物流运输颜色智能监测技术探析
更新时间:2020-09-16 17:00:01
摘要提出了一种用于物流运输监测的颜色识别方法，该方法使用RGB颜色模型提取被监测货物的颜色信息，然后用支持向量机（SVM）对颜色信息进行处理，以获取被监
1、引言
物流是促进世界经济发展的主体行业，也是国民经济的基础之一。运输是整个物流过程中重要的环节之一，也是物流货物易于受损的重要环节。对运输过程中货物的监测不仅可以提供溯源依据，而且及时获得货物状态信息可以采取必要的措施以减少损失。
近年来许多学者对物流运输过程进行了研究，其中大部分工作集中在韶关到中山物流运输管理[1]以及调度[2]等方面。而对所运输货物的监测的研究较少，通常是运输环境的温度、湿度和振动等信息的监测[3-4]。为了提高对物流运输货物，特别是鲜活产品的监测，本文设计并实现了一种基于支持向量机（Support Vector Machine -SVM）的颜色识别方法。该方法首先摄取被监测物体的图像，然后使用RGB颜色模型提取被监测物体的颜色信息，再用SVM对的货物颜色信息进行处理，以获取被监测物体的状态特征。以香蕉为对象进行了监测实验，验证了本文提出的方法。
2、颜色特征
本文采集的货物图像为彩色图像，采用的是使用最广泛的是RGB颜色模型。如图1所示，RGB颜色模型是一种加性颜色模型，三个直角轴分别对应着红色、绿色和蓝色，立方体的原点处（R=G=B=0）为纯黑珠海到六安物流色，其对角点处为白色（R=G=B=255），利用红、绿、蓝三原色的不同组合可以产生其它不同颜色。RGB颜色模型和多数图像采集、显示设备的色彩方式吻合（如图1）。
为了描述货物颜色图像的颜色特征使用了颜色直方图，以描述具有同颜色级别的像素的个数。颜色直方图的横坐是颜色级别，纵坐标是具有某种颜色级别的像素的个数，它反映了彩色图像的颜色统计信息。对于一幅RGB模型的彩色图像，其颜色直方图有三个：红色直方图、绿色直方图和蓝色直方图。为了简化计算，本文使用了简化的颜色直方图，即每种颜色都简化为10个级别。
3、支持向量机
支持向量机（SVM）是从线性可分情况下的最优分类面发展而来的一种监督学习方法，在解决小样本、非线性及高维识别问题中表现出突出的优势[5]。对于可被一个分类面正确地分开的线性可分的训练样本集（xi，yi），最优分类面是使分类间隔最大的分类面。线性可分的最优分类函数为：
式中：a*为Lagrange乘子，b*为分类阈值，式中的求和实际上只对支持向量进行。
对于线性不可分的情况，通过引入一个非负的松弛变量ξi和错分样本惩罚系数C， 得到的最优分类函数与上式相同。对于非线性问题，可通过非线性变换转化为高维空间中的线性问题， 而后在变换后的空间中求最优分类面。在最优分类面中采用适当的核函数K（xi·x）以得到支持向量机的分类函数为：
4、实验
以香蕉为对象进行了颜色识别实验。在不同的成熟阶段，香蕉的表面颜色有明显的不同，定义图2（a）-（c）所示的香蕉为好、中、差。在训练时，使用1，2，3分别代表这三个类别（如图2）。
实验时将得到的数据分为训练组和检测组，前者用于训练SVM，后者用于验证。将识别结果与预先的分类进行对比，以佛山到三门峡物流验证SVM识别的准确性。实验中使用了23组训练数据，13组测试数据，有2个识别错误，准确率为84.6%。
5、结论
本文使用小规模样本，采用彩色图像的RGB颜色直方图结合支持向量机，实现了颜色识别。该方法可以用到物流运输中对所运输货物，特别是农产品等鲜活产品的状态进行监测。
6、结语
本文的研究工作得到了天津市高等学校科技发展基金计划项目（20070803）和 天津市科技支撑计划重点项目（08ZCKFNC00700）的支持。
