一種改進(jìn)的蓮子頭部識別裝置

馬志偉 黃海燕 陳應(yīng)權(quán) 林澤鎧 黃子祥

（廣州城市理工學(xué)院 廣東省廣州市 510800）

蓮子有苦味，未完成加工的蓮仁，需要加工把蓮心去除干凈。目前市場上有多種技術(shù)成熟的蓮子磨機，但無論是蓮子頭還是蓮子尾，都是從頭穿尾。通過實驗測試,從尾部的滲透將有一個更高的穿心率和穿凈率，不僅保持了蓮子內(nèi)核（蓮心）的完整性，蓮子加工外觀更加完整和美麗，所以有必要開發(fā)一個蓮子頭識別設(shè)備。蓮子發(fā)芽快，采摘放置一段時間后，蓮子頭就會露出來。整個圖像結(jié)構(gòu)與眼球非常相似。據(jù)此，我們可以使用瞳孔識別算法來識別蓮子頭。鑒于此，我們設(shè)計并開發(fā)了一種基于瞳孔識別算法的蓮子頭識別裝置。通過蓮子打孔機與落料機構(gòu)的配合，實現(xiàn)蓮子穿孔加工，提高心率和凈率，降低蓮子仁的破損率，生產(chǎn)具有較高附加值的蓮子。

1 基于瞳孔識別算法的蓮子頭部識別原理

1.1 瞳孔識別介紹

人的眼睛結(jié)構(gòu)由鞏膜、虹膜、瞳孔晶狀體、視網(wǎng)膜等部分組成。虹膜是位于黑色瞳孔和白色鞏膜之間的圓環(huán)狀部分，其包含有很多相互交錯的斑點、細(xì)絲、冠狀、條紋、隱窩等的細(xì)節(jié)特征。而且虹膜在胎兒發(fā)育階段形成后，在整個生命歷程中將是保持不變的。這些特征決定了虹膜特征的唯一性，同時也決定了身份識別的唯一性。因此，可以將眼睛的虹膜特征作為每個人的身份識別對象。

虹膜識別技術(shù)的過程主要有四個過程，分別為虹膜圖像采集、圖像預(yù)處理、特征提取和特征匹配。下面具體展開細(xì)說：

虹膜圖像獲取是指使用特定的數(shù)字?jǐn)z像器材對人的整個眼部進(jìn)行拍攝，并將拍攝到的圖像通過圖像采集卡傳輸?shù)接嬎銠C中存儲;

圖像預(yù)處理是指由于拍攝到的眼部圖像包括了很多多余的信息，并且在清晰度等方面不能滿足要求，需要對其進(jìn)行包括圖像平滑、邊緣檢測、圖像分離等預(yù)處理操作;

特征提取是指通過一定的算法從分離出的虹膜圖像中提取出獨特的特征點，并對其進(jìn)行編碼;

最后，特征匹配是指根據(jù)特征編碼與數(shù)據(jù)庫中事先存儲的虹膜圖像特征編碼進(jìn)行比對、驗證，從而達(dá)到識別的目的。

在虹膜識別過程之前，技術(shù)實現(xiàn)上要求通過對人類的虹膜進(jìn)行標(biāo)志性特征的提取，并通過這些特征來形成圖像、特征分離和抓取?；诤缒こ上瘢眠@些相量信息繪制為“虹膜碼”，最終使用虹膜碼進(jìn)行確認(rèn)。

1.2 瞳孔識別算法原理

1.2.1 濾波

濾波作用：圖像邊緣信息主要集中在高頻段，通常說圖像銳化或檢測邊緣，實質(zhì)就是高頻濾波。我們知道微分運算是求信號的變化率，具有加強高頻分量的作用。

在空域運算中來說，對圖像的銳化就是計算微分。由于數(shù)字圖像的離散信號，微分運算就變成計算差分或梯度。

圖像處理中有多種邊緣檢測（梯度）算子，常用的包括普通一階差分，Robert算子（交叉差分），Sobel算子等等，是基于尋找梯度強度。拉普拉斯算子（二階差分）是基于過零點檢測。通過計算梯度，設(shè)置閥值，得到邊緣圖像。

1.2.2 二值化

圖像的二值化處理就是講圖像上的點的灰度置為0或255，也就是講整個圖像呈現(xiàn)出明顯的黑白效果。即將256個亮度等級的灰度圖像通過適當(dāng)?shù)拈y值選取而獲得仍然可以反映圖像整體和局部特征的二值化圖像。在數(shù)字圖像處理中，二值圖像占有非常重要的地位，特別是在實用的圖像處理中，以二值圖像處理實現(xiàn)而構(gòu)成的系統(tǒng)是很多的，要進(jìn)行二值圖像的處理與分析，首先要把灰度圖像二值化，得到二值化圖像，這樣子有利于再對圖像做進(jìn)一步處理時，圖像的集合性質(zhì)只與像素值為0或255的點的位置有關(guān)，不再涉及像素的多級值，使處理變得簡單，而且數(shù)據(jù)的處理和壓縮量小。為了得到理想的二值圖像，一般采用封閉、連通的邊界定義不交疊的區(qū)域。所以重點在于對二值化的閾值選擇。二值化的方法可以分為全局閾值法和局部閾值法，本裝置用的是全局閾值法，閾值選擇的原則是選擇和蓮子頭部相近的灰度值。

將灰度值按從小到大排序：

S={S-n，S-n+1，S-n+2 ···S0，S1，S2 ··· Sn-2，Sn-，Sn }

代表最小灰度值的為“S-n” ，最大灰度值為“Sn”，平均灰度值則為S0=∑ Si Ni=-N ，根據(jù)算法的實際性極限值=平均灰度值×系數(shù)值a且a （0＜a＜1），故選擇的極限值為 a=0.85*S0。

1.2.3 Canny 算子邊緣檢測原理及實現(xiàn)

原理：從表面效果上來講，Canny 算法是對 Sobel、Prewitt 等算子效果的進(jìn)一步細(xì)化和更加準(zhǔn)確的定位。

Canny 算法基于三個基本目標(biāo)：

（1）所有邊緣都應(yīng)被找到，使錯誤率降低，且沒有偽響應(yīng)。

（2）邊緣點應(yīng)該被很好地定位。

（3）單一的邊緣點響應(yīng)。這意味在僅存一個單一邊緣點的位置，檢測器不應(yīng)指出多個像素邊緣。進(jìn)而，Canny 的工作本質(zhì)是，從數(shù)學(xué)上表達(dá)前面的三個準(zhǔn)則。

Canny的步驟如下：

（1）對輸入圖像進(jìn)行高斯平滑，降低錯誤率。

（2）計算梯度幅度和方向來估計每一點處的邊緣強度與方向。

（3）根據(jù)梯度方向，對梯度幅值進(jìn)行非極大值抑制。本質(zhì)上是對 Sobel、Prewitt等算子結(jié)果的進(jìn)一步細(xì)化。

（4）用雙閾值處理和連接邊緣。

1.3 蓮子頭部識別原理

識別蓮子頭部是本文的技術(shù)要點，利用蓮頭和瞳孔的圖像結(jié)構(gòu)特征對蓮頭進(jìn)行識別。圖像邊緣有不規(guī)則結(jié)構(gòu)和不穩(wěn)定性，輪廓有突變點。這些突變給出了蓮子輪廓的位置，利用Canny邊緣提取算法提取蓮子的輪廓，從而定位蓮芯。對于模糊問題，使用暗通道先驗的方法，來為單一輸入圖像進(jìn)行消除噪聲。通過SVM訓(xùn)練采集的數(shù)據(jù)，得到三種不同的情況的數(shù)據(jù)分析圖，可以明顯區(qū)分蓮子頭部數(shù)據(jù)情況。

本文采用的圖像邊緣提取方法為Canny算子。Canny邊緣檢測算子是一種多級檢測算法，具有低失誤概念，高定位精度，對單一邊緣具有唯一響應(yīng)這三大優(yōu)點，基本實現(xiàn)流程如下：

（1）對輸入圖像進(jìn)行高斯平滑，降低錯誤率。

（2）計算梯度幅度和方向來估計每一點處的邊緣強度與方向。

（3）根據(jù)梯度方向，對梯度幅值進(jìn)行非極大值抑制。本質(zhì)上是對Sobel、Prewitt等算子結(jié)果的進(jìn)一步細(xì)化。

（4）用雙閾值處理和連接邊緣。

（5）連接圖像邊緣，Canny算子提取出蓮子蓮心的邊緣是，對閾值點進(jìn)行霍夫變換，就可定位蓮心坐標(biāo)。

2 暗通道

2.1 暗通道先驗

暗通道先驗是基于以下戶外無霧圖像的觀察：在大多數(shù)非天空區(qū)域，至少有一些像素的最少一個通道有非常低接近于 0 的亮度值。正式的描述這個觀察結(jié)果，我們首先定義了關(guān)于暗通道的概念。任意一幅圖像 J，它的暗通道Jdark，使用暗通道的概念，我們的觀察發(fā)現(xiàn)如果 J 是一個戶外無霧圖像，除了天空區(qū)域，J 的暗通道亮度是非常低的并且趨近于 0：Jdark->0，我們稱此為暗通道先驗。如圖1所示。

圖1

3 硬件系統(tǒng)設(shè)計

3.1 硬件設(shè)備

該裝置的主控制芯片是stm32h743。核心為arm-cortexm7，工作頻率為400mhz，滿足性能要求，保證圖像識別的準(zhǔn)確性和識識率。

3.2 圖像采集

該設(shè)備采用OV7725攝像機作為圖像采集模塊，具有30W像素，640*480分辨率，紅外濾波，3.3V電源，采集到的圖像數(shù)據(jù)非常穩(wěn)定充足，便捷于STM32H743啟動數(shù)據(jù)處理以及分析識別。

3.3 圖像顯示

圖像顯示模塊采用TFT顯示屏，分辨率為128×160，顯示顏色為65k/263k，驅(qū)動芯片為ST7735S，可顯示高飽和度、高清晰度的圖像，滿足顯示要求。

3.4 環(huán)形燈陣

在相機上安裝一排環(huán)形燈，為相機補光，保證相機不受外界光源影響，可穩(wěn)定采集蓮子圖像信息?？稍诤诎淡h(huán)境中使用，圖像清晰，降低錯誤率。硬件設(shè)計如圖2所示。

圖2

4 機器學(xué)習(xí)的基礎(chǔ)研究

Support Vector Machine（SVM）[3]是一個經(jīng)典的機器學(xué)習(xí)二分類算法，能夠根據(jù)訓(xùn)練得到的權(quán)重參數(shù)，預(yù)測出數(shù)據(jù)的變化趨勢，進(jìn)而對實際情況做出合理的判斷。在本課題中，我們將已有的樣本數(shù)據(jù)放進(jìn)構(gòu)建好的SVM模型中訓(xùn)練，在確保訓(xùn)練數(shù)據(jù)和過程的可靠性前提下，將訓(xùn)練好的SVM模型應(yīng)用于此防疫控制裝置，實時讀取此防疫控制裝置的狀態(tài)，對裝置的故障情況做出預(yù)判。

機器學(xué)習(xí)的分類方法很多，在具體實施過程中，最終選擇了SVM算法，SVM算法的優(yōu)勢在于對非線性空間數(shù)據(jù)敏感、泛化能力較強，能夠很快利用核函數(shù)求得所需要的超平面，將非線性空間的高維數(shù)據(jù)進(jìn)行很好的分類。

SVM的原理如下：對于給定樣本數(shù)據(jù)X={X1,X2,…,XN}和y={y1,y2,…,yN}，其中X表示一個多維的特征向量，y∈{1,-1}表示正標(biāo)簽和負(fù)標(biāo)簽。

接下來，通過下公式找到一個超平面W：XTW+b=0 （2.2.1）

SVM算法的目標(biāo)就是最大化正樣本和負(fù)樣本之間的間隔，更直觀地，由圖3可知，超平面 XTW+b=1 和 XTW+b=-1 之間的間隔就是SVM需要最大化的間隔。很明顯，所有的正樣本數(shù)據(jù)代入XTW+b，結(jié)果>1 ；負(fù)樣本數(shù)據(jù)的計算結(jié)果＜1。

圖3：超平面示意圖

接下來，我們將高數(shù)里面求兩條平行直線的距離公公式推廣到高維，可求得圖3中超平面 XTW+b=1 和 XTW+b=-1 之間的margin（間隔）：

現(xiàn)在，我們的目標(biāo)是使最大化margin，等價于最小化‖W‖，如下：

訓(xùn)練數(shù)據(jù)集的樣本點中與分離超平面距離最近的數(shù)據(jù)點稱為Support Vector（支持向量），這些點使公式（2.2.4）中的約束條件取等，即：

在圖3能更直觀的看出，Support Vector 就是指在直線XTW+b=1和直線XTW+b=-1的點，在決定最佳超平面時只有支持向量起作用，而其他數(shù)據(jù)點并不起作用，從求解公式（2.2.4）的過程中也可以看出這一點，公式（2.2.4）的求解過程部分如下：

首先，我們引進(jìn)拉格朗日乘子αi≥1,i=1,2,…,N 用拉格朗日乘子法構(gòu)造Lagrange function：

由公式（2.2.6）和公式（2.2.4）易知：

目標(biāo)函數(shù)被轉(zhuǎn)換為下述優(yōu)化問題：

又因為拉格朗日函數(shù)的對偶性，優(yōu)化問題如下：

至此，我們將SVM算法最大化間隔轉(zhuǎn)換成了對目標(biāo)公公式（2.2.9）的求解。

我們將上述的SVM機器學(xué)習(xí)算法應(yīng)用于本裝置。首先，將一批訓(xùn)練樣本導(dǎo)入構(gòu)建的SVM模型，訓(xùn)練出最佳超平面；然后，實時監(jiān)測設(shè)備的運行情況讀取設(shè)備狀態(tài)，將讀取的數(shù)據(jù)放進(jìn)訓(xùn)練好的SVM模型中預(yù)測，若得到的檢測結(jié)果表示為負(fù)樣本則發(fā)出警報。設(shè)備維護(hù)人員就被告知設(shè)備需要維修，這樣的工作模式在一定程度上節(jié)省了人工檢測維修的成本，將裝置的智能化程度進(jìn)一步提升。