李春霆

摘要：以圖像處理的方式進行大豆種子的品質(zhì)檢測，提出一種引入粒子群優(yōu)化的改進算法，使之具備更加準確地分類并識別大豆種子的能力。首先對圖像樣本進行預處理和特征提取，隨后以粒子群算法改善神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的確定過程，增強其收斂速度，在全局范圍內(nèi)以較高的效率找到最優(yōu)解，最后通過仿真對比試驗，證明了所構(gòu)建的大豆品質(zhì)檢測系統(tǒng)的準確度有了顯著提升。

關(guān)鍵詞：大豆品質(zhì)；檢測速度；神經(jīng)網(wǎng)絡(luò)

中圖分類號： TP391.41；S126 文獻標志碼： A 文章編號：1002-1302（2014）03-0263-03

我國大豆產(chǎn)業(yè)的發(fā)展已經(jīng)日趨成熟，基于大豆作物的深加工產(chǎn)品（包括色拉油、異黃酮等）也為企業(yè)帶來了豐厚的利潤。目前我國每年的大豆深加工產(chǎn)值已經(jīng)超過300億元人民幣。大豆在收購時必須進行質(zhì)量的檢測與評估，當前我國大豆檢測手段的準確度和效率均難以達到要求，導致我國大豆由于質(zhì)量問題而出口機會減少。大豆品質(zhì)檢測的主要指標有外觀品質(zhì)、營養(yǎng)品質(zhì)、食味品質(zhì)、衛(wèi)生品質(zhì)等，其中外觀品質(zhì)包括大豆的病斑、蟲蝕、霉變等。已有研究證明大豆的外觀皮質(zhì)與其營養(yǎng)品質(zhì)、衛(wèi)生品質(zhì)具有高度的正相關(guān)性[1]，因此可以通過對大豆外觀的檢測來辨別其質(zhì)量的優(yōu)劣。當前，如何通過大豆的外觀品質(zhì)特征來評估其品質(zhì)水平是作物品質(zhì)檢測研究的熱點之一[2-3]?；谏窠?jīng)網(wǎng)絡(luò)識別的方法由于自學習能力強，并能夠?qū)θ四X的神經(jīng)進行高效模擬，從而實現(xiàn)具有較強魯棒性的推理判別，十分適合于作物果實品質(zhì)的鑒定和評估[4]，檢測效果較好。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法存在學習過程收斂速度慢、算法易陷入局部極小點和魯棒性差等缺陷，常常會導致作物識別與品質(zhì)評估識別的正確率受到影響[5-6]。本研究針對傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法所存在的缺陷，引入粒子群優(yōu)化算法對其進行改進，使之具備更加準確地分類并識別大豆種子的能力，最后通過仿真對比試驗，證明了所構(gòu)建的大豆品質(zhì)檢測系統(tǒng)的準確度有了顯著提升。本研究的成果在作物種子品質(zhì)鑒別與質(zhì)量評估方面有著很好的理論價值與實踐意義。

1 基于改進神經(jīng)網(wǎng)絡(luò)的大豆品質(zhì)檢測算法

1.1 大豆種子樣本圖像的獲取

大豆種子采集時間為2012年9月，采集地點為河北省農(nóng)業(yè)研究所宣化林場及育種基地。室內(nèi)簡單背景下拍攝大豆種子的靜態(tài)圖片。將大豆種子平鋪于拍攝平臺上，在三角架上固定相機，保持鏡頭與大豆距離恒定在1.0 m，確保顏色及特征清晰，圖像輸入電腦并以JPG格式保存。

1.2 大豆種子樣本圖像預處理

1.2.1 灰度預處理 原始圖像數(shù)據(jù)量較大，首先將其轉(zhuǎn)換為8位灰度圖像。轉(zhuǎn)換之后的圖像僅保留灰度信息，這對圖像預處理已足夠。在大豆圖像增強中，主要是對一些強度不足的邊緣與細節(jié)進行處理，同時保留強度足夠的部分。本研究引入分段線性形式，來實現(xiàn)小波變換的增強函數(shù)，如下式：

2 仿真研究

2.1 仿真環(huán)境的設(shè)置

本研究將包含3層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)作為大豆品質(zhì)識別的基本模型。前面已經(jīng)通過關(guān)聯(lián)分析而得到了影響較大的5個因子（能量、對比度、熵、I分量、H分量），所以神經(jīng)網(wǎng)絡(luò)輸入層的節(jié)點數(shù)目確定為5個。結(jié)合文獻中學習速率區(qū)間為[0.01～0.7]的研究結(jié)論，將學習速率最終定位于0.7。結(jié)合Kolmogorov算法[9]，得出隱含層為15個節(jié)點，神經(jīng)網(wǎng)絡(luò)為6-15-1型結(jié)構(gòu)。以粒子群算法優(yōu)化傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法，對神經(jīng)網(wǎng)絡(luò)進行訓練，從而獲取較優(yōu)的權(quán)值、閾值。

具體步驟為：（1）構(gòu)建優(yōu)化神經(jīng)網(wǎng)絡(luò)的輸入矩陣，包括網(wǎng)絡(luò)所需的訓練樣本、網(wǎng)絡(luò)的期望輸出值以及網(wǎng)絡(luò)的測試樣本；（2）引入Matlab實現(xiàn)對試驗數(shù)據(jù)的仿真分析，創(chuàng)建神經(jīng)網(wǎng)絡(luò)（函數(shù)均來自Matlab的神經(jīng)網(wǎng)絡(luò)工具箱，下同，注略）：

net=newff（min max（PTrain），{logsig″logsig″}，′traingd′

程序語句中，″logsig″為神經(jīng)網(wǎng)絡(luò)不同層次之間的傳遞函數(shù)，′traingd′為訓練函數(shù)。神經(jīng)網(wǎng)絡(luò)創(chuàng)建之后，便開始進行權(quán)值、閾值的初始化；（3）創(chuàng)建粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)：創(chuàng)建方法同（1）；（4）通過Matlab的train函數(shù)實現(xiàn)對神經(jīng)網(wǎng)絡(luò)的訓練。語句為：

[net，tr]=train（net，P_Train，T_rain）

網(wǎng)絡(luò)輸入、輸出維數(shù)以參數(shù)P、T表示。

2.2仿真結(jié)果分析

2.2.1 網(wǎng)絡(luò)性能對比 圖2所示為基本神經(jīng)網(wǎng)絡(luò)與粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的訓練誤差曲線對比。

圖2中，橫坐標是神經(jīng)網(wǎng)絡(luò)的訓練次數(shù)，縱坐標為訓練誤差值。從基本神經(jīng)網(wǎng)絡(luò)的誤差曲線可知，訓練次數(shù)超過300次時，目標誤差值10-4尚未達到，收斂較慢，性能不佳；而粒子群優(yōu)化后的神經(jīng)網(wǎng)絡(luò)則在第19次時滿足了目標誤差值，可見性能有較為明顯的提升，經(jīng)過更少的迭代次數(shù)就使網(wǎng)絡(luò)的性能達到了要求。

2.2.2 識別結(jié)果比較 選取正常大豆、各類帶病大豆以及正常與病態(tài)混合大豆各100幅圖片，以傳統(tǒng)神經(jīng)網(wǎng)絡(luò)與粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)對其進行識別，識別結(jié)果如表1所示。

可見，粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)對各類大豆樣本圖像的識別率均超過90%，其平均識別率為93.1%；傳統(tǒng)神經(jīng)網(wǎng)絡(luò)平均識別率僅為88%。可見優(yōu)化的神經(jīng)網(wǎng)絡(luò)擁有更精確的大豆品質(zhì)識別能力，對各類缺陷豆和病害豆的識別率均顯著優(yōu)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)。仿真結(jié)果表明：經(jīng)過粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)可以對大豆種子的品質(zhì)評估提供令人滿意的支持，效果比較理想。

3 小結(jié)

作物種子的品質(zhì)識別是現(xiàn)代農(nóng)業(yè)中非常重要的技術(shù)，也是農(nóng)業(yè)信息化和精確農(nóng)業(yè)的研究熱點之一。本研究基于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在圖像識別中的一些不足之處，引入粒子群優(yōu)化的算法進行改進，對經(jīng)過預處理和特征提取的大豆種子圖像進行驗證，仿真結(jié)果表明優(yōu)化的神經(jīng)網(wǎng)絡(luò)可以顯著增強大豆種子品質(zhì)的識別率、提升識別效率，在現(xiàn)代農(nóng)業(yè)中應用前景看好。endprint

參考文獻：

[1]傅艷華，王鵬程，陽慶華，等.大豆食品加工利用現(xiàn)狀與發(fā)展前景[J]. 湖北農(nóng)業(yè)科學，2001（1）：62-64.

[2]李 聰，高海燕，袁 超. 基于計算機視覺的蘋果自動分級方法研究[J]. 計算機仿真，2012（9）：293-296.

[3]黃星弈，魏海麗，趙杰文. 實時在線檢測蘋果果形的一種計算方法[J]. 食品與機械，2006，22（1）：27-29.

[4]馮 斌. 計算機視覺信息處理方法與水果分級檢測技術(shù)研究[D]. 北京：中國農(nóng)業(yè)大學，2010.

[5]Schroder M，Rehrauer H，Seidek K，et al. Interactive learning and probabilistic retrieval in remote sensing image archives[J]. Geoscience and Remote Sensing，38（5）：2288-2298.

[6]彭淑敏. 神經(jīng)網(wǎng)絡(luò)圖像識別技術(shù)研究及實現(xiàn)[D]. 西安：西安電子科技大學，2005.

[7]Kalchmair S，Jhrling N，Becker K，et al. Image contrast enhancement in confocal ultramicroscopy[J]. Optics Letters，2010，35（1）：79-81.

[8]高 巖，喬彥峰. 一種改進直方圖均衡的圖像增強方法[J]. 計算機仿真，2008，25（4）：198-200.

[9]Kenned J，Ebemart R C. Partical swarm optimi-zation[C]//Proceeding of 1995 IEEE International Conference on Neural Networks，1995：192-194.

[10]常愛英，吳鐵軍，包 鑫，等. 基于最小二乘支持向量機的配煤著火特性預測模型[J]. 煤炭學報，2010，35（8）：1380-1383.

[11]蔡金錠，付中云. 粒子群神經(jīng)網(wǎng)絡(luò)混合算法在負荷預測中的應用[J]. 高電壓技術(shù)，2007，33（5）：90-93.endprint

參考文獻：

[1]傅艷華，王鵬程，陽慶華，等.大豆食品加工利用現(xiàn)狀與發(fā)展前景[J]. 湖北農(nóng)業(yè)科學，2001（1）：62-64.

[2]李 聰，高海燕，袁 超. 基于計算機視覺的蘋果自動分級方法研究[J]. 計算機仿真，2012（9）：293-296.

[3]黃星弈，魏海麗，趙杰文. 實時在線檢測蘋果果形的一種計算方法[J]. 食品與機械，2006，22（1）：27-29.

[4]馮 斌. 計算機視覺信息處理方法與水果分級檢測技術(shù)研究[D]. 北京：中國農(nóng)業(yè)大學，2010.

[5]Schroder M，Rehrauer H，Seidek K，et al. Interactive learning and probabilistic retrieval in remote sensing image archives[J]. Geoscience and Remote Sensing，38（5）：2288-2298.

[6]彭淑敏. 神經(jīng)網(wǎng)絡(luò)圖像識別技術(shù)研究及實現(xiàn)[D]. 西安：西安電子科技大學，2005.

[7]Kalchmair S，Jhrling N，Becker K，et al. Image contrast enhancement in confocal ultramicroscopy[J]. Optics Letters，2010，35（1）：79-81.

[8]高 巖，喬彥峰. 一種改進直方圖均衡的圖像增強方法[J]. 計算機仿真，2008，25（4）：198-200.

[9]Kenned J，Ebemart R C. Partical swarm optimi-zation[C]//Proceeding of 1995 IEEE International Conference on Neural Networks，1995：192-194.

[10]常愛英，吳鐵軍，包 鑫，等. 基于最小二乘支持向量機的配煤著火特性預測模型[J]. 煤炭學報，2010，35（8）：1380-1383.

[11]蔡金錠，付中云. 粒子群神經(jīng)網(wǎng)絡(luò)混合算法在負荷預測中的應用[J]. 高電壓技術(shù)，2007，33（5）：90-93.endprint

參考文獻：

[1]傅艷華，王鵬程，陽慶華，等.大豆食品加工利用現(xiàn)狀與發(fā)展前景[J]. 湖北農(nóng)業(yè)科學，2001（1）：62-64.

[2]李 聰，高海燕，袁 超. 基于計算機視覺的蘋果自動分級方法研究[J]. 計算機仿真，2012（9）：293-296.

[3]黃星弈，魏海麗，趙杰文. 實時在線檢測蘋果果形的一種計算方法[J]. 食品與機械，2006，22（1）：27-29.

[4]馮 斌. 計算機視覺信息處理方法與水果分級檢測技術(shù)研究[D]. 北京：中國農(nóng)業(yè)大學，2010.

[5]Schroder M，Rehrauer H，Seidek K，et al. Interactive learning and probabilistic retrieval in remote sensing image archives[J]. Geoscience and Remote Sensing，38（5）：2288-2298.

[6]彭淑敏. 神經(jīng)網(wǎng)絡(luò)圖像識別技術(shù)研究及實現(xiàn)[D]. 西安：西安電子科技大學，2005.

[7]Kalchmair S，Jhrling N，Becker K，et al. Image contrast enhancement in confocal ultramicroscopy[J]. Optics Letters，2010，35（1）：79-81.

[8]高 巖，喬彥峰. 一種改進直方圖均衡的圖像增強方法[J]. 計算機仿真，2008，25（4）：198-200.

[9]Kenned J，Ebemart R C. Partical swarm optimi-zation[C]//Proceeding of 1995 IEEE International Conference on Neural Networks，1995：192-194.

[10]常愛英，吳鐵軍，包 鑫，等. 基于最小二乘支持向量機的配煤著火特性預測模型[J]. 煤炭學報，2010，35（8）：1380-1383.

[11]蔡金錠，付中云. 粒子群神經(jīng)網(wǎng)絡(luò)混合算法在負荷預測中的應用[J]. 高電壓技術(shù)，2007，33（5）：90-93.endprint