茉莉花药材质量自动检测算法的研究

⃝⃝可在www.sciencedirect.com在线ScienceDirectICT Express 3（2017）148www.elsevier.com/locate/icte茉莉花药材质量自动检测的研究S. Krishnavenia， A. 佩塔拉克什米湾a印度泰米尔纳德邦Kodaikanal，特蕾莎修女女子b摩尔多瓦共和国政府。印度泰米尔纳德邦丁迪古尔女子艺术学院接收日期：2016年12月5日;接收日期：2017年3月28日;接受日期：2017年4月13日在线提供2017年摘要提出了一种新的花卉分类算法，如花瓣变形类内和类间变异性，光照和质量检测几种方法可以被合并到提取花的特征，但所提出的算法高度处理的质量检测在各个方面具体到茉莉花。该算法重点研究了花卉的颜色、形状和纹理特征，并将其结合起来识别花卉的质量。在第一阶段的实现中，使用平均色差和颜色和边缘方向性描述符的方法提取的颜色特征在第二阶段的实施，形状和纹理特征提取使用Zernike矩和本地二进制模式。第三阶段是使用支持向量机和随机森林树分类器进行分类。通过与训练数据和现有数据的比较，验证了算法的性能c2017韩国通信信息科学研究所。出版社：Elsevier B.V.这是一篇开放获取的文章，CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：平均色差;颜色和边缘方向性描述子;局部二值模式; Zernike矩1. 介绍印度在花卉生产方面取得了显著进展，特别是花卉种植面积32万公顷，散花产量210万吨，切花75.07万枝。这一部门创造了更高的收入和就业机会，特别是为妇女创造了就业机会。印度有一个古老的遗产，当谈到花卉种植有很高的效益水平。茉莉花的肥沃土地更集中在泰米尔纳德邦，年产量为1，20，750吨，耕地面积为15，581公顷。在这种状态下收获的这些鲜花出口到邻国，如斯里兰卡，新加坡，马来西亚和中东。泰米尔纳德邦的主要茉莉花种植 区 是 马 杜 赖 ， Dindigul ， 塞 勒 姆 ， Tirunelveli ，Virudhunagar和Trichy。*通讯作者。电子邮件地址：krishnna veni@yahoo.co.in（S.Krishnaveni），pethalakshmi@yahoo.com（A. Pethalakshmi）。同行评审由韩国通信信息科学研究所负责这篇论文由Jun Heo教授处理。http://dx.doi.org/10.1016/j.icte.2017.04.006目前，这些花是根据它们的质量手动分类的;这是一个耗时的过程，在这个过程中，花失去了新鲜度。因此，确定其质量变得更具挑战性。由于这些活动是手动执行的，并且是非常劳动密集型的，因此花质量检测的自动化是必要的任务。在花卉质量检测中的应用可以在花卉栽培中有用。色彩、质地、形状是花卉图像的基本特征。颜色分类的过程涉及从一组已知数据或模型中提取有用信息以实现识别任务[1]。自20世纪50年代以来，纹理一直是图像不同位置的重要特征，它通过提取相邻像素之间的相互依赖关系[2]。最小距离分类器方法是基于从小波变换子带[3]中获得的共生特征，用于通过水果的颜色和纹理进行水果识别水果质量的自动检测包括基于颜色和纹理特征的水果检测，以检测水果的健康和缺陷[4]。水果质量检测，涉及不同的特征，如颜色变化[5]，边界和纹理。2405-9595/c2017韩国通信信息科学研究所。Elsevier B. V.的出版服务。这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。S. Krishnaveni，A.Pethalakshmi/ICT Express 3（2017）148149{[∑2使用3D颜色共生确定的纹理特征包含用于水果质量评价的有用信息[6]。利用颜色相关图[7]提取颜色特征用于花卉识别。Zernike矩[8与颜色和纹理信息的提取相关联的单元 分别 被 称为 颜 色 和纹 理 通过 使 用局 部 二进 制 模 式（LBP）参数，可以以92%的成功率识别马赛克纹理[12]为了检测花朵中的缺陷，使用直方图方法和图像分割技术对特征进行分割[13]。已经开发了一种新的方法，用于使用图像处理系统的叶病检测和诊断系统[14]遗传算法[15]用于检测植物叶片中的此类疾病。为了提取原始花和受影响花的强度之间的差异，表1特征的特异性、灵敏度和精确度分析分类器特征灵敏度特异性精度SVM 颜色&纹理0. 79410. 68420. 8181SVM颜色，形状纹理0.8530 0.7895 0.8788RFT颜色纹理0.1667 0.7222 0.2857RFT颜色，形状纹理0.3333 0.8000 0.6250表2特征的准确性和F1评分分析分类器特征精度F1得分SVM彩色纹理0.75470.8060SVM颜色、形状和质地0.83010.8657RFT彩色纹理0.50000.2105RFT颜色、形状和质地0.56670.4348nd2），则Vi和Vi之间的平均色差定义如下：在[16]中使用了直方图技术除了基因算法，另一种技术，即基于分类的递归网络[17]被引入用于检测植物叶片中的疾病。为了测量水果质量，使用回避网络来检测水果的形状，大小和颜色[18]。F-Score分析是一种简单有效的特征选择技术[19]，通过测量AVD（n， d1，d2）=1E3.2. Cedd3h=1（chi−chj）2]}.（一）识别花数据集。为了比较图像分类方法，选择了两种技术，即K-最近邻和支持向量机，其中SVM分类器显示出更好的结果[20]。2. 工作范围所提出的方法的目的是通过使用不同的提取特征来确定茉莉花的质量。从泰米尔纳德邦的各个地区，包括马杜赖，Dindigul和Ramnad地区收集了不同品种的茉莉花提取的 特征 数据 存 储在 数 据库 中用 于 SVM和 随机 森林 树（RFT）训练。数据库CEDD [11]是一个复合图像描述符，从图像中提取并关联形状、纹理和颜色它是针对图像块或完整图像生成的。纹理块接收亮度、同相、正交颜色空间中的输入块，并应用边缘直方图描述符来构建六个仓的直方图：五个对应于图像中发现的边缘类型，一个对应于没有边缘。接下来，给定阈值，边缘可能落入五个方向箱中的一个以上;这决定了它的纹理。如果边不属于任何边类别，则它属于对应于没有边的最后一个箱xT xj由500种特征组成，即，350个优质功能Tij=t（Xi， Xj）=T TiT（二）以及150个缺陷特征，从而可以有效地进行训练。使用具有高分辨率相机的图像采集系统：EOS 5DS. R捕获花图像。利用Matlab13.0对平均色差法、CEDD法、LBP法和Zernike矩法进行了仿真。将测试图像的背景设置为蓝色以避免照明。测试数据样本使用所提出的算法对400朵花进行了测试;测试数据和准确性测量分别在表1和表2中示出。3. 方法3.1. ACDACD是半变差函数在彩色图像中的扩展该方法估计作为像素之间的距离的函数的颜色差异。给定两个通用像素vi= （ c1i ， c2i ， c3i ， x1i ， x2i ） 和 vj= （ c1j ， c2j ， c3j ，x1i+nd1，x2i +nd 1），xixi xjxj−xjxj其中xT是x的转置向量。在向量的绝对一致性中，Tanimoto系数取值1，而在最大偏差中，该系数趋于0。3.3. HSV颜色空间在图像处理应用中，使用了各种颜色空间方法。颜色空 间 包 括 红 、 绿 、 蓝 （ RGB ） ; 色 调 、 饱 和 度 、 值（HSV）; HCI;色调、色度、亮度（HCL）; CIE;和XYZ。然而，两种最流行的颜色空间是RGB和HSV。HSV提供了颜色鲜艳度，这是我们研究中使用的好特征。在HSV颜色空间中提取特征，从色度分量中提取亮度，表现出比RGB颜色模型更好的性能HSV颜色空间用于描述颜色之间的感知关系，并且更准确地将它们与其他颜色的感知关系进行比较。150S. Krishnaveni，A.Pethalakshmi/ICT Express 3（2017）148| |R= − ===∑δMaxN2其中N是图像的宽度，p−2|Q|Rsp−2|Q|−s）（p−2|Q|−s）！G2色彩空间HSV颜色模型定义如下在这种情况下，n = 0，1，2，. . . ; 0 ≤ |Q|≤ n，j = n−1，且p −60G−BB R如果MAX−Rq是偶数。针对数字图像计算Zernike矩，H=100−R⎪−如果MAX−G（三）Znm= n+1双极晶体πf（ x，y） Vnm（x，y）dxdy。（十）{如果MAX −B则为60 B使用翻译因子0如果MAX= 0V=MAX（5）其中δ（MAX MIN）、MAX max（R，G，B）和MIN min（R，G，B）。注意，等式中的R、G、B值按比例缩放为[0，1]。为了将H限制在[0，360]的范围内，如果H<0.3.4. LBPLBP [12]是图像对象表示的区域描述符，其基于在圆形窗口上定义的基本二进制模式（纹素）与许多其他应用相比，纹理分析方法中的LBP是最好的LBP算子的重要性在于其对现实应用中的光照变化的容忍度。LBP运算符可以使用模式值构建和它的力量模式值可以作为中心值添加，其强度作为其相邻值的加权函数分配。设f（x， y）为f0，其所有b邻域表示为fi1由于这是二进制模式，因此根据中心值约束，值被分配和/或1。如果f0>fi，则值被设置为1，而如果f0fi，则值被设置为0。<类似地，每个相邻像素也被分配有权重函数，其值范围为0到255，是2的幂的函数。8LBP加权=f i2 i−1。（六）i=03.5. Zernike矩Zernike矩[8]是用于物体识别的形状特征之一Zernike多项式一般写为：P（x）= d0P0（x）+d1P1（x）+···+dkPk（x）.（七）几何矩及其不变性质的比较表明，正交性质更适合形状不变矩。设正交基函数为Zp。Zp（ρ，θ）=Rnmexp（jmθ）（8）其中Rnm是实部，exp（jmθ）是复部。径向多项式Rnm定义为：（1）A（1）A（（p− s）！ρp−2s。（ 九）s=0S=如果麦克斯=0（四）S. Krishnaveni，A.Pethalakshmi/ICT Express 3（2017）148151¯ =Moo）XM所以，|Q|其中（是比例因子。是图像的高度的新翻译位置原始图像f （ x ， y ） → f （ x + x ） ， （ y + y ） .（十一）通过增加或减小对象的大小来计算缩放不变量，使得图像X′=X（ β ），Y′=Y（ β/μMoo）（12）β/Moo缩放不变性使用Eq.（十二）、通过将花的质心移动到图像中心来执行平移归一化。3.6. SVMSVM用于最大化用于对象分类的数据集之间的间隔。通过支持向量机观察n维空间中的数据，可以在空间中构造一个具有清晰边界的超平面。设n个向量构成一个一维超平面，则称之为线性分类器。对于具有最大间隔的n维向量空间中的数据分类，已经提出了许多假设。目前的研究主要集中在支持向量机如何解决分类器，以最大限度地提高数据集之间的距离，并绘制一个超平面。3.7. RFT分类器RFT分类器是通过实例空间的数量表示的决策树。该树是使用随机化原则构建的。根节点和叶节点通过后验分布进行标记。内部节点基于数据分类分裂，使得图像强度值可以通过树并在叶分布处聚集节点测试和训练可以通过在不同子集中的子采样和随机化来进行。RFT以自顶向下的方式设置为二进制值。通过数据独立或随机和贪婪算法两种方法进行二进制测试，以选择最佳的训练样本。信息增益被命名为E=∑|QI|E（Qi）（ 13）我其中Q是具有两个子集的集合，根据给定测试。这里E（Q）是熵。这是一个重复的过程，152S. Krishnaveni，A.Pethalakshmi/ICT Express 3（2017）148--JJFig. 1. 正常花朵的样本图片。图二. 样本图片的缺陷花。在每个非终端节点中使用训练样本进行如果达到“最佳”，则递归过程停止。然后对测试图像的所有后验概率进行平均，并将平均最大值替换为输入图像的分类。4. 拟议方法提出了一种基于SVM/RFT的茉莉花质量自动检测系统，包括训练阶段和检测阶段的分类的样本数据集图三. 训练阶段的算法。分类使用SVM和RFT分类器完成在分类中，对于测试样本，最终决策标签是基于分类器集合C jj=1，.，二、最终类别标签L检测花的质量，即，不管是正常的还是有缺陷的RFT分类器以随机化方式遍历树结构数据，以使用等式（1）识别最佳训练样本和从信息增益测量的最佳数据（十三）、所提出的技术的训练阶段和测试阶段总结在算法序列中，并且如图1A和1B所示。分别为3和4。通过上述两种算法计算质量确定，即，训练阶段和测试阶段。采用训练阶段算法计算ACD和CEDD特征向量，表明颜色特征ACDw iCEDDwi向量已区分正常花好的和有缺陷的花示于图1A和1B中。 1和2，分别为-jj很好算法序列基于四类特征提取技术。第一种技术用于使用Eq.公式（1），其估计作为YUV空间中像素之间的距离的函数的色差在 第 二种 技 术 中 ，CEDD 使 用Eqs 提 取 颜色 特 征 。（2）、（3）、（4）和（5）。为了测量图像之间的CEDD色差特征，使用了Tanimoto（二）、HSV颜色分量是使用方程提取的。（3）、（4）和（5）。HSV颜色空间从色度分量中提取亮度，并且它提供比RGB颜色空间更好的特征。LBP的第三种技术用于使用Eq. （六）、第四种技术Zernike矩在计算旋转不变性、鲁棒性和表现力方面是有利的 。 Zernike 矩 缩 放 平 移 和 旋 转 特 征 使 用 等 式 计 算 。（7）、（8）、（9）、（10）、（11）和（12）。从叛逃者那里Zernike矩特征向量，其带来形状特征Zmwi向量，也区分正常的花与有缺陷的花。计算出的LBP特征向量，将纹理特征LBP向量与i向量结合起来，用于区分正常花与有缺陷花。上述数学计算有助于通过训练好的SVM和RFT分类器对缺陷花和正常花进行判别。检测阶段算法利用支持向量机和RFT值对正常花和有缺陷花的特征进行匹配，判断被检测花是否处于良好状态。它还预测了花的缺陷部分5. 结果和讨论从所提出的算法获得的结果已被评估使用的标准测量精 度 。 准 确 度 参 数 为 真 阳 性 率 （ %TP ） 、 真 阴 性 率（ %TN ） 、 假 阳 性 率 （ %FP ） 和 假 阴 性 率（%FN）。%TP是从茉莉花质量的实际结果中获得的。地面实况是通过使用500种样本手动获得的。的S. Krishnaveni，A.Pethalakshmi/ICT Express 3（2017）148153见图4。 测试阶段的算法。有缺陷的花的数目可以被鉴定为%FN。该算法错误地预测了实际上被检测为正常的给定样本，然后可以计算其相应的同样，也可以计算%TN。灵敏度和特异性是二元分类测试性能的统计度量，在统计学中也称为分类函数。比较了颜色、纹理特征与颜色、纹理和形状特征的灵敏度、特异度和精确度性能评价，其中颜色和纹理对SVM和RFT的灵敏度、特异度和精确度分别为（0.7941，0.6842，0.8181）和（0.1667，0.7222，0.2857），分别如果添加了形状特征，则值将更改为（0.8530，0.7895，0.8788）和（0.3333，0.8000，0.6250），分别这在表1中示出。比较了颜色、纹理特征与颜色、纹理与形状特征的准确度和F1-Score的性能评价，其中颜色和纹理的准确度和F1-Score分别为如果添加了形状特征，则该值将分别更改为（0.8302，0.8657）和（0.5667，0.4348）。这在表2中示出。类似性质的工作已在其他文献调查中描述[10]，并已通过其形状检测叶片中的病害，其准确率为94.69%。水果的质量[3]已经通过其颜色和纹理特征来衡量，其准确率为86%。所提出的算法进行了测试，调查茉莉花结果表明，该方法对缺陷花的识别准确率为83%。6. 结论花卉分类是植物学家和花卉栽培学家研究的一个重要领域。本文提出的茉莉花分类方法，由于考虑了多种特征，能够提供有效的分类准确率，实现准确的质量检测。与其他方法相比，平均色差法和CEDD法提供了准确的颜色特征，提高了系统的质量。利用Zernike矩和LBP算法提取花的纹理特征，用于识别花的缺陷。所提出的系统的准确性是83%，SVM分类器和RFT分类器产生的57%。这证明SVM分类器优于RFT分类器在性能方面。因此，所提出的方法给出了突出的结果，在检测有缺陷的花，而无需人工干预的准确性。利益冲突作者声明，本文中不存在利益冲突引用[1] 陈文龙，基于图像的花卉分类系统的实现，北京：高等教育出版社，2001。J. Comput. Sci. 总线告知。（ISSN：1694-2108）13（1）（2014）。[2] Yuita Arum Sari，Nanik Suciati，使用组合a*b* 颜色和基于分形的纹理特征的花卉分类，Int. J. Hybrid Inf. Technol. 7（2）（2014）357-368。[3] S. 阿里瓦扎甘河Newlin Shebiah，S.塞尔瓦·尼季亚南丹湖Ganesan，使用颜色和纹理特征的水果识别，J. Emerg。趋势计算。告知。Sci.1（2）（2010）E-ISSN：2218-6301。[4] Woo Chaw Seng，Seyed Hadi Mirisaee，水果识别系统的新方法，在：IEEE电气和工程信息学国际会议，2009年，pp. 130-[5] F.S. Mohamad，A.A.Manaf，S.Chuprat，基于直方图的特征提取的最近邻，Procedia Comput。Sci. 4（2011）1296-1305国际计算科学会议。[6] Monika Sharma，Vibhuti P.N.贾斯瓦尔，阿米特Goyal，水果检测与多 功 能 模 糊 逻 辑 ， 国 际 先 进 研 究 。 Sci. 软 件 。 Eng.3 （ 11 ）（2013）。[7] Azizi Abdhllah，Remco C. Veltkamp，Macro A.基于MPEG-7聚类相关图的Wiering、固定分割和Sailent点图像分类。ISSN ：0924-3257，2009年。[8] V.S. Rajpurohit，Shruti Bhat，Shreya Devurkar，Shubhangi Patil，SupriyaSirbi ， Application of image processing techniques in objectshape recognition ， Int. J. Latest Trends Eng. Technol. （ IJLET ）（ISSN：2278-621X）（2013）.[9] A.H. Kulkarni，H.M. Rai，K.A. Jahagirdar，P.S.杨文，叶识别技术在植物分类中的应用，北京：高等教育出版社，2001。Commun.Eng.2（1）（2013）。[10] 杨 文 ， 叶 光 ， 叶 光 。 Appl. Inf. Technol. （ ISSN ： 1992-8645 ）（2012）。[11] 萨瓦斯河扬尼斯·查齐克里斯托菲斯Boutalis，CEDD：颜色和边缘方 向 性 描 述 符 。 A compact descriptor for image indexingandretrieval，in：ICVS 2008，in：LNCS，vol. 5008，2008，p. 312.[12] L.苏马拉塔湾Sujath，基于RGB模型的LBP纹理拼接识别新方法，信号图像处理。：Int. J. （SIPIJ）4（1）（2013）。[13] 陈晓，陈晓，等.基于图像处理的植物损伤检测.北京：科学出版社，1998. Res.计算Sci. (ISSN：2229-371X）4（2013）。[14] 尼 韦 迪 塔 河 Dnyaneswar D. Kakade Ahire ， Real time grape leafdiseasedetection，IJARIIE 1（4）（2015）ISSN（0）-2395-4396.[15] K. Padmavathi，K.李文生，遗传算法在植物叶片病害检测中的应用，中国农业科学院学报，2001。Comput. Sci.软件。（ISSN：2277128X）5（4）（2015）。[16] K.林志玲，数字图像处理技术在农业中的应用，北京：农业出版社 ， 2001 。 紧 急 情 况 Technol. （ ISSN ： 22316604 ） 6 （ 2 ）（2013）。154S. Krishnaveni，A.Pethalakshmi/ICT Express 3（2017）148[17] S.P. Patil，V.P. Kumbhar，D.R. Yadav，N.S.陈晓，叶病的计算机图像处理技术研究，中国农业科学院学报，2000。Eng. （IJARECE）（ISSN：2278-909X）4（4）（2015）.[18] 李文，李文生，等.基于人工神经网络技术的水果品质检测.北京：食品工业出版社，2001.（IOSR-JECE）10（4）（2015）e-ISSN：2278-8735，J.[19] R. Sindhoori，PSO-SVM中的数字图像处理多特征人脸识别，SSRGInt. J. Electr. Electron. Eng.（SSRG-IJENG）（ISSN：2348-8379）1（3）（2014）。[20] Jinho Kim，Byung-soo Kim，Sil Vio Savarise，比较图像分类方法：K-最近邻和支持向量机，Int.应用数学电子计算杂志Eng. （2012年）。