基于優(yōu)化神經(jīng)網(wǎng)絡(luò)的小麥品種分類研究

樊 超，夏 旭，石小鳳，侯利龍

（河南工業(yè)大學(xué) 信息科學(xué)與工程學(xué)院，河南 鄭州 450001）

基于優(yōu)化神經(jīng)網(wǎng)絡(luò)的小麥品種分類研究

樊 超，夏 旭，石小鳳，侯利龍

（河南工業(yè)大學(xué) 信息科學(xué)與工程學(xué)院，河南 鄭州 450001）

為提高基于圖像處理的小麥品種識別的準(zhǔn)確率，首先選取L8998、內(nèi)鄉(xiāng)188、9023、優(yōu)展1號、豫麥47、周麥12等6個品種作為研究對象，對采集到的小麥顆粒圖像進(jìn)行中值濾波后采用迭代式閾值法分割圖像，提取出顏色、形態(tài)和紋理3方面共16個特征，然后通過構(gòu)建神經(jīng)網(wǎng)絡(luò)研究了小麥品種的識別準(zhǔn)確率與品種數(shù)量之間的關(guān)系.最后，為避免網(wǎng)絡(luò)因達(dá)到局部最優(yōu)而停止訓(xùn)練，利用MIV算法計(jì)算了各輸入特征參數(shù)對分類結(jié)果的平均影響值，進(jìn)而使用遺傳算法對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了優(yōu)化.結(jié)果表明，隨著小麥品種的增加，分類的準(zhǔn)確率逐步下降，當(dāng)待識別的小麥種類增加到6類時，優(yōu)化后的神經(jīng)網(wǎng)絡(luò)的樣本識別準(zhǔn)確率從81.3%增加至85.6%，有效提高了小麥品種分類的準(zhǔn)確性.

小麥；圖像處理；特征提取；神經(jīng)網(wǎng)絡(luò)；優(yōu)化算法

0 引言

對于我國這樣的人口大國，確保糧食安全不僅是實(shí)現(xiàn)國民經(jīng)濟(jì)又好又快發(fā)展的基本條件，也是確保國家安全的戰(zhàn)略基礎(chǔ).小麥作為我國第二大糧食作物，在滿足人們的膳食需求和保證糧食安全方面具有舉足輕重的地位.過去，農(nóng)業(yè)科研與生產(chǎn)方面的許多工作都是依靠人類視覺進(jìn)行判斷和辨別的，隨著計(jì)算機(jī)信息技術(shù)的迅速發(fā)展和硬件成本的不斷下降，圖像處理技術(shù)得以廣泛應(yīng)用于農(nóng)產(chǎn)品品質(zhì)檢測和分類中，成為保障農(nóng)業(yè)高效生產(chǎn)的有力手段［1-2］.與人類的視覺相比，用圖像處理技術(shù)代替人工進(jìn)行種子質(zhì)量鑒別具有以下優(yōu)點(diǎn)：1）能一次進(jìn)行多個參數(shù)的測量，滿足分類中對綜合指標(biāo)的要求；2）可以克服人的主觀因素和疲勞程度等對分類準(zhǔn)確性的影響，利于實(shí)現(xiàn)自動化.

然而，如何提高基于圖像處理的小麥品種識別的有效性和準(zhǔn)確性是影響該技術(shù)能否實(shí)用化的關(guān)鍵所在.國內(nèi)外在小麥籽粒檢測和識別方面開展了廣泛研究，一方面成功地識別小麥品種和類別，如對燕麥、大麥、黑麥草和小麥的正確識別率均達(dá)到90%以上［3-5］；另一方面有效識別不同類別的小麥種子，如對不同冬春性、質(zhì)地和粒色的小麥類別判斷效果良好［6-7］，但對同一類型不同品種的識別效果并不理想.筆者基于圖像處理技術(shù)通過對6種河南產(chǎn)小麥籽粒的圖像特征參數(shù)進(jìn)行提取并結(jié)合優(yōu)化遺傳算法，實(shí)現(xiàn)同一類型不同品種小麥的識別和分類.

1 材料準(zhǔn)備與系統(tǒng)組成

研究中選取6個不同品種的河南產(chǎn)小麥（L8998、內(nèi)鄉(xiāng)188、9023、優(yōu)展1號、豫麥47、周麥12）.由于小麥籽粒的體積相對較小，為獲得高質(zhì)量的小麥圖片，采用BENQ-5000E掃描儀進(jìn)行圖像采集.在得到不同品種小麥的圖像后，使用圖像處理技術(shù)對小麥品種進(jìn)行識別，識別系統(tǒng)流程參見圖1.其中預(yù)處理的目的在于改善圖像數(shù)據(jù)，其處理效果的好壞將直接影響后續(xù)圖像特征提取質(zhì)量的高低.最后通過構(gòu)建并優(yōu)化神經(jīng)網(wǎng)絡(luò)完成小麥品種的分類.

圖1 系統(tǒng)流程

2 特征提取

特征提取就是對圖像進(jìn)行物理測量或變換，得到一組反映其特性的數(shù)字值，而有效的小麥圖像預(yù)處理工作對后續(xù)的特征提取具有重要影響.由于本系統(tǒng)中圖像降質(zhì)的主要原因在于光學(xué)系統(tǒng)及背景環(huán)境的影響，并且采集得到的小麥籽粒圖像背景簡單且前景與背景之間區(qū)別較大，因此試驗(yàn)中首先利用空域處理中的中值濾波法進(jìn)行圖像增強(qiáng)，然后采用簡單實(shí)用的迭代式閾值選擇法分割籽粒圖像，最后利用形態(tài)學(xué)進(jìn)一步完善分割效果，得到的圖像見圖2.通過圖像分割，將小麥籽粒圖像從背景中分離出來，以便特征提取.

圖2 形態(tài)學(xué)處理后的圖像

特征提取的涉及面很廣，與待識別對象的各種物理的、形態(tài)的性能都有聯(lián)系.針對具體問題有各種各樣的特殊方法.本研究中的圖像特征提取工作包括三方面的內(nèi)容：1)描述小麥籽粒色彩的顏色特征；2)描述小麥籽粒外形的形狀特征；3)描述小麥籽粒表面灰度變化的紋理特征.

其中，國內(nèi)外利用顏色特征在谷物的檢測和識別方面開展了廣泛研究［8-9］.試驗(yàn)中聯(lián)合使用RGB模型和HSI模型提取了小麥籽粒的6個顏色特征，得到的顏色數(shù)據(jù)見表1.

形狀特征方面，有研究表明，農(nóng)產(chǎn)品的結(jié)構(gòu)、組成與其粒形有密切的關(guān)系，因此谷物的形狀特征也是進(jìn)行谷物檢測分級的重要參數(shù)之一.形狀特征參數(shù)的選取沒有統(tǒng)一的規(guī)定，只要能有效區(qū)分籽粒之間的形狀差異，并且能方便、快速獲取的參數(shù)都可作為形狀特征參數(shù).參照以往研究［10］，這里選取周長(P)、面積(A)、矩形度(R)、圓形度(C)、伸長度（E）5個特征參數(shù)，每種小麥籽粒的形態(tài)參數(shù)計(jì)算結(jié)果參見表2.

紋理是圖像中一個重要而又難于描述的特征，通常被定義為“一種反映一個區(qū)域中像素灰度級的空間分布的屬性”.為了度量紋理，需設(shè)法對物體內(nèi)部灰度級的變化性質(zhì)進(jìn)行量化.試驗(yàn)中采取灰度共生矩陣法［11］，并結(jié)合小麥籽粒的特點(diǎn)以及紋理特征參數(shù)的含義，這里選用能量 （ASM）、熵 (ENT)、對比度(CON)、局部平穩(wěn)性和相關(guān)性（COR）作為關(guān)鍵特征，得到小麥紋理特征數(shù)據(jù)如表3所示.

3 基于神經(jīng)網(wǎng)絡(luò)的小麥品種分類

通過對采集得到的籽粒圖像進(jìn)行分割共提取得到小麥籽粒705顆，其中共有L8998類籽粒121顆、內(nèi)鄉(xiāng)188類籽粒109顆、9023類籽粒120顆、優(yōu)展1號類籽粒118顆、豫麥47類籽粒121顆、周麥12類籽粒116顆.從每類籽粒中隨機(jī)抽取100顆構(gòu)建籽粒圖像庫，并將抽取得到的各類籽粒中前60顆用于訓(xùn)練，其余40顆用于測試.試驗(yàn)中選用人工神經(jīng)網(wǎng)絡(luò)作為分類器，工作方式由兩個連貫的階段即分析階段和識別階段組成.定義樣本識別準(zhǔn)確率為正確識別籽粒個數(shù)與輸入籽?？倐€數(shù)的比值，即樣本識別準(zhǔn)確率：

表1 小麥顏色特征

表2 小麥形狀特征%%

表3 小麥紋理特征%%

根據(jù)前節(jié)對小麥特征參數(shù)的提取，得到小麥籽粒的6個顏色特征、5個形狀特征以及5個紋理特征等共16個特征參數(shù)，將這16個參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)；并根據(jù)待分類籽粒的種類數(shù)目，依次確定輸出層節(jié)點(diǎn)的個數(shù).為了方便進(jìn)行試驗(yàn)驗(yàn)證，首先選取L8998、內(nèi)鄉(xiāng)188、9023和優(yōu)展1號等4類小麥籽粒進(jìn)行分類，分類結(jié)果參見表4.由此可以看出，無論使用哪種網(wǎng)絡(luò)結(jié)構(gòu)，系統(tǒng)對4類小麥的分類準(zhǔn)確率均達(dá)到90%以上，具有較好的分類效果.

在此基礎(chǔ)上，嘗試將待分類籽粒的數(shù)目逐步增加至5類和6類，分類結(jié)果參見表5和表6.可以看到，隨著待分類籽粒種類的增多，分類準(zhǔn)確率越來越小.尤其是在籽粒種類增加到5類、6類時，對5類籽粒分類時最佳的網(wǎng)絡(luò)結(jié)構(gòu)為16-22-5結(jié)構(gòu)，此時的分類準(zhǔn)確率為86.5%；而對6類籽粒分類時最高分類準(zhǔn)確率僅為81.3%.橫向比較可以看出，網(wǎng)絡(luò)對豫麥47和周麥12的分類效果明顯差于對其他種類籽粒的分類效果.進(jìn)一步分析表明，導(dǎo)致小麥品種分類效果不佳的主要原因在于輸入特征參數(shù)的選取不當(dāng)以及網(wǎng)絡(luò)陷入局部最優(yōu)解而造成的，因此首先采用MIV算法對神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)的有效性進(jìn)行計(jì)算，然后通過使用遺傳算法尋找全局最優(yōu)解的方法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，期望得到更好的分類結(jié)果.

4 神經(jīng)網(wǎng)絡(luò)優(yōu)化

4.1 基于MIV算法的特征參數(shù)有效性計(jì)算

MIV被認(rèn)為是在神經(jīng)網(wǎng)絡(luò)中評價變量相關(guān)性最好的指標(biāo)之一，其符號代表相關(guān)的方向，絕對值大小代表影響的相對重要性.因此，試驗(yàn)中將平均影響值方法應(yīng)用于BP神經(jīng)網(wǎng)絡(luò)，計(jì)算每個特征參數(shù)對神經(jīng)網(wǎng)絡(luò)分類結(jié)果的影響程度，從中找出對結(jié)果有較大影響的輸入項(xiàng)，繼而實(shí)現(xiàn)對神經(jīng)網(wǎng)絡(luò)的輸入變量進(jìn)行篩選.使用MIV算法對網(wǎng)絡(luò)結(jié)構(gòu)為16-22-6時各輸入特征參數(shù)對輸出結(jié)果的影響程度進(jìn)行計(jì)算，結(jié)果如表7所示.

表4 4類小麥分類結(jié)果

表5 5類小麥分類結(jié)果

表6 6類小麥分類結(jié)果

表7 輸入特征對輸出結(jié)果的影響

從表7可以看出，MIV值在0.07以上的共有4個，對應(yīng)的變量分別為顏色參數(shù)中的B分量、色調(diào)參數(shù)中的I分量、面積參數(shù)A和圓形度C，說明這4個參數(shù)對小麥品種的分類結(jié)果影響較大；而MIV值在0.01以下的參數(shù)只有2個，分別對應(yīng)于形態(tài)特征參數(shù)中的矩形度(R)和紋理特征參數(shù)中的相關(guān)性 (COR).若將MIV值在0.01以下的變量看作是對輸出結(jié)果不重要的特征參數(shù)，則在后續(xù)對神經(jīng)網(wǎng)絡(luò)的研究中，輸入節(jié)點(diǎn)的個數(shù)簡化為14個.

4.2 結(jié)合遺傳算法的網(wǎng)絡(luò)優(yōu)化

由于BP網(wǎng)絡(luò)是在梯度法基礎(chǔ)上推導(dǎo)出來的，要求目標(biāo)函數(shù)連續(xù)可導(dǎo),在進(jìn)化學(xué)習(xí)的過程中收斂速度慢，容易陷入局部最優(yōu)，找不到全局最優(yōu)值.并且由于BP網(wǎng)絡(luò)的權(quán)值和閾值在選擇上是隨機(jī)值，每次的初始值都不一樣，造成每次訓(xùn)練學(xué)習(xí)預(yù)測的結(jié)果都有所差別.遺傳算法是一種全局搜索算法，把BP神經(jīng)網(wǎng)絡(luò)和遺傳算法有機(jī)融合，充分發(fā)揮遺傳算法的全局搜索能力和BP神經(jīng)網(wǎng)絡(luò)的局部搜索能力，利用遺傳算法來彌補(bǔ)權(quán)值和閾值選擇上的隨機(jī)性缺陷，得到更好的預(yù)測結(jié)果.

針對表6中對6類小麥籽粒的分類情況，結(jié)合MIV算法以及遺傳算法對神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，網(wǎng)絡(luò)的輸入?yún)?shù)簡化為14個，當(dāng)采用14-22-6的網(wǎng)絡(luò)結(jié)構(gòu)時，分類效果對比如圖3所示，此時的樣本平均識別準(zhǔn)確率達(dá)到了85.6%，并且此時網(wǎng)絡(luò)在對其他幾種小麥分類效果保持不變的情況下，豫麥47和周麥12的識別準(zhǔn)確率大幅改善，相比于原有神經(jīng)網(wǎng)絡(luò)的分類效果有了明顯的提高.

圖3 識別效果對比

5 結(jié)論

通過對6類不同小麥品種的籽粒圖像進(jìn)行特征提取，并利用神經(jīng)網(wǎng)絡(luò)方法對小麥品種實(shí)現(xiàn)自動分類，可以得到以下研究結(jié)果.

1)%不同品種的小麥在顏色、形態(tài)和紋理特征參數(shù)上均有所差異，將這些參數(shù)應(yīng)用于小麥的分類識別研究中是可行的.

2)%利用MIV算法計(jì)算了各特征參數(shù)對分類結(jié)果影響的平均值，從而優(yōu)化了輸入?yún)?shù).在此基礎(chǔ)上，使用遺傳算法對網(wǎng)絡(luò)進(jìn)行了優(yōu)化，取得了更好的分類效果.

3)%本試驗(yàn)僅在外觀層面對不同種類的小麥進(jìn)行分析討論，如何擴(kuò)展到內(nèi)部品質(zhì)的檢測仍有待今后進(jìn)一步研究.

［1］ 李明，張長利，房俊龍.基于圖像處理技術(shù)的小麥葉面積指數(shù)的提取［J］.農(nóng)業(yè)工程學(xué)報,2010, 26(1)：205-209.

［2］ 王志軍,叢培盛,周佳璐,等.基于圖像處理與人工神經(jīng)網(wǎng)絡(luò)的小麥顆粒外觀品質(zhì)評價方法［J］.農(nóng)業(yè)工程學(xué)報,2007,23(1)：158-161.

［3］ Majumdar S,Jayas D S.Classification of cereal grains using machine vision：I.Morphology models［J］.Transaction of the ASAE,2000,43：1669-1675.

［4］ Majumdar S,Jayas D S.Classification of cereal grains using machine vision：II.Color models［J］. Transaction of the ASAE,2000,43：1677-1680.

［5］ Majumdar S,Jayas D S.Classification of cereal grains using machine vision：III.Texture models［J］.Transaction of the ASAE,2000,43：1681-1687.

［6］ Majumdar S,Jayas D S.Classification of cereal grains using machine vision：IV.Combined morphology,color,and texture models［J］.Transaction of the ASAE,2000,43：1689-1694.

［7］ 何勝美,李仲來,何中虎.基于圖像識別的小麥品種分類研究 ［J］.中國農(nóng)業(yè)科學(xué),2005,38(9)：1869-1875.

［8］ Liu Chang-Chun,ShawJai-Tsung,Keen-Yik Poong.Classifying paddy rice by morphological and color features using machine vision［J］.Cereal Chemistry,2005,82(6)：649-653.

［9］ 成芳,應(yīng)義斌.基于顏色特征的稻種霉變檢測法［J］.農(nóng)業(yè)機(jī)械學(xué)報,2004,35(4)：102-105.

［10］ 何勝美,李仲來,何中虎.基于圖像識別的小麥品種分類研究［J］.中國農(nóng)業(yè)科學(xué),2005,38(9)： 1869-1875.

［11］ 徐秋景，戚大偉.基于灰度共生矩陣的東北虎紋理特征參數(shù) ［J］.東北林業(yè)大學(xué)學(xué)報，2009，37(7):125-127.

RESEARCH ON WHEAT VARIETY CLASSIFICATION BASED ON OPTIMIZED ARTIFICIAL NEURAL NETWORK

FAN Chao,XIA Xu,SHI Xiao-feng,HOU Li-long
(School of Information Science and Engineering,Henan University of Technology,Zhengzhou 450001,China)

To improve wheat variety classification accuracy based on image processing,we selected 6 varieties of wheat samples of L8998,Neixiang 188,9023,Youzhan 1,Yumai 47 and Zhoumai 12 as objects,then acquired wheat grain images,processed the images by median filtering,segmented the images by iterative threshold method,extracted 16 features from color,morphology and texture aspects,and constructed an artificial neutral network to study the relationship between the classification accuracy and the number of varieties.Finally,we utilized MIV algorithm to calculate the mean impact value of each input characteristic parameter to the classification result to prevent the ANN from trapping into local optimum and stopping training,and further used genetic algorithm to optimize the network structure.The results showed that the classification accuracy dropped gradually when the number of wheat varieties increased;the identification accuracy of the optimized ANN increased form 81.3%to 85.6%when the number of wheat varieties increased to 6,thereby effectively improving the wheat variety classification accuracy.

wheat;image processing;characteristic extraction;artificial neural network;optimization algorithm

TP183;TP391.41

A

1673-2383(2012)04-0072-05

http://www.cnki.net/kcms/detail/41.1378.N.20120829.1722.201204.72_017.html

網(wǎng)絡(luò)出版時間：2012-08-29 05:22:00 PM

2011-05-30

國家自然科學(xué)基金（61071197）

樊超(1976—)，男，河南鄭州人，博士，副教授，研究方向?yàn)槟Ｊ阶R別、圖像處理.