梁培生++孫輝+++張國(guó)政++方璦++周二杰

doi：10.15889/j.issn.1002-1302.2016.10.124

摘要：為探究快速、無(wú)損進(jìn)行蠶蛹雌雄分類(lèi)的可行性，利用機(jī)器視覺(jué)技術(shù)對(duì)蠶蛹圖像進(jìn)行獲取，應(yīng)用主成分分析法結(jié)合BP人工神經(jīng)網(wǎng)絡(luò)方法進(jìn)行分析識(shí)別。首先，對(duì)所得圖像進(jìn)行灰度化、濾波去噪、二值化、特征提取等預(yù)處理，再應(yīng)用主成分分析法得到包含蠶蛹88.94%特征信息的4個(gè)主成分，將其作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量，對(duì)應(yīng)的蠶蛹性別作為輸出。建立1個(gè)BP神經(jīng)網(wǎng)絡(luò)的識(shí)別模型，該模型對(duì)于蠶蛹分類(lèi)的準(zhǔn)確率達(dá)到98%，符合我國(guó)農(nóng)業(yè)部桑蠶行業(yè)的標(biāo)準(zhǔn)。機(jī)器視覺(jué)結(jié)合主成分分析和BP神經(jīng)網(wǎng)絡(luò)的方法能夠準(zhǔn)確進(jìn)行蠶蛹分類(lèi)，對(duì)實(shí)際生產(chǎn)具有積極的指導(dǎo)意義。

關(guān)鍵詞：機(jī)器視覺(jué)；蠶蛹；主成分分析；BP神經(jīng)網(wǎng)絡(luò)；分類(lèi)

中圖分類(lèi)號(hào)： TP391.41；S126文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2016）10-0428-03

收稿日期：2015-09-06

基金項(xiàng)目：國(guó)家科技支撐計(jì)劃（編號(hào)：2011BAD33B04）。

作者簡(jiǎn)介：梁培生（1964—），男，廣西蒼梧人，副研究員，主要從事蠶業(yè)機(jī)械與裝備研究。E-mail：305141797@qq.com。桑蠶養(yǎng)殖是我國(guó)的傳統(tǒng)行業(yè)，也是中國(guó)重要的歷史文化產(chǎn)業(yè)。為了最大限度地提高桑蠶業(yè)的經(jīng)濟(jì)價(jià)值及產(chǎn)品附加值，在實(shí)際生產(chǎn)中通常要將雌雄蠶繭分類(lèi)使用。目前，蠶種場(chǎng)及相關(guān)生產(chǎn)企業(yè)往往在家蠶化蛹后的幾天內(nèi)手工進(jìn)行雌雄蠶蛹分類(lèi)鑒別工作，此方法不僅耗費(fèi)大量人工成本，且因工人主觀因素及技術(shù)程度的不同導(dǎo)致識(shí)別準(zhǔn)確率不高，實(shí)際過(guò)程中還可能對(duì)蠶蛹造成傷害。近年來(lái)，關(guān)于蠶繭的無(wú)損檢測(cè)法主要有近紅外光譜技術(shù)、X射線成像技術(shù)等，但由于檢測(cè)設(shè)備價(jià)格昂貴、檢測(cè)精度及檢測(cè)環(huán)境要求等原因均未得到推廣。

不同性別的蠶蛹其身體形態(tài)、紋理特征有較大差異，人工識(shí)別是基于這些差異特性而進(jìn)行的，因此可運(yùn)用識(shí)別蠶蛹圖像的方式達(dá)到目的。通過(guò)試驗(yàn)設(shè)備獲得蠶蛹圖像，對(duì)蠶蛹的形態(tài)特征、紋理特征進(jìn)行提取并轉(zhuǎn)化為數(shù)據(jù)信息，利用主成分分析和神經(jīng)網(wǎng)絡(luò)的方式進(jìn)行識(shí)別。

1設(shè)備與材料

1.1試驗(yàn)設(shè)備

采用MER-125-30UM型工業(yè)攝像機(jī)（北京大恒圖像公司）進(jìn)行圖像采集。采用自行設(shè)計(jì)的采集試驗(yàn)平臺(tái)，包括環(huán)形光源、透明的PVC材料輸送帶、簡(jiǎn)易暗箱等。采用DELL的I5計(jì)算機(jī)主機(jī)，采用Matlab 12.0作為軟件支持設(shè)備進(jìn)行圖像預(yù)處理、分析、模型建立、識(shí)別等。以上設(shè)備經(jīng)過(guò)性能測(cè)試，均符合試驗(yàn)條件。

1.2樣品

供試的150粒蠶蛹樣品均由中國(guó)農(nóng)業(yè)科學(xué)院蠶業(yè)研究所提供，其中雌雄蠶蛹各75粒。蠶蛹為同一品種在飼養(yǎng)條件基本一致的情況下培育，蠶蛹所處時(shí)期為化蛾期的前3～4 d，此時(shí)蠶蛹的形態(tài)特征未發(fā)生改變，且蠶蛹的紋理特征最為明顯，利于對(duì)特征數(shù)據(jù)的準(zhǔn)確提取。

2原理與方法

對(duì)工業(yè)攝像機(jī)采集得到的圖像進(jìn)行圖像預(yù)處理和圖像形狀、紋理特征的提取，然后應(yīng)用主成分分析對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，得到低維的主成分變量，作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量。利用建立的BP神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)對(duì)數(shù)據(jù)的分析和識(shí)別。

2.1圖像預(yù)處理及特征提取

通過(guò)設(shè)計(jì)的試驗(yàn)平臺(tái)及試驗(yàn)設(shè)備采集蠶蛹圖像，由于采集過(guò)程中受到設(shè)備、光線等條件的干擾，會(huì)產(chǎn)生一定的噪聲，影響圖像質(zhì)量。通過(guò)對(duì)圖像的預(yù)處理可去除圖像的干擾及不必要的背景信息，獲取高質(zhì)量的目標(biāo)圖像。主要的預(yù)處理措施有圖像的灰度化、濾波去噪、直方圖均衡化、邊緣提取、圖像分割、二值化、形態(tài)學(xué)處理等（圖1）。

經(jīng)過(guò)預(yù)處理后，圖像的質(zhì)量得到提高，為圖像的特征提取做好準(zhǔn)備。試驗(yàn)共提取了150幅圖像的周長(zhǎng)、面積、偏心率、圓度、對(duì)比度、能量、逆差距、相關(guān)性、熵等9個(gè)信息量，為試驗(yàn)準(zhǔn)備了充足的數(shù)據(jù)。

2.2主成分分析法

主成分分析是一種常用且重要的多元統(tǒng)計(jì)分析方法，該方法通過(guò)對(duì)相關(guān)范圍內(nèi)的數(shù)據(jù)結(jié)構(gòu)內(nèi)在關(guān)系進(jìn)行分析研究，以方差最大化為原則，以多指標(biāo)數(shù)據(jù)轉(zhuǎn)化成較少數(shù)量的相互獨(dú)立且能表示原數(shù)據(jù)大部分信息的變量為目的，對(duì)原始蠶蛹圖像所包含的信息量進(jìn)行線性擬合，從而得到較低維數(shù)的變量，取代原始高維數(shù)據(jù)變量。在實(shí)際試驗(yàn)應(yīng)用中通常取前幾個(gè)主成分，不僅能達(dá)到數(shù)據(jù)降維的目的，同時(shí)也利于數(shù)據(jù)的觀察，一般推薦T值（各主成分的累積貢獻(xiàn)率）應(yīng)大于80%。該T值可用較少數(shù)量的不相關(guān)主成分表示原始數(shù)據(jù)，減少了數(shù)據(jù)的交叉及信息冗余；同時(shí)，通過(guò)對(duì)原始數(shù)據(jù)自身相關(guān)性進(jìn)行分析來(lái)確定各分量權(quán)重，基于數(shù)據(jù)的內(nèi)在結(jié)構(gòu)關(guān)系，不需要人為確定，使試驗(yàn)結(jié)果更加公正、合理化且具有說(shuō)服力。

2.3BP神經(jīng)網(wǎng)絡(luò)

誤差反向傳播網(wǎng)絡(luò)（back-propagation network，BP）是人工神經(jīng)網(wǎng)絡(luò)的一種，是一種按誤差逆?zhèn)鞑ニ惴ㄔ瓌t進(jìn)行訓(xùn)練的多層前饋網(wǎng)絡(luò)，實(shí)現(xiàn)輸入、輸出變量之間的高度非線性映射關(guān)系。BP神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層、輸出層，同層之間相互獨(dú)立，數(shù)據(jù)信息前向傳播（圖2）。該網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則為最速下降法，然后通過(guò)數(shù)據(jù)的反向傳播來(lái)調(diào)整神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的各權(quán)重及偏置量，達(dá)到數(shù)據(jù)的誤差平方和最小的目的，使網(wǎng)絡(luò)的輸出值逼近期望值，誤差滿(mǎn)足學(xué)習(xí)要求才結(jié)束。近年來(lái)，BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用在分類(lèi)、預(yù)測(cè)等方面表現(xiàn)出優(yōu)越性，本研究在蠶蛹分類(lèi)中進(jìn)行試驗(yàn)探討。

3結(jié)果與分析

3.1主成分提取

利用主成分分析方法對(duì)蠶蛹圖像提取出的數(shù)據(jù)進(jìn)行優(yōu)化，即輸入各蠶蛹圖像的特征數(shù)據(jù)，計(jì)算出其數(shù)據(jù)的特征矩陣以及各主因子載荷矩陣，然后選取合適的主成分矩陣，將二者組合得到的新向量作為BP神經(jīng)網(wǎng)絡(luò)的輸入向量。主成分分析不僅能夠降低神經(jīng)網(wǎng)絡(luò)的復(fù)雜程度，對(duì)提高網(wǎng)絡(luò)模型的收斂速度和識(shí)別率也有較好作用。

蠶蛹圖像經(jīng)過(guò)預(yù)處理及特征提取后，將提取到的蠶蛹圖像周長(zhǎng)、面積、偏心率、圓度、對(duì)比度、能量、逆差距、相關(guān)性、熵等9個(gè)信息量作為原始數(shù)據(jù)。運(yùn)用主成分分析的方法進(jìn)行降維處理之后，在保證主成分的累積貢獻(xiàn)率不低于80%的情況下，提取前4個(gè)主成分作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量，由此得到圖像原始數(shù)據(jù)的特征值（表1）。

根據(jù)試驗(yàn)的精度及識(shí)別準(zhǔn)確率要求，本試驗(yàn)取前4個(gè)較大的特征值，分別為5.261 3、1.280 3、0.929 4、0.533 1，此時(shí)累積貢獻(xiàn)率達(dá)到88.935%。根據(jù)特征向量與原始數(shù)據(jù)組合形成的新向量，即分析后得到的主成分。每個(gè)圖像樣本的9

個(gè)信息量經(jīng)主成分分析后化簡(jiǎn)為4個(gè)輸入變量。

3.2BP神經(jīng)網(wǎng)絡(luò)

根據(jù)主成分分析結(jié)果（表1），選取前4個(gè)主成分即可表示蠶蛹圖像的主要信息，使圖像數(shù)據(jù)由原來(lái)的150×9減少至150×4，大幅降低了運(yùn)算量。建立相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行蠶蛹雌雄分類(lèi)的訓(xùn)練和預(yù)測(cè)。將數(shù)據(jù)樣本分為訓(xùn)練集和測(cè)試集，分別從雌雄蠶蛹中隨機(jī)選取各50個(gè)樣本用來(lái)建立模型，剩余的50粒蠶蛹用來(lái)預(yù)測(cè)結(jié)果。

利用Matlab 12.0軟件編寫(xiě)程序，對(duì)輸入變量進(jìn)行數(shù)據(jù)歸一化操作，并建立BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)。經(jīng)過(guò)多次試驗(yàn)對(duì)比分析，在輸入層為4層、輸出層為2層、系統(tǒng)允許誤差為0001、學(xué)習(xí)速率為0.05、慣性系數(shù)為0.8、最大迭代次數(shù)為 1 000 次時(shí)，驗(yàn)證當(dāng)神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)目為8時(shí)，該神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)較為簡(jiǎn)單，且收斂速度快、精度高。選取 4-8-2的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練和識(shí)別驗(yàn)證，其中隱含層傳輸函數(shù)為非線性的tansig型函數(shù)，輸出層的隱含函數(shù)為純線性的purelin型函數(shù)。

3.3PCA-BP模型預(yù)測(cè)

將經(jīng)過(guò)降低維數(shù)處理的預(yù)測(cè)樣本主成分?jǐn)?shù)據(jù)在訓(xùn)練好的預(yù)測(cè)模型中進(jìn)行驗(yàn)證，并利用網(wǎng)絡(luò)的識(shí)別結(jié)果與蠶蛹的真實(shí)性別進(jìn)行對(duì)比。由模型生成的神經(jīng)網(wǎng)絡(luò)回歸圖（圖3）可知，模型的歸一化系數(shù)均大于99.5%，即驗(yàn)證網(wǎng)絡(luò)預(yù)測(cè)識(shí)別建立的模型對(duì)蠶蛹性別的識(shí)別較為成功。

一般來(lái)說(shuō)，神經(jīng)網(wǎng)絡(luò)的性能優(yōu)劣主要由其泛化能力來(lái)評(píng)價(jià)。對(duì)測(cè)試樣本的驗(yàn)證分析表明，該網(wǎng)絡(luò)模型具有很強(qiáng)的泛化能力，能夠較為真實(shí)地反映輸入與輸出之間的關(guān)系。由圖4可知，神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練收斂曲線在迭代次數(shù)為112時(shí)達(dá)到要求。檢測(cè)結(jié)果（表2）顯示，50粒蠶蛹的識(shí)別準(zhǔn)確率達(dá)到98%。結(jié)果表明，本方法所建立的PCA-BP神經(jīng)網(wǎng)絡(luò)模型能夠較為準(zhǔn)確地對(duì)蠶蛹性別進(jìn)行分類(lèi)識(shí)別。

4結(jié)論

利用機(jī)器視覺(jué)技術(shù)獲取蠶蛹圖像，經(jīng)圖像處理得到了蠶蛹的形態(tài)及紋理特征，結(jié)合主成分分析法和BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)建立了蠶蛹的雌雄識(shí)別模型，對(duì)蠶蛹進(jìn)行分類(lèi)識(shí)別研究。由對(duì)測(cè)試集的驗(yàn)證結(jié)果可知，蠶蛹的識(shí)別準(zhǔn)確率達(dá)到了98%，但仍存在一定的誤判率。BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練及網(wǎng)絡(luò)記憶仍存在不穩(wěn)定性，有待進(jìn)一步研究。

機(jī)器視覺(jué)結(jié)合主成分分析和BP神經(jīng)網(wǎng)絡(luò)的方法，對(duì)蠶蛹的識(shí)別分類(lèi)具有很好的作用，為蠶蛹雌雄識(shí)別分類(lèi)提供了一種新途徑，對(duì)桑蠶業(yè)具有重要的經(jīng)濟(jì)和實(shí)用價(jià)值。

參考文獻(xiàn)：

[1]劉敬全，于振誠(chéng)，崔玉梅，等. 家蠶熒光繭色判性蠶品種熒光、春玉的育成及其一代雜交種的選配[J]. 蠶業(yè)科學(xué)，1996，22（3）：155-159.

[2]王茜蒨，黃志文，劉凱，等. 基于主成分分析和人工神經(jīng)網(wǎng)絡(luò)的激光誘導(dǎo)擊穿光譜塑料分類(lèi)識(shí)別方法研究[J]. 光譜學(xué)與光譜分析，2012，32（12）：3179-3182.

[3]Jin T M，Wu X Q，Pan S Y，et al. Distinguishing sex of silkworm chrysalis in cocoon by NIR with fiber optics[J]. Acta Agriculturae Boreali-Sinica，1994，9：35-37.

[4]吳江，黃富榮，黃才歡，等. 近紅外光譜結(jié)合主成分分析和BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)基因大豆無(wú)損鑒別研究[J]. 光譜學(xué)與光譜分析，2013，33（6）：1537-1541.

[5]李玉品，陳斌，顏輝，等. 近紅外光譜分析法在蠶繭性別鑒定上的應(yīng)用[J]. 江蘇農(nóng)業(yè)科學(xué)，2009（1）：237-239.

[6]Chen Q S，Zhao J W，F(xiàn)ang C H，et al. Feasibility study on identification of green，black and Oolong teas using near-infrared reflectance spectroscopy based on support vector machine（SVM）[J]. Spectrochimica Acta，Part a，2007，66（3）：568-574.

[7]蔡健榮，劉兵，李永平，等. X射線成像技術(shù)判別蠶繭性別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28（8）：275-279.

[8]楊丹，趙海濱，龍哲，等. MATLAB圖像處理[M]. 北京：清華大學(xué)出版社，2013.

[9]MATLAB中文論壇. MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M]. 北京：北京航空航天大學(xué)出版社，2010.

[10]馬嘯，袁洪福，宋春風(fēng)，等. 衰減全反射紅外光譜法快速分類(lèi)和識(shí)別多種食用油的方法[J]. 光譜學(xué)與光譜分析，2015，35（7）：1879-1884.

[11]岳田利，彭幫柱，袁亞宏，等. 基于主成分分析法的蘋(píng)果酒香氣質(zhì)量評(píng)價(jià)模型的構(gòu)建[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2007，23（6）：223-227.

[12]Zhang J H，Qi L J，Ji R H，et al. Cotton diseases identification based on rough sets and BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering，2012，28（7）：161-167.