基于PCA-SSA-BP神經(jīng)網(wǎng)絡(luò)的煙葉分級(jí)方法

楊述斌，董春林，王 鋒，周敏瑞

（1.武漢工程大學(xué) 電氣信息學(xué)院，武漢 430205；2.智能機(jī)器人湖北省重點(diǎn)實(shí)驗(yàn)室，武漢 430205）

煙葉是卷煙的主要原料，為保持卷煙品質(zhì)的穩(wěn)定，需要將不同質(zhì)量的煙葉區(qū)分開來[1]。我國現(xiàn)行的烤煙國家標(biāo)準(zhǔn)，通過對(duì)烤煙的外觀特征的標(biāo)準(zhǔn)定量將煙葉分為42 個(gè)等級(jí)[2]。傳統(tǒng)煙葉分級(jí)由人工通過視覺和觸覺對(duì)煙葉進(jìn)行分級(jí)，這種感官檢測(cè)分級(jí)方法的不確定性很大，且存在分選效率低、選后合格率不穩(wěn)定等缺點(diǎn)[3]。

近些年，機(jī)器視覺技術(shù)在農(nóng)產(chǎn)品質(zhì)量檢測(cè)領(lǐng)域的迅速發(fā)展為煙葉自動(dòng)分級(jí)提供了新思路，利用成像設(shè)備采集煙葉圖像，對(duì)煙葉圖像進(jìn)行形態(tài)特征的提取[4-5]；對(duì)煙葉圖像進(jìn)行顏色空間轉(zhuǎn)換，提取煙葉圖像反射或透射條件下的顏色特征[6-8]；采用灰度共生矩陣法、小波分析法等對(duì)煙葉進(jìn)行分析，提取煙葉圖像的紋理特征[9-10]。在圖像特征提取后，利用聚類分析[11]、支持向量機(jī)[12]、神經(jīng)網(wǎng)絡(luò)[13]等方法對(duì)煙葉進(jìn)行分級(jí)。

對(duì)上述研究總結(jié)，通過提取多維圖像特征信息進(jìn)行煙葉分級(jí)會(huì)增加模型計(jì)算量，另外不同的分級(jí)方法的分級(jí)識(shí)別率和分級(jí)穩(wěn)定性有所差別。針對(duì)煙葉圖像需提取多維特征這一特點(diǎn)，采用具有柔性的網(wǎng)絡(luò)結(jié)構(gòu)和強(qiáng)大的多維函數(shù)映射能力的BP（back propagation）神經(jīng)網(wǎng)絡(luò)作為煙葉分級(jí)模型，其可以設(shè)定隱藏層的神經(jīng)元個(gè)數(shù)和網(wǎng)絡(luò)中間層層數(shù)，適用于多個(gè)煙葉圖像特征與煙葉等級(jí)映射關(guān)系的構(gòu)建。但是BP 神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)，且存在學(xué)習(xí)速度慢等問題。為解決此問題，利用局部搜索能力強(qiáng)、收斂速度快的麻雀搜索算法對(duì)BP 神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化[14]；當(dāng)提取的圖像特征維數(shù)過大時(shí)會(huì)產(chǎn)生模型復(fù)雜度高、分級(jí)實(shí)時(shí)性降低等問題，為此使用PCA 進(jìn)行冗余信息的消除。

因此，提出一種基于PCA-SSA-BP 優(yōu)化網(wǎng)絡(luò)模型的煙葉分級(jí)方法，在保證煙葉識(shí)別準(zhǔn)確率的同時(shí)提高煙葉分級(jí)實(shí)時(shí)性。

1 理論分析

1.1 PCA-SSA-BP 神經(jīng)網(wǎng)絡(luò)煙葉分級(jí)算法

將煙葉圖像進(jìn)行分析處理，提取其形狀特征、顏色特征、紋理特征組成原始特征矩陣，使用PCA 對(duì)其進(jìn)行處理，得到新的特征矩陣作為BP 網(wǎng)絡(luò)模型的輸入。針對(duì)BP 網(wǎng)絡(luò)容易陷入局部最優(yōu)的情況，引入麻雀搜索算法對(duì)BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化，提高模型的尋優(yōu)能力和收斂速度，PCASSA-BP 神經(jīng)網(wǎng)絡(luò)煙葉分級(jí)算法的流程如圖1所示。

圖1 PCA-SSA-BP 神經(jīng)網(wǎng)絡(luò)煙葉分級(jí)算法流程Fig.1 Flow chart of PCA-SSA-BP neural network based tobacco leaf grading algorithm

1.2 主成分分析

主成分分析（principal component analysis，PCA）依據(jù)方差最大化原理，將p 維空間特征映射到k 維空間（p＞k），構(gòu)建樣本原始特征數(shù)據(jù)矩陣Xn×p為

式中：p 表示樣本特征維數(shù)；n 表示樣本數(shù)量。將Xn×p＝（X1，X2，…，Xp）表示為矩陣的p 個(gè)特征列向量，則矩陣Xn×p中第j 個(gè)特征的均值為

式中：xij為第j 個(gè)特征的第i 個(gè)樣本。

假設(shè)向量X 與向量Y，那么協(xié)方差定義為

協(xié)方差矩陣為

奇異值（SVD）分解后可以得到其特征值與特征向量，將特征值按照降序排列λ1≥λ2≥…≥λp，選取與特征值對(duì)應(yīng)的前k 個(gè)特征向量μ1，μ2，…，μk（k＜p）組成新的線性變換矩陣Wp×k，將原始特征數(shù)據(jù)矩陣與之相乘得到為

1.3 麻雀搜索算法

麻雀搜索算法（sparrow search algorithm，SSA）是一種模仿麻雀種群社會(huì)生存行為的群體智能尋優(yōu)算法，其根據(jù)麻雀種群的生存機(jī)制原理，將麻雀劃分為生產(chǎn)者、尾隨者和預(yù)警者[15]。

生產(chǎn)者擁有較高的搜索能力，可以搜索到食物充足的領(lǐng)地，為麻雀種群中的尾隨者指明覓食的方向。

尾隨者會(huì)尾隨能量儲(chǔ)備高的生產(chǎn)者來進(jìn)行覓食。在種群中生產(chǎn)者和尾隨者的身份會(huì)因能量儲(chǔ)備的高低互相轉(zhuǎn)變。

預(yù)警者占整個(gè)麻雀種群的20%左右，當(dāng)有追捕者出現(xiàn)在種群附近時(shí)，預(yù)警者會(huì)根據(jù)預(yù)警值大小做出反捕食行為。

在麻雀搜索算法中麻雀的每一次位置改變都會(huì)使整個(gè)種群隨之發(fā)生變化。

每一次生產(chǎn)者位置的更新公式為

當(dāng)R2＜ST 時(shí)，表示種群未受到追捕者的威脅，生產(chǎn)者可以在領(lǐng)地進(jìn)行食物搜索；當(dāng)R2≥ST 時(shí)，預(yù)警者發(fā)出警報(bào)，使種群轉(zhuǎn)移到安全領(lǐng)地再次進(jìn)行食物搜索。

每一次尾隨者的位置更新公式為

每一次預(yù)警者位置更新公式為

式中：β 為步長控制參數(shù)；K 是步長控制參數(shù)；fi為第i 個(gè)個(gè)體的適應(yīng)度值；fw為當(dāng)前種群的最差適應(yīng)度值；fg為當(dāng)前種群的全局最優(yōu)適應(yīng)度值；ε 為常數(shù)項(xiàng)。

當(dāng)fi≠fg時(shí)，表示該麻雀位于種群的邊緣，需通過飛往其他領(lǐng)地使自身的適應(yīng)度提高；當(dāng)fi＝fg時(shí)，表示該麻雀位于種群中心位置且接收到預(yù)警信號(hào)，需飛往其他安全領(lǐng)地來降低被獵捕的可能性。

2 實(shí)驗(yàn)與結(jié)果分析

2.1 煙葉圖像采集

本文采集自襄陽南漳地區(qū)的5 個(gè)等級(jí)烤煙煙葉樣本共45 份，由煙葉分級(jí)專家評(píng)定等級(jí)為B2F，B3F，C3F，X2F，X3F。煙葉圖像采集過程在黑色密閉箱體內(nèi)完成，箱體規(guī)格（長×寬×高）為1.5 m×0.9 m×0.9 m，烤煙煙葉圖像采集選用Canon EOS 77D APSC 相機(jī)，鏡頭采用Canon EF-S IS STM 型，箱體頂部為4 只色溫為5500 K 的LED 燈管，箱體底部為白色磨砂玻璃載物臺(tái)，相機(jī)與計(jì)算機(jī)通過HDMI 接口連接起來，采集裝置如圖2所示。使用MATLAB2018a平臺(tái)控制實(shí)現(xiàn)烤煙煙葉圖像的實(shí)時(shí)采集。

圖2 煙葉圖像采集裝置Fig.2 Acquisition device of tobacco leaf images

2.2 特征提取

如圖3所示，通過圖像采集裝置得到煙葉圖像，如圖3（a）。對(duì)煙葉圖像進(jìn)行預(yù)處理得到煙葉二值分割圖像，如圖3（b），對(duì)二值分割圖像使用最小外接矩形法可以提取到煙葉的形狀特征；將RGB 顏色空間模型的煙葉圖像轉(zhuǎn)換到HSV 顏色空間模型來提取煙葉的顏色特征，如圖3（c）為HSV 顏色空間模型下的煙葉圖像； 對(duì)煙葉圖像進(jìn)行Gabor 小波變換，如圖3（d）為π/10 濾波方向的煙葉圖像。

圖3 煙葉圖像預(yù)處理Fig.3 Pre-processing of tobacco leaf image

根據(jù)烤煙分級(jí)國家標(biāo)準(zhǔn)對(duì)煙葉品質(zhì)等級(jí)的規(guī)定，分別提取煙葉圖像的3 個(gè)葉態(tài)特征：長度、寬度、長寬比；5 個(gè)體態(tài)特征：周長、理想面積、實(shí)際面積、破損率、密質(zhì)度；6 個(gè)顏色特征：R，G，B，H，S，V；3 個(gè)紋理特征：均值能量、對(duì)比度、熵，用x1，x2，…，x17來表示實(shí)際面積、理想面積、破損率、周長、長、寬、密質(zhì)度、RGB 分量、HSV 分量、均值能量、對(duì)比度、熵共17 個(gè)特征。

2.3 模型參數(shù)選擇

（1）主成分分析

構(gòu)建煙葉樣本原始特征數(shù)據(jù)矩陣X45×17。利用式（2）～式（5）求得協(xié)方差矩陣，計(jì)算所有PC 的累計(jì)貢獻(xiàn)率，取不同PC 維數(shù)情況下的累計(jì)貢獻(xiàn)率曲線，如圖4所示。顯示主成分大于7 后的累計(jì)貢獻(xiàn)率趨于穩(wěn)定，取前7 個(gè)主成分（累計(jì)貢獻(xiàn)率98.2%）為降維后新的七維特征矩陣作為BP 網(wǎng)絡(luò)的輸入。

圖4 主成分累計(jì)貢獻(xiàn)率曲線Fig.4 Cumulative contribution curves for different numbers of principal components

（2）確定BP 網(wǎng)絡(luò)隱藏層節(jié)點(diǎn)數(shù)

使用3 層網(wǎng)絡(luò)結(jié)構(gòu)，采用經(jīng)驗(yàn)公式來確定隱藏層節(jié)點(diǎn)數(shù)，計(jì)算公式為

式中：l 為隱含層節(jié)點(diǎn)數(shù)；a 為（1，10）內(nèi)的常數(shù)；m 為輸出層節(jié)點(diǎn)數(shù)；n 為輸入層節(jié)點(diǎn)數(shù)。

通過式（9）計(jì)算得隱藏層節(jié)點(diǎn)數(shù)的取值范圍，如表1所示，最佳隱藏層節(jié)點(diǎn)數(shù)為7，此時(shí)網(wǎng)絡(luò)訓(xùn)練集的準(zhǔn)確率為89.9%。

表1 不同隱藏層節(jié)點(diǎn)的識(shí)別準(zhǔn)確率Tab.1 Recognition accuracy of nodes in different hidden layers

（3）計(jì)算優(yōu)化維度

待優(yōu)化的麻雀種群的維度d。計(jì)算種群維度公式為

式中：E 為BP 網(wǎng)絡(luò)的輸入?yún)?shù)個(gè)數(shù)；F 為BP 網(wǎng)絡(luò)的隱藏層節(jié)點(diǎn)個(gè)數(shù)；G 為BP 網(wǎng)絡(luò)的輸出參數(shù)個(gè)數(shù)，由公式計(jì)算得到需要優(yōu)化的維度為96 維。

（4）適應(yīng)度函數(shù)

將訓(xùn)練集與測(cè)試集總體的平均絕對(duì)誤差值作為適應(yīng)度值，適應(yīng)度值越小，模型的分類精度更高，其表達(dá)式為

本文使用收斂速度快，魯棒性強(qiáng)的遺傳算法（GA）對(duì)BP 網(wǎng)絡(luò)進(jìn)行優(yōu)化對(duì)比，將所有對(duì)比網(wǎng)絡(luò)模型的相同參數(shù)均保持一致設(shè)置，PS 為種群大小，PD為生產(chǎn)者比例，PC 為交叉概率，PM 為變異概率，ST為預(yù)警值，SD 為預(yù)警者比例，參數(shù)設(shè)置如表2所示。

表2 對(duì)比算法參數(shù)設(shè)定Tab.2 Parameter setting of comparison algorithm

將圖像分析提取到的特征值向量導(dǎo)入到對(duì)比算法網(wǎng)絡(luò)模型中，進(jìn)行對(duì)比分析。

2.4 結(jié)果分析

各模型的適應(yīng)度進(jìn)化收斂曲線，如圖5所示。分析可以得到PCA-SSA 優(yōu)化模型、SSA 優(yōu)化模型收斂曲線的整體收斂速度優(yōu)于PCA-GA 優(yōu)化的網(wǎng)絡(luò)模型，而PCA-GA 優(yōu)化模型的最終適應(yīng)度值要低于SSA 優(yōu)化模型。經(jīng)PCA-SSA 優(yōu)化后的模型的收斂曲線速度要快于SSA 優(yōu)化模型，PCA-SSA 優(yōu)化模型在進(jìn)化代數(shù)為4 代的時(shí)候其平均絕對(duì)誤差達(dá)到0.06579，而SSA 優(yōu)化模型在進(jìn)化代數(shù)為7 代的時(shí)候才到達(dá)相同水平，因此PCA-SSA 優(yōu)化網(wǎng)絡(luò)模型的適應(yīng)度較為優(yōu)秀。

圖5 適應(yīng)度收斂曲線對(duì)比Fig.5 Comparison of adaptation convergence curves

將采集到的45 個(gè)煙葉圖像樣本隨機(jī)選擇其中38 個(gè)樣本作為訓(xùn)練集，7 個(gè)樣本作為測(cè)試集，使用PCA 對(duì)提取到17 個(gè)煙葉外觀特征矩陣進(jìn)行降維。將降維后的七維特征矩陣作為SSA-BP 優(yōu)化網(wǎng)絡(luò)模型的輸入，對(duì)煙葉樣本進(jìn)行等級(jí)識(shí)別。以PCA 的處理時(shí)長和網(wǎng)絡(luò)模型的訓(xùn)練識(shí)別時(shí)長之和作為判別網(wǎng)絡(luò)模型的高效性指標(biāo)，并與未降維的網(wǎng)絡(luò)模型進(jìn)行對(duì)比。如表3所示，可以得知PCA-SSA-BP 優(yōu)化網(wǎng)絡(luò)模型的煙葉等級(jí)平均識(shí)別率達(dá)到96.5%，運(yùn)行總時(shí)間為97.99 s，與BP 網(wǎng)絡(luò)模型相比識(shí)別率提高了24%；與PCA-GA-BP 優(yōu)化網(wǎng)絡(luò)模型相比識(shí)別率提高了3.8%，分級(jí)效率提高了9.9%；與SSA-BP 優(yōu)化網(wǎng)絡(luò)模型識(shí)別率提高了1.8%，分級(jí)效率提高了54.5%。

表3 不同模型煙葉識(shí)別結(jié)果對(duì)比Tab.3 Comparison of tobacco leaf recognition results of different models

3 結(jié)語

通過分析煙葉圖像，提取到煙葉的17 個(gè)特征進(jìn)行PCA 降維，消除冗余信息，簡化模型的復(fù)雜程度，提升了模型的分級(jí)效率；選取全局搜索能力強(qiáng)、穩(wěn)定性優(yōu)秀的麻雀搜索算法對(duì)BP 網(wǎng)絡(luò)模型的閾值、權(quán)重參數(shù)進(jìn)行優(yōu)化，提高了模型的識(shí)別率。

建立PCA-SSA-BP 優(yōu)化網(wǎng)絡(luò)模型的煙葉分級(jí)實(shí)驗(yàn)結(jié)果表明：PCA-SSA-BP 優(yōu)化網(wǎng)絡(luò)模型的煙葉分級(jí)識(shí)別結(jié)果準(zhǔn)確率高、實(shí)時(shí)性好，可以基本滿足實(shí)際生產(chǎn)需求，并為小樣本高維多特征的烤煙煙葉的等級(jí)識(shí)別提供了一種有效快速的鑒別方法。