基于遺傳算法BP 神經(jīng)網(wǎng)絡(luò)芒果成熟度判別模型的構(gòu)建與優(yōu)化

房芯如，邢靖萱，索郎措，江億平

（南京農(nóng)業(yè)大學(xué)，江蘇南京 210000）

芒果（Mangifera indica L.）屬漆樹科常綠喬木果樹，其果實(shí)風(fēng)味獨(dú)特且富含膳食纖維、有機(jī)酸、胡蘿卜素、維生素、礦物質(zhì)、多酚等營養(yǎng)物質(zhì)，具有較高的經(jīng)濟(jì)價(jià)值，被譽(yù)為“熱帶水果之王”[1]，其種植地主要分布在我國廣東、海南、廣西、福建等地區(qū)[2]。芒果屬于呼吸躍變型果實(shí)，采摘后其細(xì)胞的呼吸作用會(huì)導(dǎo)致水果內(nèi)部品質(zhì)發(fā)生變化[3]，芒果不耐存儲(chǔ)，易腐爛，一旦達(dá)到呼吸高峰，其品質(zhì)便會(huì)急劇下降[4]。運(yùn)輸過程中，果實(shí)之間的擠壓、摩擦、碰撞等也會(huì)造成不同程度的機(jī)械損傷，導(dǎo)致芒果發(fā)生應(yīng)激反應(yīng)，引起果實(shí)品質(zhì)發(fā)生劣變[5]，并極易在運(yùn)輸過程中受到微生物的污染，影響其食用價(jià)值。因此，芒果采收期和運(yùn)輸方式的適宜與否對(duì)于延長芒果的貯運(yùn)期和貨架期至關(guān)重要。

成熟度是芒果采摘和貯藏的重要依據(jù)，而芒果采摘的成熟過程受多種因素影響。芒果成熟度判定的評(píng)價(jià)指標(biāo)可以分為外部指標(biāo)和內(nèi)部指標(biāo)。外部指標(biāo)主要包括果實(shí)大小、顏色[6]、形狀等，內(nèi)部指標(biāo)主要包括果肉硬度[7]、可溶性固形物含量、酸度[8]、pH 值、總糖含量[9]等。此外，水分含量差異也是考查芒果成熟度和品質(zhì)的重要參數(shù)。BAI 等[10]利用激光背散射成像（LLBI）檢測技術(shù)，實(shí)現(xiàn)了對(duì)芒果水分含量的動(dòng)態(tài)檢測，但僅以單一評(píng)價(jià)指標(biāo)判定，忽略了芒果后熟過程的復(fù)雜性，判別結(jié)果準(zhǔn)確性較低。

目前，主要利用圖像處理技術(shù)[11]、近紅外光譜[12]、超聲波檢測[13]、嗅覺可視化技術(shù)[14]和聲學(xué)檢測技術(shù)[15]等無損檢測技術(shù)來判別芒果成熟度。黃毅英[16]采用計(jì)算機(jī)視覺技術(shù)對(duì)芒果的相對(duì)運(yùn)輸距離信息進(jìn)行分析，并采用互相關(guān)算法彌補(bǔ)了質(zhì)心算法無法對(duì)篇幅較少圖像進(jìn)行準(zhǔn)確處理的缺點(diǎn)。向陽等[17]針對(duì)芒果形狀不規(guī)則難以檢測的問題，使用ANSYS 軟件建模分析芒果承受擠壓力的范圍，并用遷移學(xué)習(xí)方法在卷積神經(jīng)網(wǎng)絡(luò)模型上進(jìn)行芒果成熟度分級(jí)。辛華健等[18]采用自適應(yīng)Canny 算法對(duì)圖像進(jìn)行預(yù)處理，并通過壓力傳感器采集芒果的重量數(shù)據(jù)，實(shí)現(xiàn)了芒果的綜合檢測與分級(jí)。

鑒于電容傳感器、氣味傳感器、光譜技術(shù)等檢測芒果成熟度的方法都難以在芒果采摘現(xiàn)場應(yīng)用。本試驗(yàn)根據(jù)芒果采摘中需要關(guān)注的果實(shí)表皮顏色問題，探究了芒果的硬度、糖度以及圖像特征變量（R、G、B、H、S、V 分量）與芒果成熟度之間的相關(guān)性，并通過遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)來預(yù)測芒果的成熟度，從而建立一套遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的芒果成熟度判別模型，以期為后續(xù)芒果采摘、揀選發(fā)貨和優(yōu)化冷鏈配送提供技術(shù)支撐。

1 材料和方法

1.1 試驗(yàn)材料

試驗(yàn)樣品于2022 年8—9 月在廣西百色市芒果種植園采集，試驗(yàn)選取小臺(tái)芒作為試驗(yàn)材料，試驗(yàn)期間共采集350 個(gè)有效樣本。其中，300 個(gè)有效樣本用于測量芒果的糖度、硬度并拍攝RGB 圖像，其中青熟、完熟、過熟的芒果樣本各100 份，每種成熟度劃分為4 組，每組各25 個(gè)，共12 組。其余50 個(gè)青熟芒果用于做貯藏期試驗(yàn)，間隔24 h 采集RGB 圖像，直至芒果腐爛。芒果成熟度等級(jí)分別為青熟、完熟、過熟，用字母A、B、C 表示，不同成熟度的果實(shí)樣本見圖1。

圖1 不同成熟度的芒果樣本Figure 1 Mango samples with different maturity

1.2 芒果成熟度數(shù)據(jù)獲取

1.2.1 果實(shí)硬度測定

使用GY-2 型果實(shí)硬度計(jì)，直徑為3.5 mm，測量芒果硬度（單位N）。將果實(shí)硬度計(jì)垂直于被測果實(shí)表面，壓頭完全壓入果實(shí)，屏幕所顯示的讀數(shù)為芒果硬度值。為了減少人工測量的誤差，結(jié)果取3 次測量的平均值，最終獲取芒果硬度數(shù)據(jù)共300 份，其中青熟數(shù)據(jù)、完熟數(shù)據(jù)和過熟數(shù)據(jù)各100 份。

1.2.2 果實(shí)可溶性固形物含量測定

使用數(shù)顯糖度儀測定芒果中的可溶性固形物含量。滴入芒果液體至樣品槽三分之二處，按下儀器測量鍵，結(jié)果取3 次測量的平均值。注意用柔軟潮濕的布擦拭樣品槽，將樣品槽擦拭干凈后繼續(xù)下次測量。最終獲取芒果糖度數(shù)據(jù)共300 份，其中青熟數(shù)據(jù)、完熟數(shù)據(jù)和過熟數(shù)據(jù)各100 份。

1.2.3 果實(shí)表皮顏色測定

使用產(chǎn)品型號(hào)為SHL-500W，像素500W 的CDD 工業(yè)相機(jī)，并結(jié)合配套軟件采集芒果的上部、底部共兩面圖像。最終獲取芒果RGB 圖像共600 份，其中青熟數(shù)據(jù)、完熟數(shù)據(jù)和過熟數(shù)據(jù)各200 份。在RGB 顏色模型中，提取每個(gè)像素的R、G、B 分量，將提取到的目標(biāo)圖像由RGB 顏色模型轉(zhuǎn)化為HSV顏色模型，提取每個(gè)像素的H、S、V 分量，并計(jì)算所有樣本特征分量的均值和方差，這些圖像特征描述了圖像的顏色信息，反映了芒果在成熟過程中的顏色變化。

計(jì)算芒果圖像黃色著色率的流程見圖2。首先，先對(duì)采集到的芒果圖像進(jìn)行預(yù)處理（圖3a），在HSV分量當(dāng)中通過直方圖選擇易于圖像分割的分量H，在該分量當(dāng)中把該類芒果的特征顏色——黃色區(qū)域從芒果原始圖像中分割出來，分割結(jié)果見圖3b。其次，通過灰度化、二值化得到芒果原始圖像的二值圖像以及提取出黃色色素區(qū)域的二值圖像，芒果圖像處理的結(jié)果見圖3c 和圖3d。最后，計(jì)算出該黃色區(qū)域占芒果整體像素面積的比例，通過這個(gè)比例來表示芒果的黃色著色率。

圖2 芒果圖像處理流程Figure 2 Mango image processing procedure

圖3 芒果圖像處理結(jié)果Figure 3 Mango image processing results

1.3 構(gòu)建芒果的成熟度判別模型

遺傳算法將尋優(yōu)問題編碼成基因，從基因配置雜交的角度實(shí)現(xiàn)問題的優(yōu)化。遺傳算法具有并行性、通用性、全局性和魯棒性的特點(diǎn)，是穩(wěn)健有效的全局優(yōu)化求解算法。算法的基本步驟為編碼、初始化種群生成、適應(yīng)度評(píng)估。BP 神經(jīng)網(wǎng)絡(luò)存在網(wǎng)絡(luò)初始權(quán)值比較難以設(shè)置的問題，基于遺傳算法的全局尋優(yōu)能力以及優(yōu)化對(duì)象的通用性，本試驗(yàn)采用遺傳算法計(jì)算最佳權(quán)值和閾值來進(jìn)行BP 神經(jīng)網(wǎng)絡(luò)的優(yōu)化，從而提高BP 神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性。

本試驗(yàn)將青熟、完熟、過熟3 種成熟度芒果的糖度、硬度以及圖像特征變量（R、G、B、H、S 分量）作為芒果成熟度判別模型的輸入量，以芒果成熟度等級(jí)作為模型的輸出量。首先對(duì)芒果數(shù)據(jù)進(jìn)行預(yù)處理，提升模型的收斂速度和精度。選擇300 組芒果成熟度數(shù)據(jù)進(jìn)行BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練以及測試，進(jìn)一步建立的芒果的成熟度判別模型。芒果成熟度建模流程見圖4。

圖4 芒果成熟度建模流程圖Figure 4 Mango maturity modeling flowchart

2 結(jié)果與分析

2.1 芒果成熟度數(shù)據(jù)分析

根據(jù)上述試驗(yàn)方法測量芒果的硬度、糖度以及采集芒果的RGB 圖像，不同成熟度芒果的糖度、硬度以及RGB 圖像的R、G、B、H、S、V 分量的均值和標(biāo)準(zhǔn)差見表1。由表1 可知，硬度和糖度的變異系數(shù)分別為42.44%、44.20%，相較于其他成熟度指標(biāo)，硬度和糖度與芒果成熟度的相關(guān)性更為顯著。

表1 不同成熟度芒果貯藏期成熟度指標(biāo)分布Table 1 Maturity index distribution of mango with different maturity level during storage period

由圖5 可知，芒果的硬度隨著果實(shí)成熟度的增加表現(xiàn)出較為明顯的下降趨勢，在300 份芒果的硬度數(shù)據(jù)中，硬度在不同成熟度階段呈顯著性差異（P<0.05）。

圖5 芒果硬度數(shù)據(jù)的箱線圖Figure 5 Box plot of mango firmness data

由圖6 可知，芒果的糖度隨著果實(shí)成熟度的增加表現(xiàn)出較為明顯的增長趨勢。在300 份芒果糖度數(shù)據(jù)中，在同一成熟度的糖度數(shù)據(jù)分布較為分散，但糖度在不同成熟度階段呈顯著性差異（P<0.05）。

圖6 芒果糖度數(shù)據(jù)的箱線圖Figure 6 Box plot of mango sugar content data

由圖7Ⅰ、7Ⅱ、7Ⅲ可知，不同成熟度芒果的RGB顏色模型在各個(gè)特征分量分布情況不同。在RGB 顏色模型中，R 分量、G 分量和B 分量在不同成熟度階段呈顯著性差異（P<0.05）。

圖7 芒果RGB 顏色模型分量的箱線圖Figure 7 Box plot of mango RGB color model components

根據(jù)芒果的RGB 彩色圖像，將其轉(zhuǎn)換到HSV顏色模型。不同成熟度芒果的HSV 顏色模型在各個(gè)特征分量分布情況見圖8Ⅰ、圖8Ⅱ。在HSV 顏色模型中，H 分量在青熟階段與完熟階段間差異不顯著（P>0.05），而該特征分量在完熟階段與其他兩個(gè)成熟度階段（青熟階段、完熟階段）呈顯著性差異（P<0.05）；S 分量在不同成熟度階段呈顯著性差異（P<0.05）；V 分量表示明度，與芒果成熟度相關(guān)性不大，故不考慮此分量。

圖8 芒果HSV 顏色模型分量的箱線圖Figure 8 Box plot of mango HSV color model components

2.2 貯藏期試驗(yàn)結(jié)果分析

根據(jù)試驗(yàn)所采集的RGB 圖像對(duì)芒果進(jìn)行成熟度等級(jí)的判斷，芒果成熟度隨時(shí)間變化的分布情況見表2。

表2 芒果成熟度隨時(shí)間分布情況Table 2 Distribution of mango maturity over time

由表2 可知，青熟芒果在10 d 內(nèi)出現(xiàn)較為明顯的表皮顏色變化；完熟芒果在7 d 內(nèi)沒有發(fā)生明顯的表皮顏色變化。因此，選取貯藏期試驗(yàn)中青熟芒果第1 天至第4 天（芒果青熟階段到完熟階段）所測量的硬度、糖度和所拍攝的RGB 圖像進(jìn)行分析。青熟芒果的糖度、硬度和黃色著色率隨時(shí)間變化的情況見表3 和圖9。

表3 青熟芒果隨時(shí)間變化的指標(biāo)分量數(shù)值Table 3 Index component values of unripe mango over time

圖9 青熟芒果成熟度指標(biāo)隨時(shí)間變化的情況Figure 9 Changes in unripe mango maturity index over time

由表3 可知，在貯藏期第1 天至第4 天（芒果青熟階段到完熟階段），芒果硬度、糖度數(shù)據(jù)變化不顯著。因此，選取硬度與糖度這兩個(gè)成熟度指標(biāo)和芒果黃色著色率進(jìn)行綜合分析。

貯藏期第1 天至第4 天的青熟芒果圖像的黃色比例見表3。黃色著色率的計(jì)算公式如下

y=0.107+0.182t

由圖9 可知，在貯藏期第1 天至第4 天（芒果青熟階段到完熟階段），芒果表皮圖像的黃色比例與芒果成熟度呈正相關(guān)關(guān)系。雖然單個(gè)芒果存在圖像特征H 分量在青熟階段和完熟階段之間表現(xiàn)為無顯著性差異，但芒果其他的圖像特征分量在青熟階段和完熟階段則表現(xiàn)為差異顯著（P<0.05），故將單個(gè)芒果的5 個(gè)圖像特征分量進(jìn)行綜合分析，不同成熟度的芒果根據(jù)整體的圖像特征能夠在一定程度上隔開，說明圖像特征變量（R、G、B、H、S 分量）可以有助于判別出不同成熟度的芒果。

果實(shí)的硬度、糖度以及果皮顏色與成熟度密切相關(guān)，是常用的成熟度評(píng)價(jià)指標(biāo)。綜合上述分析可知，芒果的硬度、糖度以及圖像特征變量（R、G、B、H、S 分量）可以判別出不同成熟度的芒果。因此，在試驗(yàn)中基于遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的芒果成熟度判別模型采用果實(shí)硬度、糖度以及上述5 個(gè)圖像特征變量（R、G、B、H、S 分量）作為輸入因子。

2.3 芒果成熟度建模結(jié)果與分析

為了檢測以上方法的準(zhǔn)確率，本試驗(yàn)在300 份樣本集中任意抽取240 份樣本作為訓(xùn)練集，剩余60 份樣本作為測試集。為了達(dá)到交叉驗(yàn)證的目的，上述過程執(zhí)行100 次后獲得的準(zhǔn)確率作為適應(yīng)度評(píng)價(jià)函數(shù)，該方法能夠有效避免機(jī)器過學(xué)習(xí)的現(xiàn)象，即避免學(xué)習(xí)精度過高而泛化能力較差的現(xiàn)象產(chǎn)生。GA 優(yōu)化的過程中設(shè)置最大迭代數(shù)為1 000 次，隱藏層個(gè)數(shù)為5 個(gè)，種群規(guī)模是20，最大遺傳代數(shù)設(shè)定為50。

由表4 和圖10 可知，整個(gè)模型訓(xùn)練的結(jié)果，24 份青熟樣本中有1 份被錯(cuò)誤預(yù)測成完熟，判別精確率為95.8%。22 份完熟樣本中有1 份被錯(cuò)誤預(yù)測成青熟，判別精確率為95.5%。預(yù)測結(jié)果的準(zhǔn)確率是96.6%。該模型對(duì)60 份樣本進(jìn)行10 次預(yù)測，10 次預(yù)測值分別為96.67%、95.00%、100%、93.33%、98.33%、96.67%、96.67%、98.33%、98.33%、90.00%，求取平均值，準(zhǔn)確率為96.3%。

表4 遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果Table 4 Prediction results of BP neural network optimized by genetic algorithm

圖10 遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)測試集結(jié)果對(duì)比Figure 10 Comparison of BP neural network optimized by genetic algorithm test set results

由表5 和圖11 可知，整個(gè)BP 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的結(jié)果，16 份青熟樣本中有3 份被錯(cuò)誤預(yù)測成完熟，判別精確率為81.2%。20 份完熟樣本中有1 份被錯(cuò)誤預(yù)測成青熟，判別精確率為95.0%。24 份過熟樣本中有1 份被錯(cuò)誤預(yù)測成完熟，判別精確率為95.8%。預(yù)測結(jié)果的準(zhǔn)確率是91.6%。該模型對(duì)60 份樣本進(jìn)行10 次預(yù)測，10 次預(yù)測值分別為93.33%、93.33%、95.00%、93.33%、95.00%、90.00%、96.67%、93.33%、91.67%、90.00%、93.17%，求取平均值，準(zhǔn)確率為93.2%。

表5 BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果Table 5 Predicted results of BP neural network

圖11 BP 神經(jīng)網(wǎng)絡(luò)測試集結(jié)果對(duì)比Figure 11 Comparison of BP neural network test set results

2.4 兩種算法預(yù)測結(jié)果對(duì)比分析

兩種算法預(yù)測準(zhǔn)確度及性能見表6。遺傳算法在計(jì)算種群個(gè)體適度值時(shí)，會(huì)將每個(gè)個(gè)體編碼賦值給神經(jīng)網(wǎng)絡(luò)，然后采用同一組樣本進(jìn)行訓(xùn)練，并記錄不同神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差，該誤差為種群個(gè)體的適應(yīng)度函數(shù)。在不斷迭代優(yōu)化的過程中，BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值會(huì)朝著預(yù)測誤差值不斷減小的方向進(jìn)行搜索，最后優(yōu)化出的最佳個(gè)體包含的權(quán)值矩陣即作為BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值矩陣，建立遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)，并得到預(yù)測結(jié)果。

表6 兩種算法預(yù)測準(zhǔn)確度對(duì)比Table 6 Comparison of predicted accuracy of the two algorithms

由表6 可知，相對(duì)于BP 神經(jīng)網(wǎng)絡(luò)模型，遺傳算法優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)實(shí)際運(yùn)行結(jié)果的分類準(zhǔn)確率為96.3%，平均誤差由6.8%降到3.7%，優(yōu)化算法的分類性能也有所提高。遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的判別芒果成熟度模型能基本上反映出實(shí)際的芒果成熟度等級(jí)。

3 討論與結(jié)論

芒果品質(zhì)評(píng)價(jià)的最常用方法是主要針對(duì)果實(shí)外觀品質(zhì)進(jìn)行的感官評(píng)價(jià)。傳統(tǒng)的水果成熟度的檢測主要是依據(jù)果農(nóng)的經(jīng)驗(yàn)進(jìn)行，但是經(jīng)驗(yàn)判斷方法受主觀因素影響較大，不僅效率低而且檢測水果果實(shí)成熟度的錯(cuò)誤率也高[19]。通過測量芒果的硬度和糖度可以明顯地判斷芒果的成熟度等級(jí)，但在測量過程中會(huì)破壞芒果表皮，以此來獲取硬度與糖度數(shù)據(jù)。這種測量方法是芒果成熟度的有損檢測方法，會(huì)影響芒果采摘后的銷售環(huán)節(jié)。

各種無損檢測技術(shù)的出現(xiàn)，為芒果成熟度檢測、采后分級(jí)以及品質(zhì)檢測提供了更加有效的解決方案。陳文悅等[20]將機(jī)器學(xué)習(xí)與遷移學(xué)習(xí)兩種方法用于芒果RGB 圖像進(jìn)行成熟度分類，測試時(shí)間短，但準(zhǔn)確率不高。由于當(dāng)前的芒果成熟度判別方法在采摘過程中存在一定的誤判率，因此，本試驗(yàn)考慮結(jié)合多種特征進(jìn)行芒果成熟度判斷，探究芒果硬度、糖度以及圖像特征變量（R、G、B、H、S 分量）與芒果成熟度的關(guān)系。

本試驗(yàn)采集了芒果的硬度、糖度數(shù)據(jù)并拍攝了芒果RGB 圖像，通過對(duì)比分析成熟度指標(biāo)數(shù)據(jù)，證實(shí)了芒果硬度、糖度以及圖像特征變量（R、G、B、H、S分量）與芒果成熟度呈顯著相關(guān)關(guān)系。本試驗(yàn)構(gòu)建了基于遺傳算法優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)的芒果成熟度判別模型，相較于常見的硬度、糖度等成熟度指標(biāo)的單一檢測，該模型將芒果的硬度、糖度以及圖像特征變量（R、G、B、H、S 分量）進(jìn)行了綜合考慮，并利用改進(jìn)遺傳算法進(jìn)行BP 神經(jīng)網(wǎng)絡(luò)的參數(shù)尋優(yōu)，不僅有效避免了盲目選擇參數(shù)的問題，而且相比于其他的尋優(yōu)算法更加簡單，可以得到更加準(zhǔn)確的結(jié)果。在對(duì)芒果成熟度等級(jí)的預(yù)測上，該模型預(yù)測芒果成熟度的分類準(zhǔn)確率達(dá)到96.3%，驗(yàn)證了芒果判別模型的準(zhǔn)確性以及有效性，證實(shí)了根據(jù)芒果硬度、糖度以及圖像特征變量（R、G、B、H、S 分量）可以對(duì)芒果成熟度進(jìn)行分類判別，也表明了芒果成熟度判別算法是一種行之有效的方法。在此后的研究中還需要深入研究芒果圖像特征的分析方法，進(jìn)一步探索芒果成熟度的無損檢測方法。

本試驗(yàn)所建立的芒果成熟度判別模型和求解算法可獲取較為準(zhǔn)確的芒果成熟度判別結(jié)果，為芒果的自動(dòng)化作業(yè)采摘與智能揀選分級(jí)環(huán)節(jié)提供技術(shù)支撐，可為生鮮冷鏈物流的發(fā)展提供參考。