余 華，吳文全

(1.武漢東湖學(xué)院 電子信息工程學(xué)院，武漢 430212；2.海軍工程大學(xué) 電子工程學(xué)院，武漢 430033)

0 引言

在現(xiàn)代農(nóng)機(jī)導(dǎo)航系統(tǒng)中，機(jī)器視覺部分是導(dǎo)航系統(tǒng)的核心。為了實(shí)現(xiàn)農(nóng)機(jī)的自主導(dǎo)航，機(jī)器視覺部分一般采用圖像分割識別技術(shù)，對農(nóng)作物的果實(shí)進(jìn)行自主識別，為了實(shí)現(xiàn)這個(gè)過程，需要借助相關(guān)的智能學(xué)習(xí)算法。神經(jīng)網(wǎng)絡(luò)算法是一種最常用的機(jī)器學(xué)習(xí)方法，其計(jì)算精度受到輸入輸出層和隱含層的權(quán)值的影響較大。為了提高神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的計(jì)算精度，需要引入極限學(xué)習(xí)機(jī)算法，通過改變權(quán)值的設(shè)定方式，達(dá)到提高計(jì)算精度的目的。

1 基于極限學(xué)習(xí)機(jī)算法的定位導(dǎo)航流程

圖像識別技術(shù)是農(nóng)機(jī)導(dǎo)航視覺設(shè)計(jì)的核心。與定位導(dǎo)航原理不同，采用機(jī)器視覺進(jìn)行導(dǎo)航時(shí)需要對大量圖像進(jìn)行實(shí)時(shí)處理，以獲得果實(shí)或者果樹的位置坐標(biāo)。特別是成熟果實(shí)的識別，在進(jìn)行定位時(shí)采摘農(nóng)機(jī)需要對成熟度較高的果實(shí)進(jìn)行優(yōu)先采摘，因此還需要根據(jù)顏色特征對圖像進(jìn)行處理，最后根據(jù)對成熟果實(shí)圖像的位置識別實(shí)現(xiàn)自主定位。

在農(nóng)機(jī)導(dǎo)航系統(tǒng)中，成熟果實(shí)圖像的識別是定位導(dǎo)航的核心部分，因此在定位之前首先需要對采集的果實(shí)和果樹圖像進(jìn)行處理。圖像處理可采用極限學(xué)習(xí)機(jī)算法，通過對圖像的處理達(dá)到圖像智能分類的目的，確定成熟果實(shí)圖像的坐標(biāo)位置，然后通過采摘農(nóng)機(jī)的路徑規(guī)劃實(shí)現(xiàn)農(nóng)機(jī)采摘過程自主定位功能，如圖1所示。

圖1 基于極限學(xué)習(xí)機(jī)的果實(shí)圖像識別流程

extreme learning machine

2 極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)算法及其精度測試

神經(jīng)網(wǎng)絡(luò)算法是目前最常用的機(jī)器學(xué)習(xí)算法，其效率和精度主要與輸入輸出層和隱含層之間的權(quán)值相關(guān)。權(quán)值的選取往往需要根據(jù)經(jīng)驗(yàn)來選取，計(jì)算精度較低，效率差。如果能實(shí)現(xiàn)權(quán)值的隨機(jī)選取，將輸入輸出層和隱含層的權(quán)值計(jì)算轉(zhuǎn)換為最小二乘最優(yōu)解問題，可以有效提高神經(jīng)網(wǎng)絡(luò)泛化能力及神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速度。

圖2為基于極限學(xué)習(xí)機(jī)的神經(jīng)網(wǎng)絡(luò)算法基本模型。神經(jīng)網(wǎng)絡(luò)算法是圖像分割識別的重要算法，假設(shè)在進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)有N幅圖像數(shù)據(jù)樣本，輸入和輸出樣本數(shù)據(jù)分為

xi=[xi1,xi2,…xin]T∈Rn,t=[ti1,ti2,…tim]T∈Rm

i=1,2,…,N

(1)

隱藏層節(jié)點(diǎn)數(shù)為L，則標(biāo)準(zhǔn)單隱含層神經(jīng)網(wǎng)絡(luò)可表示為

(2)

由公式(2)可知：閾值在輸出層位置是缺失的，因此輸入的權(quán)值和隱含層的偏置就不需要再調(diào)整，可以直接利用輸出層的權(quán)值，建立神經(jīng)網(wǎng)絡(luò)驅(qū)動(dòng)模型。其表達(dá)式為

Hβ=T

(3)

其中，H為隱藏層輸出矩陣；β為輸出權(quán)值矩陣；T為輸出矩陣。在ω和b固定時(shí)，經(jīng)過激活函數(shù)將H在高維呈現(xiàn)線性關(guān)系，利用最小二乘法可得

(4)

其中，(H+)T表示樣本輸入層經(jīng)過隱藏層后的輸出矩陣的Moore-Penrose廣義逆矩陣。為了驗(yàn)證極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)算法的計(jì)算速度和精度，對一組坐標(biāo)數(shù)據(jù)進(jìn)行處理，以得到定位數(shù)據(jù)，計(jì)算機(jī)結(jié)果如下：

ELM('diabetes_train', 'diabetes_test', 1, 20, 'sig')

TrainingTime =

0.0568

TestingTime =

0

TrainingAccuracy =

0.9796

TestingAccuracy =

0.9868

圖2 極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)算法模型Fig.2 The neural network algorithm model of extreme learning machine

由實(shí)驗(yàn)結(jié)果可得，極限學(xué)習(xí)機(jī)方法具有耗時(shí)短、效率高等優(yōu)點(diǎn)。將不同學(xué)習(xí)算法的計(jì)算結(jié)果進(jìn)行了統(tǒng)計(jì)，結(jié)果如表1所示。

表1 不同學(xué)習(xí)算法精度測試

計(jì)算結(jié)果表明：相對于其他兩種算法，基于極限學(xué)習(xí)機(jī)的BP神經(jīng)網(wǎng)絡(luò)算法計(jì)算精度更高。

3 基于極限學(xué)習(xí)機(jī)的農(nóng)機(jī)導(dǎo)航系統(tǒng)測試

為了驗(yàn)證方案的可行性，對其圖像處理能力進(jìn)行測試。要想實(shí)現(xiàn)農(nóng)機(jī)的自動(dòng)導(dǎo)航功能，首先需要對待作業(yè)的果樹進(jìn)行識別，結(jié)果如圖3所示。

圖3 果樹采集識別圖像

工作時(shí)，首先對傳感器采集得到的果樹圖像進(jìn)行處理，通過灰度值的改變提取果樹的基本輪廓，然后對某個(gè)成熟度范圍內(nèi)的果實(shí)進(jìn)行定位。定位結(jié)果如圖4所示。

圖4 果實(shí)閾值分割圖像

在果樹特征提取后，基于極限學(xué)習(xí)機(jī)的神經(jīng)網(wǎng)絡(luò)算法可以成功地實(shí)行果實(shí)特征的提取。為了驗(yàn)證其測量和提取的精度，將計(jì)算得到的果實(shí)面積和實(shí)際果實(shí)面積進(jìn)行了對比，結(jié)果如表2所示。

表2 果實(shí)面積圖像計(jì)算值和實(shí)際值對比

Table 2 Comparison of fruit area image calculation value and actual value

測試編號實(shí)際面積/cm2計(jì)算面積/cm21162.1158.32163.2152.83159.1156.24158.3155.35156.2158.96176.3179.2

由表2可知：計(jì)算得到的果實(shí)面積和實(shí)際測量面積基本吻合，從而驗(yàn)證了計(jì)算的可靠性。

通過攝像機(jī)采集果實(shí)和果樹特征圖像后，需要對圖像進(jìn)行處理，提取圖像主要特征，建立圖像坐標(biāo)系，然后組建相機(jī)空間坐標(biāo)系，從而獲得像素點(diǎn)的相機(jī)空間坐標(biāo)，實(shí)現(xiàn)三維重構(gòu)；最后根據(jù)果實(shí)和果樹的方位和坐標(biāo)，實(shí)現(xiàn)快速導(dǎo)航功能。對快速導(dǎo)航所耗時(shí)間進(jìn)行了統(tǒng)計(jì)，得到了如表3所示的計(jì)算結(jié)果。為了驗(yàn)證極限學(xué)習(xí)機(jī)算法計(jì)算的快速性，對定位導(dǎo)航所需時(shí)間進(jìn)行了統(tǒng)計(jì)，結(jié)果表明：采用極限學(xué)習(xí)機(jī)算法后定位時(shí)間有了明顯縮短，定位效率有所提高。

對基于極限學(xué)習(xí)機(jī)的農(nóng)機(jī)定位精度進(jìn)行了測試，結(jié)果如表4所示。由表4可以看出：在農(nóng)機(jī)導(dǎo)航系統(tǒng)中使用極限學(xué)習(xí)定位算法后，定位精度有了明顯提升，可以滿足農(nóng)機(jī)定位導(dǎo)航系統(tǒng)的設(shè)計(jì)需求。

表3 快速定位時(shí)間測試

表4 導(dǎo)航精度測試

續(xù)表4 %

4 結(jié)論

為了提高采摘機(jī)械導(dǎo)航系統(tǒng)的效率和精度，在視覺導(dǎo)航圖像處理系統(tǒng)中引入了基于極限學(xué)習(xí)機(jī)的神經(jīng)網(wǎng)絡(luò)算法，通過對成熟果實(shí)圖像的快速識別，得到果實(shí)圖像的坐標(biāo)，達(dá)到了快速定位的目的。為了驗(yàn)證方案的可行性，對基于極限學(xué)習(xí)機(jī)的定位導(dǎo)航所需時(shí)間和定位精度進(jìn)行了測試，結(jié)果表明：采用機(jī)械學(xué)習(xí)機(jī)后明顯地提高了導(dǎo)航效率，定位導(dǎo)航耗時(shí)少、精度高，可以滿足農(nóng)機(jī)定位導(dǎo)航系統(tǒng)的設(shè)計(jì)需求。