基于DHNN的玉米種子質(zhì)量評級方法

楊 琳， 張 林， 王 博， 李 英， 溫 陽

(1.商洛學(xué)院電子信息與電氣工程學(xué)院，陜西商洛 726000； 2.上海交通大學(xué)電子信息與電氣工程學(xué)院，上海 200240)

玉米是我國第二大產(chǎn)量的農(nóng)作物。玉米種子質(zhì)量是影響其產(chǎn)量的重要因素之一，對玉米種子質(zhì)量進行鑒別，選用優(yōu)質(zhì)種子，將有利于提高玉米產(chǎn)量。種子質(zhì)量鑒別的傳統(tǒng)方法有人工檢測、小區(qū)域種植及化學(xué)檢測3種方法。人工檢測主觀性較強，準(zhǔn)確性不理想，后2種方法的結(jié)果都比較準(zhǔn)確，但是小區(qū)域種植方法耗時太長，化學(xué)檢測成本太高，都不能滿足大批量種子檢測的需要。國內(nèi)外學(xué)者針對農(nóng)作物種子的質(zhì)量鑒別做了大量研究工作，方法有機器視覺法、電子鼻檢測法、光譜檢測法、細(xì)胞檢測法等，類型有病蟲害檢測、分級檢測，完整性檢測等。早在20世紀(jì)80年代，Zayas等就開始利用機器視覺來鑒別谷物種子，此后20多年，他們先后利用崩結(jié)構(gòu)模板法、統(tǒng)計學(xué)分析法、RGB顏色參數(shù)建模法、正交變換法，分別實現(xiàn)了谷物種子雜質(zhì)鑒別、多種谷物種類鑒別、降維、改進網(wǎng)絡(luò)[1-2]。Paliwal等成功地實現(xiàn)了谷物雜質(zhì)的混合鑒別，識別率達(dá)到了90%[3]。國內(nèi)也有眾多學(xué)者對該方向展開了研究。劉兆艷開發(fā)了稻種品種識別專用軟件[4]；王志軍等針對種子粘連問題研究了相對應(yīng)的圖像分割算法[5]；萬鵬等利用大米的粒形特征值來識別大米品種[6]；韓仲志等對花生的品質(zhì)檢測展開研究[7]；王玉亮等在玉米種子檢測中將多對象特征提取法應(yīng)用于品種識別[8]；張俊雄等研究了單倍體玉米種子的圖像提取[9]；曹維時等研究了自動直立等距擺放種子的裝置，在此基礎(chǔ)上完成種子純度識別[10]；付立思等基于不變矩理論研究了玉米種子的病蟲害識別[11]；吳江等利用光譜分析實現(xiàn)了大豆品種識別[12-13]；洪亮提出“組合平均差異系數(shù)”的概念，在此基礎(chǔ)上研究了“多選一”的識別方法[14]；錢燕等利用三維重構(gòu)技術(shù)來研究種子識別[15]。本方法在前人研究的基礎(chǔ)上，引入DHNN網(wǎng)絡(luò)，研究了一種神經(jīng)網(wǎng)絡(luò)算法，從玉米種子的幾何尺寸、顏色等外觀特性來快速判別種子的質(zhì)量，減小了人工誤差，降低了檢測成本，加快了檢測速度，為實現(xiàn)快速鑒別大批量種子質(zhì)量提供科學(xué)依據(jù)和方法指導(dǎo)，為實現(xiàn)農(nóng)業(yè)自動化奠定基礎(chǔ)。

1 DHNN概述

Hopfield網(wǎng)絡(luò)最初由美國物理學(xué)家Hopfield在1982年提出，它是一種全連接型的神經(jīng)網(wǎng)絡(luò)，利用不同于階層型網(wǎng)絡(luò)的結(jié)構(gòu)特征和學(xué)習(xí)方法，為神經(jīng)網(wǎng)絡(luò)的發(fā)展提供了新的方法和方向。離散型Hopfield神經(jīng)網(wǎng)絡(luò)，即DHNN(discrete hopfield neural network)，其網(wǎng)絡(luò)結(jié)構(gòu)見圖1，該網(wǎng)絡(luò)采用二值神經(jīng)元，是一種單層的反饋型神經(jīng)網(wǎng)絡(luò)[16]。

2 玉米種子質(zhì)量評級體系的構(gòu)建

2.1 指標(biāo)確定

大小、粒形、顏色等參數(shù)都可以反映玉米種子的特征與質(zhì)量，對玉米種子的正面圖像進行預(yù)處理、分割，然后提取的種子大小、粒形、顏色等外觀參數(shù)見圖2。對影響玉米種子質(zhì)量的因素進行分析，以文獻[8]所討論的25個評價指標(biāo)為基礎(chǔ)，進行大量的試驗驗證，去掉了這些指標(biāo)中性質(zhì)重復(fù)、獨立性較差、相關(guān)度太高的10項；同時殘損、裂紋、粒形與種子質(zhì)量也有很高的關(guān)聯(lián)度，但在文獻[8]中并未體現(xiàn)，因此增加了表征殘損裂紋特性的4個指標(biāo)和表征種子粒形特性的尖角角度和尖角高度2個指標(biāo)。最終選取種子尺寸、粒形、顏色、殘損與霉變4個方面的21個影響因素作為評價指標(biāo)，處理質(zhì)量評價指標(biāo)見表1。

評價玉米外觀質(zhì)量的評價指標(biāo)分為2個層次。第1個層次，記為U=[u1，u2，u3，u4]=[RGB顏色，裂紋與殘損，尺寸，粒形]，第2個層次是第1個層次的詳細(xì)劃分，其中u1=[x1，x2，x3，x4，x5，x6]=[胚R值，胚G值，胚B值，種子R值，種子G值，種子B值]，u2=[x7，x8，x9，x10]=[裂紋寬度，裂紋長度，霉變或雜點程度，殘損程度]，u3=[x11，x12，x13，x14，x15]=[長軸，短軸，周長，面積，尖角高]，u4=[x16，x17，x18，x19，x20，x21]=[尖角角度，外接圓直徑，內(nèi)切圓直徑，長寬比，胚長軸，胚短軸]。將評價指標(biāo)的等級分為特差、差、一般、好、特好5個等級，即V=[v1，v2，v3，v4，v5]=[特差、差、一般、好、特好]。

2.2 確定模糊矩陣

對于以上21個評價指標(biāo)，進行單因素評價形成1個綜合了20個指標(biāo)5個等級的模糊矩陣R=[R1，R2，R3，R4]，RGB顏色、裂紋與殘損、尺寸、粒形4個指標(biāo)特性所對應(yīng)的模糊矩陣分別為R1、R2、R3、R4。

2.3 指標(biāo)編碼

4個方面共21個評價指標(biāo)，每個指標(biāo)又分為5個等級：特好(等級5，85～100分)、好(等級4，75～84分)、一般(等級3，60～74分)、差(等級2，30～59分)、特差(等級1，小于30分)。理想的5個等級評價指標(biāo)編碼模式見圖3，神經(jīng)元狀態(tài)為1那么表示為實心菱形，而神經(jīng)元狀態(tài)為-1則表示為空心菱形。

2.4 網(wǎng)絡(luò)設(shè)計

2.4.1 建立網(wǎng)絡(luò)結(jié)構(gòu) DHNN中的每個神經(jīng)元都有相類似的功能，其狀態(tài)即為輸出，用xj表示。所有狀態(tài)構(gòu)成的集合就是網(wǎng)絡(luò)狀態(tài)，即X=[x1,x2,…,xn]T。網(wǎng)絡(luò)的初始狀態(tài)就是輸入，表示為X(0)=[x1(0),x2(0),…,xn(0)]T。將標(biāo)準(zhǔn)等級的評價指標(biāo)的編碼，作為DHNN網(wǎng)絡(luò)的平衡點，即目標(biāo)向量T，利用matlab工具箱函數(shù)newhop來創(chuàng)建網(wǎng)絡(luò)。創(chuàng)建DHNN網(wǎng)絡(luò)的語句為net=newhop(T)。

2.4.2 權(quán)系數(shù)矩陣的確定 通常來講，反映玉米種子外觀質(zhì)量的評價指標(biāo)對種子質(zhì)量的影響并不是完全均等的，因此，根據(jù)指標(biāo)對種子質(zhì)量的影響程度對指標(biāo)賦予1個權(quán)重。如果指標(biāo)ui所對應(yīng)的權(quán)重是wi，那么，整個指標(biāo)體系U所對應(yīng)的權(quán)重向量為W=[w1,w2,w3,w4]。

將AHP(Analytic Hierarchy Process，即層次分析法)[17-20]應(yīng)用于權(quán)重向量的計算中。計算的結(jié)果為，第1層次的指標(biāo)類型U=[u1，u2，u3，u4]=[RGB顏色，裂紋與殘損，尺寸，粒形]所對應(yīng)的權(quán)重系數(shù)矩陣是W=[0.45，0.41，0.06，0.08]。第2層次中RGB顏色特性u1=[胚R值，胚G值，胚B值，種子R值，種子G值，種子B值]所對應(yīng)的權(quán)重為w1=[0.1，0.22，0.18，0.1，0.21，0.19]，裂紋與殘損特性u2=[裂紋寬度，裂紋長度，霉變或雜點程度，殘損程度]所對應(yīng)的權(quán)重為w2=[0.36，0.21，0.23，0.20]，尺寸特性u3=[長軸，短軸，周長，面積，尖角高]所對應(yīng)的權(quán)重為w3=[0.23，0.19，0.18，0.22，0.18]，粒形特性u4=[尖角角度，外切圓直徑，內(nèi)切圓直徑，長寬比，胚長軸，胚短軸]所對應(yīng)的權(quán)重為w4=[0.17，0.17，0.16，0.18，0.17，0.15]。

在外界輸入的激發(fā)下，反饋網(wǎng)絡(luò)從初始的狀態(tài)逐漸進入動態(tài)演變的過程，其變化規(guī)律如下：

xj=f(nrtj)j=1,2,…,n。

(1)

對各層輸入信息與權(quán)系數(shù)乘積進行累加，通過網(wǎng)絡(luò)的狀態(tài)函數(shù)產(chǎn)生輸出信息(即1個簡單的非線性閾值函數(shù))，如公式(2)和公式(3)：

(2)

(3)

如果wij在i=j時等于0，DHNN無自反饋；反之，若wij在i=j時不等于0，那么該DHNN有自反饋。

2.4.3 網(wǎng)絡(luò)訓(xùn)練 以陜西省商洛市種植的正大12號品種的5 000粒典型種子作為研究對象，根據(jù)表1的指標(biāo)等級范圍，確定這1 000粒種子的指標(biāo)等級，并以這些指標(biāo)數(shù)據(jù)作為網(wǎng)絡(luò)訓(xùn)練樣本，訓(xùn)練了網(wǎng)絡(luò)模型。通過網(wǎng)絡(luò)訓(xùn)練，評級系統(tǒng)的網(wǎng)絡(luò)模型對各個指標(biāo)有了特征記憶，便于后續(xù)的等級評價。

3 網(wǎng)絡(luò)預(yù)測與結(jié)果分析

3.1 網(wǎng)絡(luò)預(yù)測

以商洛本地種植的正大12號品種的玉米種子作為預(yù)測對象，首先對7粒典型特征的種子進行初步分級預(yù)測試驗。7粒典型特征種子的外觀見圖4，對這些圖像進行預(yù)處理與特征提取后，根據(jù)特征信息按照表1所示的指標(biāo)規(guī)則進行編碼，結(jié)果見圖5。

在Matlab中編制離散Hopfield網(wǎng)絡(luò)的相關(guān)代碼，將未分類的玉米種子編碼，送入DHNN網(wǎng)絡(luò)進行仿真，所用到的核心Matlab語句是Y=sim(net，{35 30}，{}，A)。經(jīng)過30次的迭代運算，每一組數(shù)據(jù)開始趨向某一種標(biāo)準(zhǔn)等級種子的指標(biāo)編碼數(shù)據(jù)，從而得到仿真結(jié)果(圖6)。驗證正確性后以1 000粒未分類的種子作為預(yù)測評價樣本進行評價預(yù)測。

3.2 結(jié)果分析

(1)從仿真結(jié)果可以看出，DHNN網(wǎng)絡(luò)模型可以有效地對待分級的玉米種子外觀圖像進行分類，避免了人為因素造成的誤差，從而得到相對客觀的分級結(jié)果。色澤和尺寸形狀接近標(biāo)準(zhǔn)的種子被判定為好或者特好，出芽概率比較大；有少量雜點或尺寸過大或者過小的種子將被判定為一般，這類種子的出苗率會相對低一些，種植時需要特別呵護，以降低不出苗的風(fēng)險；有霉變或者有裂紋的種子被判定為差或特差，幾乎沒有出芽的可能性，這類種子不適合種植。(2)以1 000粒未知等級的玉米種子作為評價的樣本，對這些種子進行分級預(yù)測試驗，準(zhǔn)確率可達(dá)到96.3%。(3)應(yīng)用DHNN方法對玉米種子的外觀質(zhì)量進行分級測評時，如果種子的指標(biāo)數(shù)值趨近于某一等級，比較容易得到較好的分級結(jié)果，但如果指標(biāo)數(shù)值部分高、部分低，即種子指標(biāo)優(yōu)劣勢所占比重相差較小時，可能會導(dǎo)致一定的評級誤差。

4 結(jié)語

本研究設(shè)計的Hopfield網(wǎng)絡(luò)模型可以對玉米種子的外觀進行快速、客觀地評價，為農(nóng)作物種子的質(zhì)量分級提供了一種高效的評級方法；以商洛本地種植的玉米種子品種正大12號為例進行驗證與分析，該算法的評級結(jié)果與人為判斷分級結(jié)果基本一致，準(zhǔn)確率達(dá)到96.3%。該方法能夠有效避免人為評價的主觀誤差，同時能夠很大程度提高種子分級的效率，對提高農(nóng)作物產(chǎn)量有重要的理論指導(dǎo)意義。

參考文獻：

[1]Zayas I Y，Pomeranz Y，Lai F S. Discrimination between Arthur and Arkan wheats by image analysis[J]. Cereal Chemistry，1985，62(6)：478-480.

[2]Zayas I Y，Steele J L，Dempster R E. Pattern recognition of com defects by color image analysis[J]. Cereal Foods World，1990，35(8)：848.

[3]Paliwal J，Visen N S，Jayas D S. Cereal grain and dockage identification using machine vision[J]. Biosystems Engineering，2003，85(1)：51-57.

[4]劉兆艷. 基于機器視覺的稻種品種識別研究[D]. 杭州：浙江大學(xué)，2006.

[5]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.

[6]萬 鵬，孫 瑜，孫永海. 基于計算機視覺的大米粒形識別方法[J]. 吉林大學(xué)學(xué)報(工學(xué)版)，2008，38(2)：489-492.

[7]韓仲志，趙友剛. 基于外觀特征識別的花生品種與品質(zhì)檢測方法[J]. 中國糧油學(xué)報，2009，24(5)：123-126.

[8]王玉亮，劉賢喜，蘇慶堂，等. 多對象特征提取和優(yōu)化神經(jīng)網(wǎng)絡(luò)的玉米種子品種識別[J]. 農(nóng)業(yè)工程學(xué)報，2010，26(6)：199-204，389.

[9]張俊雄，吳科斌，宋 鵬，等. 基于BP神經(jīng)網(wǎng)絡(luò)的玉米單倍體種子圖像分割[J]. 江蘇大學(xué)學(xué)報(自然科學(xué)版)，2011，32(6)：621-625.

[10]曹維時，張春慶，王金星，等. 離散小波變換和BP神經(jīng)網(wǎng)絡(luò)識別玉米種子純度[J]. 農(nóng)業(yè)工程學(xué)報，2012，28(增刊2)：253-258.

[11]付立思，何榮卜，劉朋維. 一種新的不變矩與神經(jīng)網(wǎng)絡(luò)玉米病害識別系統(tǒng)[J]. 計算機工程與應(yīng)用，2012，48(4)：219-221.

[12]吳 江，黃富榮，黃才歡，等. 近紅外光譜結(jié)合主成分分析和BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)基因大豆無損鑒別研究[J]. 光譜學(xué)與光譜分析，2013，33(6)：1537-1541.

[13]譚克竹，柴玉華，宋偉先，等. 基于高光譜圖像處理的大豆品種識別[J]. 農(nóng)業(yè)工程學(xué)報，2014，30(9)：235-242.

[14]洪 亮. 基于組合平均差異系數(shù)的糧食種子識別[J]. 紅外與激光工程，2014，43(4)：1344-1351.

[15]錢 燕，尹文慶，林相澤，等. 基于序列圖像三維重建的稻種品種識別[J]. 農(nóng)業(yè)工程學(xué)報，2014，30(7)：190-196.

[16]王小川. MATLAB神經(jīng)網(wǎng)絡(luò)43個案例分析[M]. 北京：北京航空航天大學(xué)出版社，2013.

[17]莊 倩. 基于AHP的江蘇省高標(biāo)準(zhǔn)農(nóng)田綜合生產(chǎn)能力評價[J]. 江蘇農(nóng)業(yè)科學(xué)，2016，44(6)：511-515.

[18]耿榮娜，曹麗英. 基于AHP方法的農(nóng)村電子商務(wù)發(fā)展制約因素[J]. 江蘇農(nóng)業(yè)科學(xué)，2016，44(9)：535-539.

[19]賈鳳伶，李 瑾，陳麗娜. 基于AHP法的失地農(nóng)民就業(yè)影響因素評價與對策[J]. 江蘇農(nóng)業(yè)科學(xué)，2016，44(7)：549-553.

[20]王立娟，張?zhí)礅x，王 榮，等. 基于AHP法優(yōu)化的模糊物元法在當(dāng)歸種子質(zhì)量評價的應(yīng)用[J]. 解放軍醫(yī)藥雜志，2016，28(7)：105-109.