基于特征融合的隨機森林模型茶鮮葉分類

萬 廣，陳忠輝，方洪波，閆建偉，張文勇，謝本亮

(1 貴州大學 大數據與信息工程學院，貴州 貴陽 550025； 2 貴州大學 機械工程學院，貴州 貴陽 550025； 3 貴州大學 計算機科學與技術學院，貴州 貴陽 550025)

作為茶葉的原產地之一，中國有著歷史悠久的茶文化底蘊[1]，茶鮮葉質量的優(yōu)劣基本決定著茶葉品質的高低。隨著勞動力的短缺以及勞動成本的提升，茶產業(yè)機械化、工業(yè)化進程的不斷推進，茶鮮葉的機械化采摘技術和裝備日趨成熟。但機采茶鮮葉混雜度高，包含有各種等級的茶葉，因此在制茶工藝中，分選成為了一道費工、費時且關鍵的工序。早期根據茶鮮葉的物理特性，研制出了滾篩、圓篩、風選等分選方法[2]，雖然可以去除茶鮮葉中的雜物(如殘葉、葉梗等)，但難以對茶鮮葉進行精確的等級劃分。

近年來，隨著機器視覺和機器學習技術的發(fā)展，茶葉的分類技術進入智能化時代。陳全勝等[3]利用顏色特征建立支持向量機(Support vector machines, SVM)分類模型，通過色澤來分辨茶葉品質的優(yōu)次，模型的平均識別率達到95%左右；吳正敏等[4]以大紅袍為例，通過提取夏秋季節(jié)茶葉各種形態(tài)特征參數，判斷特征權重進行特征選擇，并且設置不同的權重比來完成葉和梗的分離，最終識別準確率為93.8%；高震宇等[5]通過建立卷積神經網絡，通過局部連接和權值共享等方法提高了網絡的訓練性能，最終識別的準確率不低于90%。余洪[6]通過 RGB(Red, green, blue)和 HIS(Hue, instensity,saturation)顏色模型提取顏色特征，通過統(tǒng)計矩和灰度共生矩提取紋理特征，共提取到12個顏色特征和22個紋理特征，建立基于主成分分析、遺傳算法和BP神經網絡的茶葉品質分級模型，識別準確率達到92.5%。

本研究應用隨機森林分類模型，以3種不同品質的茶鮮葉圖像作為依據，分別提取茶鮮葉樣本圖像的顏色特征和邊緣特征，并且將2種特征同時輸入到分類模型中，以期實現對3種不同品質茶鮮葉的精確識別和分類。

1 材料與方法

1.1 圖像采集

試驗研究對象是綠茶中的都勻毛尖，于春季在貴州省黔西南州采摘，共采集到茶鮮葉樣本葉片906個，其中包括單芽299個、一芽一葉302個、一芽二葉305個。拍攝環(huán)境為實驗室，拍照設備為手機榮耀 20 (后置四攝 4800 萬+1600 萬+200 萬+200萬像素)；為了突出茶鮮葉的顏色特征和邊緣特征，拍照背景選擇A4白紙以提高對比度；并用普通白熾燈照射，減弱周圍其他光源的影響；拍攝方式為垂直俯拍，并用支架固定手機拍攝位置，手機與樣本之間的距離為30 cm左右。采集的部分樣本圖像如圖1所示。

圖 1 不同等級茶鮮葉樣本圖像Fig. 1 Representative images of different grades of fresh tea leaves

1.2 圖像預處理

圖像采集過程中避免不了外界因素的干擾，為了便于后續(xù)特征提取的方便，需要對獲得的圖像數據集進行預處理。其中包括區(qū)域裁剪、尺寸歸一化和噪聲去除[7]。具體操作流程如圖2所示。

圖 2 圖像預處理流程圖Fig. 2 Flow chart of image preprocessing

1.2.1 區(qū)域裁剪和尺寸歸一化 由于拍攝條件的限制，茶鮮葉在圖像中的顯示位置會有差異，RGB圖像也不能保持一致。因此需要對茶鮮葉的圖像進行區(qū)域裁剪。區(qū)域裁剪的目的是將研究以外的區(qū)域去除，保留圖像中心區(qū)域的茶鮮葉圖像作為感興趣區(qū)域 (Region of interest，ROI)；對區(qū)域裁剪處理后的圖像進行尺寸歸一化，使各個指標處于同一個數量級，處理后的圖像分辨率為 2 56×256像素，如圖2b所示。

1.2.2 噪聲去除 圖像中存在的噪聲會對茶鮮葉葉片的特征提取產生不利的影響，因此需要消除圖像中的噪聲干擾。采用中值濾波算法對圖像進行預處理，在去除噪聲的同時保留完整的葉片信息，并且能夠很好地保護圖像的邊緣信息，使圖像中茶鮮葉的邊緣更加平滑，便于后續(xù)邊緣特征的提取。得到的濾波后圖像如圖2c所示。

1.3 圖像特征提取

1.3.1 顏色特征提取 顏色作為一種全局特征[8-10]，是圖像中最簡單直接的一種特征，直方圖作為一種簡單有效的基于統(tǒng)計特性的特征描述，能描述圖像中顏色的全局分布。本文將RGB顏色空間和HSV(Hue，saturation，value)顏色空間[11]配合使用來區(qū)分不同等級的茶鮮葉顏色特征。HSV是根據顏色的直觀特性創(chuàng)建的一種顏色空間，更接近實際人類的視覺特征，手機拍攝獲得的圖像為RGB格式，需要轉化為HSV格式，RGB坐標系向HSV空間轉化的公式為：

式中：(R，G，B)min表示三者中的最小值；H代表色調，用角度度量，取值范圍為 [0°，360°]，從紅色開始按逆時針方向計算，紅色為0°，綠色為120°，藍色為240°；S代表飽和度，表示顏色接近光譜色的程度；V代表明度，表示顏色明亮的程度，通常取值為0%(黑)～100%(白)；R、G、B分別表示紅、綠、藍通道。

對經過中值濾波處理后的圖像進行顏色特征的提取，3種不同等級的茶鮮葉的RGB空間的直方圖和HSV空間的H、S、V通道的直方圖像素分布情況如圖3～圖6所示。

圖 3 3種等級茶鮮葉的顏色空間直方圖Fig. 3 Color space histogram of three grades of fresh tea leaves

圖 4 單芽茶鮮葉的H、S、V通道直方圖Fig. 4 H, S, V channel histogram of fresh tea leaf with single bud

圖 5 一芽一葉茶鮮葉的H、S、V通道直方圖Fig. 5 H, S, V channel histogram of fresh tea leaf with one bud and one leaf

圖 6 一芽二葉茶鮮葉的H、S、V通道直方圖Fig. 6 H, S, V channel histogram of fresh tea leaf with one bud and two leaves

對多個茶鮮葉的直方圖的像素進行統(tǒng)計得出，在RGB空間中單芽圖像的像素主要分布區(qū)間為[134，184]，一芽一葉圖像的像素主要分布區(qū)間為[43，96]和[147，186]，一芽二葉圖像的像素主要分布區(qū)間為[41，197]。在HSV空間中3種等級的茶鮮葉圖像H通道像素主要分布區(qū)間為[0，70]，S通道像素主要分布區(qū)間為[0，200]，V通道像素主要分布區(qū)間為[40，200]。為了加強不同等級茶鮮葉像素之間的差異，分別對H、S、V三通道像素進行非等間隔的量化，其中色調H空間分為8份，飽和度S和亮度V空間各劃分為3份，以提高分類器的構建效率和識別的準確率。

1.3.2 邊緣特征提取 圖像的邊緣特征主要針對物體的外邊界[12-14]。Canny算法是一種多級邊緣檢測算法，在實際操作中，Canny算法使用一個低閾值和一個高閾值來確定哪些點屬于輪廓，低閾值主要包括所有屬于明顯圖像輪廓的邊緣像素；高閾值是定義所有重要輪廓的邊緣，最后組合低閾值和高閾值兩幅邊緣圖生成最優(yōu)的輪廓圖。圖像的邊緣可以指向不同的方向，因此經典Canny算法用4個梯度算子來計算水平、垂直和對角線方向的梯度[15]。本文采用梯度算子中的Sobel算子計算水平和垂直方向的差分Gx和Gy，由這2個條件便可計算梯度模和方向，如式(4)、式(5)所示。

圖 7 邊緣特征圖像Fig. 7 Edge feature image

1.4 隨機森林算法

1.4.1 算法原理 隨機森林 (Random forest，RF)[16-19]屬于并行集成學習中Bagging(Bootstrap AGGregatING)算法的一種擴展變體，是在以決策樹為基學習器構建Bagging集成的基礎上，進一步在決策樹的訓練過程中引入隨機屬性選擇。它將多種弱分類器集成，形成新的分類器模型，決策樹決定了輸出分類，無需特征篩選也能得到較高的正確率，對特征具有較好的魯棒性。與傳統(tǒng)的分類器相比，隨機森林需要很少的參數調整，并且在準確率方面有很大的優(yōu)勢。隨機森林擁有其獨特的特點，能夠處理很高維度(特征較多)的數據，不需要降維，訓練速度較快，容易做成并行化方法，由于隨機性的引入，使得其很少出現過擬合的現象，隨機森林算法流程如圖8所示。

圖 8 隨機森林流程圖Fig. 8 Flow chart of random forest

1.4.2 隨機森林的訓練過程 隨機森林的模型訓練是通過隨機采樣(Bootstrap)方法隨機有放回地抽取k個樣本，并進行Ntree次采樣，生成Ntree個訓練集，分別訓練Ntree個決策樹模型的過程。對于單個決策樹模型，每次分裂時根據信息增益和信息熵選擇最好的特征進行分裂。對沒有抽中的樣本作為袋外數據 (Out of bag，OOB)。

針對分類問題，隨機森林的輸出采用多數投票法。利用隨機森林模型對測試集樣本進行分類判別，過程就是讓每棵決策樹進行投票抉擇，最終輸出最多的那個類別作為分類結果，輸出判別式如式(6)所示。

式中： a rgmax表示函數取得最大值時的參數值；H(x)表示隨機森林的最終分類結果；hi(x)表示單一決策樹模型分類結果；I()為示性函數(所謂示性函數是指一個函數使得當集合內有此數時值為1，當集合內無此數時值為0)[18]；Y表示輸出變量(或稱目標變量)。

2 結果與分析

2.1 試驗平臺和參數

本試驗在Pycharm環(huán)境下進行操作，所用電腦操作系統(tǒng)為Win10(64位)，運行內存4 G，處理器為酷睿i5-6200u，主頻2.30 GHz，進行圖像處理為OpenCV2庫。通過sklearn.ensemble調用Random-ForestClassifier分類模塊。隨機森林中決策樹的數目(Ntree)對最終分類結果有著及其重要的影響，Random-ForestClassifier模塊中通過n_estimators進行調節(jié)。

多次試驗證明，當Ntree取值較小時，隨機森林的分類誤差會較大，當Ntree的值逐漸增大時，隨機森林分類的精確度會有明顯的提升，但最終會趨于穩(wěn)定，甚至會有所下降。但當Ntree的數量越大時，占用的內存與訓練和預測的時間也會相應增加，且邊際效益是遞減的，所以要在可承受范圍內盡可能地選取合適的數量。

為了進一步選擇合適的決策樹數量，在固定其他參數不變、僅改變n_estimators參數的情況下，對茶鮮葉數據集進行多次分類試驗，觀察分類精確度隨著決策樹數目的變化。

圖9顯示了分類準確率隨著Ntree變化而變化的曲線?？紤]到內存和訓練時間，本試驗的Ntree選擇為35。

圖 9 分類準確率隨決策樹數目(N tree)的變化Fig. 9 Classification accuracy varied with the number of decision trees (N tree)

2.2 試驗結果

試驗時針對上述構建好的隨機森林分類器模型，將預處理之后得到的906張圖像(單芽圖像299張，一芽一葉圖像302張，一芽二葉圖像305張)按照4∶1的比例劃分后進行試驗，其中訓練集724張，測試集182張。識別準確率(Accuracy)是分類器性能判斷的重要指標之一，另外，精確率(Precision)、召回率(Recall)以及綜合評價指標(F1-score)在最終分類階段也作為常用的指標。4種評價指標公式如式(7)～式(10)所示。

式中：TP(True positive)為真陽性，表示實際類別為正，算法輸出類別也為正；FP(False positive)為假陽性，表示實際類別為負，樣本輸出類別為正；TN(False negative)為假負性，表示實際類別為負，算法輸出類別也為負；FN(False negative)為假陰性，表示實際類別為正，算法輸出類別為負。

為了驗證本文方法的有效性，分別將2個單一特征和融合特征輸入到隨機森林分類模型中，根據式(7)～(10)，得到準確率、精確率、召回率和綜合評價指標等結果數值，分別列于表1～表3。

表 1 顏色特征分類結果Table 1 Color feature classification results %

表 2 邊緣特征分類結果Table 2 Edge feature classification results%

表 3 融合特征分類結果Table 3 Fusion feature classification results %

由表1可知，顏色特征的識別準確率為92.31%，對單芽的分類結果最好，精確率、召回率和綜合評價指標都為96.23%，主要原因在于單芽的直方圖像素區(qū)間較小，比較集中；一芽一葉和一芽二葉的顏色特征綜合評價指標為90%左右，因為大多數一芽一葉的直方圖像素區(qū)間為2個，但2個區(qū)間的像素數量并不是絕對為0，所以一芽一葉和一芽二葉容易造成混淆。

由表2可知，邊緣特征的識別準確率為90.11%，比顏色特征低2.2個百分點，主要原因也在于一芽一葉和一芽二葉之間的混淆，例如：測試集混淆矩陣中，一芽一葉55張，有7張識別為一芽二葉；一芽二葉59張，有8張識別為一芽一葉。

由表3可知，顏色和邊緣特征融合識別的準確率為99.45%，比顏色特征和邊緣特征的識別準確率分別高7.14，9.34個百分點，該方法取2個特征識別時的交集，避免了單一特征識別時的局限性，提高了識別準確率，證明了該方法的可行性。

2.3 不同分類模型結果對比

為了進一步說明本文方法的有效性，將本文方法同傳統(tǒng)的機器學習方法K最近鄰(K-nearest neighbor, KNN)[20]和SVM分類器[21-22]進行對照試驗。其中K最近鄰算法中K設置為3，SVM分類器中懲罰系數C設置為10，核函數系數gamma為0.0001，試驗結果如表 4 所示。

表 4 不同模型的平均分類結果Table 4 Average classification results of different models %

由表4可以看出，針對茶鮮葉等級的分類問題，隨機森林模型明顯優(yōu)于K最近鄰和SVM分類器，在準確率上分別高出15.38和5.49個百分點，精確率、召回率和綜合評價指標也有明顯的優(yōu)勢。以上結果表明，在茶鮮葉的分類中，隨機森林模型的分類性能最優(yōu)，SVM次之，K最近鄰效果最差。作為機器學習中最常用的一種算法，SVM需要對參數進行不斷的優(yōu)化，以提高分類的準確率和防止過擬合問題的出現，相較于隨機森林模型需要耗費更多的時間和精力。作為最簡單的算法之一，K最近鄰算法原理簡單，容易理解，但需要對樣本的特征進行量化，才能獲得較好的分類結果。

3 結論

本文以春季的都勻毛尖作為研究對象，利用隨機森林分類模型，提出了一種顏色特征和邊緣特征融合的方法，對3種不同等級的茶鮮葉進行識別和分類。根據準確率、精確率、召回率和綜合評價指標進行判定。首先對茶鮮葉圖像進行區(qū)域裁剪、尺寸歸一化和噪聲去除等預處理，提取RGB空間的彩色直方圖并轉移到HSV空間中，計算H、S、V三通道像素區(qū)間，獲得茶鮮葉圖像的顏色特征。利用Canny邊緣檢測算法提取圖像的邊緣特征，將2種特征融合作為茶鮮葉的識別特征。為了判斷本文方法的有效性，將單一特征和融合特征后的分類結果進行對照，并且將隨機森林模型同K最近鄰和SVM分類器進行對照試驗。試驗結果表明，特征融合隨機森林模型的分類準確率、精確率、召回率和綜合評價指標分別達99.45%、99.40%、99.44%和99.42%，明顯高于單一特征的分類結果，并且隨機森林模型的分類性能最優(yōu)。該方法也能快速應用到其他類型的茶鮮葉分選，為茶鮮葉分選的智能化進程提供了一定的依據。