基于圖像處理與改進(jìn)神經(jīng)網(wǎng)絡(luò)的大豆品質(zhì)檢測(cè)研究

李春霆

摘要：以圖像處理的方式進(jìn)行大豆種子的品質(zhì)檢測(cè)，提出一種引入粒子群優(yōu)化的改進(jìn)算法，使之具備更加準(zhǔn)確地分類(lèi)并識(shí)別大豆種子的能力。首先對(duì)圖像樣本進(jìn)行預(yù)處理和特征提取，隨后以粒子群算法改善神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的確定過(guò)程，增強(qiáng)其收斂速度，在全局范圍內(nèi)以較高的效率找到最優(yōu)解，最后通過(guò)仿真對(duì)比試驗(yàn)，證明了所構(gòu)建的大豆品質(zhì)檢測(cè)系統(tǒng)的準(zhǔn)確度有了顯著提升。

關(guān)鍵詞：大豆品質(zhì)；檢測(cè)速度；神經(jīng)網(wǎng)絡(luò)

中圖分類(lèi)號(hào)： TP391.41；S126 文獻(xiàn)標(biāo)志碼： A 文章編號(hào)：1002-1302（2014）03-0263-03

我國(guó)大豆產(chǎn)業(yè)的發(fā)展已經(jīng)日趨成熟，基于大豆作物的深加工產(chǎn)品（包括色拉油、異黃酮等）也為企業(yè)帶來(lái)了豐厚的利潤(rùn)。目前我國(guó)每年的大豆深加工產(chǎn)值已經(jīng)超過(guò)300億元人民幣。大豆在收購(gòu)時(shí)必須進(jìn)行質(zhì)量的檢測(cè)與評(píng)估，當(dāng)前我國(guó)大豆檢測(cè)手段的準(zhǔn)確度和效率均難以達(dá)到要求，導(dǎo)致我國(guó)大豆由于質(zhì)量問(wèn)題而出口機(jī)會(huì)減少。大豆品質(zhì)檢測(cè)的主要指標(biāo)有外觀品質(zhì)、營(yíng)養(yǎng)品質(zhì)、食味品質(zhì)、衛(wèi)生品質(zhì)等，其中外觀品質(zhì)包括大豆的病斑、蟲(chóng)蝕、霉變等。已有研究證明大豆的外觀皮質(zhì)與其營(yíng)養(yǎng)品質(zhì)、衛(wèi)生品質(zhì)具有高度的正相關(guān)性[1]，因此可以通過(guò)對(duì)大豆外觀的檢測(cè)來(lái)辨別其質(zhì)量的優(yōu)劣。當(dāng)前，如何通過(guò)大豆的外觀品質(zhì)特征來(lái)評(píng)估其品質(zhì)水平是作物品質(zhì)檢測(cè)研究的熱點(diǎn)之一[2-3]。基于神經(jīng)網(wǎng)絡(luò)識(shí)別的方法由于自學(xué)習(xí)能力強(qiáng)，并能夠?qū)θ四X的神經(jīng)進(jìn)行高效模擬，從而實(shí)現(xiàn)具有較強(qiáng)魯棒性的推理判別，十分適合于作物果實(shí)品質(zhì)的鑒定和評(píng)估[4]，檢測(cè)效果較好。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法存在學(xué)習(xí)過(guò)程收斂速度慢、算法易陷入局部極小點(diǎn)和魯棒性差等缺陷，常常會(huì)導(dǎo)致作物識(shí)別與品質(zhì)評(píng)估識(shí)別的正確率受到影響[5-6]。本研究針對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法所存在的缺陷，引入粒子群優(yōu)化算法對(duì)其進(jìn)行改進(jìn)，使之具備更加準(zhǔn)確地分類(lèi)并識(shí)別大豆種子的能力，最后通過(guò)仿真對(duì)比試驗(yàn)，證明了所構(gòu)建的大豆品質(zhì)檢測(cè)系統(tǒng)的準(zhǔn)確度有了顯著提升。本研究的成果在作物種子品質(zhì)鑒別與質(zhì)量評(píng)估方面有著很好的理論價(jià)值與實(shí)踐意義。

1 基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的大豆品質(zhì)檢測(cè)算法

1.1 大豆種子樣本圖像的獲取

大豆種子采集時(shí)間為2012年9月，采集地點(diǎn)為河北省農(nóng)業(yè)研究所宣化林場(chǎng)及育種基地。室內(nèi)簡(jiǎn)單背景下拍攝大豆種子的靜態(tài)圖片。將大豆種子平鋪于拍攝平臺(tái)上，在三角架上固定相機(jī)，保持鏡頭與大豆距離恒定在1.0 m，確保顏色及特征清晰，圖像輸入電腦并以JPG格式保存。

1.2 大豆種子樣本圖像預(yù)處理

1.2.1 灰度預(yù)處理 原始圖像數(shù)據(jù)量較大，首先將其轉(zhuǎn)換為8位灰度圖像。轉(zhuǎn)換之后的圖像僅保留灰度信息，這對(duì)圖像預(yù)處理已足夠。在大豆圖像增強(qiáng)中，主要是對(duì)一些強(qiáng)度不足的邊緣與細(xì)節(jié)進(jìn)行處理，同時(shí)保留強(qiáng)度足夠的部分。本研究引入分段線性形式，來(lái)實(shí)現(xiàn)小波變換的增強(qiáng)函數(shù)，如下式：

2 仿真研究

2.1 仿真環(huán)境的設(shè)置

本研究將包含3層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)作為大豆品質(zhì)識(shí)別的基本模型。前面已經(jīng)通過(guò)關(guān)聯(lián)分析而得到了影響較大的5個(gè)因子（能量、對(duì)比度、熵、I分量、H分量），所以神經(jīng)網(wǎng)絡(luò)輸入層的節(jié)點(diǎn)數(shù)目確定為5個(gè)。結(jié)合文獻(xiàn)中學(xué)習(xí)速率區(qū)間為[0.01～0.7]的研究結(jié)論，將學(xué)習(xí)速率最終定位于0.7。結(jié)合Kolmogorov算法[9]，得出隱含層為15個(gè)節(jié)點(diǎn)，神經(jīng)網(wǎng)絡(luò)為6-15-1型結(jié)構(gòu)。以粒子群算法優(yōu)化傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，從而獲取較優(yōu)的權(quán)值、閾值。

具體步驟為：（1）構(gòu)建優(yōu)化神經(jīng)網(wǎng)絡(luò)的輸入矩陣，包括網(wǎng)絡(luò)所需的訓(xùn)練樣本、網(wǎng)絡(luò)的期望輸出值以及網(wǎng)絡(luò)的測(cè)試樣本；（2）引入Matlab實(shí)現(xiàn)對(duì)試驗(yàn)數(shù)據(jù)的仿真分析，創(chuàng)建神經(jīng)網(wǎng)絡(luò)（函數(shù)均來(lái)自Matlab的神經(jīng)網(wǎng)絡(luò)工具箱，下同，注略）：

net=newff（min max（PTrain），{logsig″logsig″}，′traingd′

程序語(yǔ)句中，″logsig″為神經(jīng)網(wǎng)絡(luò)不同層次之間的傳遞函數(shù)，′traingd′為訓(xùn)練函數(shù)。神經(jīng)網(wǎng)絡(luò)創(chuàng)建之后，便開(kāi)始進(jìn)行權(quán)值、閾值的初始化；（3）創(chuàng)建粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)：創(chuàng)建方法同（1）；（4）通過(guò)Matlab的train函數(shù)實(shí)現(xiàn)對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。語(yǔ)句為：

[net，tr]=train（net，P_Train，T_rain）

網(wǎng)絡(luò)輸入、輸出維數(shù)以參數(shù)P、T表示。

2.2仿真結(jié)果分析

2.2.1 網(wǎng)絡(luò)性能對(duì)比 圖2所示為基本神經(jīng)網(wǎng)絡(luò)與粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差曲線對(duì)比。

圖2中，橫坐標(biāo)是神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)，縱坐標(biāo)為訓(xùn)練誤差值。從基本神經(jīng)網(wǎng)絡(luò)的誤差曲線可知，訓(xùn)練次數(shù)超過(guò)300次時(shí)，目標(biāo)誤差值10-4尚未達(dá)到，收斂較慢，性能不佳；而粒子群優(yōu)化后的神經(jīng)網(wǎng)絡(luò)則在第19次時(shí)滿足了目標(biāo)誤差值，可見(jiàn)性能有較為明顯的提升，經(jīng)過(guò)更少的迭代次數(shù)就使網(wǎng)絡(luò)的性能達(dá)到了要求。

2.2.2 識(shí)別結(jié)果比較 選取正常大豆、各類(lèi)帶病大豆以及正常與病態(tài)混合大豆各100幅圖片，以傳統(tǒng)神經(jīng)網(wǎng)絡(luò)與粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行識(shí)別，識(shí)別結(jié)果如表1所示。

可見(jiàn)，粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)對(duì)各類(lèi)大豆樣本圖像的識(shí)別率均超過(guò)90%，其平均識(shí)別率為93.1%；傳統(tǒng)神經(jīng)網(wǎng)絡(luò)平均識(shí)別率僅為88%?？梢?jiàn)優(yōu)化的神經(jīng)網(wǎng)絡(luò)擁有更精確的大豆品質(zhì)識(shí)別能力，對(duì)各類(lèi)缺陷豆和病害豆的識(shí)別率均顯著優(yōu)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)。仿真結(jié)果表明：經(jīng)過(guò)粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)可以對(duì)大豆種子的品質(zhì)評(píng)估提供令人滿意的支持，效果比較理想。

3 小結(jié)

作物種子的品質(zhì)識(shí)別是現(xiàn)代農(nóng)業(yè)中非常重要的技術(shù)，也是農(nóng)業(yè)信息化和精確農(nóng)業(yè)的研究熱點(diǎn)之一。本研究基于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別中的一些不足之處，引入粒子群優(yōu)化的算法進(jìn)行改進(jìn)，對(duì)經(jīng)過(guò)預(yù)處理和特征提取的大豆種子圖像進(jìn)行驗(yàn)證，仿真結(jié)果表明優(yōu)化的神經(jīng)網(wǎng)絡(luò)可以顯著增強(qiáng)大豆種子品質(zhì)的識(shí)別率、提升識(shí)別效率，在現(xiàn)代農(nóng)業(yè)中應(yīng)用前景看好。endprint

參考文獻(xiàn)：

[1]傅艷華，王鵬程，陽(yáng)慶華，等.大豆食品加工利用現(xiàn)狀與發(fā)展前景[J]. 湖北農(nóng)業(yè)科學(xué)，2001（1）：62-64.

[2]李 聰，高海燕，袁 超. 基于計(jì)算機(jī)視覺(jué)的蘋(píng)果自動(dòng)分級(jí)方法研究[J]. 計(jì)算機(jī)仿真，2012（9）：293-296.

[3]黃星弈，魏海麗，趙杰文. 實(shí)時(shí)在線檢測(cè)蘋(píng)果果形的一種計(jì)算方法[J]. 食品與機(jī)械，2006，22（1）：27-29.

[4]馮 斌. 計(jì)算機(jī)視覺(jué)信息處理方法與水果分級(jí)檢測(cè)技術(shù)研究[D]. 北京：中國(guó)農(nóng)業(yè)大學(xué)，2010.

[5]Schroder M，Rehrauer H，Seidek K，et al. Interactive learning and probabilistic retrieval in remote sensing image archives[J]. Geoscience and Remote Sensing，38（5）：2288-2298.

[6]彭淑敏. 神經(jīng)網(wǎng)絡(luò)圖像識(shí)別技術(shù)研究及實(shí)現(xiàn)[D]. 西安：西安電子科技大學(xué)，2005.

[7]Kalchmair S，Jhrling N，Becker K，et al. Image contrast enhancement in confocal ultramicroscopy[J]. Optics Letters，2010，35（1）：79-81.

[8]高 巖，喬彥峰. 一種改進(jìn)直方圖均衡的圖像增強(qiáng)方法[J]. 計(jì)算機(jī)仿真，2008，25（4）：198-200.

[9]Kenned J，Ebemart R C. Partical swarm optimi-zation[C]//Proceeding of 1995 IEEE International Conference on Neural Networks，1995：192-194.

[10]常愛(ài)英，吳鐵軍，包 鑫，等. 基于最小二乘支持向量機(jī)的配煤著火特性預(yù)測(cè)模型[J]. 煤炭學(xué)報(bào)，2010，35（8）：1380-1383.

[11]蔡金錠，付中云. 粒子群神經(jīng)網(wǎng)絡(luò)混合算法在負(fù)荷預(yù)測(cè)中的應(yīng)用[J]. 高電壓技術(shù)，2007，33（5）：90-93.endprint

參考文獻(xiàn)：

[1]傅艷華，王鵬程，陽(yáng)慶華，等.大豆食品加工利用現(xiàn)狀與發(fā)展前景[J]. 湖北農(nóng)業(yè)科學(xué)，2001（1）：62-64.

[2]李 聰，高海燕，袁 超. 基于計(jì)算機(jī)視覺(jué)的蘋(píng)果自動(dòng)分級(jí)方法研究[J]. 計(jì)算機(jī)仿真，2012（9）：293-296.

[3]黃星弈，魏海麗，趙杰文. 實(shí)時(shí)在線檢測(cè)蘋(píng)果果形的一種計(jì)算方法[J]. 食品與機(jī)械，2006，22（1）：27-29.

[4]馮 斌. 計(jì)算機(jī)視覺(jué)信息處理方法與水果分級(jí)檢測(cè)技術(shù)研究[D]. 北京：中國(guó)農(nóng)業(yè)大學(xué)，2010.

[5]Schroder M，Rehrauer H，Seidek K，et al. Interactive learning and probabilistic retrieval in remote sensing image archives[J]. Geoscience and Remote Sensing，38（5）：2288-2298.

[6]彭淑敏. 神經(jīng)網(wǎng)絡(luò)圖像識(shí)別技術(shù)研究及實(shí)現(xiàn)[D]. 西安：西安電子科技大學(xué)，2005.

[7]Kalchmair S，Jhrling N，Becker K，et al. Image contrast enhancement in confocal ultramicroscopy[J]. Optics Letters，2010，35（1）：79-81.

[8]高 巖，喬彥峰. 一種改進(jìn)直方圖均衡的圖像增強(qiáng)方法[J]. 計(jì)算機(jī)仿真，2008，25（4）：198-200.

[9]Kenned J，Ebemart R C. Partical swarm optimi-zation[C]//Proceeding of 1995 IEEE International Conference on Neural Networks，1995：192-194.

[10]常愛(ài)英，吳鐵軍，包 鑫，等. 基于最小二乘支持向量機(jī)的配煤著火特性預(yù)測(cè)模型[J]. 煤炭學(xué)報(bào)，2010，35（8）：1380-1383.

[11]蔡金錠，付中云. 粒子群神經(jīng)網(wǎng)絡(luò)混合算法在負(fù)荷預(yù)測(cè)中的應(yīng)用[J]. 高電壓技術(shù)，2007，33（5）：90-93.endprint

參考文獻(xiàn)：

[1]傅艷華，王鵬程，陽(yáng)慶華，等.大豆食品加工利用現(xiàn)狀與發(fā)展前景[J]. 湖北農(nóng)業(yè)科學(xué)，2001（1）：62-64.

[2]李 聰，高海燕，袁 超. 基于計(jì)算機(jī)視覺(jué)的蘋(píng)果自動(dòng)分級(jí)方法研究[J]. 計(jì)算機(jī)仿真，2012（9）：293-296.

[3]黃星弈，魏海麗，趙杰文. 實(shí)時(shí)在線檢測(cè)蘋(píng)果果形的一種計(jì)算方法[J]. 食品與機(jī)械，2006，22（1）：27-29.

[4]馮 斌. 計(jì)算機(jī)視覺(jué)信息處理方法與水果分級(jí)檢測(cè)技術(shù)研究[D]. 北京：中國(guó)農(nóng)業(yè)大學(xué)，2010.

[5]Schroder M，Rehrauer H，Seidek K，et al. Interactive learning and probabilistic retrieval in remote sensing image archives[J]. Geoscience and Remote Sensing，38（5）：2288-2298.

[6]彭淑敏. 神經(jīng)網(wǎng)絡(luò)圖像識(shí)別技術(shù)研究及實(shí)現(xiàn)[D]. 西安：西安電子科技大學(xué)，2005.

[7]Kalchmair S，Jhrling N，Becker K，et al. Image contrast enhancement in confocal ultramicroscopy[J]. Optics Letters，2010，35（1）：79-81.

[8]高 巖，喬彥峰. 一種改進(jìn)直方圖均衡的圖像增強(qiáng)方法[J]. 計(jì)算機(jī)仿真，2008，25（4）：198-200.

[9]Kenned J，Ebemart R C. Partical swarm optimi-zation[C]//Proceeding of 1995 IEEE International Conference on Neural Networks，1995：192-194.

[10]常愛(ài)英，吳鐵軍，包 鑫，等. 基于最小二乘支持向量機(jī)的配煤著火特性預(yù)測(cè)模型[J]. 煤炭學(xué)報(bào)，2010，35（8）：1380-1383.

[11]蔡金錠，付中云. 粒子群神經(jīng)網(wǎng)絡(luò)混合算法在負(fù)荷預(yù)測(cè)中的應(yīng)用[J]. 高電壓技術(shù)，2007，33（5）：90-93.endprint