基于偏好免疫網(wǎng)絡(luò)和SVM算法的油茶果多特征識別

李 昕，陳澤君，李立君，譚季秋，吳發(fā)展

（1.湖南省林業(yè)科學(xué)院，長沙 410004；2.中南林業(yè)科技大學(xué)機(jī)電工程學(xué)院，長沙 410004；3.湖南工程學(xué)院機(jī)械工程學(xué)院，湘潭411104；4.株洲豐科林業(yè)裝備科技有限責(zé)任公司，株洲 412000）

0 引 言

油茶是中國南方重要的經(jīng)濟(jì)作物之一，其籽粒可以榨油后食用及工業(yè)用，具有巨大的經(jīng)濟(jì)價(jià)值。中國油茶種植面積和產(chǎn)量有了較大的提升。在油茶全產(chǎn)業(yè)生態(tài)鏈中，油茶果實(shí)的采摘、脫殼、榨油等環(huán)節(jié)已經(jīng)產(chǎn)業(yè)化，成為了鄉(xiāng)村農(nóng)業(yè)振興的重點(diǎn)工程與支柱產(chǎn)業(yè)。在油茶產(chǎn)業(yè)鏈自動(dòng)化研究領(lǐng)域，中南林業(yè)科技大學(xué)與湖南省林業(yè)科學(xué)研究院課題組在油茶果采摘、脫殼自動(dòng)化升級環(huán)節(jié)做了大量的工作。課題組研發(fā)了油茶果采摘機(jī)器人[1-4]，油茶智能脫殼設(shè)備[5-6]等自動(dòng)化產(chǎn)品，為油茶果產(chǎn)業(yè)鏈的自動(dòng)化進(jìn)程打下了堅(jiān)實(shí)的基礎(chǔ)。

目前國內(nèi)外學(xué)者在農(nóng)產(chǎn)品的智能分選識別領(lǐng)域已經(jīng)做出了大量的研究與應(yīng)用[7-24]，Wang等對櫻桃圖像的RGB特征值進(jìn)行了分析，設(shè)計(jì)了一套基于RGB的櫻桃色選分級系統(tǒng)[25]；Pearson等分析了RGB，HSV，Lab 3種顏色模型，提出了一套基于多特征顏色模型的玉米色選系統(tǒng)[26]；趙吉文等對瓜子的灰度特征參數(shù)進(jìn)行了分析，采用灰度帶比例作為瓜子的分選特征參數(shù)進(jìn)行分選[27]；宋彥等采用了基于形狀特征直方圖的LS-SVM模型識別并分類了 7個(gè)等級的祁門紅茶[28]。高震宇等使用卷積神經(jīng)網(wǎng)絡(luò)對鮮茶葉進(jìn)行了分選與分級[29]。王丹丹等將深度卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于機(jī)器人視覺系統(tǒng)之中，進(jìn)行蘋果目標(biāo)的識別[30]。

上述研究均集中于農(nóng)業(yè)智能分選領(lǐng)域，并取得了一定的成果。油茶果殼與籽粒具有顏色、形態(tài)特征區(qū)分明細(xì)的特點(diǎn)，本研究內(nèi)容集中于油茶果脫殼設(shè)備的智能分選環(huán)節(jié)，即在油茶果采摘脫殼后，如何針對油茶果的特點(diǎn)利用分選技術(shù)將油茶果殼與籽粒有效地區(qū)分出來。

本文研究內(nèi)容基于油茶智能識別算法的研究基礎(chǔ)[31-33]，結(jié)合前人在農(nóng)林業(yè)的分選領(lǐng)域的研究結(jié)果，充分利用油茶果殼籽粒形態(tài)與顏色特征的區(qū)分，提出了一種基于偏好免疫網(wǎng)絡(luò)與SVM結(jié)合的智能分選算法用于油茶果殼、籽粒的分選。本研究提出的智能分選算法可為油茶的果殼、籽粒智能分選提供參考。

1 試驗(yàn)材料與方法

1.1 試驗(yàn)材料

試驗(yàn)采用的圖像采集時(shí)間為2019年10月至11月的油茶果脫殼后圖片，采集地點(diǎn)為湖南株洲豐科林業(yè)裝備科技有限責(zé)任公司內(nèi)，分別選取存儲(chǔ)期為3、12 d的油茶果，經(jīng)過油茶生產(chǎn)線進(jìn)行脫殼后的圖片。油茶果脫殼后，對油茶果殼籽粒進(jìn)行分析，從脫殼后油茶果圖片分析可以得出，存放3 d的油茶果經(jīng)脫殼后的，果殼、籽粒特征區(qū)分較為明顯，而存放12 d的油茶果由于濕度和溫度等原因，果殼開始逐漸轉(zhuǎn)變?yōu)楹谏饾u接近籽粒顏色。試驗(yàn)共采集待分選圖片 350幅進(jìn)行分析，像素分辨率調(diào)整為 1 682×1 430。

油茶果殼和籽粒的顏色形態(tài)特征有一定的不相同，從形態(tài)特征區(qū)分來看，油茶果殼相較籽粒偏長、呈扁狀，而油茶籽粒則較果殼更多偏向類圓形。從顏色特征區(qū)分可以得出，油茶籽粒顏色呈暗黑色，油茶果殼顏色特征則趨于淺白色，油茶果殼籽粒的形態(tài)顏色特征區(qū)分如圖1所示。本文對脫殼后的油茶果圖片進(jìn)行采集并進(jìn)行顏色與形態(tài)參數(shù)提取，建立油茶果殼、籽粒的顏色形態(tài)參數(shù)的SQL數(shù)據(jù)庫。

圖1 脫殼后油茶果殼、籽粒形態(tài)及黑白顏色特征Fig.1 Morphological and black white color features of the shell and seed of Camellia after shelling

本研究對圖片中油茶果殼、籽粒目標(biāo)進(jìn)行人工選取后建立顏色形態(tài)數(shù)據(jù)庫后，得到待識別的樣本目標(biāo)特征圖如圖2所示。

圖2 提取的油茶果殼籽粒目標(biāo)樣本Fig.2 Target sample of Camellia shell and seed

1.2 油茶果智能脫殼分選系統(tǒng)

本文采用的整體分選脫殼設(shè)備為揉搓型油茶果分類脫殼生產(chǎn)線，生產(chǎn)線由湖南省林業(yè)科學(xué)院與湖南株洲豐科林業(yè)裝備科技有限責(zé)任公司聯(lián)合研制生產(chǎn)。生產(chǎn)線的脫殼環(huán)節(jié)采用揉搓以及擠壓原理，通過利用分類滾動(dòng)篩篩選大小不同的油茶果進(jìn)入油茶果脫殼裝置，在運(yùn)輸帶和柔性搓板相互配合運(yùn)動(dòng)的揉搓作用下進(jìn)行脫殼。這種設(shè)備裝置可以有效對油茶進(jìn)行分類脫殼、在保證果殼和籽粒分選的基礎(chǔ)上，同時(shí)不會(huì)對油茶籽粒造成破損。經(jīng)過試驗(yàn)，揉搓型生產(chǎn)線技術(shù)指標(biāo)已經(jīng)達(dá)到了：脫殼脫凈率＞97%，碎籽率＜5%，整體損耗率＜1%。全套油茶果脫殼分選設(shè)備如圖3所示。

經(jīng)過揉搓脫殼后，油茶果殼、籽粒被傳送帶送往分選箱的第一層分選區(qū)，工業(yè)相機(jī)實(shí)時(shí)采集脫殼后的目標(biāo)圖像，識別設(shè)備采用日本 computar-3s工業(yè)鏡頭。第一層分選區(qū)使用多特征形態(tài)免疫算法識別果殼物料，識別后，控制對應(yīng)位置的噴氣嘴進(jìn)行噴氣，改變果殼在傳送帶上的運(yùn)行軌跡，吹飛油茶果殼物料。剩余的油茶果殼籽粒繼續(xù)進(jìn)入第二層分選區(qū)，使用SVM算法識別剩余目標(biāo)的顏色參數(shù)，再使用噴氣嘴吹飛剩余物料中的果殼物料，最終實(shí)現(xiàn)果殼與籽粒的區(qū)分。分選設(shè)備的工作與識別如圖3所示。

識別的效率對于分選系統(tǒng)來說至關(guān)重要，為了達(dá)到實(shí)時(shí)識別率要求，本研究選用安晶龍分選機(jī)作為分選識別設(shè)備，分選機(jī)結(jié)合脫殼傳送帶的輸送、識別能力，目前分選效率已經(jīng)達(dá)到了毫秒級，已經(jīng)廣泛應(yīng)用于塑料分選、花生分選、辣椒分選、中藥材分選等領(lǐng)域，是一種十分成熟穩(wěn)定的實(shí)用分選設(shè)備。安晶龍分選機(jī)的工控機(jī)分選軟硬件設(shè)備采用VC6.0系統(tǒng)與MATLAB2020仿真系統(tǒng)，工控機(jī)硬件升級為為Intel至強(qiáng)E5-2670 8核心16線程CPU，內(nèi)存80 GB。軟硬件設(shè)備穩(wěn)定且識別效率較快，適用于本研究的實(shí)時(shí)性要求。安晶龍分選機(jī)在本研究中具體承擔(dān)軟件視覺實(shí)時(shí)辨別分選工作，本文的研究算法是基于安晶龍分選機(jī)作為硬件搭載系統(tǒng)進(jìn)行的二次開發(fā)與應(yīng)用。

圖3 全套油茶脫殼分選設(shè)備Fig.3 Equipment of Camellia shelling and sorting equipment

2 基于偏好人工免疫網(wǎng)絡(luò)的形態(tài)特征分選

2.1 形態(tài)特征提取

油茶果實(shí)經(jīng)過脫殼機(jī)脫殼后主要存在果殼、籽粒 2種目標(biāo)物體，相較于自然環(huán)境下的圖像處理，分選設(shè)備的封閉環(huán)境下識別脫殼后的的油茶果殼、籽粒目標(biāo)相對識別率更高、圖像的處理效果也更好。在封閉的環(huán)境中使用經(jīng)典 OTSU分割算法足夠可以滿足圖像后續(xù)處理的要求，在分割后的圖像的基礎(chǔ)上，圖像的后期處理采用腐蝕膨脹的圖像形態(tài)學(xué)操作，在操作中設(shè)定圖像結(jié)構(gòu)元素形狀為平坦型圓盤結(jié)構(gòu)元素，半徑參數(shù)為 5像素。并對個(gè)別目標(biāo)添加孔洞填充、中值濾波、邊緣優(yōu)化等操作，后續(xù)也會(huì)根據(jù)圖像形狀和質(zhì)量的變化對結(jié)構(gòu)元素的形狀和大小進(jìn)行動(dòng)態(tài)調(diào)整。以得到更好的果殼、籽粒、樹葉雜質(zhì)等目標(biāo)物的形態(tài)學(xué)效果

在脫殼后目標(biāo)的形態(tài)學(xué)分量分析中，本文采用的基礎(chǔ)特征要素為伸長度L，寬度W，周長S，面積A，形態(tài)學(xué)參數(shù)選取了延伸率S1，圓形度S2，圓滿度S3共3個(gè)分量作為輸入分量。如式（1）～（3）所示。選取油茶果殼目標(biāo)對象的延伸率S1、圓形度S2、圓滿度S3屬性圖如圖4所示，通過對典型油茶果殼籽粒進(jìn)行形態(tài)學(xué)測試分析得到的果殼籽粒目標(biāo)形態(tài)學(xué)參數(shù)范圍如表1所示。為保證數(shù)據(jù)的范圍與辨識多樣化，本文設(shè)定了圓形度參數(shù)ε=1.25與圓滿度參數(shù)ω=1.98，后續(xù)可以根據(jù)實(shí)際圖像質(zhì)量對參數(shù)進(jìn)行調(diào)整，使輸入特征數(shù)據(jù)具有更強(qiáng)的自適應(yīng)性。

圖4 油茶果殼目標(biāo)形態(tài)學(xué)特征Fig.4 Morphological feature of Camellia shell

表1 油茶果殼籽粒形態(tài)分量范圍Table 1 Morphology component range of Camellia seed shape

2.2 多形態(tài)特征偏好免疫識別

本文采取偏好免疫網(wǎng)絡(luò)算法[33]對油茶果實(shí)的形態(tài)特征進(jìn)行多特征識別，輸入特征參數(shù)為油茶果殼目標(biāo)延伸率、圓形度、圓滿度3項(xiàng)參數(shù)作為形態(tài)偏好分選參數(shù)。形態(tài)偏好參數(shù)為前期采集的具有典型形態(tài)特征的目標(biāo)圖片中的參數(shù)，選擇后將其輸入算法，在算法中，采用油茶脫殼后的果殼籽粒作為樣本參數(shù)作為算法中的初始細(xì)胞進(jìn)行訓(xùn)練，最終得到待識別的目標(biāo)果殼樣本后進(jìn)行噴氣嘴吹飛，本研究中的偏好免疫網(wǎng)絡(luò)算法分選流程如圖5所示。

圖5 多形態(tài)特征偏好免疫算法分選流程Fig.5 Multi-features preference immune sorting process

本文按照親和度計(jì)算公式添加免疫親和度計(jì)算模塊，并計(jì)算其適應(yīng)度，如式（4）所示。

式中x'設(shè)定為輸入的油茶果延伸率、圓形度、圓滿度3項(xiàng)特征參數(shù)。x為待識別的油茶圖像數(shù)據(jù)矩陣，δ為親和度函數(shù)。設(shè)定抗體x'與抗原x的親和力越小， 待識別油茶數(shù)據(jù)與輸入數(shù)據(jù)越匹配。

在算法流程中，將待識別的油茶脫殼后的圖像數(shù)據(jù)作為初始細(xì)胞，油茶果殼的 3項(xiàng)典型形態(tài)學(xué)參數(shù)作為偏好參數(shù)，將 3項(xiàng)參數(shù)代入免疫程序中進(jìn)行親和度與適應(yīng)度計(jì)算，當(dāng)滿足果殼參數(shù)閾值時(shí)，定義目標(biāo)為果殼，并在生產(chǎn)線上使用噴嘴進(jìn)行吹飛。當(dāng)不滿足閾值時(shí)，定義目標(biāo)為籽粒并在傳送帶進(jìn)行后續(xù)傳送與顏色辨識。

多特征融合免疫算法的具體流程如下：

從樣本選擇待處理的3項(xiàng)形態(tài)學(xué)參數(shù)大數(shù)據(jù)，并在參數(shù)中選擇一部分具備典型形態(tài)學(xué)特征參數(shù)，并把這些典型參數(shù)定義免疫學(xué)中的抗原細(xì)胞，將其輸入免疫網(wǎng)絡(luò)進(jìn)行運(yùn)算分析。

1）將3項(xiàng)形態(tài)學(xué)參數(shù)輸入免疫網(wǎng)絡(luò)，對各抗原細(xì)胞之間的親和力水平進(jìn)行運(yùn)算比較。

2）按照算法中設(shè)定的克隆規(guī)則對網(wǎng)絡(luò)中的數(shù)據(jù)細(xì)胞進(jìn)行克隆。

3）按照式（5）～（6）的方法對經(jīng)克隆運(yùn)算后的細(xì)胞進(jìn)行變異操作，最后保留父代群體于網(wǎng)絡(luò)中。

式中C'為細(xì)胞C產(chǎn)生變異后形成的新細(xì)胞，N(0,1)是均值為0，偏差為1的高斯隨機(jī)變量，β為調(diào)節(jié)函數(shù)的指數(shù)衰減變量，f為經(jīng)標(biāo)準(zhǔn)化處理后的細(xì)胞適應(yīng)值，α為根據(jù)算法自設(shè)定的變異系數(shù)。

變異后，重新運(yùn)算免疫網(wǎng)絡(luò)細(xì)胞親和力。

4）選擇親和力最高的網(wǎng)絡(luò)細(xì)胞組成新的網(wǎng)絡(luò)，并計(jì)算新網(wǎng)絡(luò)的細(xì)胞親和力。

5）計(jì)算網(wǎng)絡(luò)中所有細(xì)胞的親和力，如果小于閾值則且親和力高的細(xì)胞予以保留，其他細(xì)胞則進(jìn)行抑制。

6）輸入一定比例的隨機(jī)網(wǎng)絡(luò)細(xì)胞數(shù)據(jù)，返回第二步。

7）輸出產(chǎn)生的網(wǎng)絡(luò)細(xì)胞數(shù)據(jù)。

免疫網(wǎng)絡(luò)算法流程圖如圖6所示。在輸入3項(xiàng)形態(tài)學(xué)參數(shù)的基礎(chǔ)上算法的平均識別時(shí)間為410 ms級，

圖6 人工免疫網(wǎng)絡(luò)流程圖Fig.6 Flow chart of aiNet (Artificial Immune Network)

3 基于Support Vector Machine（SVM）算法的顏色特征分選

3.1 顏色特征提取

從外部顏色特征得出，油茶果殼與籽粒差別較明顯，機(jī)器視覺分選系統(tǒng)原理基于同步人眼識別的要素對目標(biāo)特征并進(jìn)行區(qū)分，通常目標(biāo)依據(jù)識別要素區(qū)分為形態(tài)、顏色、紋理、光譜特征等，本研究綜合生產(chǎn)線運(yùn)行速度、圖像處理計(jì)算機(jī)計(jì)算量與計(jì)算效率決定分選方案，因此第二層分選區(qū)在第一層分選區(qū)選取形態(tài)特征的基礎(chǔ)上，進(jìn)一步選取油茶果殼籽粒的顏色特征進(jìn)行分選區(qū)分，以得到最優(yōu)的綜合分選結(jié)果。

1）顏色特征選取

油茶果殼籽粒的RGB分量顏色特征如圖7所示，在采集的圖片中，油茶籽粒呈現(xiàn)為暗黑色，像素點(diǎn)的RGB分量顏色偏向于黑色至象牙黑之間，而暗綠色與白色則為果殼、樹枝葉等顏色特征，其他的顏色特征像素范圍可轉(zhuǎn)化為背景或雜質(zhì)做全零像素處理。

圖7 油茶果殼籽粒的RGB分量Fig.7 RGB components of Camellia shell and seed

2）顏色特征值確定

選取顏色向量三維矩陣，依據(jù)油茶籽粒像素塊的RGB特征分量構(gòu)造3個(gè)輸入顏色特征向量值。在RGB分量中，訓(xùn)練樣本顏色選取原則依據(jù)油茶籽粒與果殼顏色，籽粒顏色，本文選取 0～114范圍之內(nèi)的黑色像素區(qū)間作為籽粒區(qū)間，范圍區(qū)間為a= [ (0- 1 02),(0- 1 12),(0- 1 14)].而果殼區(qū)間數(shù)據(jù)范圍則依據(jù)樣本的RGB顏色特征值設(shè)定為b= [ (140 - 2 40),(140 - 2 40),(140 - 2 40)]，a,b中的數(shù)值分別對應(yīng)油茶籽粒與果殼中的R分量、G分量、B分量的灰度值范圍，識別目標(biāo)顏色特征范圍數(shù)據(jù)如表2所示。

表2 油茶果殼籽粒RGB分量范圍Table 2 Color feature components range of Camellia seed shape

為利于油茶果顏色識別，將提取的油茶果殼顏色特征數(shù)據(jù)輸入支持向量機(jī)算法進(jìn)行顏色二分，作為顏色特征算子進(jìn)行訓(xùn)練，以便于為后續(xù)的圖像顏色特征識別。

3.2 SVM顏色特征分類

支持向量機(jī)算法是一種成熟的圖像識別處理算法，其算法特點(diǎn)是間隔最大化，能夠?qū)ふ曳珠_ 2類樣本數(shù)據(jù)且具備最大分類間隔的最優(yōu)分類超平面。其優(yōu)秀的分類特征特別適用于基于顏色特征的二分類處理或多分類處理。本研究以油茶果殼的顏色特征數(shù)據(jù)庫為訓(xùn)練模板，并運(yùn)用模板訓(xùn)練所得的分類器對目標(biāo)油茶籽粒與果殼進(jìn)行再次顏色特征的再次分類處理。

在圖像處理中支持向量機(jī)的工作原理如下：假設(shè)存在向量集D={ (fi,li) } ,i= 1 ,2,...,k,li∈{-1,1}，其中，f為特征向量，l定義為樣本標(biāo)簽，k為數(shù)據(jù)樣本的總數(shù)。對于可以通過線性區(qū)分的假設(shè)，可以讓最終結(jié)果最大間隔或求解凸二次規(guī)劃最優(yōu)解獲得下面公式

式中w為權(quán)重參數(shù)，b1為偏移量，i= 1 ,2,...,k，C為懲罰因子，ξ為松弛變量。通過建立拉格朗日中值以獲得最優(yōu)解的SVM分類器，并對參數(shù)模型進(jìn)行訓(xùn)練。同時(shí)，本文選取線性核函數(shù)作為訓(xùn)練核函數(shù)。

給定支持向量機(jī)的顏色訓(xùn)練樣本集和核函數(shù)，本研究選取油茶果殼的RGB 3個(gè)參數(shù)樣本作為支持向量機(jī)的輸入訓(xùn)練樣本，即選取表2的果殼之間的顏色像素區(qū)間，本研究選取的訓(xùn)練樣本 RGB像素集合與范圍區(qū)間為b= [ (140 - 2 40),(140 - 2 40),(140 - 2 40)].

SVM算法識別顏色特征的流程步驟如下：

第一步，輸入油茶果殼的RGB訓(xùn)練樣本集合，選取訓(xùn)練樣本 RGB像素集合與范圍區(qū)間為b= [ (140 - 2 40),(140 - 2 40),(140 - 2 40)]。

第二步，針對油茶果殼目標(biāo)樣本的顏色特征進(jìn)行SVM算法訓(xùn)練。

第三步，油茶果殼樣本顏色特征訓(xùn)練完畢后，進(jìn)入第二層分選區(qū)，對目標(biāo)數(shù)據(jù)進(jìn)行SVM二分，以獲取目標(biāo)油茶果殼籽粒目標(biāo)，如圖8所示。在下一步使用噴氣嘴進(jìn)行吹飛。

圖8 油茶果殼籽粒顏色特征區(qū)分Fig.8 Color feature difference of Camellia shell and seed

4 試驗(yàn)與結(jié)果分析

本文采用偏好人工免疫算法及 SVM 算法對油茶籽粒、果殼目標(biāo)進(jìn)行了分選，用 2種分選算法進(jìn)行綜合分選增加了整個(gè)分選系統(tǒng)的適應(yīng)性，因?yàn)橹挥蒙x法雖然可以對顏色差異進(jìn)行辨識，但是在顏色分別不明顯，色選不能完全識別樣本的情況下，形選可以彌補(bǔ)色選在顏色識別上的的分選缺點(diǎn)。同樣，果殼和籽粒的重疊、粘連可能造成形態(tài)誤識別，而色選可以在不同形態(tài)區(qū)域進(jìn)行細(xì)分。因此，色選與形選結(jié)合的分選算法可以最大程度增加整個(gè)系統(tǒng)的實(shí)用性，提煉出 2種方法的優(yōu)點(diǎn)，以增強(qiáng)整個(gè)系統(tǒng)的自適應(yīng)性。

為計(jì)算本文提出算法的有效性，本研究編制MATLAB分選代碼并在油茶果脫殼生產(chǎn)線工控機(jī)設(shè)備上進(jìn)行測試分析。

4.1 試驗(yàn)結(jié)果

在仿真試驗(yàn)階段，本文先選取形態(tài)、顏色特征數(shù)據(jù)庫的數(shù)據(jù)進(jìn)行算法訓(xùn)練，再選取脫殼后的油茶果殼、籽粒圖片進(jìn)行分選本文算法的分選測試，測試圖片選取存放周期為3和12 d的圖片各10張，綜合2種算法模型的分選測試得到了不同存放時(shí)間下圖片的組合算法識別時(shí)間、識別率數(shù)據(jù)。由于最終噴氣嘴的吹飛目標(biāo)為油茶果殼，因此應(yīng)用算法模型將每幅圖片中的果殼個(gè)數(shù)、成功識別個(gè)數(shù)、識別率、識別時(shí)間進(jìn)行了統(tǒng)計(jì)，最終得到了圖片中油茶果殼的各項(xiàng)識別參數(shù)，識別結(jié)果如表3所示.

表3 存放期3、12 d脫殼后油茶果殼識別效率Table 3 Recognition efficiency of Camellia shell after stored for 3, 12 days

由表3得到，存放期為3和12 d的油茶果殼識別率有較大的差別，存放期為3 d的識別率平均值為94.6%，遠(yuǎn)大于12 d的識別率均值76.6%，識別率的差異的原因在于采摘后的油茶果實(shí)存放越久，其果殼收到溫度與濕度等外界因素影響，其顏色將逐漸呈現(xiàn)暗黑色，與籽粒的顏色差別逐漸變小，因此造成存放期12 d后的果殼識別率普遍降低，最低達(dá)到了 66.6%。而由于算法結(jié)構(gòu)的原因，識別時(shí)間則基本不受顏色干擾影響，一般平均識別時(shí)間為600 ms左右。因此，為保證識別效率，油茶果采摘后不宜放置過久，應(yīng)盡快進(jìn)行后續(xù)的脫殼以及分選過程。

4.2 形態(tài)多特征免疫網(wǎng)絡(luò)聚類分選效果

在得到整體綜合算法識別效率后，對油茶果殼、籽粒的 3種形態(tài)特征的免疫網(wǎng)絡(luò)進(jìn)行三維仿真以驗(yàn)證目標(biāo)形選的特征不變性。分別對上文中10張3 d存放期與10張 12 d存放期后脫殼的油茶果圖片進(jìn)行形態(tài)多特征聚類，應(yīng)用本研究的多特征偏好免疫網(wǎng)絡(luò)算法進(jìn)行聚類，得到的籽粒、果殼多特征偏好免疫 3特征三維聚類效果如圖9所示。

圖9 存放期3、12 d果殼籽粒形態(tài)特征聚類效果Fig.9 Clustering effect of morphological feature stored for 3, 12 days

從圖9中可以得出，由于形態(tài)學(xué)特征不受油茶果顏色變化的影響，輸入形態(tài)特征參數(shù)后，經(jīng)過多特征免疫網(wǎng)絡(luò)聚類識別后，3天存放期與12天存放期的油茶果殼、籽粒均可實(shí)現(xiàn)較好的形態(tài)特征聚類效果，這也證明了通過形態(tài)學(xué)參數(shù)分選目標(biāo)可以不受果殼顏色變化干擾影響，進(jìn)而增加了算法結(jié)構(gòu)的自適應(yīng)性。

4.3 不同算法分選對比

本文使用多特征免疫網(wǎng)絡(luò)與支持向量機(jī)的聯(lián)合算法解決了油茶果殼、籽粒在傳送帶上的動(dòng)態(tài)多特征識別問題，本研究進(jìn)一步使用了形態(tài)顏色特征融合的多特征人工免疫算法[26]、多維SVM算法[34]、傳統(tǒng)的色選閾值分選方法、傳統(tǒng)形態(tài)單特征閾值分選法在分選效率與分選時(shí)間上的進(jìn)行了對比試驗(yàn)，以測試本文分選算法的有效性。

試驗(yàn)所選用的對比數(shù)據(jù)為上文試驗(yàn)中使用的存放周期為3與12 d的的油茶果實(shí)、籽粒圖片各10張，提取SQL數(shù)據(jù)庫中的6個(gè)的形態(tài)與顏色參數(shù)進(jìn)行試驗(yàn)，上文已經(jīng)使用了本文的算法進(jìn)行了試驗(yàn)，在對比試驗(yàn)中，使用6特征免疫算法、6特征SVM算法、傳統(tǒng)顏色閾值法、傳統(tǒng)形態(tài)單特征法進(jìn)行分選對比，得到的各算法平均分選效率與平均運(yùn)算時(shí)間如圖10所示。

圖10 不同算法分選時(shí)間及識別率對比Fig.10 Comparison of sorting time and recognition rates in different algorithm

從圖10中可以得出，由于算法結(jié)構(gòu)與輸入數(shù)據(jù)的因素，5種算法在3和12 d的分選時(shí)間上基本一致，其中傳統(tǒng)顏色閾值法與傳統(tǒng)形態(tài)單特征閾值法的分選時(shí)間最短，最低達(dá)到了平均 110 與 133 ms。傳統(tǒng)的閾值色選算法雖然執(zhí)行時(shí)間較短，但由于其算法結(jié)構(gòu)簡單，不具備多特征自適應(yīng)性，導(dǎo)致識別率較低，當(dāng)油茶的存放期達(dá)到 12 d，果殼與籽粒的區(qū)分已經(jīng)不明顯時(shí)，傳統(tǒng)顏色閾值分選方法的識別率大幅度下滑，降低到了15.2%，基本不具備可用性；傳統(tǒng)形態(tài)單特征閾值法采用了判斷目標(biāo)延伸率來判斷目標(biāo)的方法，受到顏色變化的影響較小，但由于待識別目標(biāo)的形態(tài)特征多樣化，導(dǎo)致整體識別率較低，平均只有 35%左右。而單獨(dú)使用多特征偏好免疫算法對形態(tài)、顏色的 6個(gè)特征進(jìn)行識別容易造成識別時(shí)間過長的“維數(shù)災(zāi)難”[35]，即當(dāng)數(shù)據(jù)的輸入維度造成算法內(nèi)部相關(guān)維度增大時(shí)，算法的整體運(yùn)行時(shí)間會(huì)隨指數(shù)型增長，這在實(shí)時(shí)率要求較高的實(shí)際分選工作環(huán)境中是不適用的。即使識別效率達(dá)到了要求，但也會(huì)導(dǎo)致識別時(shí)間過長，不適用于生產(chǎn)線的實(shí)時(shí)識別率要求；SVM算法由于其算法結(jié)構(gòu)的二分特性不適于多特征識別，改進(jìn)的算法也會(huì)由于結(jié)構(gòu)過于復(fù)雜導(dǎo)致分選時(shí)間長的問題，同時(shí)在12 d存放期顏色區(qū)分不明顯的情況下也會(huì)造成識別率的下降。而本文采用的多特征偏好免疫網(wǎng)絡(luò)與SVM結(jié)合的算法縮減了多維運(yùn)算的復(fù)雜性，節(jié)省了運(yùn)算時(shí)間。在縮小運(yùn)算時(shí)間的基礎(chǔ)上，同時(shí)保證了分選效率，使油茶果在 3與 12 d的分選識別率分別達(dá)到了 97.4%和76.6%，識別時(shí)間達(dá)到了平均值600 ms，最低值510 ms，識別時(shí)間為 2種算法的消耗時(shí)間之和，其中免疫算法和SVM算法消耗時(shí)間的比例為2.3∶1，證明了本文的算法較其他算法在時(shí)間與效率上的優(yōu)勢。

5 結(jié) 論

1）本研究通過人工免疫網(wǎng)絡(luò)與支持向量機(jī)的結(jié)合算法，使油茶果分選生產(chǎn)線實(shí)現(xiàn)了形態(tài)與顏色特征綜合判斷分選的效果。特別針對于存放時(shí)間較長導(dǎo)致果殼與籽粒顏色區(qū)分不強(qiáng)的油茶果實(shí)，本研究可以通過增加形態(tài)學(xué)識別的方法增強(qiáng)系統(tǒng)的可用性，進(jìn)而增加了油茶分選生產(chǎn)線的魯棒性與實(shí)用性。

2）通過改進(jìn)的自適應(yīng)免疫算法進(jìn)行了綜合識別，綜合識別算法綜合了2種識別算法的優(yōu)點(diǎn)，試驗(yàn)得到3 d存放期的平均識別率達(dá)到了97.4%，12 d存放期的平均識別率為76.6%，識別時(shí)間平均值為600 ms，最低值達(dá)到了510 ms。結(jié)果滿足了生產(chǎn)線的實(shí)用效率要求，進(jìn)一步增加了分選系統(tǒng)的可用性。

本文在實(shí)地生產(chǎn)線上實(shí)時(shí)對油茶果分選的效率與速率進(jìn)行試驗(yàn)檢測，通過檢測驗(yàn)證了本研究的計(jì)算方法的有效性。事實(shí)證明，本研究提出的多特征識別算法的應(yīng)用，將使油茶果分選系統(tǒng)更加經(jīng)濟(jì)，更加實(shí)用。

針對識別對象目標(biāo)重疊后產(chǎn)生的實(shí)效問題，本研究先采用偏好人工免疫網(wǎng)絡(luò)對油茶果殼、籽粒的目標(biāo)進(jìn)行形態(tài)特征的識別，由于油茶果堆疊擺放較為密集，因此只采取形態(tài)學(xué)特征識別不可避免會(huì)對重疊目標(biāo)產(chǎn)生誤識別，進(jìn)而降低目標(biāo)識別率。而第二步采用的SVM顏色分類識別則可以較好地利用顏色特征將形態(tài)特征誤識別的目標(biāo)提煉出來，從而解決對象目標(biāo)重疊、連接的問題。