，RBF所需確定參數(shù)較少，各方面性能較穩(wěn)定[19]，RBF核函數(shù)公式為K（Xi，Xj）=exp（-g‖Xi-Xj‖2），選用RBF的SVM方法只需確定2個參數(shù)：c懲罰參數(shù)和g核函數(shù)參數(shù)。

2.4.3?參數(shù)尋優(yōu)?懲罰因子c控制結(jié)構(gòu)風(fēng)險和樣本誤差的平衡。c過小，對誤判的樣本懲罰就小，導(dǎo)致訓(xùn)練誤差變大，使得機器學(xué)習(xí)復(fù)雜度小，發(fā)生“欠學(xué)習(xí)”;c過大，學(xué)習(xí)精度提高，出現(xiàn)“過學(xué)習(xí)”。而核函數(shù)g過小，導(dǎo)致分類器抗干擾能力下降;過大則導(dǎo)致分類器反應(yīng)遲緩[20]。因此，如何選擇最優(yōu)參數(shù)，對構(gòu)建最佳分類器有著重要影響。

SVM參數(shù)選取方法主要有經(jīng)驗選擇法、實驗試湊法、梯度下降法等。同時遺傳算法（GA）、粒子群優(yōu)化、網(wǎng)格搜索等智能優(yōu)化的方法被成功應(yīng)用在參數(shù)尋優(yōu)方面。其中，遺傳算法是1種既實用又高效且魯棒性好的優(yōu)化方法。使用遺傳算法進行參數(shù)尋優(yōu)，首先要構(gòu)建初始種群，使用自行設(shè)計的適應(yīng)度函數(shù)評價個體適應(yīng)度，從中選擇優(yōu)良個體，按照交叉、變異生成新個體，循環(huán)迭代該過程，直到達到終止條件。

2.4.4?GA-SVM分類器的構(gòu)建?眾多學(xué)者從編碼方式、控制參數(shù)的確定和交叉機制等方面入手，研究了各種變形的遺傳算法。本研究使用謝菲爾德遺傳算法工具箱函數(shù)來搭建GA尋優(yōu)算法，該算法提供了廣泛多樣的有用函數(shù)。SVM結(jié)合GA參數(shù)尋優(yōu)的具體步驟如下：（1）準(zhǔn)備樣本數(shù)據(jù);（2）遺傳算法內(nèi)部參數(shù)初始化;（3）產(chǎn)生參數(shù)對，使用交叉驗證，在訓(xùn)練集上搜尋適應(yīng)度最佳的參數(shù);（4）使用最優(yōu)參數(shù)，重新訓(xùn)練，得到支持向量機預(yù)測模型;（5）預(yù)測結(jié)果分析。

其中，步驟（2）的參數(shù)設(shè)置如下：最大進化代數(shù)（代）設(shè)置為100，種群最大數(shù)量（個）設(shè)置為20，代溝設(shè)置為0.9，即當(dāng)代中有90%的個體被復(fù)制到下一代。對于RBF核函數(shù)，參數(shù)c的變化范圍為[0，100]，參數(shù)g的變化范圍為[0，1 000]。適應(yīng)度計算采用基于秩的適應(yīng)度計算ranking函數(shù)。

選擇操作。在標(biāo)準(zhǔn)遺傳算法中，常采用輪盤賭選擇的方法[20]。該方法容易造成早熟收斂等問題。本研究采用Select高級選擇例程，以避免由于使用賭輪選擇而造成早期高適應(yīng)度個體迅速占據(jù)種群和后期種群中因個體的適應(yīng)度相差不大而導(dǎo)致種群停止進化等問題。調(diào)用隨機歷遍抽樣（SUS）代替輪盤賭方法的單個選擇指針。

變異算子主要有實值變異、高級變異函數(shù)等。本研究采用離散變異mut函數(shù)，變異概率Pm=0.7/Lind（Lind表示個數(shù)長度）。

交叉算子采用高級重組算子recombin，調(diào)用低級交叉函數(shù)單點交叉（xovsp）完成當(dāng)前種群中1對個體按交叉概率0.7進行單點交叉。

本研究基于GA尋優(yōu)的適應(yīng)度結(jié)果顯示，交叉驗證準(zhǔn)確率為98.421 1%，最優(yōu)參數(shù)c為2.373 6，最優(yōu)參數(shù)g為 0.030 8，終止迭代數(shù)為50。

3?結(jié)果與分析

對珍珠圖像進行預(yù)處理后，使用不同顏色空間及不同顏色特征值提取方法，在不同分類器中進行對比分析。由表1可知，提取的顏色特征值均為Lab顏色空間的珍珠區(qū)域均值，使用不同分類器進行分類，構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為3-10-1（輸入層、隱藏層、輸出層分別有3、10、1個節(jié)點），測試正確率為74.21%，預(yù)測準(zhǔn)確率較低且網(wǎng)絡(luò)的泛化能力差;使用常規(guī)的SVM分類器的測試準(zhǔn)確率為97.89%，比BP神經(jīng)網(wǎng)絡(luò)測試準(zhǔn)確率提高了23.68百分點，且訓(xùn)練時間短;以常規(guī)SVM作為參照依據(jù)，基于粒子群優(yōu)化的支持向量機（PSO-SVM）訓(xùn)練準(zhǔn)確率及測試準(zhǔn)確率均不高，且訓(xùn)練時間長;同樣，使用網(wǎng)格搜索尋優(yōu)的SVM Grid Search，測試準(zhǔn)確率上升了，但是訓(xùn)練準(zhǔn)確率較低，有2顆珍珠顏色誤判。本研究采用的GA-SVM分類，用遺傳算法優(yōu)化c、g，交叉驗證準(zhǔn)確率、訓(xùn)練準(zhǔn)確率以及測試準(zhǔn)確率都大大提高了，常規(guī)支持向量機誤判的4顆珍珠顏色，用此方法全部分類正確。

表2是基于相同的分類方法，使用不同顏色特征值提取的方式對分類的影響。方法1轉(zhuǎn)換到HSV顏色空間，將HSV顏色空間量化到72 bin（表示72個維度），提取珍珠區(qū)域的直方圖，將其歸一化后作為訓(xùn)練數(shù)據(jù);方法2轉(zhuǎn)換到HSV顏色空間，分別提取珍珠區(qū)域的H、S、V三通道的均值作為訓(xùn)練數(shù)據(jù);方法3轉(zhuǎn)換到H、S、I顏色空間，提取珍珠區(qū)域的三通道的均值作為訓(xùn)練數(shù)據(jù)。如表2所示，在同一個HSV顏色空間中，顏色三通道的均值比顏色直方圖的測試準(zhǔn)確率提高了8.4百分點左右。提取相同的三通道均值，在3個不同的顏色空間中，Lab顏色空間相比于HSV、HSI顏色空間的測試準(zhǔn)確率提高了4.7～6.3百分點。

顏色直方圖提取的特征值維度較大，所獲取的顏色值所占比例最高的前3項有所顛倒或者不同，如同樣顏色的珍珠圖像，1張獲取的直方圖中所占比例較高的前三者的顏色值為69，86，6，另1張為6，89，69，這就導(dǎo)致識別誤差較大。對珍珠主體色的分類使用顏色直方圖主要的顏色信息會被其他顏色信息干擾，導(dǎo)致分類效果差，顏色直方圖適合用于顏色復(fù)雜的物體識別或顏色均勻性的判別，能夠較好地表明顏色的分布信息。

綜合以上分析，對于珍珠顏色的分類，從分類器上來說，常規(guī)的SVM多分類器比常規(guī)的BP神經(jīng)網(wǎng)絡(luò)分類準(zhǔn)確率更高且穩(wěn)定性好，而基于GA優(yōu)化的SVM分類器能比其他SVM分類器提高2.11百分點的測試準(zhǔn)確率。從顏色特征值來看，在不同顏色特征值的提取方式下，分類結(jié)果差異較大，能提高13.2百分點的測試準(zhǔn)確率。特征值提取的好壞除了由于提取方式的不同，在很大程度上由珍珠圖像質(zhì)量決定。

4?顏色識別模塊

顏色匹配的過程如下：隨機獲取珍珠表面圖像，用所保存的分類模型進行分類預(yù)測，匹配到相同顏色的珍珠圖像并輸出待分類的珍珠圖片所屬類別顏色標(biāo)簽及名稱，將輸出的識別標(biāo)簽傳輸給分揀機器人實現(xiàn)顏色自動分揀。部分珍珠的顏色識別結(jié)果如圖6所示。

5?結(jié)論

本研究采用結(jié)構(gòu)簡單的光源裝置，能夠有效地消除珍珠反光區(qū)域，獲得較為理想的珍珠圖像。較文獻[2-3]中的方法省去了圖像反光區(qū)域處理的步驟，保留了完整的顏色信息，且分類更全面，準(zhǔn)確率更高。本研究提出了全局閾值與 K-means 聚類相結(jié)合的圖像分割方法，適用于分割類似于由于珍珠本身色彩及光澤度不同導(dǎo)致背景曝光有所受影響的圖像。使用全局閾值分割來穩(wěn)定后期K-means分割的聚類中心，而K-means的a、b顏色通道分割則彌補了全局閾值分割因背景曝光不同而無法分割完整的缺陷。

此外，本研究測試了不同分類器、不同顏色空間及不同顏色特征提取的方法對顏色分類的影響。使用Lab顏色空間均值作為特征值，不受珍珠大小、形狀及其在圖像中位置的影響。構(gòu)建GA-SVM分類器，利用遺傳算法獲得最優(yōu)參數(shù)，提高了分類準(zhǔn)確率。使用常規(guī)的SVM分類器與GA-SVM分類器，測試準(zhǔn)確率只提高了2.11百分點，而不同顏色特征值使分類準(zhǔn)確率有4.2百分點的提升?；贚ab顏色空間的GA-SVM識別方法，識別準(zhǔn)確率高且操作簡單靈活，便于修改，可根據(jù)實際情況不斷擴充、完善樣本庫，使得珍珠顏色分類更為齊全、精準(zhǔn)。

近幾年來，隨著深度學(xué)習(xí)理論的不斷完善，卷積神經(jīng)網(wǎng)絡(luò)被越來越多地應(yīng)用到圖像分類中，其與支持向量機等傳統(tǒng)的“特征+分類器”的分類方法相比，無需人工提取特征值，利用樣本圖像集的先驗知識，自動提取識別規(guī)則，但對于小樣本數(shù)據(jù)集的泛化能力較低，且對硬件配置及訓(xùn)練時長的要求較高。

參考文獻：

[1]鄭春煌，黃?柳，唐?瑋，等. 圖像處理的珍珠形狀大小檢測系統(tǒng)研究[J]. 中國計量學(xué)院學(xué)報，2014，25（3）：258-262.

[2]李?革，李?斌，王?瑩，等. 珍珠形狀的計算機視覺識別[J]. 農(nóng)業(yè)機械學(xué)報，2008，39（7）：129-132.

[3]李?革，李?斌，王?瑩，等. 基于HIS顏色模型的珍珠顏色分選方法[J]. 農(nóng)業(yè)工程學(xué)報，2008，24（8）：284-287.

[4]湯一平，夏?杰，李陳榮，等. 基于單目多視角視覺的珍珠品質(zhì)檢測[J]. 農(nóng)業(yè)機械學(xué)報，2014，45（4）：276-283.

[5]Du C J，Sun D W. Pizza sauce spread classification using colour vision and support vector machines[J]. Journal of Food Engineering，2005，66（2）：137-145.

[6]Anami B S，Burkpalli V C. Color based identification and classification of boiled food grain images[J]. International Journal of Food Engineering，2009，5（5）：64-67.

[7]Yan J，Baek S H，Park S Y. Robust road line color recognition based on 2-dimensional S-color space[C]//2017 IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems，2017：342-347.

[8]Wang Y C，Han C C，Hsieh C T，et al. Vehicle color classification using manifold learning methods from urban surveillance videos[J]. EURASIP Journal on Image and Video Processing，2014（1）：48.

[9]畢立恒. 基于葉片圖像算法的植物種類識別方法研究[J]. 浙江農(nóng)業(yè)學(xué)報，2017，29（12）：2142-2148.

[10]Iqbal S M，Gopal A，Sankaranarayanan P E，et al. Classification of selected citrus fruits based on color using machine vision system[J]. International Journal of Food Properties，2016，19（2）：272-288.

[11]羅玉娟，李熙瑩，蔡志崗，等. 采用均勻顏色空間的竹片分類研究[J]. 計算機工程與應(yīng)用，2010，46（16）：238-240.

[12]張凱兵，章愛群，李春生. 基于HSV空間顏色直方圖的油菜葉片缺素診斷[J]. 農(nóng)業(yè)工程學(xué)報，2016，32（19）：179-187.

[13]李鵬飛，寧雨薇，張?蕾，等. 紡織品顏色分類算法比較研究[J]. 棉紡織技術(shù)，2016，44（5）：42-45.

[14]Aligholi S，Lashkaripour G R，Khajavi R，et al. Automatic mineral identification using color tracking[J]. Pattern Recognition，2017，65：164-174.

[15]趙?海. 基于顏色特的皮革分類方法研究[D]. 杭州：浙江工業(yè)大學(xué)，2015.

[16]王巖松，金偉其. 基于映射色差的顏色分類表面檢測方法研究[J]. 北京理工大學(xué)學(xué)報，2010，30（1）：74-78.

[17]錢?勇，白瑞林，倪?健，等. 基于顏色特征的地板層次分類研究[J]. 計算機工程與應(yīng)用，2013，49（13）：245-248.

[18]Vapnik V N. The nature of statistical learning theory[M]. New York：Springer，2000：138-167.

[19]奉國和. SVM分類核函數(shù)及參數(shù)選擇比較[J]. 計算機工程與應(yīng)用，2011，47（3）：123-124，128.

[20]尹志勇，陳永光，桑?博. 基于GA-SVM的電能質(zhì)量擾動分類方法研究[J]. 河北工業(yè)大學(xué)學(xué)報，2017，46（4）：75-79.