164 2014，50（16） Computer Engineering and Applications 计算机工程与应用 基于机器视觉的西瓜子外观品质检测与分类 陈锡爱 1，柯 霜 2，王 凌 1，许 宏 1，王斌锐 1，郑恩辉 1 CHEN Xi’ai1, KE Shuang2, WANG Ling1, XU Hong1, WANG Binrui1, ZHENG Enhui1 1.中国计量学院 机电工程学院，杭州 310018 2.浙江经贸职业技术学院，杭州 310018 1.College of Mechanical & Electrical Engineering, China Jiliang University, Hangzhou 310018, China 2.Zhejiang Economic and Trade Polytechnic, Hangzhou 310018, China CHEN Xi’ai, KE Shuang, WANG Ling, et al. Detection of watermelon seeds exterior quality based on machine vi- sion. Computer Engineering and Applications, 2014, 50（16）：164-167. Abstract：A machine vision system is developed to investigate the detection of watermelon seeds exterior quality. The main characteristics of watermelon seeds appearance including area, perimeter, roughness and minimum enclosing rectangle are calculated by image analysis. Least Square Support Vector Machine optimized by genetic algorithm is applied for the classification of watermelon seeds exterior quality, and the broken melon seeds, normal melon seeds and high-quality seeds are distinguished finally. The experimental results show that the watermelon seeds exterior quality can be well detected and classified by machine vision based on least squares support vector machine. Key words：machine vision; watermelon seeds; image processing; Least Squares Support Vector Machines（LS-SVM）; Genetic Algorithm 摘 要：采用机器视觉获取了西瓜子的面积、周长、最小外接矩和圆形度等外形特征，而后使用遗传算法优化的最小 二乘支持向量机算法对西瓜子外观品质进行分类识别，最终实现了破损瓜子、普通瓜子和优质瓜子的区分。实验结 果表明，基于最小二乘支持向量机分类的西瓜子外形检测方法能够很好地实现西瓜子外观品质的识别检测。 关键词：机器视觉；西瓜子；图像处理；支持向量机；遗传算法 文献标志码：A 中图分类号：TP23 doi：10.3778/j.issn.1002-8331.1209-0207 1 引言 机器视觉是计算机技术迅猛发展的产物，其在工业、 农业、林业、交通、军事等各个领域有着广泛的应用，对促 进生产自动化和国民经济的增长具有重要的作用 [1-6]。 目前，西瓜子的分拣工作全部由人工完成，该方式效率 低下、耗时耗力且稳定性差。现阶段，国际上利用机器 视觉上对西瓜子检测的研究仍然很少，国内学者的研究 仅限于苏州大学的管淼、孙涌等人研究了西瓜子的视觉 外观特征[7-8]，因而研究基于机器视觉的西瓜子品质分类 检测系统，具有重要的经济价值和研究意义。 本文首先采用机器视觉获取了西瓜子的视觉外观 品质特征，主要包括：面积、周长、最小外接矩和圆形度 等 ，而 后 根 据 西 瓜 子 的 这 些 图 像 特 征 ，采 用 遗 传 算 法 （Genetic Algorithm，GA）优 化 的 最 小 二 乘 支 持 向 量 机 （Least Squares Support Vector Machines，LS-SVM）分 类方法对其进行了有效分类，从而实现了西瓜子外观品 质的自动在线检测。 2 视觉系统 实验所采用的视觉系统由以下三个主要部分组成： 图像的获取、图像的处理和图像的分析与显示，其硬件 组成原理图如图 1 所示。图 1 中，1 为摄像头，2 为 LED 光源，3 为视觉试验台，4 为图像处理系统。 系统所采用的摄像机为大恒公司生产的 500 万像 素工业相机 DH-HV5051UC，所采用的图像预处理算法 包括：灰度化、高斯滤波、腐蚀、膨胀、二值化、边缘检测 和填充等算法。典型优质瓜子的原图、灰度图和二值化 图分别如图 2、图 3 和图 4 所示。 基金项目：浙江省教育厅科研项目（No.Y201121959）。 作者简介：陈锡爱（1981—），男，博士，讲师，研究领域为机器视觉，图像处理；柯霜（1981—），女，讲师，研究方向为统计学。 收稿日期：2012-09-20 修回日期：2013-01-08 文章编号：1002-8331（2014）16-0164-04 CNKI 网络优先出版：2013-01-18, http://www.cnki.net/kcms/detail/11.2127.TP.20130118.1024.009.html 

陈锡爱，柯 霜，王 凌，等：基于机器视觉的西瓜子外观品质检测与分类 2014，50（16） 165 其基本算法原理如下所示。 给定一组训练数据集 {x Î Rn 为输 Î Rn 为输出数据，LS-SVM 所要构造的分类 ，其中 x } N k = 1 y k k k 入数据，y 器如下所示： k y(x) = sign[å N k = 1 a k y k ψ(xx ) + b] k （1） 为正整数，ψ(xx 其中，a 分类最优化所要求解的函数如下所示： k k ) 为核函数，b 为实数。LS-SVM min wbe J 3 (wbe) = 1 2 wTw + γ 1 N 2 å k = 1 e2 k 式（2）的约束条件如下： ) + b] = 1 - e [wTϕ(x k y k 由拉格朗日函数求解式（2）可得 (wbe; a) = k = 12N k （2） （3） J 3 (wbe) - å N k = 1 {y a k k [wTφ(x k ) + b] - 1 + e }（4） k k N 是拉格朗日乘子，最优化的条件如下式所示： = 0 ® w = å = 0 ® å = 0 ϕ(x k = 1 a a y y ) N k k k k k k = 1 = 0 ® a = γe k k ,k = 1,2,,N = 0 ® y [wTϕ(x ) + b] - 1 + e k k k （5） = 0,k = 1,2,,N 其中，a ¶L 3 ¶w ¶L 3 ¶b ¶L ¶e k ¶L ¶a 3 3 ì ï ï ï ï ïï ï ï í ï ï ï ï ïï ï ï î k 以线性方程组表示，式（5）可转换为如下形式： é I 0 ê ê 0 0 êêê 0 0 ê ë Z Y w é ù ú ê b úú êê e ê ú ë û a 0 é ù ú ê 0 úú êê 0 ê ú ë û 1 0 0 γI I 其 中 ，Z =[ϕ(x )T y 1 1 [1;  ; 1] ，e =[e ;  ; e 1 ù -Z T ú ú -Y T úúú -I ú û 0 ;  ; ϕ(x ] ，y =[y N 1 ;  ; a ] 。 )T y ] ，a =[a 1 = N N N ;  ; y N ] ，1 = （6） 由 Mercer 条件可得 )k = 1,2,,N （7） Ω )Tφ(x 从式（6）所示的方程组中选择和 a ，b 相关的式子， x k ) = y ψ(x φ(x = y y y kl k k k l l l l 图 1 视觉检测系统硬件组成原理图 图 2 原图 图 3 灰度图 图 4 二值化图 通过上述图像预处理，增强了图像信息，去除了相 应的图像干扰。而后对所得图像行图像分析，图像分析 所得的参数如表 1 所示。 L 3 表 1 西瓜子外形特征参数 序列 1 2 3 4 5 6 7 8 名称 Area Perimeter Roundness length Width Aspect ratio Rectangular area solidity 描述 面积 周长 圆形度 4πArea/Perimeter2 最小外接矩形长度 最小外接矩形宽度 Length/Width Length×Width 面积/矩形面积 为了进一步增强视觉检测的鲁棒性、减少图像背景 噪声的干扰，本文采用了两图像相减的方法，即含目标 物体（西瓜子）的图像减去最近时刻纯背景图像。其中 背景图像采用定时更新的策略，从而进一步提高了图像 检测与识别的精度。 3 分类识别的实现 3.1 分类过程 西瓜子品质特征的检测和分类过程如图 5 所示。 如下所示： 图像获取 特征提取 模式识别 结果输出 图 5 西瓜子品质分类识别的实现流程 图中，模式识别的方法采用最小二乘支持向量机。 分类识别过程中，首先根据西瓜子的外形特征将西瓜子 快速划分为破损瓜子和完整瓜子，而后根据优质瓜子颗 粒饱满、外圈和内圈颜色分布均匀的特点将完整瓜子区 分为优质瓜子和普通瓜子。 3.2 最小二乘支持向量机 最小二乘支持向量机（LS-SVM）最由 Suykens J.A. K 等人提出，是支持向量机（SVM）的一种改进算法[9-13]， -Y T é ù 0 úú êê Y Ω + γ-1I û ë 而后可通过最小二乘的方法从线性方程组（8）中求 0 = é ù ûú ëê 1 b é ù ûú ëê a （8） 解获取 a 和 b 的值。 本文中核函数采用了径向基函数（RBF）ψ(x x  exp{- 3.3 遗传算法 - x k i 2/δ} 。 x i k ) = 遗传算法（GA）是一种广域优化算法，它包括：初始 化、选择、重组、变异和终止等五个步骤 [14-16]。算法通过 模拟达尔文生物进化自然选择的原理：（1）首先初始化 生成一定数量的染色体变量组构成原始种群，同时采用 

166 2014，50（16） Computer Engineering and Applications 计算机工程与应用 目标函数评估种群里各染色体的优劣；（2）而后通过重 组使得较优的染色体在进化中保留下来的概率更大； （3）接着采用变异操作获得新的变量值，从而防止陷入 入局部最优；（4）最后经过不断重复循环的评价、重组和 变异的迭代进化，经过若干代后，求解获得满足要求的 优化解。本文将遗传算法应用于 LS-SVM 核参数 δ 和 惩罚参数 γ 的优化求解，相比于传统 LS-SVM 参数求解 的网格搜索方法，遗传算法大大提高了问题的求解速度。 别。首先，根据表 1 中的参数检测获取优质瓜子和普通 瓜子外圈（图 4 中的黑色环状外圈）的外形参数和内圈 （图 4 中的中心白色椭圆体）的外形参数，从而获得每颗 瓜子的 16 个外形参数特征。 将上述检测获取的 16 个西瓜子外形参数作为最小 二乘支持向量机的训练输入进行建模，建模和测试方法 与 4.1 章节相同。优质瓜子和普通瓜子的分类识别结果 如表 3 所示。 4 分类结果 4.1 完整瓜子和破损瓜子的检测分类 实验首先对完整瓜子和破损瓜子进行分类识别，其 中完整瓜子 400 颗（包括 200 颗优质瓜子和 200 颗普通 瓜子）、破损瓜子 200 颗。 将 检 测 获 取 的 西 瓜 子 外 形 参 数（如 表 1 所 示 的 8 类参数）作为最小二乘支持向量机的训练输入。完整 瓜子与破损瓜子基于遗传算法优化的支持向量机模型 GA-LS-SVM 和基于传统网格搜索（grid-search）优化的 支持向量机模型 GS-LS-SVM 的建模检测识别结果如表 2 所示。 表 2 完整瓜子和破损瓜子检测分类识别率结果 算法 整体 /（%） 完整瓜子 破损瓜子 寻优建模 /（%） /（%） GA-LS-SVM 100 100 GS-LS-SVM 100 100 100 100 时间/s 1.103 8 E+4 6.409 E+5 参数 γ = 99.4 δ =17.6 γ = 95 δ = 16 其中，遗传算法的初始种群数为 20，搜索范围为 0~ 150。网格搜索算法所搜索的最小二乘支持向量机惩罚 参数 γ 和核函数参数 σ 的起始坐标为（0，0），搜索步长为 1。 测试运行计算机的配置如下：Windows XP，Intel 酷 睿 2 双核 P8600 处理器，2 GB DDRII 内存，Intel GMA X4500 显示卡，320 GB 硬盘。模型的验证方法采用留一 验证法（Leave-One-Out Cross-Validation，LOOCV）。 实验测试结果显示，由 GA-LS-SVM 和 GS-LS-SVM 最小二乘支持向量算法获取的参数 γ 和 σ 均为最优参 数。由于遗传算法变异过程中存在着随机性，因而每次 优化求解的参数会略有不同，且可能产生多个解。为了 验证实验模型中 GA-LS-SVM 算法的稳健性，对其进行 了连续 50 次的寻优建模。实验测试结果显示，50 次寻 优建模的结果均能获得最优参数，表 2 中 GA-LS-SVM 的 寻 优 建 模 时 间 为 50 次 建 模 测 试 时 间 的 平 均 值 ， GA-LS-SVM 中的参数为 50 次建模求解获得的距离网 格起始搜索点（0，0）最近参数值的平均。 4.2 优质瓜子和普通瓜子的检测分类 表 3 优质瓜子和普通瓜子检测分类识别率结果 算法 整体 /（%） GA-LS-SVM 97.5 GS-LS-SVM 97.5 完整瓜子 破损瓜子 寻优建模 /（%） /（%） 97 97 98 98 时间/s 9.347 1 E+3 5.098 3 E+5 参数 γ = 68.3 δ = 20.1 γ = 63 δ = 18 实验测试结果表明，由 GA-LS-SVM 和 GS-LS-SVM 最 小 二 乘 支 持 向 量 算 法 获 取 的 参 数 γ 和 σ 均 为 最 优 参数。 4.3 结果分析 上述实验测试结果显示，在利用机器视觉检测获取 西瓜子外形参数的基础上，应用基于遗传算法优化的最 小二乘支持向量机能够很好地实现西瓜子品质的分类识 别。相比于传统的网格搜索，遗传算法能够较好地提高 系统建模的速度。然而实验结果受样本数量的限制，未 接受大数据量的不同批次、不同厂家和不同品种西瓜子黑 箱测试，因而在实际应用中还有很多问题需解决和优化。 5 结论 本文采用机器视觉很好地获取了西瓜子的外形特 征，包括面积、周长、圆形度和最小外接矩形等参数，应 用基于遗传算法优化的最小二乘支持向量机算法，实现 了西瓜子品质的分类识别。相比于传统的西瓜子人工 手选，该系统具有可靠性高、分拣速度快和稳定性好的 特点。然而对于西瓜子表面“翘板”和凹凸不平的缺陷 仍无法识别。下一步的研究重点将是采用双目视觉和 激光扫描的方法获取西瓜子表面的立体信息，实现西瓜 子特征和等级的进一步区分与识别。 参考文献： [1] 宋昕，秦现生，刘琼，等.竹地板选片工艺的机器视觉化研 究及实现[J].计算机工程与应用，2010，46（16）：221-225. [2] 王翥，姜鸣燕，王玲.基于图像处理的油液污染度实时分析 系统的研究[J].液压与气动，2011（9）：31-34. [3] 潘磊庆，屠康，詹歌，等.基于计算机视觉和声学响应信息融 合的鸡蛋裂纹检测[J].农业工程学，2011，26（11）：332-337. [4] 夏营威，徐大勇，堵劲松，等.基于机器视觉的烟叶面积在 实验对优质瓜子和普通瓜子各 200 颗进行分类识 线测量[J].农业机械学报，2012，43（10）：167-173. 

陈锡爱，柯 霜，王 凌，等：基于机器视觉的西瓜子外观品质检测与分类 2014，50（16） 167 [5] McCarthy C L，Hancock N H，Raine S R.Applied machine field in automated farming operations[J].Intelligent vision of plants：a review with implications for deployment Service Robotics，2010，3（4）：209-217. [6] Niko H，Marko S，Francelj T，et al.A machine-vision system for automated quality control of welded rings[J].Machine Vision and Applications，2011，22（6）：967-981. [7] 管淼，孙涌，杨峰，等.西瓜子自动分捡系统核心特征提取算 法的研究及应用[J].计算机应用和软件，2008，25（3）：91-93. [8] 管森，孙涌，杨新华，等.西瓜子自动识别辨析算法及分捡设 备设计研究[J].计算机工程与应用，2007，43（25）：206-209. [9] Wang H Q，Sun F C，Cai Y N，et al.An unbiased LSSVM model for classification and regression[J].Soft Computing， 2010，14（2）：171-180. [11] Suykens J A K，Vandewalle J.Multiclass least squares support vector machines[C]//International Joint Conference on Neural Networks，1999（2）：900-903. [12] 朱熀秋，李衍超，曹莉.基于最小二乘支持向量机的无轴 承同步磁阻电机解耦控制[J].控制与决策，2012，27（11）： 1663-1668. [13] 崔炳德.支持向量机分类器遥感图像分类研究[J].计算机 工程与应用，2011，47（27）：189-191. [14] Zhang Guoli，Wang Siyan，Li Yang.A self-adaptive genetic algorithm based on the principle of searching for things[J]. Journal of Computers，2010，5（4）：646-653. [15] Zhang Yi，Zhang Hu.A novel niche genetic algorithm for multimodal optimization[J].Journal of Convergence Infor- mation Technology，2011，6（6）：255-262. [10] Yang Haiyan，Jing Xinxing，Zhou Ping.Application of speaker recognition based on LSSVM and GMM mix- ture model[J].Information Technology Journal，2012，11（7）： 799-803. [16] Zhang Xiujie，Shen Yi，Li Shiyong.Medical image regis- tration using a real coded genetic algorithm[J].Journal Information Systems，2012，8（12）： of Computational 5119-5128. （上接 112 页） 5 结束语 本文通过对谣传路由协议进行研究，发现其在建立 数据传输过程中，消息随机选择节点发送，该模式在发 送的过程中形成环路及在某个节点附近传播的可能性 较大，不仅造成数据传输路径的形成过程缓慢，且流量 消耗较大。针对上述问题，本文提出在消息传输经过节 点的邻居节点留下信息及在选择下一跳节点时，判断是 否是之前经过的节点及邻居节点，从而选择下一跳节 点，从而有利于消息的传播及数据传输路径的快速建 立，并通过实验仿真验证了该算法的有效性。 参考文献： [1] 崔莉，鞠海玲，苗勇，等.无线传感器网络研究进展[J].计算 机研究与发展，2005，42（1）：163-174. [2] 路纲，周明天，佘堃，等.无线传感器网络路由协议的寿命 分析[J].软件学报，2009，20（2）：375-393. [3] 唐勇，周明天，张欣，等.无线传感器网络路由协议研究进 展[J].软件学报，2006，17（3）：410-421. [4] 夏静，庄雷，白雨，等.无线传感器网络谣传路由研究及改 进[J].微计算机信息，2007，23（19）：152-153. for wireless routing protocol [5] Wang Zhonghua，Chen Kai，Lin Mei，et al.Energy-efficient clustering rumor sensor networks[C]//7th International Conference on Ubiquitous Intelligence & Computing and 7th International Confer- ence on Autonomic & Trusted Computing，2010：200-205. [6] Cui Yanrong，Qin Hang.A novel rumor routing for wireless sensor network[C]//Fourth International Conference on Genetic and Evolutionary Computing，2010：795-797. [7] Shokrzadeh H，Haghighat A T，Saadatmndi P，et al.Rumor routing by appointment in center of gravity in wireless sensor networks[C]//International Conference on Informa- tion Networking，2011：177-181. [8] Heinzelman W B，Chandrakasan A P，Balakrishnan H.An application-specific protocol architecture for wireless micro- sensor networks[J].IEEE Transactions on Wireless Com- munications，2002，1（4）：660-670. （上接 130 页） 2007：185-190. 参考文献： [1] Bryant R E，O’Hallaron D R.深入理解计算机系统[M].龚 奕利，雷迎春，译.北京：机械工业出版社，2010. [2] 钟宝荣，袁文亮.内存数据库中存储结构的实现机制[J].计 算机工程与设计，2007，28（5）. [5] Guillemin D，Robert P，Zwart B.AIMD algorithms and functionals[J].Ann Appl Probab，2004，14 exponential （1）：90-117. [6] Ronell M.A C ++ pooled，shared memory allocator for simulator development[C]//37th Annual on Simulation Symposium，2004：187-195. [3] Bulka D，Mayhew D.提高 C++性能的编程技术[M].左飞， [7] Meyers S.Effective C++[M].3 版.侯捷，译.北京：电子工业 译.北京：电子工业出版社，2011. 出版社，2011. [4] 冯宏华.C++应用程序性能优化[M].北京：电子工业出版社， [8] 侯捷.STL 源码剖析[M].武汉：华中科技大学出版社，2002.