基于生物光子學(xué)的小麥蟲(chóng)害識(shí)別模型

史衛(wèi)亞 ，焦珂珂 ，王艷娜 ，宋紅霞 ，梁義濤

（1.河南工業(yè)大學(xué) 信息科學(xué)與工程學(xué)院，河南 鄭州 450001；2.河南工業(yè)大學(xué) 糧食信息處理與控制教育部重點(diǎn)實(shí)驗(yàn)室，河南 鄭州 450001）

0 引言

小麥?zhǔn)俏覈?guó)重要的儲(chǔ)備糧食品種，在產(chǎn)后儲(chǔ)藏過(guò)程中，儲(chǔ)糧害蟲(chóng)的為害十分嚴(yán)重，特別是對(duì)于隱蔽性害蟲(chóng)，由于其隱蔽性強(qiáng)，檢測(cè)費(fèi)時(shí)費(fèi)力.目前，國(guó)內(nèi)外都十分重視對(duì)糧食籽粒內(nèi)隱蔽性害蟲(chóng)檢測(cè)方法的研究.傳統(tǒng)的儲(chǔ)糧害蟲(chóng)檢測(cè)技術(shù)大體上可分為3類(lèi)，即感官檢查、取樣檢查和儀器檢查[1].然而這些方法都有各自的局限性：主觀性強(qiáng)、操作繁瑣、成本較高、測(cè)定標(biāo)準(zhǔn)不客觀等.生物光子分析技術(shù)（BPAT）的出現(xiàn)，為儲(chǔ)糧害蟲(chóng)的檢測(cè)提供了一種新的思路[1].

生物超弱發(fā)光（Ultraweak Biolum Inescence）是任何有生命的物質(zhì)都發(fā)射的一種超弱光子流，早在1923年前蘇聯(lián)生物學(xué)家G.Gurwith在著名的“洋蔥實(shí)驗(yàn)”中就已發(fā)現(xiàn)了這種現(xiàn)象，并由Colli為首的意大利小組利用光電倍增檢測(cè)到一些植物幼芽的超微弱發(fā)光現(xiàn)象，屬于生物光子學(xué)的研究范疇[2].生物光子學(xué)的研究表明超微弱發(fā)光是活體生物的一種普遍生物物理現(xiàn)象，是生命活動(dòng)狀況的一種反應(yīng)，并且對(duì)生命體內(nèi)部的細(xì)微變化非常敏感.生命體處于逆境時(shí)，如病變、蟲(chóng)害或受傷等，其生物光子輻射都會(huì)發(fā)生顯著變化[3]，作者就是在這一原理上展開(kāi)小麥蟲(chóng)害識(shí)別研究的.

我國(guó)對(duì)超弱發(fā)光的研究起步較晚，20世紀(jì)70年代末期才逐漸活躍起來(lái).主要應(yīng)用研究包括：種子抗性的選擇、糧食霉變檢測(cè)、種子活性檢測(cè)、糧食安全和質(zhì)量檢測(cè)等諸多方面[4].但在小麥蟲(chóng)害的檢測(cè)方面研究的比較少，目前還處于嘗試階段.筆者把生物超弱發(fā)光與小麥蟲(chóng)害檢測(cè)結(jié)合，提出一種新的小麥蟲(chóng)害檢測(cè)模型.模型使用超微弱發(fā)光測(cè)量?jī)x測(cè)量多組含蟲(chóng)小麥和正常小麥的自發(fā)光數(shù)據(jù)，通過(guò)測(cè)試提取數(shù)據(jù)的各項(xiàng)特征，利用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)提取的數(shù)據(jù)向量進(jìn)行分類(lèi)，以分辨小麥?zhǔn)欠窈泻οx(chóng).

1 試驗(yàn)方法和模型建立

1.1 BP神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)（Neural Networks，NN）是由大量的處理單元（稱(chēng)為神經(jīng)元）廣泛地相互連接而形成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，它反映了人腦功能的許多基本特征，是一個(gè)高度復(fù)雜的非線(xiàn)性動(dòng)力學(xué)系統(tǒng).其主要功能之一就是分類(lèi)與識(shí)別[5-6].基于BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的魯棒性、容錯(cuò)性和自學(xué)能力，本文中對(duì)于小麥隱蔽性害蟲(chóng)檢測(cè)模型的構(gòu)建采用BP神經(jīng)網(wǎng)絡(luò)[7-8].

由于試驗(yàn)測(cè)得的數(shù)據(jù)有很大的隨機(jī)性、復(fù)雜性、相關(guān)性和非線(xiàn)性等特征，難以對(duì)其建立有效的檢測(cè)模型.BP神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)這些數(shù)據(jù)的訓(xùn)練和學(xué)習(xí)進(jìn)而形成穩(wěn)定的非線(xiàn)性檢測(cè)模型[9]，很好地解決了這一難題.圖1是一個(gè)典型的3層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖.

圖1 典型的三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在圖1中，x是神經(jīng)元的輸入，y是隱含層的輸出，z是輸出層的輸出，f是傳遞函數(shù).每一層都有它的權(quán)值矩陣Wˉ和它的閾值向量θ和r[10].BP網(wǎng)絡(luò)結(jié)構(gòu)主要由輸入層節(jié)點(diǎn)數(shù)、隱含層節(jié)點(diǎn)數(shù)和輸出層節(jié)點(diǎn)數(shù)確定[11-12].本試驗(yàn)中，選取3層BP神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)的傳遞函數(shù)分別采用purelin和logsigmoid型函數(shù).這樣可以把輸出結(jié)果控制在[0，1]之間.

1.2 模型建立

神經(jīng)網(wǎng)絡(luò)最重要的一個(gè)方面是參數(shù)優(yōu)化，即確定權(quán)重和閾值.對(duì)于一個(gè)3層BP神經(jīng)網(wǎng)絡(luò)模型，參數(shù)的確定取決于輸出節(jié)點(diǎn)的平方誤差.先計(jì)算最后一層的平方誤差，然后通過(guò)網(wǎng)絡(luò)的反向傳播，利用鏈?zhǔn)椒▌t，計(jì)算隱藏層的平方誤差.

隱含層和輸出層各節(jié)點(diǎn)的輸出值為：

然后再求出輸入層和隱含層的權(quán)值和閾值修正分別為：

最終建立的模型如圖2所示.

圖2 模型流程圖

1.3 試驗(yàn)材料

試驗(yàn)的小麥種子品種為2012年6月收割的矮抗AK58，所染害蟲(chóng)為玉米象，染蟲(chóng)時(shí)間為（24～28）d之間.每次測(cè)量使用的小麥樣品質(zhì)量為（5.00±0.02）g.

測(cè)量?jī)x器采用BPCL-ZL-TGC超微弱發(fā)光測(cè)量?jī)x（北京建新力拓公司）.分別對(duì)含蟲(chóng)小麥和正常小麥進(jìn)行測(cè)量.測(cè)量時(shí)，先將小麥放入25℃的暗室中處理30 min，以去掉環(huán)境光對(duì)試驗(yàn)的干擾，然后再放入測(cè)量?jī)x中進(jìn)行測(cè)量.測(cè)量包括正常小麥和含蟲(chóng)小麥兩個(gè)測(cè)量階段.測(cè)量時(shí)間間隔設(shè)置為1 s，時(shí)間長(zhǎng)度為1 800 s，每次測(cè)量已減去本地噪聲.室內(nèi)溫度為（25±2）℃，測(cè)量溫度為（26±1）℃，室內(nèi)濕度為（45±5）%.正常和含蟲(chóng)小麥各測(cè)得25組數(shù)據(jù)，共50組數(shù)據(jù).然后把正常小麥和含蟲(chóng)小麥的前15組共30組作為訓(xùn)練樣本，把正常小麥和含蟲(chóng)小麥的后10組共20組作為測(cè)試樣本.圖3是所測(cè)到的一組樣品的自發(fā)光子數(shù)隨時(shí)間變化圖，從此圖很難發(fā)現(xiàn)含蟲(chóng)小麥和正常小麥之間的區(qū)別.

圖3 小麥自發(fā)光子數(shù)隨時(shí)間變化圖

2 特征提取和數(shù)據(jù)處理

在使用BPCL-ZL-TGC超微弱發(fā)光測(cè)量?jī)x對(duì)正常小麥和含蟲(chóng)小麥光子數(shù)測(cè)量后，分別對(duì)所測(cè)光子數(shù)進(jìn)行特征提取，生成反映小麥特性的特征向量，然后使用提出算法對(duì)特征向量進(jìn)行分類(lèi)識(shí)別.

2.1 特征提取

反映小麥特性的特征主要從3個(gè)方面進(jìn)行測(cè)度和描述[13]，見(jiàn)表1.表1中各特征含義如下：位置特征是分布的集中趨勢(shì)，反映各數(shù)據(jù)向其中心值靠攏或聚集的程度，包括眾數(shù)（mode）、中位數(shù)（median）、均值（mean）；散布特征，即分布的離散程度，反映各數(shù)據(jù)遠(yuǎn)離其中心值的趨勢(shì)，包括四分位差（quartile deviation）、平均差（mean deviation）、方差（variance）、離散系數(shù)（CV）；形態(tài)特征，即分布的形狀，反映數(shù)據(jù)分布偏斜程度和峰度，包括偏度（skewness）、峰度（kurtosis）.

表1 反映小麥特性的特征

提取這些特征后，形成反映小麥特性的9組特征向量，因此BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)確定為9個(gè).輸出網(wǎng)絡(luò)節(jié)點(diǎn)個(gè)數(shù)是根據(jù)輸入層樣本集的分類(lèi)結(jié)果來(lái)確定的，本試驗(yàn)要把樣本小麥分為含蟲(chóng)和不含蟲(chóng)兩類(lèi)，因此輸出層網(wǎng)絡(luò)節(jié)點(diǎn)確定為2個(gè).隱含層神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)參考經(jīng)驗(yàn)公式——黃金分割法[14]：

式中：N為隱含層節(jié)點(diǎn)數(shù)，n為輸入層節(jié)點(diǎn)數(shù)，m為輸出層節(jié)點(diǎn)數(shù).經(jīng)過(guò)計(jì)算神經(jīng)網(wǎng)絡(luò)的隱藏層節(jié)點(diǎn)數(shù)設(shè)為13個(gè)，這樣既能滿(mǎn)足精度要求，又能盡量減少網(wǎng)絡(luò)的訓(xùn)練時(shí)間.

2.2 分類(lèi)識(shí)別

首先把提取的9組特征向量集歸一化到[0，1]之間，設(shè)輸入向量為 X=（X1，X2，……，X9），輸出向量為 Z=（Z1，Z2）.并對(duì)輸出結(jié)果進(jìn)行二進(jìn)制編碼，含蟲(chóng)小麥編碼為Z=[1，0]，正常小麥編碼為Z=[0，1].

由于BP算法收斂速度慢，容易陷入局部極值等缺點(diǎn)，采用改進(jìn)訓(xùn)練函數(shù)的方法加以克服.改進(jìn)的方法主要可以歸納為兩類(lèi)：

a）基于標(biāo)準(zhǔn)梯度下降的改進(jìn)方法，如自適應(yīng)lr的梯度下降法（traingda），動(dòng)量和自適應(yīng)lr的梯度下降法（traingdx）.

b）另一類(lèi)是基于標(biāo)準(zhǔn)數(shù)值優(yōu)化的改進(jìn)方法，如高斯-牛頓法 （trainbfg），Levenberg-Marquardt法（trainlm）.

試驗(yàn)中分別用不同訓(xùn)練函數(shù)進(jìn)行訓(xùn)練，并比較其所用的時(shí)間及循環(huán)次數(shù).表2是不同訓(xùn)練函數(shù)的訓(xùn)練時(shí)間及其循環(huán)次數(shù).

表2 不同訓(xùn)練算法的時(shí)間比較

從表2可以看出，采用標(biāo)準(zhǔn)數(shù)值優(yōu)化的改進(jìn)方法（trainlm，trainbfg）要比采用標(biāo)準(zhǔn)梯度下降的改進(jìn)方法（traingda，traingdx）收斂速度更快，更節(jié)省時(shí)間.圖4是采用trainbfg算法的收斂結(jié)果，從圖4可以看出，當(dāng)訓(xùn)練循環(huán)次數(shù)達(dá)到第15次時(shí)其誤差達(dá)到0.001以下，達(dá)到所要求精度，訓(xùn)練自動(dòng)結(jié)束.

待神經(jīng)網(wǎng)絡(luò)訓(xùn)練穩(wěn)定后，用30組訓(xùn)練樣本對(duì)網(wǎng)絡(luò)進(jìn)行測(cè)試.經(jīng)過(guò)測(cè)試后誤差達(dá)為0.000 153，達(dá)到了BP神經(jīng)網(wǎng)絡(luò)所需的精度要求，說(shuō)明經(jīng)過(guò)訓(xùn)練的網(wǎng)絡(luò)完全可以滿(mǎn)足隱蔽性蟲(chóng)害檢測(cè)的要求.載入20組測(cè)試樣本，部分輸出結(jié)果如表3所示，若樣本輸出與理想輸出誤差在1%內(nèi)，則分類(lèi)成功，試驗(yàn)的總正確率達(dá)到了95%，試驗(yàn)結(jié)果達(dá)到預(yù)期目標(biāo).

圖4 采用trainbfg算法的收斂結(jié)果

表3 部分測(cè)試數(shù)據(jù)的輸出結(jié)果

3 結(jié)論與展望

針對(duì)已有小麥隱蔽性害蟲(chóng)檢測(cè)方法的不足，筆者對(duì)小麥隱蔽性害蟲(chóng)檢測(cè)方法進(jìn)行了深入的研究，提出了一種新的小麥隱蔽性害蟲(chóng)的檢測(cè)方法，通過(guò)檢測(cè)小麥輻射的生物光子，構(gòu)建特征向量，并使用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)特征向量進(jìn)行分類(lèi).研究表明，利用生物超弱發(fā)光技術(shù)能夠很好地區(qū)分正常小麥和含蟲(chóng)小麥，該方法操作簡(jiǎn)單，不需要破壞小麥，方法簡(jiǎn)易，有助于從新的角度了解小麥儲(chǔ)藏過(guò)程中蟲(chóng)害發(fā)生的相關(guān)信息.

［1］ 白旭光.儲(chǔ)糧害蟲(chóng)檢測(cè)技術(shù)評(píng)述［J］.糧食儲(chǔ)藏，2010，39（1）：6-9.

［2］ 聶繼云，彭運(yùn)生.生物超弱發(fā)光及其應(yīng)用研究概述［J］.激光生物學(xué)報(bào)，1998，7（2）:124-130.

［3］ 陳勝，黃楚云，李默然.生物超微弱發(fā)光及其應(yīng)用［J］.黃石理工學(xué)院學(xué)報(bào)，2006，22（4）:82-84.

［4］ 徐樹(shù)來(lái).不同成熟期番茄及其儲(chǔ)藏過(guò)程中超弱發(fā)光特性的研究［J］.食品科學(xué)，2005，26（9）:539-541.

［5］ 樊超，夏旭，石小鳳，等.基于圖像處理的小麥品種分類(lèi)研究［J］.河南工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，32（5）:74-77.

［6］ 畢昆，姜盼，唐崇偉，等.基于麥穗特征的小麥品種BP分類(lèi)器設(shè)計(jì)［J］.中國(guó)農(nóng)學(xué)通報(bào)，2011，27（6）:464-468.

［7］ 曹劍峰，平建華.改進(jìn)BP神經(jīng)網(wǎng)絡(luò)在地下水環(huán)境質(zhì)量評(píng)價(jià)中的應(yīng)用［J］.水利水電科技進(jìn)展，2006，26（3）:21-23.

［8］ 董長(zhǎng)虹.Matlab神經(jīng)網(wǎng)絡(luò)與應(yīng)用［M］.第 2版.北京：國(guó)防工業(yè)出版社，2007：64-106.

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

［14］ 陳明，朱文婷，周汝雁，等.BP神經(jīng)網(wǎng)絡(luò)信息融合技術(shù)在水質(zhì)監(jiān)控中的應(yīng)用［J］.微計(jì)算機(jī)信息，2010，26（4）:15-17.

［10］ Han WJ，Li J，Sun NL.A novel fast facerecognition method of two-dimensional principal component analysisbased on BPneural networks［C］//Pacific-Asia Workshop on Computational Intelligenceand Industrial Application，2008:44-48.

［11］ Han J H，Huang D S.A novel BP-based ima-ge retrieval system［C］//IEEE International Symposium on Circuits and Systems.Montreal:Institute of Electronics Engineers Inc，2005:1157-1160.

［12］ Zhao JY，Zheng R R ，Zhang L L，et al.Combined weighted eigenface and BP-based networks for face recognition［C］//5th International Conference on Visual Information Engineering.Xi'an:IEEE Computer Society Press，2008:298-320.

［13］賈俊平.統(tǒng)計(jì)學(xué)［M］.北京:中國(guó)人民大學(xué)出版社，2003.