史衛(wèi)亞 ，焦珂珂 ，王艷娜 ，宋紅霞 ，梁義濤

（1.河南工業(yè)大學(xué) 信息科學(xué)與工程學(xué)院，河南 鄭州 450001；2.河南工業(yè)大學(xué) 糧食信息處理與控制教育部重點(diǎn)實(shí)驗(yàn)室，河南 鄭州 450001）

0 引言

小麥?zhǔn)俏覈匾膬浼Z食品種，在產(chǎn)后儲藏過程中，儲糧害蟲的為害十分嚴(yán)重，特別是對于隱蔽性害蟲，由于其隱蔽性強(qiáng)，檢測費(fèi)時費(fèi)力.目前，國內(nèi)外都十分重視對糧食籽粒內(nèi)隱蔽性害蟲檢測方法的研究.傳統(tǒng)的儲糧害蟲檢測技術(shù)大體上可分為3類，即感官檢查、取樣檢查和儀器檢查[1].然而這些方法都有各自的局限性：主觀性強(qiáng)、操作繁瑣、成本較高、測定標(biāo)準(zhǔn)不客觀等.生物光子分析技術(shù)（BPAT）的出現(xiàn)，為儲糧害蟲的檢測提供了一種新的思路[1].

生物超弱發(fā)光（Ultraweak Biolum Inescence）是任何有生命的物質(zhì)都發(fā)射的一種超弱光子流，早在1923年前蘇聯(lián)生物學(xué)家G.Gurwith在著名的“洋蔥實(shí)驗(yàn)”中就已發(fā)現(xiàn)了這種現(xiàn)象，并由Colli為首的意大利小組利用光電倍增檢測到一些植物幼芽的超微弱發(fā)光現(xiàn)象，屬于生物光子學(xué)的研究范疇[2].生物光子學(xué)的研究表明超微弱發(fā)光是活體生物的一種普遍生物物理現(xiàn)象，是生命活動狀況的一種反應(yīng)，并且對生命體內(nèi)部的細(xì)微變化非常敏感.生命體處于逆境時，如病變、蟲害或受傷等，其生物光子輻射都會發(fā)生顯著變化[3]，作者就是在這一原理上展開小麥蟲害識別研究的.

我國對超弱發(fā)光的研究起步較晚，20世紀(jì)70年代末期才逐漸活躍起來.主要應(yīng)用研究包括：種子抗性的選擇、糧食霉變檢測、種子活性檢測、糧食安全和質(zhì)量檢測等諸多方面[4].但在小麥蟲害的檢測方面研究的比較少，目前還處于嘗試階段.筆者把生物超弱發(fā)光與小麥蟲害檢測結(jié)合，提出一種新的小麥蟲害檢測模型.模型使用超微弱發(fā)光測量儀測量多組含蟲小麥和正常小麥的自發(fā)光數(shù)據(jù)，通過測試提取數(shù)據(jù)的各項(xiàng)特征，利用BP神經(jīng)網(wǎng)絡(luò)模型對提取的數(shù)據(jù)向量進(jìn)行分類，以分辨小麥?zhǔn)欠窈泻οx.

1 試驗(yàn)方法和模型建立

1.1 BP神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)（Neural Networks，NN）是由大量的處理單元（稱為神經(jīng)元）廣泛地相互連接而形成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，它反映了人腦功能的許多基本特征，是一個高度復(fù)雜的非線性動力學(xué)系統(tǒng).其主要功能之一就是分類與識別[5-6].基于BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的魯棒性、容錯性和自學(xué)能力，本文中對于小麥隱蔽性害蟲檢測模型的構(gòu)建采用BP神經(jīng)網(wǎng)絡(luò)[7-8].

由于試驗(yàn)測得的數(shù)據(jù)有很大的隨機(jī)性、復(fù)雜性、相關(guān)性和非線性等特征，難以對其建立有效的檢測模型.BP神經(jīng)網(wǎng)絡(luò)通過對這些數(shù)據(jù)的訓(xùn)練和學(xué)習(xí)進(jìn)而形成穩(wěn)定的非線性檢測模型[9]，很好地解決了這一難題.圖1是一個典型的3層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖.

圖1 典型的三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在圖1中，x是神經(jīng)元的輸入，y是隱含層的輸出，z是輸出層的輸出，f是傳遞函數(shù).每一層都有它的權(quán)值矩陣Wˉ和它的閾值向量θ和r[10].BP網(wǎng)絡(luò)結(jié)構(gòu)主要由輸入層節(jié)點(diǎn)數(shù)、隱含層節(jié)點(diǎn)數(shù)和輸出層節(jié)點(diǎn)數(shù)確定[11-12].本試驗(yàn)中，選取3層BP神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)的傳遞函數(shù)分別采用purelin和logsigmoid型函數(shù).這樣可以把輸出結(jié)果控制在[0，1]之間.

1.2 模型建立

神經(jīng)網(wǎng)絡(luò)最重要的一個方面是參數(shù)優(yōu)化，即確定權(quán)重和閾值.對于一個3層BP神經(jīng)網(wǎng)絡(luò)模型，參數(shù)的確定取決于輸出節(jié)點(diǎn)的平方誤差.先計(jì)算最后一層的平方誤差，然后通過網(wǎng)絡(luò)的反向傳播，利用鏈?zhǔn)椒▌t，計(jì)算隱藏層的平方誤差.

隱含層和輸出層各節(jié)點(diǎn)的輸出值為：

然后再求出輸入層和隱含層的權(quán)值和閾值修正分別為：

最終建立的模型如圖2所示.

圖2 模型流程圖

1.3 試驗(yàn)材料

試驗(yàn)的小麥種子品種為2012年6月收割的矮抗AK58，所染害蟲為玉米象，染蟲時間為（24～28）d之間.每次測量使用的小麥樣品質(zhì)量為（5.00±0.02）g.

測量儀器采用BPCL-ZL-TGC超微弱發(fā)光測量儀（北京建新力拓公司）.分別對含蟲小麥和正常小麥進(jìn)行測量.測量時，先將小麥放入25℃的暗室中處理30 min，以去掉環(huán)境光對試驗(yàn)的干擾，然后再放入測量儀中進(jìn)行測量.測量包括正常小麥和含蟲小麥兩個測量階段.測量時間間隔設(shè)置為1 s，時間長度為1 800 s，每次測量已減去本地噪聲.室內(nèi)溫度為（25±2）℃，測量溫度為（26±1）℃，室內(nèi)濕度為（45±5）%.正常和含蟲小麥各測得25組數(shù)據(jù)，共50組數(shù)據(jù).然后把正常小麥和含蟲小麥的前15組共30組作為訓(xùn)練樣本，把正常小麥和含蟲小麥的后10組共20組作為測試樣本.圖3是所測到的一組樣品的自發(fā)光子數(shù)隨時間變化圖，從此圖很難發(fā)現(xiàn)含蟲小麥和正常小麥之間的區(qū)別.

圖3 小麥自發(fā)光子數(shù)隨時間變化圖

2 特征提取和數(shù)據(jù)處理

在使用BPCL-ZL-TGC超微弱發(fā)光測量儀對正常小麥和含蟲小麥光子數(shù)測量后，分別對所測光子數(shù)進(jìn)行特征提取，生成反映小麥特性的特征向量，然后使用提出算法對特征向量進(jìn)行分類識別.

2.1 特征提取

反映小麥特性的特征主要從3個方面進(jìn)行測度和描述[13]，見表1.表1中各特征含義如下：位置特征是分布的集中趨勢，反映各數(shù)據(jù)向其中心值靠攏或聚集的程度，包括眾數(shù)（mode）、中位數(shù)（median）、均值（mean）；散布特征，即分布的離散程度，反映各數(shù)據(jù)遠(yuǎn)離其中心值的趨勢，包括四分位差（quartile deviation）、平均差（mean deviation）、方差（variance）、離散系數(shù)（CV）；形態(tài)特征，即分布的形狀，反映數(shù)據(jù)分布偏斜程度和峰度，包括偏度（skewness）、峰度（kurtosis）.

表1 反映小麥特性的特征

提取這些特征后，形成反映小麥特性的9組特征向量，因此BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)確定為9個.輸出網(wǎng)絡(luò)節(jié)點(diǎn)個數(shù)是根據(jù)輸入層樣本集的分類結(jié)果來確定的，本試驗(yàn)要把樣本小麥分為含蟲和不含蟲兩類，因此輸出層網(wǎng)絡(luò)節(jié)點(diǎn)確定為2個.隱含層神經(jīng)元節(jié)點(diǎn)個數(shù)參考經(jīng)驗(yàn)公式——黃金分割法[14]：

式中：N為隱含層節(jié)點(diǎn)數(shù)，n為輸入層節(jié)點(diǎn)數(shù)，m為輸出層節(jié)點(diǎn)數(shù).經(jīng)過計(jì)算神經(jīng)網(wǎng)絡(luò)的隱藏層節(jié)點(diǎn)數(shù)設(shè)為13個，這樣既能滿足精度要求，又能盡量減少網(wǎng)絡(luò)的訓(xùn)練時間.

2.2 分類識別

首先把提取的9組特征向量集歸一化到[0，1]之間，設(shè)輸入向量為 X=（X1，X2，……，X9），輸出向量為 Z=（Z1，Z2）.并對輸出結(jié)果進(jìn)行二進(jìn)制編碼，含蟲小麥編碼為Z=[1，0]，正常小麥編碼為Z=[0，1].

由于BP算法收斂速度慢，容易陷入局部極值等缺點(diǎn)，采用改進(jìn)訓(xùn)練函數(shù)的方法加以克服.改進(jìn)的方法主要可以歸納為兩類：

a）基于標(biāo)準(zhǔn)梯度下降的改進(jìn)方法，如自適應(yīng)lr的梯度下降法（traingda），動量和自適應(yīng)lr的梯度下降法（traingdx）.

b）另一類是基于標(biāo)準(zhǔn)數(shù)值優(yōu)化的改進(jìn)方法，如高斯-牛頓法 （trainbfg），Levenberg-Marquardt法（trainlm）.

試驗(yàn)中分別用不同訓(xùn)練函數(shù)進(jìn)行訓(xùn)練，并比較其所用的時間及循環(huán)次數(shù).表2是不同訓(xùn)練函數(shù)的訓(xùn)練時間及其循環(huán)次數(shù).

表2 不同訓(xùn)練算法的時間比較

從表2可以看出，采用標(biāo)準(zhǔn)數(shù)值優(yōu)化的改進(jìn)方法（trainlm，trainbfg）要比采用標(biāo)準(zhǔn)梯度下降的改進(jìn)方法（traingda，traingdx）收斂速度更快，更節(jié)省時間.圖4是采用trainbfg算法的收斂結(jié)果，從圖4可以看出，當(dāng)訓(xùn)練循環(huán)次數(shù)達(dá)到第15次時其誤差達(dá)到0.001以下，達(dá)到所要求精度，訓(xùn)練自動結(jié)束.

待神經(jīng)網(wǎng)絡(luò)訓(xùn)練穩(wěn)定后，用30組訓(xùn)練樣本對網(wǎng)絡(luò)進(jìn)行測試.經(jīng)過測試后誤差達(dá)為0.000 153，達(dá)到了BP神經(jīng)網(wǎng)絡(luò)所需的精度要求，說明經(jīng)過訓(xùn)練的網(wǎng)絡(luò)完全可以滿足隱蔽性蟲害檢測的要求.載入20組測試樣本，部分輸出結(jié)果如表3所示，若樣本輸出與理想輸出誤差在1%內(nèi)，則分類成功，試驗(yàn)的總正確率達(dá)到了95%，試驗(yàn)結(jié)果達(dá)到預(yù)期目標(biāo).

圖4 采用trainbfg算法的收斂結(jié)果

表3 部分測試數(shù)據(jù)的輸出結(jié)果

3 結(jié)論與展望

針對已有小麥隱蔽性害蟲檢測方法的不足，筆者對小麥隱蔽性害蟲檢測方法進(jìn)行了深入的研究，提出了一種新的小麥隱蔽性害蟲的檢測方法，通過檢測小麥輻射的生物光子，構(gòu)建特征向量，并使用BP神經(jīng)網(wǎng)絡(luò)模型對特征向量進(jìn)行分類.研究表明，利用生物超弱發(fā)光技術(shù)能夠很好地區(qū)分正常小麥和含蟲小麥，該方法操作簡單，不需要破壞小麥，方法簡易，有助于從新的角度了解小麥儲藏過程中蟲害發(fā)生的相關(guān)信息.

［1］ 白旭光.儲糧害蟲檢測技術(shù)評述［J］.糧食儲藏，2010，39（1）：6-9.

［2］ 聶繼云，彭運(yùn)生.生物超弱發(fā)光及其應(yīng)用研究概述［J］.激光生物學(xué)報，1998，7（2）:124-130.

［3］ 陳勝，黃楚云，李默然.生物超微弱發(fā)光及其應(yīng)用［J］.黃石理工學(xué)院學(xué)報，2006，22（4）:82-84.

［4］ 徐樹來.不同成熟期番茄及其儲藏過程中超弱發(fā)光特性的研究［J］.食品科學(xué)，2005，26（9）:539-541.

［5］ 樊超，夏旭，石小鳳，等.基于圖像處理的小麥品種分類研究［J］.河南工業(yè)大學(xué)學(xué)報：自然科學(xué)版，2011，32（5）:74-77.

［6］ 畢昆，姜盼，唐崇偉，等.基于麥穗特征的小麥品種BP分類器設(shè)計(jì)［J］.中國農(nóng)學(xué)通報，2011，27（6）:464-468.

［7］ 曹劍峰，平建華.改進(jìn)BP神經(jīng)網(wǎng)絡(luò)在地下水環(huán)境質(zhì)量評價中的應(yīng)用［J］.水利水電科技進(jìn)展，2006，26（3）:21-23.

［8］ 董長虹.Matlab神經(jīng)網(wǎng)絡(luò)與應(yīng)用［M］.第 2版.北京：國防工業(yè)出版社，2007：64-106.

［9］ 何勝美，李仲來，何中虎.基于圖像識別的小麥品種分類研究［J］.中國農(nóng)業(yè)科學(xué)，2005，38（9）:1869-1875.

［14］ 陳明，朱文婷，周汝雁，等.BP神經(jīng)網(wǎng)絡(luò)信息融合技術(shù)在水質(zhì)監(jiān)控中的應(yīng)用［J］.微計(jì)算機(jī)信息，2010，26（4）:15-17.

［10］ Han WJ，Li J，Sun NL.A novel fast facerecognition method of two-dimensional principal component analysisbased on BPneural networks［C］//Pacific-Asia Workshop on Computational Intelligenceand Industrial Application，2008:44-48.

［11］ Han J H，Huang D S.A novel BP-based ima-ge retrieval system［C］//IEEE International Symposium on Circuits and Systems.Montreal:Institute of Electronics Engineers Inc，2005:1157-1160.

［12］ Zhao JY，Zheng R R ，Zhang L L，et al.Combined weighted eigenface and BP-based networks for face recognition［C］//5th International Conference on Visual Information Engineering.Xi'an:IEEE Computer Society Press，2008:298-320.

［13］賈俊平.統(tǒng)計(jì)學(xué)［M］.北京:中國人民大學(xué)出版社，2003.