基于支持向量機的翠冠梨大小等級評定模型構(gòu)建

劉 現(xiàn)*，鄭華偉

（1.福建省農(nóng)業(yè)科學(xué)院數(shù)字農(nóng)業(yè)研究所，福建 福州；2.福建農(nóng)林大學(xué)計算機與信息學(xué)院，福建 福州）

引言

翠冠梨屬砂梨系，品質(zhì)上等[1-2]，是福建三明市建寧縣的特色水果。我國果品普遍存在分級、包裝、商標(biāo)等商品化處理能力差的弊端，降低了在國際和國內(nèi)市場競爭中的優(yōu)勢[3]。梨的分級是梨采后一個十分重要的環(huán)節(jié)，建立完整的分級制度可促進(jìn)果品優(yōu)質(zhì)優(yōu)價，助力產(chǎn)業(yè)化進(jìn)一步發(fā)展[4]。

支持向量機(Support Vector Machine,SVM)理論最初來源于對數(shù)據(jù)分類問題的處理[5]，適合分析小樣本和多維數(shù)據(jù)，常被用于分類和預(yù)測[6]。胡曉依等[7]結(jié)合SVM 分類器搭建適用滾動軸承故障診斷的改進(jìn)型深度卷積神經(jīng)網(wǎng)絡(luò)模型，極大提升了軸承故障識別準(zhǔn)確率、模型收斂速度及泛化能力。時雷等[8]基于支持向量機和灰色BP 神經(jīng)網(wǎng)絡(luò)提出冬小麥晚霜凍害預(yù)測模型，預(yù)測結(jié)果與實際情況基本一致；張冬至等[9]提出通過麻雀搜索算法對支持向量機的關(guān)鍵參數(shù)尋優(yōu)，對瓶蓋裝配進(jìn)行檢測，準(zhǔn)確率達(dá)到98.33%。

綜上所述，支持向量機已在工業(yè)與農(nóng)業(yè)中加以應(yīng)用，但未見在翠冠梨分級上的研究報道。翠冠梨是福建三明市建寧縣的特色水果，研究它的分級進(jìn)而實現(xiàn)它的分類計價，可助力翠冠梨果業(yè)進(jìn)一步發(fā)展。本研究立足于當(dāng)前研究現(xiàn)狀，構(gòu)建翠冠梨大小分類圖像數(shù)據(jù)集，利用支持向量機技術(shù)搭建翠冠梨大小等級評定模型，并與貝葉斯分類、決策樹算法所構(gòu)建的分類模型進(jìn)行對比，評判模型的分類效果與性能。

1 材料與方法

1.1 材料

1.1.1 供試材料

本試驗所使用的翠冠梨采購自福建福州市永輝超市。

1.1.2 試驗平臺

本單位自主構(gòu)建了一套圖像獲取試驗平臺，如圖1 所示。平臺包括1 臺吉農(nóng)牌計算機分選機（型號TN-68A）、3 個CCD 工業(yè)相機（型號MV-SUA1600，分辨率4 608 px×3 456 px，鏡頭焦距8 mm）、筆記本計算機1 臺（Acer Aspire V15 T5000）、LED 光源（功率128 W）、機器視覺檢測光源（功率17 W）3 盞等部件，圖像采集組件安裝于黑色暗箱內(nèi)。平臺內(nèi)圖像采集箱正中央果盤下方安裝有重量傳感器，當(dāng)翠冠梨經(jīng)由傳送帶向前輸送時，傳感器可獲取翠冠梨重量數(shù)據(jù)。參照福建地方標(biāo)準(zhǔn)[10]與獲取的重量數(shù)據(jù)將翠冠梨分為大果與小果兩類，單果重≥250 g 屬于大果類，除此之外為小果類。使用本單位自主研發(fā)的圖像獲取試驗平臺獲取兩個類別的翠冠梨圖像，獲取的圖像分辨率為4 608 px×3 456 px，分別從正上方、側(cè)前方、右側(cè)方三個方向獲取圖像。于2022 年8 月在30 ℃下采集了1 600 張圖片，其中含1 000 張大果類圖片，600 張小果類圖片。獲取的翠冠梨圖像見圖2。

圖1 試驗平臺結(jié)構(gòu)

圖2 獲取的翠冠梨圖像

1.1.3 硬件設(shè)備

本研究模型訓(xùn)練使用的深度學(xué)習(xí)服務(wù)器為AMD EPYC 7763 64-Core Processor*2 CPU，64GB*16 內(nèi)存，GeForce RTX 3090 BULK*8 GPU，Ubuntu 20.04系統(tǒng)，Pytorch 1.12.1 深度學(xué)習(xí)框架。

1.2 試驗方法

本研究基于翠冠梨大小圖像數(shù)據(jù)集采用支持向量機算法（Support Vector Machine, SVM）構(gòu)建翠冠梨大小等級評定模型并分別使用決策樹(Decision Tree)與貝葉斯(Bayes)算法構(gòu)建模型，作為對比參照。翠冠梨大小等級評定模型構(gòu)建與評估流程見圖3。

圖3 翠冠梨大小等級評定模型構(gòu)建與評估流程

1.2.1 構(gòu)建翠冠梨大小圖像數(shù)據(jù)集

將獲取的1 600 張翠冠梨圖像作為數(shù)據(jù)集并按留出法以8:2 的比例劃分為訓(xùn)練集和測試集。訓(xùn)練集含1 280 張圖像，其中大果類800 張，小果類480 張；測試集含320 張圖像，其中大果類200 張，小果類120 張。

1.2.2 基于支持向量機構(gòu)建翠冠梨大小等級評定模型

采用Python 語言編程，利用深度學(xué)習(xí)服務(wù)器進(jìn)行模型訓(xùn)練。先將圖像進(jìn)行預(yù)處理后輸入，然后進(jìn)行特征提取，使用SVM 算法進(jìn)行訓(xùn)練，構(gòu)建基于SVM 的翠冠梨大小等級評定模型。

1.2.3 與其他算法進(jìn)行比較

為了評估模型的分類效果與性能，分別使用Decision Tree 與Bayes 算法來構(gòu)建翠冠梨大小等級評定模型作為對比并重復(fù)每一種算法建模過程十次，對比各個模型之間的分類準(zhǔn)確率與模型運行耗時。

2 結(jié)果與分析

在數(shù)據(jù)集上重復(fù)三種算法建模過程十次后，得到的結(jié)果，見圖4-圖7。

圖4 各個模型運行10 次分類準(zhǔn)確率

圖4、圖6 表明SVM 算法構(gòu)建的模型運行10 次過程中每一次模型分類準(zhǔn)確率均高于其他兩種算法，其中最小值、最大值及平均值分別為84.06%、87.81%、85.94%；圖5、圖7 表明SVM 算法在1、4、5、6次的運行耗時小于其他兩種算法,SVM、Bayes 算法運行耗時最小值、最大值以及平均值分別為247.32 s、248.00 s、247.50 s 與234.61 s、248.53 s、246.13 s, 最小值和平均值略高于Bayes 算法。

圖5 各個模型運行10 次耗時

圖6 各個模型分類準(zhǔn)確率最小、最大及平均值

3 討論與結(jié)論

試驗結(jié)果表明，SVM 算法構(gòu)建的模型10 次分類準(zhǔn)確率均為最高，說明分類效果最好，程序運行耗時最小值和平均值均高于Bayes 算法，但高的很少，特別是平均值才高1.37 s。因此綜合考慮分類效果與性能因素得出使用SVM 算法相比較于其他兩種算法所構(gòu)建的翠冠梨大小等級評定模型是最佳的。