基于GA-SVM模型的机采籽棉杂质识别

张成梁，李 蕾，董全成，葛荣雨



基于GA-SVM模型的机采籽棉杂质识别

张成梁1，李 蕾2，董全成1，葛荣雨1

（1.济南大学机械工程学院，济南250022； 2. 齐鲁工业大学机械与汽车工程学院，济南250353）

针对中国机采棉加工过程中混级混轧、缺乏棉花参数检测的现状，提出使用遗传算法优化支持向量机参数的机采籽棉图像分割、杂质识别方法。在图像分割阶段，采用像素点邻域的色调、饱和度、亮度颜色特征与平均亮度、平均对比度、平滑度、三阶矩、一致性、熵等纹理特征构建特征向量，使用最优保留策略的遗传算法优化惩罚参数及核函数参数，建立图像分割SVM分类器；对杂质识别过程，在计算标记区域的颜色特征、纹理特征基础上，增加面积、周长、离心率、矩形度、形状因子等形状特征，使用遗传算法建立杂质识别SVM分类器。测试结果表明，该方法适用于边缘对比度低、纹理信息丰富的机采籽棉含杂图像分割，对杂质的有效识别率为92.6%。该研究为棉花加工设备的参数优化和国产采棉机的研制及优化提供重要参考依据。

图像分割；杂质；遗传算法；机采籽棉；SVM；识别

0 引 言

中国是世界上的棉花生产大国，传统的手摘收获方式严重制约着采棉效率和经济效益，随着机械化收获比例的逐年增加，机采棉加工工艺逐步完善。由于机采棉含杂量在8%～15%，一般需要经过三级籽棉清理和两级皮棉清理，但是过度清理会造成棉花纤维的损伤[1-2]，机采棉加工工艺需要统筹考虑棉花纤维质量与杂质清理效果[3-4]。但是，国内棉花加工厂普遍采用手感目测的检测方式，对整垛棉花采用固定加工参数，属于典型的粗放型加工，不符合棉花精细化加工要求。由于各级清杂设备只对特定类型的杂质清理效果明显[5-6]，因此，检测加工过程中棉花杂质的类型及其含量对使用适当清杂设备、合理调整设备参数具有重要实用价值和现实意义。

目前，中国农业大学[7-9]、清华大学[10-11]山东大学[12-13]、山东农业大学[14-15]、四川大学[16-17]等在皮棉异性纤维检测识别方面做了很多工作；王欣[18-19]和王昊鹏[20]分别对皮棉和手摘籽棉中的杂质进行识别。但是，棉花杂质检测研究方面对于机采籽棉中杂质的分类识别问题鲜有报道[21]。皮棉异性纤维检测技术为纺纱工艺的开清棉工序提供了支持，并不能指导棉花加工过程，另外皮棉经过了多级清杂和梳理，杂质含量低，图像背景较为单一，检测时皮棉层薄，不存在杂质遮挡问题；手摘籽棉的含杂量远远低于机采籽棉，同时机采棉加工工艺也比手摘棉复杂的多。目前，国内迫切需要解决机采籽棉杂质的分类检测识别问题，为优化机采棉加工工艺提供检测数据及反馈信息。基于此，本文突破机采籽棉含杂量高、图像背景复杂、籽棉团遮挡等难点，研究机采籽棉中的铃壳、僵瓣、棉枝、棉叶、尘杂等天然性杂质的分类识别。

边缘检测法、阈值分割法、区域生长法、聚类算法、支持向量机方法（SVM）等[22-23]是目前比较常见的图像分割算法。其中，SVM方法在原理上充分结合了统计学习和神经网络，该方法对解决高维样本、小数据样本、非线性模式识别等方面有突出的优点，应用广泛[24-25]。一般的SVM彩色图像分割方法容易忽略图像细节的纹理信息和边缘锐变情况，仅从某一颜色空间的颜色分量或者多颜色空间的颜色分量组合方面考虑，特征使用不够全面；另外，SVM参数的优选问题也一直是研究热点[26]。在典型的机采籽棉图像中，籽棉和杂质区域部分均包含丰富的纹理信息，但是目标区域边缘对比度相对较低。本文充分利用棉花及杂质的像素邻域颜色信息及纹理信息作为训练特征样本集，摆脱传统方法的局限性；同时利用遗传算法（GA）优化SVM参数，高效率的解决大范围并行寻优问题；对于分割后的图像，通过提取杂质区域的颜色、纹理、形状特征作为训练特征样本集，利用SVM分类器实现机采籽棉图像的杂质识别。

1 支持向量机理论

1.1 SVM原理

SVM建立在统计学习理论和结构风险最小原理基础上，具有较强的高维样本处理能力。SVM实质上是1个二分类算法，主要思想是寻找能够正确分开2类样本且具有最大分类间隔的最优分类超平面[27]，基本思想可以表述如下：

式中为权值，为偏置。2类数据在合理的分类面方程下都能够达到要求，即约束条件为

（2）

分别对、求偏导数，并令其等于零，采用适当的内积函数实现非线性变换后的线性分类，解决训练样本间的内积运算，式（3）转化为如下对偶问题

（4）

式中表示惩罚参数，可以控制对错分样本的惩罚程度。假设最优解为*，则最优分类函数为

式中sgn(·)为符号函数；*是分类阈值。

可以看出，SVM在有限训练样本信息模型的复杂性和学习能力之间寻求效果最好的平衡。

1.2 SVM核函数

函数称为SVM的核函数，它的使用有效避免了算法的维数灾难问题。线性核函数、多项式核函数、Sigmoid核函数、和径向基核函数（RBF）等是比较常用的核函数。其中，应用最广的是RBF核函数，各方面性能均表现稳定[28-29]，RBF核函数为

1.3 遗传算法优化SVM参数

惩罚参数控制着经验风险与算法复杂度的平衡，值越大则对训练样本的拟合程度就越高，但是值过大会导致经验风险增大、发生过学习；反之就对经验误差的惩罚小，学习机器的复杂度小。SVM分类器对数据变化的敏感度受核函数的影响，该值过小分类器的抗干扰能力变差，反之就会造成分类器反应迟钝。如何确定SVM参数直接影响到分类器的性能好坏。

SVM的参数选择问题，其实质就是1个优化问题。目前SVM参数选取方法主要有：经验选择法、实验试凑法、网格搜索法等。随机选择SVM分类器参数很难达到理想效果；经验选择法和实验试凑法不能保证参数值一定是最优的，并且实验过程严重依赖操作者的经验；使用matlab工具箱提供的网格参数优化方法，也能够找到范围内的最优解，但是如果要提高精确度或者增大搜索范围，该方法会很费时。

目前，启发式算法已经成功应用在参数寻优方面，其中，遗传算法作为一种实用、高效、鲁棒性强的优化技术应用广泛，本文采用遗传算法优化选择SVM参数。遗传算法优化SVM参数的方法，首先从初始种群出发，采用自行设计的适应度函数来评价个体适应度，并以此从种群中选择优良个体，然后通过交叉、变异操作生成新一代个体。将这个过程迭代循环，直至达到终止条件，具体操作为：

1）种群初始化：构建一定数量的初始种群，个体编码方式采用实数编码，每一个体包含两个随机数，构成一组SVM参数。

2）适应度函数：以交叉验证意义下的训练样本准确率作为个体的适应度评价函数。

3）选择操作：采用轮盘赌法选择算子，保证优质个体有更大的几率被选中；同时采用最优个体保留策略，最优个体直接进入下一代。

4）交叉操作：对个体间的2个实数基因位进行交叉组合。

5）变异操作：根据变异率，随机选择个体，修改基因位上的数值。

经过遗传算法并行高效的优化选择后，可得到最优SVM参数(,)。本文对机采籽棉图像分割以及杂质识别2个阶段均采用上述遗传算法优化SVM的方法。

2 基于邻域颜色、纹理特征的SVM图像分割

2.1 颜色空间选择

在颜色空间的选择方面，色调饱和度亮度颜色模型（HSI）从人的视觉系统出发描述色彩，消除了各分量之间的相关性，比较符合人的视觉特性。本文选择在HSI颜色空间进行棉花彩色图像的分割识别操作。

作为有监督的分类器，SVM在选取特征时，既要注意选取特征的有效性，又要注意样本数据的多样性。SVM图像分割方法一般只使用特定像素点处的灰度值或颜色值，忽略图像区域的边缘锐变情况和纹理信息，影响分割结果。本文充分考虑纹理信息在表征杂质图像特征方面的重要性，结合机采籽棉图像中区域块的连续性，使用采样点邻域区域颜色特征和纹理特征共同构建训练样本集的方法，提高图像分割效果。

2.2 特征向量提取

在机采籽棉含杂图像中，杂质与棉花各自具有不同的纹理特性，这些纹理特性不受亮度和颜色的影响，可以作为识别两者的1个重要特征；但是这种自然环境下的纹理没有规则的形状和方向性，纹理特性中的统计方法适合处理这种情况，本文选用平均亮度、平均对比度、平滑度、三阶矩、一致性和熵等信息作为纹理分析的特征量。

1）平均亮度：基于灰度直方图的平均亮度。

2）平均对比度：区域的标准方差，表示清晰度。

3）平滑度：区域中亮度的相对平滑度度量。

4）三阶矩3：灰度直方图的偏斜性。

5）一致性：灰度一致性的度量。

6）熵：目标区域的随机性。

具体操作时，利用人工交互选点的方式，对选定点的5´5邻域计算HSI空间3个颜色特征均值及6个纹理特征，并分别标记棉花纤维、深色杂质、浅色杂质。试验中机采籽棉彩色图像特征向量值如表1所示。

表1 机采籽棉图像特征向量值

本文以区域颜色均值、纹理信息代替单点颜色值，避免单独像素点的信息孤立性，增强抗噪声能力，同时有利于增加选取点附近区域的纹理信息，使用SVM多分类器使得杂质分割更加细致，便于进行识别操作。

2.3 SVM图像分割

在确定了所需的训练样本后，将选定像素点邻域的颜色和纹理特征作为特征向量，并对训练样本进行类别标注，利用遗传算法优化、参数的方法训练图像分割SVM分类器，用训练好的SVM分类器对整幅机采籽棉图像进行分割。由于同类图像在颜色空间数据分布形状通常是相近的，并且机采籽棉杂质纹理特征稳定，本文得到的最优SVM参数对同类图像通用。

图1为机采籽棉原始图像，杂质种类多，并且铃壳、僵瓣、棉枝、大叶片周围以及籽棉团之间的邻接部位都存在暗色的阴影区域，籽棉背景区域的多样性增加了目标区域的分割难度。

采用模糊C均值聚类算法（FCM）、传统SVM方法及本文GA-SVM方法的图像分割效果如图2所示。

a. FCM浅色杂质a. Light-colored impurities with FCMb. FCM深色杂质b. Dark impurities with FCM c. 传统SVM浅色杂质c. Light-colored impurities withtraditional SVMd. 传统SVM深色杂质d. Dark impurities withtraditional SVM e. GA-SVM浅色杂质e. Light-colored impurities withGA-SVMf. GA-SVM深色杂质f. Dark impurities withGA-SVM

图2a、图2b是采用模糊C均值聚类算法图像分割结果，在HSI空间采用欧式距离，由于浅色杂质与阴影区域的颜色信息十分相近，以至于出现了两者大面积合并的现象，同时深色杂质的外围轮廓也有部分被标记为目标区域，分割效果整体不理想。图2c、图2d为采用一般SVM分割方法的结果，使用人工选点方式训练，采用遗传算法优化、参数，杂质分割效果较FCM方法有所改善，这时如果不根据原有图像信息而直接使用形态学腐蚀或者细化处理，容易造成边界区域分割不精确[30]。一般SVM由于只使用了训练样本点本身的H、S、I颜色信息，没有充分利用空间位置信息，仍然没有达到期望的分割效果。图2e、图2f为采用本文SVM分割方法的结果，采用了与图2c、图2d相同的训练样本点，采用GA优化、参数，同时使用了样本点附近邻域块的3个颜色信息及6个纹理信息，较好的分割出了浅色与深色杂质，并且各自区域相对连续，效果较好。本文采用SVM方法将图像识别为3类，而不是只有目标杂质区域和背景棉花区域的简单二分类，这样有利于在深色系杂质与浅色系杂质出现重叠覆盖的情况下完成两者的有效分割，便于后续的识别操作。

结果表明，相对于FCM分割和经典 SVM分割，本文方法显著提高了分类精度，当图像中目标区域的边缘对比度较低时，有效避免了将目标的阴影当成边缘的情形，具有自适应性。

3 基于颜色、纹理、形状特征的SVM杂质识别

3.1 形态学处理

从图2e可以看出，在杂质区域块的内部存在小面积的独立区域图块，例如：僵瓣内部有错误识别为棉花的部分，这是由于僵瓣本身就是未成熟的棉花，在颜色、纹理特征上与棉花接近。为改善这种情况，本文将SVM分割后的标记图像采用形态学的孔洞填充操作，统一杂质区域类型；然后对浅色杂质利用开运算，消除小面积噪声影响；对深色杂质利用闭运算，在保留小面积尘杂的基础上，平滑目标边界。

注意到图1中部的浅色铃壳外围有1圈深色杂质，这是铃壳的背面，应该将这两部分识别为一个整体，方法是将浅色杂质目标做适当膨胀，如果深色杂质中有相当部分与新增加的膨胀区域重合，则将其区域标号修改为与该浅色目标一致。

3.2 SVM杂质识别

在完成了机采籽棉含杂图像的分割与形态学处理后，杂质已经不再是图像分割阶段的分离片段状态，而是已经被完整标记的独立区域，在杂质识别操作阶段，本文在提取颜色、纹理的基础上，增加形状特征这一重要信息，具体如下：

1）面积：用同一标记区域中像素数表示。

2）周长：用图形区域外边界的相邻两像素之间的距离之和表示。

3）离心率：即区域形状接近圆形的程度。

4）矩形度：提取杂质图像的最小外接矩形，用最小外接矩形面积与图像面积之比表示。

5）形状因子：与区域周长的平方与面积比有关。

在图像分割后，自动提取杂质区域的3个颜色特征均值、6个纹理特征及5个形状特征，构造14维的特征向量，并人工标记杂质类型，包括棉枝、棉叶、铃壳、僵瓣和尘杂，采用遗传算法优化SVM参数的方法训练杂质识别SVM分类器，最后使用完成的SVM分类器对测试图像的杂质进行分类识别操作。

4 算法流程

本文主要的算法流程如图3所示。

1）对机采籽棉分割用的训练图像，分别在棉花纤维、深色杂质、浅色杂质区域人工选点，标记类别标签，计算选点邻域的颜色、纹理特征作为特征向量。

2）使用遗传算法优化、参数，得到图像分割SVM分类器。

3）对分割用的测试图像，在对每个像素进行分类的过程中，构建其邻域的颜色、纹理特征，并结合分割SVM分类器，实现对机采籽棉含杂图像的分割。

4）对分割完成的图像进行形态学处理后，一部分图像用于识别训练，另一部分用于识别测试。

5）对识别用的训练图像，在自动分割杂质区域后，计算各标记区域的颜色、纹理和形状特征，人工标记类别标签：棉枝、棉叶、铃壳、僵瓣和尘杂，用遗传算法优化、参数，得到杂质识别SVM分类器。

6）对识别用的测试图像，在对每个杂质区域计算颜色、纹理、形状特征后，结合识别SVM分类器，完成对机采籽棉图像的杂质识别。

7）经过以上步骤后，可以得到图像分割SVM分类器和杂质识别SVM分类器，对于其他机采籽棉含杂图像可直接利用这2个分类器实现自动图像分割与杂质识别。

5 试验与结果分析

5.1 试验材料与装置

试验材料为机采籽棉，选用维视图像的彩色工业相机，型号MV-EM510C/M，视野范围100 mm×100 mm，分辨率2456像素×2058像素，CCD尺寸2/3英寸；工业镜头M0824-MPW2，焦距8 mm；光源控制器型号AFT-ALP2430-02，漫射光源型号AFT-WL21244-22W，试验系统如图4所示。

将相机和照明系统放置在封闭的暗室中，有效避免外界的干扰，4段条形光源采用正向亮场照明方式，试验用的机采籽棉被压在暗室另一侧的透明玻璃板上。训练和测试中用MATLAB R2014b和libsvm-3.21工具箱进行计算，训练图像和测试图像各60张。

5.2 实例分析

图5为两幅典型的机采籽棉图像。

a. 实例一a. First exampleb. 实例二b. Second example

图像中有棉叶、棉枝、僵瓣、尘杂等，籽棉团之间有暗色的阴影区域，并且存在杂质被棉花遮挡的情况。对于图5a中的实例一采用本文GA-SVM方法分割图像，如图6a、图6b所示，由于使用了基于像素点邻域的颜色、纹理特征，采用了GA优化、参数，在机采籽棉彩色图像中实现了浅色目标杂质、深色目标杂质与白色背景籽棉团的有效分离。图6c、图6d为形态学处理后的图片，其中图6c经过区域填充和开运算后，浅色杂质僵瓣、铃壳目标清晰，边界平滑，图像没有孤立噪声点；图6d经过区域填充和闭运算后，深色杂质小目标尘杂保留较好，棉叶、棉枝清晰可辩。图像整体分割效果理想，为杂质的正确识别提供了有利条件。

a. GA-SVM浅色杂质a. Light-colored impurities withGA-SVMb. GA-SVM深色杂质b. Dark impurities withGA-SVM c. 浅色杂质形态学处理c. Light-colored impurities withmorphology operationd. 深色杂质形态学处理d. Dark impurities withmorphology operation

对于图5b中实例二的图像处理结果如图7所示。

a. GA-SVM浅色杂质a. Light-colored impurities withGA-SVMb. GA-SVM深色杂质b. Dark impurities withGA-SVM c. 浅色杂质形态学处理c. Light-colored impurities withmorphology operationd. 深色杂质形态学处理d. Dark impurities withmorphology operation

从图7c可以看出，图像左侧的铃壳内部浅色区域能够被识别标记，但是因为籽棉团的遮挡，只能识别出可见部分，造成了该部分区域形状的不完整，这在一定程度上会对后续SVM杂质类型识别造成不利影响；对于图7d中的深色杂质识别，图像左侧中部偏上部分的铃壳深色外部边缘不够连续，这也是由于棉纤维覆盖造成，其余部分识别较好，图像整体分割效果较为理想。

图8所示为遗传算法优化、参数的迭代运算图，种群规模为40，最大迭代步数是100，由于最优保留策略，种群中的最优个体适应度逐渐增加，最后稳定在95.8%，表明此时的惩罚参数与核函数参数的组合达到最优的分类性能。

对机采籽棉图像分割处理后，分别用5种方法进行杂质识别，测试结果如表2所示。

表2 多种方法测试结果比较

注：表中“—”表示没有该项参数。

Note: In the table “-” represents no such parameter.

从表2可以看出，使用一般SVM1方法，利用杂质区域的颜色、纹理、形状信息作为特征向量，但是由于随意设置、，训练正确率和测试正确率均不高，不是最优配对；对于仅使用颜色特征的SVM2方法，虽然使用了遗传算法优化、，训练正确率提高很大，但是测试正确率较低，说明只使用颜色特征不能很好的对机采籽棉未知图像进行分类识别，提取的杂质特征信息严重不足；对于使用多项式核函数的SVM3，使用了默认的参数设置，可以看出多项式核函数对于本文的机采籽棉杂质识别问题没有达到理想效果；构建的BP神经网络结构为14-29-5，模型训练正确率较高，但是网络的泛化能力较差；对于本文采用的GA-SVM方法，训练正确率到达95.8%，测试正确率达到92.6%，效果比较理想。

6 结 论

1）本文针对机采籽棉含杂图像的分割、识别问题，提出了一种在HSI颜色空间使用遗传算法优化SVM惩罚参数及核函数参数的方法，算法实现、自动优化，克服了参数选择的盲目性。

2）结合像素点邻域区域的颜色、纹理特性对机采籽棉含杂图像进行分割，避免了单独像素点的信息孤立性，提高了分割精度与分割准确度。杂质识别操作采用标记区域的颜色、纹理及形状特征，使得机采籽棉杂质的正确识别率达到92.6%。

本文所述方法在机采籽棉杂质识别方面取得良好效果，这对于完善机采棉多级清理、实现棉花精细化生产等具有重要的现实意义。

[1] Anthony W S. Influence of cotton varieties and gin machinery on trash particles[J]. Applied Engineering in Agriculture, 2002, 18(2): 183－198.

[2] 徐红，曹吉强，叶伟，等. 锯齿式皮棉清理对机采棉性能的影响[J]. 纺织学报，2014，35(1)：35－39.

Xu Hong, Cao Jiqiang, Ye Wei, et al. Influence of saw type lint cleaning on performance of machine stripped cotton[J]. Journal of Textile Research, 2014, 35(1): 35－39. (in Chinese with English abstract)

[3] Boykin J C, Ray S. The effects of seed cotton cleaning on seed coat fragments[J]. Journal of Cotton Science, 2010, 14(2): 91－98.

[4] Byler R K, Delhom C D. Evaluation of fiber and yarn quality with and without seed cotton cleaner material produced in a commercial cotton gin[J]. Applied Engineering in Agriculture, 2013, 29(5): 621－625.

[5] 谢占林. 机采棉加工主要工序对棉花品质指标影响程度比较研究[D]. 乌鲁木齐：新疆大学，2015.

Xie Zhanliln. Study of the Influence Degree of the Main Process to the Cotton Quality Indicators in Machine Harvested Cotton Processing[D]. Urumqi: Xinjiang University, 2015. (in Chinese with English abstract)

[6] Sui R, Thomasson J A, Byler R K, et al. Engineering and ginning: Effect of machine-fiber interaction on cotton fiber quality and foreign-matter particle attachment to fiber[J]. The Journal of Cotton Science, 2010, 14(3): 145－153.

[7] Li Daoliang, Yang Wenzhu, Wang Sile. Classification of foreign fibers in cotton lint using machine vision and multi-class support vector machine[J]. Computers & Electronics in Agriculture, 2010, 74(2): 274－279.

[8] Zhao Xuehua, Li Daoliang, Yang Bo, et al. Feature selection based on improved ant colony optimization for online detection of foreign fiber in cotton[J]. Applied Soft Computing, 2014, 24: 585－596.

[9] 赵学华，李道亮，于合龙. 基于费舍尔评分与离散粒子群优化的棉花异性纤维在线检测[J]. 农业工程学报，2014，30(6)：107－115.

Zhao Xuehua, Li Daoliang, Yu Helong. Online detection for cotton foreign fiber based on fisher score and binary particle swarm optimization[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(6): 107－115. (in Chinese with English abstract)

[10] Qu Xin, Ding Tianhuai. A fast feature extraction algorithm for detection of foreign fiber in lint cotton within a complex background[J]. Acta Automatica Sinica, 2010, 36(6): 785－790.

[11] 周飞，丁天怀，瞿鑫. 皮棉异性杂质的白光/荧光交替成像检测法[J]. 清华大学学报：自然科学版，2010，50(8)：1234－1238.

Zhou Fei, Ding Tianhuai, Qu Xin. Detection of foreign materials in lint cotton with a white light/fluorescence alternating imaging method[J]. Journal of Tsinghua University (Science and Technology), 2010, 50(8): 1234－1238. (in Chinese with English abstract)

[12] 王昊鹏，冯显英，王娜，等. 基于改进的粒子群多阈值算法的白色异性纤维检测[J]. 农业工程学报，2013，29(23)：153－158.

Wang Haopeng, Feng Xianying, Wang Na, et al. Detection of white foreign fibers based on improved particle swarm algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(23): 153－158. (in Chinese with English abstract)

[13] 王昊鹏，冯显英，李丽. 基于改进二维最大类间方差法的白色异性纤维检测算法[J]. 农业工程学报，2012，28(8)：214－219.

Wang Haopeng, Feng Xianying, Li Li. Detection algorithm of white foreign fibers based on improved two-dimensional maximum between-class variance method[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(8): 214－219. (in Chinese with English abstract)

[14] Wang Rui, Liu Shuangxi, Wang Qinxiang, et al. Classification features of feather and hemp in cotton foreign fibers[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(Supp.2): 202－207.

[15] 王金星，李恒斌，王蕊，等. 基于BPSO的棉花异性纤维目标特征快速选择方法[J]. 农业机械学报，2013，44(2)：188－191.

Wang Jinxing, Li Hengbin, Wang Rui, et al. A fast feature selection for cotton foreign fiber objects based on BPSO[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(2): 188－191. (in Chinese with English abstract)

[16] 王冬，尹伯彪，刘翔，等. 棉花中白色异性纤维的线扫描激光成像检测方法[J]. 农业工程学报，2015，31(9)：310－314.

Wang Dong, Yin Bobiao, Liu Xiang, et al. Laser line scan imaging method for detection of white foreign fibers in cotton[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(9): 310－314. (in Chinese with English abstract)

[17] 刘翔，何相呈，苏真伟，等. 棉花中白色异性纤维的激光成像快速检测方法[J]. 农业工程学报，2014，30(15)：190－196.

Liu xiang, He Xiangcheng, Su Zhenwei, et al. Laser imaging method for fast detecting white foreign fibers in cotton[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(15): 190－196. (in Chinese with English abstract)

[18] 王欣，李道亮，杨文柱，等. 基于可见光机器视觉的棉花伪异性纤维识别方法[J]. 农业机械学报，2015，46(8)：7－14.

Wang Xin, Li Daoliang, Yang Wenzhu, et al. Lint cotton pseudo–foreign fiber detection based on visible spectrum computer vision[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(8): 7－14. (in Chinese with English abstract)

[19] Wang Xin, Yang Wenzhu, Li Zhenbo. A fast image segmentation algorithm for detection of pseudo-foreign fibers in lint cotton[J]. Computers & Electrical Engineering, 2015, 46: 500－510.

[20] 王昊鹏，李慧. 基于局部二值模式和灰度共生矩阵的籽棉杂质分类识别[J]. 农业工程学报，2015，31(3)：236－241.

Wang Haopeng, Li Hui. Classification recognition of impurities in seed cotton based on local binary pattern and gray level co-occurrence matrix[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(3): 236－241. (in Chinese with English abstract)

[21] 张成梁，李蕾，董全成，等. 基于颜色和形状特征的机采棉杂质识别方法[J]. 农业机械学报，2016，47(7)：28－34.

Zhang Chengliang, Li Lei, Dong Quancheng, et al. Recognition method for machine-harvested cotton impurities based on color and shape features[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(7): 28－34. (in Chinese with English abstract)

[22] 章毓晋. 图像工程（中册）：图像分析(第3版)[M]. 北京：清华大学出版社，2012：29－50.

[23] 张荣，王文剑，白雪飞. 基于训练样本自动选取的SVM彩色图像分割方法[J]. 计算机科学，2012，39(11)：267－271.

Zhang Rong, Wang Wenjian, Bai Xuefei. Color image segmentation SVM approach based on training samples automatic selection[J]. Computer Science, 2012, 39(11): 267－271. (in Chinese with English abstract)

[24] Fernandez M, Caballero J, Fernandez L, et al. Cheminform abstract: genetic algorithm optimization in drug design QSAR: bayesian-regularized genetic neural networks (BRGNN) and genetic algorithm optimized support vectors machines (GA-SVM)[J]. Molecular Diversity, 2011, 15(1): 269－289.

[25] Korkmaz S A, Poyraz M. Least square support vector machine and minumum redundacy maximum relavance for diagnosis of breast cancer from breast microscopic images[J]. Procedia-Social and Behavioral Sciences, 2015, 174(3): 4026－4031.

[26] Subasi A. Classification of EMG signals using PSO optimized SVM for diagnosis of neuromuscular disorders[J]. Computers in Biology & Medicine, 2013, 43(5): 576－586.

[27] Chang C C, Lin C J. LIBSVM: A library for support vector machines[J]. ACM Transactions on Intelligent Systems and Technology, 2011, 2(3): 389－396.

[28] 奉国和. SVM分类核函数及参数选择比较[J]. 计算机工程与应用，2011，47(3)：123－124.

Feng Guohe. Parameter optimizing for support vector machines classification[J]. Computer Engineering and Applications, 2011, 47(3): 123－124. (in Chinese with English abstract)

[29] 潘晨，闫相国，郑崇勋. 基于MEAN-SHIFT和SVM的血细胞图像分割[J]. 仪器仪表学报，2004，25(4S)：467－472.

Pan Chen, Yan Xiangguo, Zheng Chongxun. Combining mean-shift and SVM for blood cell image segmentation[J]. Chinese Journal of Scientific Instrument, 2004, 25(4S): 467－472. (in Chinese with English abstract)

[30] Chowdhury A S, Tan S, Yao J, et al. Colonic fold detection from computed tomographic colonography images using diffusion-FCM and level sets[J]. Pattern Recognition Letters, 2010, 31(9): 876－883.

Recognition for machine picking seed cotton impurities based on GA-SVM model

Zhang Chengliang1,Li Lei2,Dong Quancheng1,Ge Rongyu1

(1.,250022,; 2.,,250353,)

The processing technology of the machine picking seed cotton (MPSC) should be influenced significantly by the kinds and the contents of impurities. But during the MPSC processes in China, there is a lot of the mixed level and the mixed ginned, as well as the lack of online detection technology. In view of the present situations, a method for the identification of impurities in MPSC image using genetic algorithm (GA) to optimize the SVM parameters has been presented in this paper. First, in order to label three categories of the cotton fiber, the light-colored impurities and the dark impurities, the feature vectors were constructed for the image segmentation by the color characteristics of hue, saturation and intensity of pixel neighborhood, and the texture features of the average brightness, the average contrast, the smoothness, the third moment, the consistency and the entropy. GA of optimal retention strategy was used to optimize the penalty parameter and kernel function parameter to establish the SVM classifier of image segmentation, and then morphological operation such as hole filling, opening operation, closing operation was adopted. The specific operation was the use of open operation on light-colored impurities to eliminate the influence of small area noise; while the use of closed operation on dark impurities to smooth the target boundary on the basis of retaining small areas of dust. Then, for the impurity recognition process, shape features including area, perimeter, eccentricity, rectangle degree and shape factor were added to feature vectors besides color feature and texture feature of marked region; five categories of cottonseed, cotton leaf, bell shell, stiff valve and dust miscellaneous were marked; and the SVM classifier for impurity recognition by GA was established. At last, automatic segmentation and impurity recognition for MPSC image were realized using these two SVM classifiers. For the experiment MPSC was taken as the test material. The color planar array CCD camera of technical grade (MV-EM510C/M, Microvision, Inc.) with the industrial lens (M0824-MPW2) was used for the shooting system which included the LED diffuse light source of a 4-segment strip (AFT-WL21244-22W) and the light source controller (AFT-ALP2430-02). When shooting, the camera and the light source were placed in the darkroom, and the MPSC used for the test was pressed against the transparent glass plate on the other side of the darkroom. The data training and the picture test were conducted using MATLAB R2014b and libsvm-3.21 toolbox, and 60 pictures were equally used for both training and testing. The SVM multi-classifier was established during segmentation and recognition operation instead of simple binary classifier. This method utilized SVM small sample and high dimensionality learning ability, and the segmentation and recognition accuracy were further increased. Experimental results show that, comparing with the segmentation results from fuzzy C - means clustering algorithm and traditional SVM algorithm, the classification accuracy was improved significantly by using neighborhood spatial information. When the contrast of the edge of the target area in the image was weak, the suggested method could effectively avoid the situation of taking the shadow of the target as the edge which had shown great adaptability in applications. In this study, compared with the traditional SVM recognition algorithm, GA was used to automatically optimize SVM penalty parameter and kernel function parameter. SVM classifiers for image segmentation and impurity recognition were obtained through the suggested method overcame the blindness of parameter selection and the shortcomings of BP neural network generalization ability. Since the data distribution shapes of the homogeneous image in the color space are usually of similarity, and the characteristics of MPSC impurities texture are of stability, the optimal SVM parameters are common to the same kind of images, while for the other MPSC images with impurities, these two classifiers can be directly used to achieve the image segmentation and the impurity recognition automatically. The test results showed that the suggested method was suitable for the segmentation of natural impurities in MPSC image of low edge contrast and rich texture information, and its effective recognition rate of natural impurities was 92.6%. The study can provide important reference for the parameter optimization of cotton processing equipment and the development and optimization of domestic cotton picker.

image segmentation; impurities; genetic algorithm; machine picking seed cotton; SVM; recognition

10.11975/j.issn.1002-6819.2016.24.025

TP391.41

A

1002-6819(2016)-24-0189-08

2016-09-29

2016-11-08

国家自然科学基金项目（51305164，51405194）；山东省重点研发计划项目（2016GNC110025）

张成梁，男，山东寿光人，讲师，博士，主要从事图像检测识别、智能仪器仪表和优化控制研究。济南 济南大学机械工程学院，250022。Email：me_zhangcl@ujn.edu.cn