于仁師　孫華麗　韓仲志

摘要：為了比較玉米品種圖像識別中各種神經(jīng)網(wǎng)絡(luò)識別模型的性能，搭建了一套基于統(tǒng)計特征提取和模式識別分類算法的玉米品種識別系統(tǒng)。采用掃描儀獲得了11個玉米品種每個品種50粒子粒圖像，基于圖像的統(tǒng)計特征，分別研究了7種人工神經(jīng)網(wǎng)絡(luò)（ANN）模型（BP、rbf、pnn、pnn、compet、sofnl、ELM）的識別性能，進(jìn)一步考察了極限學(xué)習(xí)機(jī)（ELM）、支持向量機(jī)（SVM）模式分類過程性能。結(jié)果表明，在同樣的情況下SVM模型較ANN模型的特征識別率高，另外神經(jīng)網(wǎng)絡(luò)模型grnn和ELM識別效果較好，其他識別模型性能較差。對11個玉米品種種子的最高檢出率為91.73%，另外，所采用的特征降維方法、特征維數(shù)、初始權(quán)值的隨機(jī)性選擇等因素都會影響模型的識別效果，這對玉米種子純度和品種真實(shí)性檢驗中人工神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建具有指導(dǎo)意義。

關(guān)鍵詞：玉米種子；品種識別；人工神經(jīng)網(wǎng)絡(luò)；支持向量機(jī)

中圖分類號：S513；S326 文獻(xiàn)標(biāo)識碼：A 文章編號：0439-8114（2016）09-2366-04

近年來，假種子事件頻發(fā)，給農(nóng)業(yè)造成巨大損失，農(nóng)民由于缺乏識別種子的能力和設(shè)備，往往不能有效區(qū)分各個品種，迫切需要一種快速的種子識別方法。數(shù)字圖像識別作為一種快速識別技術(shù)而被廣泛應(yīng)用，在水稻、小麥和花生等作物種子識別上都有成功應(yīng)用的報道。

現(xiàn)代玉米種植和水稻一樣，廣泛雜交育種，不能自留種，增大了不法商家販賣假種子的空間。為了有效鑒別玉米種子的真?zhèn)魏皖悇e，郝建平等、楊錦忠等通過數(shù)十個外觀特征，采用圖像處理的方法識別種子：韓仲志等研究了對種子識別起關(guān)鍵作用的特征提取方法，如子粒的胚部特征和果穗DUS測試特征的提取方法：另外楊錦忠等針對玉米果穗形態(tài)研究了品種識別問題，對關(guān)鍵特征進(jìn)行了選擇優(yōu)化。

在玉米識別相關(guān)算法和系統(tǒng)工程應(yīng)用之前，需要對品種識別過程中的關(guān)鍵因素進(jìn)行有效的性能與效率測試。由于人工神經(jīng)網(wǎng)絡(luò)方法廣泛應(yīng)用于識別問題，本研究擬針對不同的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行比較研究，進(jìn)而考察各種模型的效能，為將來品種識別軟件的開發(fā)與工程應(yīng)用提供算法支持。

1 材料與方法

1，1 試驗材料

供試玉米品種共11個，均是北方黃玉米品種，種質(zhì)來源為青島農(nóng)業(yè)大學(xué)種質(zhì)資源庫，每個品種50粒種子。采用平板掃描儀采集圖像（圖1）?；贛atalb2010b編程，采用子粒區(qū)域標(biāo)記的方法將圖像中各個子粒的子圖（SubImage）提取出來。然后進(jìn)行特征提取。

1.2 特征提取

提取的特征包括顏色、形態(tài)和紋理3大類，見表1，相關(guān)定義參見文獻(xiàn)。從二值圖上提取形態(tài)特征，從RGB和HSV彩色圖獲取顏色特征，依據(jù)灰度圖像獲取紋理特征。

1.3 特征優(yōu)化

隨著統(tǒng)計指標(biāo)的增加，統(tǒng)計特征的維數(shù)相應(yīng)增加，因此也需要進(jìn)行必要的降維和特征優(yōu)化。傳統(tǒng)的特征降維與優(yōu)化是基于二階統(tǒng)計量進(jìn)行的主分量分析（PCA）方法。PCA是統(tǒng)計學(xué)中分析數(shù)據(jù)的一種有效的方法，其目的是在數(shù)據(jù)空間中找一組向量以盡可能地解釋數(shù)據(jù)的方差，將數(shù)據(jù)從原來的R維空間降維投影到M維空間（R>M）。降維后保存了數(shù)據(jù)中的主要信息，從而使數(shù)據(jù)更易于處理。PCA方法是沿數(shù)據(jù)集方差最大方向?qū)ふ乙恍┫嗷フ坏妮S，主成分分析方法是一種最小均方誤差下的最優(yōu)維數(shù)壓縮方法，特征提取和優(yōu)化后，特征維數(shù)將進(jìn)一步減少。

1.4 品種識別

基于表1中的特征可實(shí)時進(jìn)行品種識別。人工神經(jīng)網(wǎng)絡(luò)是模擬人的神經(jīng)感知結(jié)構(gòu)，尋找非線性情況下的一種最優(yōu)映射，由于所提取的特征與玉米類別之間存在著非常復(fù)雜的非線性映射關(guān)系，所以特別適合采用此方法進(jìn)行品種識別。由于神經(jīng)網(wǎng)絡(luò)的初始權(quán)值由系統(tǒng)隨機(jī)給出，所以往往帶來結(jié)果的不穩(wěn)定，通常的做法是多次測試取最優(yōu)實(shí)現(xiàn)。基于提取的特征數(shù)據(jù)即可進(jìn)行種子檢驗和品種識別，本研究涉及的神經(jīng)網(wǎng)絡(luò)模型包括7種，即BP、rbf、grnn、pnn、compet、sofm，以及一個BP（backpropagation）神經(jīng)網(wǎng)絡(luò)的改進(jìn)型，即極限學(xué)習(xí)機(jī)ELM。其中神經(jīng)網(wǎng)絡(luò)BP算法是最典型的神經(jīng)網(wǎng)絡(luò)分類方法。支持向量機(jī)（SVM）模型是近幾年發(fā)展起來的優(yōu)秀的識別模型，在農(nóng)作物種子識別領(lǐng)域已經(jīng)被證明比神經(jīng)網(wǎng)絡(luò)識別模型具有更為穩(wěn)健的性能。

2 結(jié)果與分析

圖2是6種神經(jīng)網(wǎng)絡(luò)識別模型的識別結(jié)果，圖3是BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)型極限學(xué)習(xí)機(jī)（ELM）與支持向量機(jī)（SVM）模型識別結(jié)果。表2為上述8種識別模型在不同主分量及不同特征下的識別效果。

2.1 不同模型的識別性能

比較6種神經(jīng)網(wǎng)絡(luò)識別模型可以發(fā)現(xiàn)（圖2、表2），首先從識別率上，基于60個原始統(tǒng)計特征，6種神經(jīng)網(wǎng)絡(luò)識別模型和1種改進(jìn)型識別模型的識別性能從高到低為grnn>ELM>pnn>rbf>BP>compet>sofm，決定系數(shù)R²從大到小為grnn>rbf>ELM>BP>pnn>compet>sofm，所耗時間上從少到多為ELM

鑒于極限學(xué)習(xí)機(jī)ELM是廣泛應(yīng)用的BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)型，且其識別效果優(yōu)越，將其作為神經(jīng)網(wǎng)絡(luò)模型的代表與支持向量機(jī)模型進(jìn)行比較。圖3列出了兩種模型的識別效果，部分?jǐn)?shù)據(jù)在表2中有所體現(xiàn)，可以看出支持向量機(jī)（SVM）模型的識別效果較好，且效果更為穩(wěn)定。

2.2 特征優(yōu)化對模型的影響

由于分類性能嚴(yán)重依賴特征的選取，這就表明某種特征的組合可能具有更優(yōu)秀的分類能力，此時主分量是一個很好的選擇，它不僅可以進(jìn)行數(shù)據(jù)降維，還可以尋找對所有類都盡量適應(yīng)的優(yōu)化特征組合。表3列出了不同數(shù)目PCA情況下8種識別模型的識別性能。從表3可以看出，從識別率看，神經(jīng)網(wǎng)絡(luò)模型表現(xiàn)極其不穩(wěn)定，識別率并不是隨著PCA數(shù)目的增加而增加，但總體上還是呈增加趨勢，這種不穩(wěn)定性與神經(jīng)網(wǎng)絡(luò)初始權(quán)值的隨機(jī)賦值有關(guān)，同時由于神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元數(shù)目到目前為止缺乏理論指導(dǎo)，所以只能通過經(jīng)驗給出，故要得到較為穩(wěn)定的結(jié)果可通過多次訓(xùn)練得到較為穩(wěn)定的識別模型為止：但比較來看，支持向量機(jī)模型表現(xiàn)出更為穩(wěn)定的識別效果，且隨著PCA數(shù)目的增加。識別模型的總體識別率呈上升趨勢。另外從模型的決定系數(shù)和識別模型的時間上來看，支持向量機(jī)模型都是較為優(yōu)秀的模型。其中決定系數(shù)R²越接近于1，識別的時間越短，說明模型越優(yōu)秀。在這些模型中compet表現(xiàn)的效果最差，不僅識別的效果最差。且識別的時間最長。

3 小結(jié)與討論

從本研究的識別結(jié)果看。識別結(jié)果非常不穩(wěn)定，這種不穩(wěn)定的結(jié)果與兩個因素有關(guān)，一是神經(jīng)網(wǎng)絡(luò)的不穩(wěn)定，與確定神經(jīng)網(wǎng)絡(luò)初始權(quán)值時隨機(jī)給出有關(guān)，二是采用的交叉驗證法是隨機(jī)給出，隨機(jī)將訓(xùn)練和測試樣本進(jìn)行分組，每次試驗選用了不同的訓(xùn)練集和測試集。

PCA是一種優(yōu)秀的特征優(yōu)化和數(shù)據(jù)降維方法，通過PCA降維可以在很大程度上提高運(yùn)算速度，減少計算量，特別適合在線監(jiān)測。另外從比較結(jié)果可以看出，支持向量機(jī)是一種優(yōu)秀的分類模型，特別適合于對小樣本進(jìn)行分類，其效果要優(yōu)于神經(jīng)網(wǎng)絡(luò)模型，且結(jié)果穩(wěn)定。支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)雖然都用來進(jìn)行品種識別，但所依據(jù)的理論基礎(chǔ)和識別機(jī)理均不相同。支持向量機(jī)普遍認(rèn)為其泛化能力要比人工神經(jīng)網(wǎng)絡(luò)強(qiáng)：支持向量機(jī)模型理論基礎(chǔ)是結(jié)構(gòu)風(fēng)險最小化理論。也涉及模型參數(shù)優(yōu)化問題：另外支持向量機(jī)可以得到識別決策函數(shù)的解析表達(dá)式，而神經(jīng)網(wǎng)絡(luò)不能明確地得到一個解析解。

識別準(zhǔn)確率與執(zhí)行效率之間尋找一個平衡點(diǎn)是模型優(yōu)化的基本原則，執(zhí)行效率高、識別率高、泛化能力強(qiáng)的識別算法是將來工程應(yīng)用的基礎(chǔ)，未來基于此類算法開發(fā)的品種識別App軟件可以安裝在智能手機(jī)上，農(nóng)民朋友在購買種子時，只需要給種子拍照片，就可以快速鑒別出所購買種子的類別與真?zhèn)?，這將有效避免假種子害農(nóng)事件的發(fā)生，對推進(jìn)種業(yè)及現(xiàn)代農(nóng)業(yè)發(fā)展具有積極意義。

種子的真實(shí)性是種子質(zhì)量檢驗的重要指標(biāo)，基于實(shí)驗室采集的11個品種的玉米子粒圖像研究了6種神經(jīng)網(wǎng)絡(luò)模型、1種改進(jìn)模型與SVM共8種模型的識別性能，從識別率、決定系數(shù)和系統(tǒng)運(yùn)行時間3個角度對模型進(jìn)行了比較，研究發(fā)現(xiàn)SVM的識別性能優(yōu)于ANN，神經(jīng)網(wǎng)絡(luò)模型中g(shù)rnn及ELM表現(xiàn)出的性能優(yōu)異。另外還研究了基于PCA的特征優(yōu)化問題，特征的優(yōu)化在一定程度上能夠提高識別器的性能。本文的結(jié)論對玉米種子檢驗?zāi)Ｐ偷倪x擇具有借鑒意義。