基于神經(jīng)網(wǎng)絡(luò)的油菜成熟度等級(jí)視覺檢測(cè)方法

梁帆　楊莉莉　崔世鋼等

摘要： 蔬菜的成熟度可以通過作物的形態(tài)特征直觀地體現(xiàn)出來，其標(biāo)準(zhǔn)可用積溫比值來衡量。對(duì)LED智能植物生長(zhǎng)柜中采集的油菜圖像進(jìn)行處理和分析，分割出葉冠投影圖像和植株側(cè)面圖像輪廓，從而提取葉冠投影面積、株高等形態(tài)特征數(shù)據(jù)，然后根據(jù)BP神經(jīng)網(wǎng)絡(luò)的建模原理對(duì)采集的樣本數(shù)據(jù)進(jìn)行訓(xùn)練，實(shí)現(xiàn)了基于BP神經(jīng)網(wǎng)絡(luò)模型的蔬菜成熟度等級(jí)測(cè)定。結(jié)果表明，該方法能夠在不破壞植株的情況下檢測(cè)油菜的成熟度，準(zhǔn)確率達(dá)到95%。

關(guān)鍵詞： 圖像處理；BP神經(jīng)網(wǎng)絡(luò)；油菜；株高；葉冠投影；成熟度；等級(jí)測(cè)定

中圖分類號(hào)：TP335+ 1；S126 文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2015）08-0403-03

油菜原產(chǎn)于我國(guó)西部，栽培歷史十分悠久，主要分布于我國(guó)的西北、華北、內(nèi)蒙古及長(zhǎng)江流域等各?。▍^(qū)、市）。油菜具有耐熱、耐寒、適應(yīng)性強(qiáng)等特性，南方可四季栽培，北方多在春秋季栽培。近幾年來，為了補(bǔ)充冬春淡季供應(yīng)，油菜憑借其生長(zhǎng)周期短、易于栽培等優(yōu)勢(shì)已成為L(zhǎng)ED智能植物生長(zhǎng)柜生產(chǎn)應(yīng)用的主要作物之一。尤其是隨著營(yíng)養(yǎng)液栽培技術(shù)和人工模擬環(huán)境與控制技術(shù)的不斷推進(jìn)，LED智能植物生長(zhǎng)柜生產(chǎn)方式得到了快速發(fā)展。蔬菜成熟度是科學(xué)管理、增產(chǎn)增收的重要因素，因此本試驗(yàn)圍繞蔬菜成熟度等級(jí)檢測(cè)展開相關(guān)研究。

1 材料與方法

由于油菜的株高、葉冠投影面積與成熟度之間屬于非線性關(guān)系，而神經(jīng)網(wǎng)絡(luò)模型非常適用于非線性模型構(gòu)建，具有對(duì)非線性函數(shù)最佳逼近和全局最優(yōu)的性能。因此，本研究采用神經(jīng)網(wǎng)絡(luò)檢測(cè)的方法，通過數(shù)碼相機(jī)定期采集植物生長(zhǎng)柜中的蔬菜葉片圖像 [1-2]，利用圖像處理得到的特征數(shù)據(jù)作為網(wǎng)絡(luò)輸入值，通過積溫比值得到標(biāo)準(zhǔn)成熟度等級(jí)作為網(wǎng)絡(luò)輸出值，從而建立人工神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)對(duì)蔬菜的成熟度等級(jí)進(jìn)行檢測(cè)，其流程見圖1。

1 1 試驗(yàn)環(huán)境設(shè)置

本試驗(yàn)以LED智能植物生長(zhǎng)柜中的先優(yōu)7號(hào)小油菜作為研究對(duì)象，為了保證植物生長(zhǎng)所必需的各種營(yíng)養(yǎng)元素以及提供適宜的生長(zhǎng)環(huán)境，試驗(yàn)采用標(biāo)準(zhǔn)營(yíng)養(yǎng)液，并通過智能控制面板調(diào)節(jié)柜內(nèi)環(huán)境參數(shù)，將光照度設(shè)置為3 000 lx，溫度設(shè)置為22 ℃，濕度設(shè)置為60%，二氧化碳濃度設(shè)置為700 mg/L。

1 2 成熟度等級(jí)標(biāo)準(zhǔn)

植物在生長(zhǎng)發(fā)育的過程中，其生長(zhǎng)速率受環(huán)境溫度的影響較大，而且必須達(dá)到一定的積溫，即從環(huán)境中攝取一定的熱量才能夠完成其發(fā)育過程，因此植物的成熟度可以利用積溫來衡量。積溫學(xué)說又稱為度·日法 [3-4]，是1735年由德列奧來爾提出的，他指出，在一定的溫度范圍內(nèi)，當(dāng)其他環(huán)境條件基本滿足的情況下，作物發(fā)育速度主要受溫度的影響，而且作物完成某一發(fā)育階段所需的積溫基本上是一個(gè)常數(shù)，即：

NT=K。

式中：N為發(fā)育歷期，也就是生長(zhǎng)發(fā)育所需的時(shí)間；T為發(fā)育期間的平均溫度，℃；K為有效積溫，℃。 由于生物的發(fā)育都不是從0開始，而是從某一溫度開始的，所以生物開始發(fā)育的溫度稱為發(fā)育起點(diǎn)溫度C，因此有：

[JZ]N（T-C）=K。

K與C的計(jì)算可以通過1組對(duì)比試驗(yàn)獲得。在T1、T2溫度下，記錄蔬菜發(fā)育成熟所需要的時(shí)間N1、N2，將其帶入（1）中，即可通過（2）得到K、C的值，具體公式如下：

K1=N1（T1-C）

K2=N2（T2-C）

K1=K2 [JB）]； （1）

C=[SX（]N2×T2-N1×T1[]N2-N1[SX）]

Ki=Ni（Ti-C）；i=1，2[JB）]。 （2）

由此可知，蔬菜的有效積溫可以由溫度、生長(zhǎng)時(shí)間推算出來，蔬菜的有效積溫越大，則蔬菜越成熟，因此我們可以利用對(duì)每個(gè)生長(zhǎng)階段的實(shí)際有效積溫與整個(gè)植株成熟所需的總有效積溫作比值近似取整來表示其成熟度，從而制定出蔬菜成熟度的等級(jí)標(biāo)準(zhǔn)，以便于作為輸出數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 [5-7]。

1 3 蔬菜形態(tài)數(shù)據(jù)的采集

形態(tài)是描述物體最直接的視覺特征，蔬菜生長(zhǎng)過程中，作物的外觀形態(tài)會(huì)不斷地發(fā)生變化，比如植株長(zhǎng)高、葉片變大等，因此可以用其形態(tài)特征來衡量蔬菜的成熟度。作物形態(tài)特征參數(shù)則可以通過數(shù)字圖像處理技術(shù)實(shí)現(xiàn)其無損測(cè)量。

1 3 1 圖像采集 本研究采用參照物法測(cè)量作物形態(tài)數(shù)據(jù)，因此測(cè)量株高時(shí)需要提前制作已知尺寸且與目標(biāo)對(duì)象顏色對(duì)比明顯的背景板作為參照物。如圖2所示，由于植物生長(zhǎng)柜中的定植板呈白色，與葉片顏色能夠形成鮮明的對(duì)比，所以在葉冠投影面積測(cè)量時(shí)則無須特制背景板，僅用黑膠帶在定植杯四周貼1個(gè)矩形框，使黑色矩形框的長(zhǎng)、寬分別與計(jì)算機(jī)圖像顯示窗口的長(zhǎng)、寬對(duì)應(yīng)成比例。同時(shí)將植物生長(zhǎng)柜上方的LED燈光設(shè)置為白色，調(diào)節(jié)數(shù)碼相機(jī)的位置，使其光軸垂直于待測(cè)對(duì)象所在平面，并確保背景邊緣恰好與圖像顯示屏的邊緣對(duì)齊，以免產(chǎn)生幾何畸變。

1 3 2 圖像預(yù)處理 數(shù)字圖像在獲取和傳輸過程中，會(huì)受到各種噪聲的干擾使圖像質(zhì)量下降，因此在圖像分割之前還須對(duì)圖像進(jìn)行平滑處理來消除噪聲，以提高圖像質(zhì)量并降低后續(xù)處理工作的難度。對(duì)于物體和背景對(duì)比較為明顯的圖像，其灰度直方圖會(huì)呈現(xiàn)出1個(gè)雙峰形狀，選擇兩峰之間的波谷對(duì)應(yīng)的像素值作為全局閾值，可將圖像分割為目標(biāo)對(duì)象、背景2個(gè)部分，相應(yīng)公式為：

g（x，y）= 1，f（x，y）>K

0，f（x，y）≤K[JB）]。 （3）

式中：f（x，y）為點(diǎn)（x，y）的像素值；g（x，y）為分割后的圖像像素值；K為全局閾值，K可以通過灰度直方圖來獲取。對(duì)采集的圖像閾值分割后，得到像素值只有1、0 的二值化圖像，其中1代表對(duì)象，0代表背景。

1 3 3 特征提取 對(duì)于閾值分割后的冠層投影的二值圖像來說，其目標(biāo)對(duì)象的面積相當(dāng)于像素值為1的像素點(diǎn)的集合，因此油菜的葉面積測(cè)量則可以轉(zhuǎn)化為二值圖像的像素?cái)?shù)目統(tǒng)計(jì)。而此時(shí)得到的數(shù)據(jù)僅為像素?cái)?shù)目，因此還須通過參照物等比例變換求得葉片的真實(shí)面積：endprint

葉面積=[SX（]葉片像素?cái)?shù)目[]參照物像素?cái)?shù)目[SX）]×參照物面積。 （4）

至于株高，則須要將二值化后的植株側(cè)面圖像進(jìn)行數(shù)學(xué)形態(tài)學(xué)邊緣提取，得到植株輪廓。本研究利用圖像腐蝕的性質(zhì)，先用1個(gè)結(jié)構(gòu)元素B對(duì)圖像A進(jìn)行腐蝕運(yùn)算，然后再求腐蝕結(jié)果和集合A的差集，由此得到目標(biāo)對(duì)象的邊界，所用的公式為：

Y=A-（AΘB）。 （5）

然后再利用鏈碼掃描來獲取邊界長(zhǎng)度數(shù)據(jù)，試驗(yàn)中筆者將株高定義為植株的最高點(diǎn)到基部定植板之間的距離，因此株高即為側(cè)面圖像垂直像素點(diǎn)個(gè)數(shù)的最大值。

1 4 神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

單層神經(jīng)網(wǎng)絡(luò)只能解決線性可分的分類問題，因此蔬菜成熟度的檢測(cè)須要采用多層神經(jīng)網(wǎng)絡(luò) [8-9]。目前神經(jīng)網(wǎng)絡(luò)類型繁多，其中BP網(wǎng)絡(luò)是最常用的1種，它是1個(gè)利用誤差反向傳播算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的前向多層網(wǎng)絡(luò)。BP網(wǎng)絡(luò)通常包括輸入層、隱含層、輸出層，而輸入層、隱含層、輸出層的單元數(shù)以及它們之間作用函數(shù)等則是須要設(shè)計(jì)的特征參數(shù)。標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)沿著誤差性能函數(shù)梯度的反方向修改權(quán)值，原理屬于最速下降法，即對(duì)于實(shí)值函數(shù)F（x），如果F（x）在某點(diǎn)x0處有定義且可微，則函數(shù)在該點(diǎn)處沿著梯度相反的方向-F（x0）下降最快。

本研究采用BP人工神經(jīng)網(wǎng)絡(luò)構(gòu)建蔬菜成熟度的預(yù)測(cè)模型，其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

（1）輸入層：BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)根據(jù)研究需要來確定，所以該神經(jīng)網(wǎng)絡(luò)模型的輸入層有2個(gè)神經(jīng)元，X1、X2分別為株高、葉冠投影面積。

（2）輸出層：BP神經(jīng)網(wǎng)絡(luò)的輸出節(jié)點(diǎn)數(shù)同樣也根據(jù)輸出需要來確定，也就是說輸出為成熟度等級(jí)。為了方便而準(zhǔn)確地細(xì)化成熟度的等級(jí)，本研究將成熟度分為8個(gè)等級(jí)，目標(biāo)輸出模式為（000）、（001）、（010）、（011）、（100）、（101）、（110）、（111），分別對(duì)應(yīng)1—8級(jí)，因此輸出層的神經(jīng)元個(gè)數(shù)為3，Y1、Y2、Y3的取值均為0或者1。

（3）隱含層：隱含層數(shù)目的增加能夠提高BP神經(jīng)網(wǎng)絡(luò)的非線性映射能力，但是如果隱含層數(shù)目過多，則會(huì)降低網(wǎng)絡(luò)性能。而單隱層的BP神經(jīng)網(wǎng)絡(luò)可以逼近1個(gè)任意的連續(xù)非線性函數(shù)，因此本研究采用單隱層的BP網(wǎng)絡(luò)。隱含層神經(jīng)元數(shù)目的確定尚無明確的理論指導(dǎo)，本研究通過反復(fù)試驗(yàn)后，確定隱含層神經(jīng)元的數(shù)目為9，圖3中Ki為隱含層神經(jīng)元節(jié)點(diǎn)。

（4）傳遞函數(shù)：隱含層神經(jīng)元的傳遞函數(shù)為S形正切函數(shù)tansig。由于輸出向量的元素值為0、1，因此輸出神經(jīng)元的傳遞函數(shù)可選用S形的對(duì)數(shù)函數(shù)logsig。ωmi為輸入層到隱含層之間的權(quán)值矩陣，其中mi為第m個(gè)輸入到第j個(gè)隱含層節(jié)點(diǎn)之間的權(quán)值；ωij為隱含層到輸出層之間的權(quán)值矩陣，其中ij為第i個(gè)隱含層節(jié)點(diǎn)到第j個(gè)輸出節(jié)點(diǎn)之間的權(quán)值。

（5）訓(xùn)練函數(shù)：通過測(cè)試不同訓(xùn)練函數(shù)對(duì)網(wǎng)絡(luò)性能的影響，本研究最后選擇訓(xùn)練效果較為理想的L-M優(yōu)化算法。

2 結(jié)果與分析

2 1 數(shù)據(jù)統(tǒng)計(jì)

由于在理想環(huán)境下，LED智能植物生長(zhǎng)柜中的小油菜從幼苗到完全成熟大約需要40 d，因此從蔬菜出苗開始，每隔 5 d 對(duì)LED智能植物生長(zhǎng)柜中的50株小油菜幼苗進(jìn)行葉片圖像采集，利用計(jì)算機(jī)技術(shù)對(duì)其進(jìn)行形態(tài)特征提取與分析，共得到400組樣本數(shù)據(jù)。在神經(jīng)網(wǎng)絡(luò)模型的實(shí)際應(yīng)用中，通常須要將樣本數(shù)據(jù)進(jìn)行歸一化處理，以便提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率以及泛化性能。本研究將樣本數(shù)據(jù)歸一化到區(qū)間為[-1，1]，如表1所示。

2 2 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練與檢驗(yàn)

以MATLAB 7 6作為系統(tǒng)仿真平臺(tái)，從400組樣本數(shù)據(jù)中隨機(jī)抽取380組數(shù)據(jù)用于構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，模型訓(xùn)練過程如圖4所示。

剩余的20組數(shù)據(jù)用來驗(yàn)證該神經(jīng)網(wǎng)絡(luò)模型，將網(wǎng)絡(luò)測(cè)試的輸出值與實(shí)際值進(jìn)行對(duì)比，如表2所示。

從表2的數(shù)據(jù)可以看出，該神經(jīng)網(wǎng)絡(luò)成熟度檢測(cè)模型能夠較為準(zhǔn)確地檢測(cè)出LED植物生長(zhǎng)柜中蔬菜的成熟度，而且準(zhǔn)確率達(dá)到95%。

3 結(jié)論與討論

本研究對(duì)LED植物生長(zhǎng)柜中的油菜樣本進(jìn)行圖像采集之后，利用計(jì)算機(jī)圖像處理技術(shù)提取作物形態(tài)特征信息，在對(duì)50株油菜在8個(gè)不同成熟度時(shí)期的400組樣本數(shù)據(jù)進(jìn)行分析的基礎(chǔ)上，構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的蔬菜成熟度檢測(cè)模型，用來預(yù)測(cè)作物的成熟度。

將預(yù)留的測(cè)試樣本對(duì)該模型進(jìn)行驗(yàn)證后發(fā)現(xiàn)，其準(zhǔn)確度能夠達(dá)到95%，表明利用神經(jīng)網(wǎng)絡(luò)檢測(cè)成熟度方法便利、精確度高、實(shí)用性強(qiáng)。蔬菜成熟度等級(jí)檢測(cè)方法的實(shí)現(xiàn)對(duì)于促進(jìn)植物生長(zhǎng)柜發(fā)展、推進(jìn)農(nóng)業(yè)生產(chǎn)信息化以及實(shí)現(xiàn)農(nóng)業(yè)現(xiàn)代化發(fā)展具有重要的現(xiàn)實(shí)意義。

參考文獻(xiàn)：

[1] 郭孝玉，孫玉軍，王軼夫，等 基于改進(jìn)人工神經(jīng)網(wǎng)絡(luò)的植物葉面積測(cè)定[J] 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44（2）：200-204，199

[2]吳春胤，張文昭，歐陽(yáng)慶，等 基于BP神經(jīng)網(wǎng)絡(luò)模型的荔枝樹葉面積測(cè)定方法[J] 農(nóng)業(yè)工程學(xué)報(bào)，2007，23（7）：166-169

[3]尹建軍，毛罕平，王新忠，等 自然條件下番茄成熟度機(jī)器人判別模型[J] 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40（10）：146-150，168

[4]張長(zhǎng)利，房俊龍，潘偉 用遺傳算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)對(duì)番茄成熟度進(jìn)行自動(dòng)檢測(cè)的研究[J] 農(nóng)業(yè)工程學(xué)報(bào)，2001，17（3）：153-156

[5]閆 潤(rùn)，王新忠，張瑩瑩 基于神經(jīng)網(wǎng)絡(luò)及近紅外光譜的草莓成熟度快速識(shí)別方法[J] 安徽農(nóng)業(yè)科學(xué)，2012，40（10）：6292-6294

[6]王慧慧，孫永海，張貴林，等 基于壓力和圖像的鮮玉米果穗成熟度分級(jí)方法[J] 農(nóng)業(yè)工程學(xué)報(bào)，2010，26（7）：369-373

[7]呂 琛，李鋒霞，馬本學(xué)，等 甜瓜成熟度檢測(cè)技術(shù)研究進(jìn)展[J] 江蘇農(nóng)業(yè)科學(xué)，2014，42（1）：244-246

[8]張德豐 MATLAB神經(jīng)網(wǎng)絡(luò)編程[M] 北京：化學(xué)工業(yè)出版社，2011

[9]周開利，康耀紅 神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)[M] 北京：清華大學(xué)出版社，2005endprint