魏 劍

(黑龍江省科學(xué)院，哈爾濱 150001)

大豆是主要的農(nóng)作物及經(jīng)濟(jì)作物之一。我國(guó)大豆種植面積和總產(chǎn)量都位居世界第四。大豆的生產(chǎn)形式通常為混合種植、混合收購(gòu)，這種傳統(tǒng)的生產(chǎn)方式不能使優(yōu)質(zhì)大豆產(chǎn)品得到更好的經(jīng)濟(jì)收益。高蛋白、高品質(zhì)大豆的專(zhuān)門(mén)性種植、篩選是提高經(jīng)濟(jì)效益的有效途徑，這需要對(duì)大豆種子的質(zhì)量嚴(yán)格把關(guān)。20世紀(jì)80 年代，人工神經(jīng)網(wǎng)絡(luò)在人工智能領(lǐng)域成為研究熱點(diǎn)。神經(jīng)網(wǎng)絡(luò)是通過(guò)對(duì)人腦的模擬和抽象[1]，從信息處理角度建立一種簡(jiǎn)單模型，由不同的連接方式形成不同類(lèi)型的網(wǎng)絡(luò)，是人工智能的高科技產(chǎn)物。由大量節(jié)點(diǎn)構(gòu)成網(wǎng)絡(luò)，節(jié)點(diǎn)是一種函數(shù)，稱(chēng)為激勵(lì)函數(shù)。節(jié)點(diǎn)之間的連接是權(quán)重，激勵(lì)函數(shù)和權(quán)重的不同，影響網(wǎng)絡(luò)的輸出結(jié)果。

1 Matlab中神經(jīng)網(wǎng)絡(luò)的構(gòu)建

1.1 Matlab中典型的n維神經(jīng)元模型

Matlab中典型的n維神經(jīng)元模型如圖1。

圖1 典型n維網(wǎng)絡(luò)神經(jīng)元模型

其中，p1，p2，…，pn為神經(jīng)網(wǎng)絡(luò)的n個(gè)輸入，用n維向量表示為：

p=[p1,p2,…,pn]T

(1)

w1,w2,…,wn表示網(wǎng)絡(luò)權(quán)值，是輸入和神經(jīng)元之間的關(guān)聯(lián)度，設(shè)b代表神經(jīng)元閾值，則輸出表示為：

a=f(wp+b)

(2)

常見(jiàn)的傳遞函數(shù)f有線(xiàn)性函數(shù)、S函數(shù)、硬現(xiàn)幅(包括符號(hào)函數(shù))函數(shù)。在Matlab中，以上的傳遞函數(shù)—線(xiàn)性函數(shù)、S函數(shù)、硬限幅函數(shù)分別是purelin函數(shù)、logsig函數(shù)、hardlim函數(shù)。

1.2 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和訓(xùn)練

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和訓(xùn)練目的是調(diào)整合適的神經(jīng)元模型中的權(quán)值w和閾值b[2]。

學(xué)習(xí)是通過(guò)輸入層輸入信息，傳遞給中間層神經(jīng)元，最終到達(dá)輸出層。學(xué)習(xí)過(guò)程分為監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)，通過(guò)反復(fù)對(duì)比實(shí)際輸出和目標(biāo)輸出，調(diào)整權(quán)值和閾值，使實(shí)際輸出不斷接近目標(biāo)輸出。

訓(xùn)練分為批量式和漸進(jìn)式訓(xùn)練。其分別將目標(biāo)矢量和輸入矢量做統(tǒng)一一次性處理和調(diào)試或漸進(jìn)式調(diào)試。

2 BP神經(jīng)網(wǎng)絡(luò)的模式識(shí)別

BP神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)中最為廣泛使用的算法，產(chǎn)生于20世紀(jì)80年代，是對(duì)輸入、輸出對(duì)組訓(xùn)練的模型，是一種非循環(huán)的多級(jí)反復(fù)訓(xùn)練，具有廣泛的適應(yīng)性[3-4]。BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)分為輸入層、隱藏層、輸出層，通過(guò)反向?qū)W習(xí)，調(diào)整權(quán)值和閾值，傳遞函數(shù)為S型函數(shù)，訓(xùn)練中進(jìn)行歸一化，實(shí)現(xiàn)輸出量連續(xù)地分布在0～1，其基本思想為信號(hào)向前傳播和誤差向后傳播。Matlab中，BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)為train函數(shù)。訓(xùn)練前設(shè)置訓(xùn)練參數(shù)，函數(shù)包括net.trainparam.epochs函數(shù)：設(shè)置訓(xùn)練步數(shù)；net.trainparam.show函數(shù)：顯示訓(xùn)練結(jié)果間隔步數(shù)；net.trainparam.time函數(shù)：訓(xùn)練時(shí)間的設(shè)置；net.trainparam.goal函數(shù)：訓(xùn)練的目標(biāo)精度；net.trainparam.min_grad函數(shù)：訓(xùn)練允許的最小梯度值。

實(shí)現(xiàn)訓(xùn)練的基本函數(shù)為：[net,tr]=train(net,p,t)，其中，p是輸入樣本矢量集，t是目標(biāo)樣本矢量集。

3 基于BP神經(jīng)網(wǎng)絡(luò)的大豆種子外觀(guān)品質(zhì)檢測(cè)

3.1 特征參數(shù)的降維處理

在特征提取環(huán)節(jié)中，提取了圖像顏色特征27個(gè)，形狀特征8個(gè)，紋理特征4個(gè)，共39個(gè)特征參數(shù)作為反映的外觀(guān)特點(diǎn)的基本特征參數(shù)，這些工作的完成，為種子質(zhì)量的檢測(cè)奠定了基礎(chǔ)。若將這些特征參數(shù)都作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，則訓(xùn)練極易出現(xiàn)訓(xùn)練速度慢、網(wǎng)絡(luò)癱瘓的問(wèn)題。去除特征參數(shù)中一些次要項(xiàng)是必要手段，通過(guò)主成分析法(PCA)實(shí)現(xiàn)主要特征參數(shù)的選擇，使特征不僅數(shù)量減少，還具有獨(dú)立性和可靠性。

在Matlab中進(jìn)行主成分析的函數(shù)選用Princomp函數(shù)，通過(guò)函數(shù)消除特征參數(shù)中的一些相關(guān)項(xiàng)，分析步驟如下：計(jì)算相關(guān)系數(shù)矩陣；計(jì)算特征值和特征向量；計(jì)算主成貢獻(xiàn)率和累積貢獻(xiàn)率；計(jì)算主成分載荷。

Princomp函數(shù)實(shí)現(xiàn)如下：

PC=princomp(X)

[PC,SCORE,latent,tsquare]=princomp(X)

[PC,SCORE,latent,tsquare]=princomp(X)對(duì)數(shù)據(jù)矩陣X進(jìn)行主成分分析，給出各主成分PC、輸出得分SCORE、X的方差矩陣的特征值latent和每個(gè)數(shù)據(jù)點(diǎn)的統(tǒng)計(jì)量tsquare。根據(jù)主成分析得出的數(shù)據(jù)相關(guān)性表明，特征參數(shù)中不同顏色系統(tǒng)下的特征的獨(dú)立性不強(qiáng)，經(jīng)過(guò)分析最終得到29個(gè)特征為主要參數(shù)，保證了特征參數(shù)的獨(dú)立性和可靠性。

3.2 構(gòu)建BP神經(jīng)網(wǎng)絡(luò)

確定BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)層和每層中神經(jīng)元的數(shù)目以及選擇初始權(quán)值和學(xué)習(xí)速率，激活函數(shù)選用S函數(shù)，具體步驟如下：

采用主成分析法進(jìn)行特征參數(shù)的降維處理(上一節(jié)已做處理)，將互相獨(dú)立的29個(gè)特征參數(shù)作為神經(jīng)元的輸入。

建立輸入矩陣，該矩陣的訓(xùn)練樣本數(shù)量為800，即800粒不同品種的大豆種子，200粒樣本作為測(cè)試集。

為了提高訓(xùn)練的速度，采用歸一化矩陣作為輸入矩陣，歸一化之后數(shù)據(jù)分布區(qū)間為[-1，1]，通過(guò)函數(shù)premnmx實(shí)現(xiàn)，Matlab程序語(yǔ)言為：[Pn，minp，maxp，Tn，mint，maxt]=premnmx(P，T)，其中，minp，maxp代表原始輸入P中的最小和最大值；mint，maxt代表原始輸出T中的最小和最大值。

建立神經(jīng)元網(wǎng)絡(luò)，調(diào)用 newff 函數(shù)，網(wǎng)絡(luò)的輸入層為29 個(gè)神經(jīng)元，輸出層個(gè)數(shù)為 1 個(gè)節(jié)點(diǎn)；Matlab程序語(yǔ)言為net=newff(MaxMinp，[s1，s2]，{‘tansig’，‘logsig’}，‘trainlm’)，對(duì)應(yīng)層之間的映射關(guān)系和優(yōu)化函數(shù)實(shí)現(xiàn)網(wǎng)絡(luò)的訓(xùn)練。

網(wǎng)絡(luò)訓(xùn)練測(cè)試。

網(wǎng)絡(luò)的主要訓(xùn)練程序如下：

clear all;

p= xlsread(‘biao2.xls’);

p=p’;

t= xlsread(‘biao7.xls’);

t=t’;

[pn，minp，maxp，tn，mint，maxt]=premnmx(p，t);

xlswrite(‘maxp.xls’，maxp);

xlswrite(‘minp.xls’，minp);

xlswrite(‘maxt.xls’，maxt);

xlswrite(‘mint.xls’，mint);

[R，Q]=size(pn)

net=newff(minmax(pn)，[s1，s2]，{‘tansig’，‘purelin’}，‘trainlm’);

%

net.trainParam.show=100;

net.trainParam.lr=0.2;

net.trainParam.mc=0.9

net.trainParam.epochs=2 000;

net.trainParam.goal=1e-6;

[net，tr]=train(net，pn，tn);

Y=sim(net，pn);

iw1=net.IW{1};

b1=net.b{1};

lw2=net.LW{2};

b2=net.b{2};

save netkohler net ;

由此建立了識(shí)別大豆種子質(zhì)量的輸入層神經(jīng)元個(gè)數(shù)為29的BP神經(jīng)網(wǎng)絡(luò)。

3.3 大豆種子四類(lèi)病害識(shí)別研究

3.3.1 蟲(chóng)蝕病害的識(shí)別研究

如圖3為蟲(chóng)蝕大豆種子圖像，大豆種子蟲(chóng)蝕顆粒表面粗糙，形狀不規(guī)則，呈現(xiàn)鋸齒狀態(tài)，顆粒顏色呈現(xiàn)深褐色。在蟲(chóng)蝕病害的識(shí)別中，選擇大豆種子圖像的顏色特征和形狀特征進(jìn)行識(shí)別。

圖3 蟲(chóng)蝕顆粒圖像

程序語(yǔ)言如下：

clear all

load(‘D:work netkohler.mat’);

test=xlsread(‘biao.xls’);

test=test’;

maxp=xlsread(‘maxp.xls’);

minp=xlsread(‘minp.xls’);

maxt=xlsread(‘maxt.xls’);

mint=xlsread(‘mint.xls’);

testn=tramnmx(test，minp，maxp);

S=sim(net，testn);

S = postmnmx(S，mint，maxt);

S=S’;

xlswrite(‘biao5’，[S])；

訓(xùn)練結(jié)果保存，選取200粒大豆種子，包括100粒蟲(chóng)蝕顆粒種子，100粒飽滿(mǎn)大豆種子作為測(cè)試集，測(cè)試訓(xùn)練網(wǎng)絡(luò)的識(shí)別率，測(cè)試部分結(jié)果如表1所示。

表1 大豆種子蟲(chóng)蝕顆粒識(shí)別結(jié)果

3.3.2 破碎顆粒的識(shí)別研究

在大豆的采摘、裝車(chē)、卸載等過(guò)程中，避免不了大豆種子因碰撞而破損，如圖4所示，破碎大豆種子與飽滿(mǎn)顆粒的大豆種子在顏色上不存在差異，差異主要體現(xiàn)在形狀上，因此圖像中特征選擇主要選取形狀特征進(jìn)行破碎顆粒的識(shí)別研究。

圖4 破碎顆粒圖像

將訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行保存，同樣選用飽滿(mǎn)和破碎顆粒各100粒進(jìn)行測(cè)試，測(cè)試結(jié)果如表2所示。

表2 大豆種子破碎顆粒識(shí)別結(jié)果

破碎顆粒的訓(xùn)練結(jié)果為誤差達(dá)到-0.000 276 167。

3.3.3 霉變病害的識(shí)別研究

大豆種子發(fā)生霉變呈現(xiàn)種子脹大、豆子軟化、顏色加深的狀態(tài)，如圖5為霉變大豆種子圖像。

圖5 霉變顆粒圖像

網(wǎng)絡(luò)的訓(xùn)練目標(biāo)為1e-006，即10的-6次方，最終訓(xùn)練誤差達(dá)到了8.53245e-007，測(cè)試結(jié)果如表3所示。

表3 大豆種子霉變顆粒識(shí)別結(jié)果

3.3.4 灰斑病害的識(shí)別研究

灰斑病的圖像進(jìn)行特征提取和選擇后，選用顏色特征，選取均方差最小的網(wǎng)絡(luò)測(cè)試，灰斑病的圖像如圖6所示。

圖6 灰斑顆粒圖像

訓(xùn)練目標(biāo)是1e-006，即10的-6次方，最終訓(xùn)練誤差達(dá)到了6.3295e-007。

同樣選用豆粒進(jìn)行測(cè)試，結(jié)果如表4所示。

表4 大豆種子灰斑顆粒識(shí)別結(jié)果

對(duì)大豆種子常見(jiàn)的四種病害的識(shí)別表明：構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)能夠識(shí)別單類(lèi)大豆種子病害，并且識(shí)別率較高；除了對(duì)破碎顆粒的識(shí)別率較低為83%外，其他單類(lèi)缺陷的識(shí)別效果均良好。破碎粒識(shí)別率較差的原因可能是特征選擇造成。

大豆種子多項(xiàng)病害的檢測(cè)。針對(duì)單類(lèi)大豆種子病害識(shí)別的訓(xùn)練網(wǎng)絡(luò)識(shí)別率較高，但在實(shí)際生產(chǎn)應(yīng)用中往往存在多種病害，因此建立能夠準(zhǔn)確識(shí)別多種病害并存的網(wǎng)絡(luò)是必要的，從而識(shí)別出優(yōu)質(zhì)大豆種子。

試驗(yàn)研究應(yīng)用 MATLAB 提取的大豆的 29個(gè)特征值構(gòu)建神經(jīng)網(wǎng)絡(luò)。構(gòu)建步驟如下：建立輸入矩陣，該矩陣的訓(xùn)練樣本數(shù)量為2 000粒，500粒樣本作為測(cè)試集。為了提高訓(xùn)練的速度，采用歸一化矩陣作為輸入矩陣，歸一化之后數(shù)據(jù)分布區(qū)間為[-1，1]。建立神經(jīng)元網(wǎng)絡(luò)，調(diào)用 newff 函數(shù)[5]，網(wǎng)絡(luò)的輸入層為29 個(gè)神經(jīng)元，輸出層個(gè)數(shù)為 5 個(gè)節(jié)點(diǎn)。Matlab程序語(yǔ)言為net=newff(MaxMinp，[s1，s2]，{‘tansig’，‘logsig’}，‘trainlm’)，對(duì)應(yīng)層之間的映射關(guān)系和優(yōu)化函數(shù)實(shí)現(xiàn)網(wǎng)絡(luò)的訓(xùn)練。網(wǎng)絡(luò)訓(xùn)練測(cè)試。

參數(shù)的設(shè)置為：迭代步數(shù)為100，最大訓(xùn)練次數(shù)為1 000，學(xué)習(xí)速率為0.2，訓(xùn)練精度為1e-3。樣本數(shù)量較大，為了實(shí)現(xiàn)快速識(shí)別，選用合適的算法是關(guān)鍵，將常用的兩種算法進(jìn)行比較，選用Levenberg-Marquardt算法更為合適。

Fletcher-Reeves 共軛梯度算法。Fletcher-Reeves 共軛梯度算法簡(jiǎn)稱(chēng)為FR法，根據(jù)已知點(diǎn)梯度形成共軛方向，并沿著此方向搜索到極小值點(diǎn)。對(duì)于初始點(diǎn)X，計(jì)算目標(biāo)函數(shù)f(x)的梯度。試驗(yàn)中設(shè)置迭代步數(shù)為100，最大訓(xùn)練次數(shù)為1 000，學(xué)習(xí)速率為0.2，訓(xùn)練精度為1e-3，訓(xùn)練結(jié)果如圖7所示。

圖7 Fletcher-Reeves 共軛梯度算法

訓(xùn)練結(jié)果為0.104 621，訓(xùn)練目標(biāo)是0.001。

Levenberg-Marquardt 算。Levenberg-Marquardt 算法是一種最優(yōu)化的算法[6]，通過(guò)尋找一個(gè)使得函數(shù)值最小的參數(shù)向量實(shí)現(xiàn)訓(xùn)練，使用非線(xiàn)性的最小二乘算法，通過(guò)迭代尋優(yōu)。訓(xùn)練結(jié)果如圖8所示。

圖8 Levenberg-Marquardt算法

試驗(yàn)中設(shè)置迭代步數(shù)為100，最大訓(xùn)練次數(shù)為1 000，學(xué)習(xí)速率為0.2，訓(xùn)練精度為1e-3，訓(xùn)練結(jié)果為0.032 469 3。

試驗(yàn)結(jié)果表明，Levenberg-Marquardt算法的訓(xùn)練誤差更小，訓(xùn)練更精準(zhǔn)。利用Levenberg-Marquardt算法進(jìn)行網(wǎng)絡(luò)的訓(xùn)練，并將剛訓(xùn)練網(wǎng)絡(luò)保存，用飽滿(mǎn)大豆種子、蟲(chóng)蝕顆粒、破碎顆粒、霉變顆粒、灰斑顆粒、不同大豆混雜顆粒各100作為測(cè)試集，測(cè)試結(jié)果如表5所示。

表5 大豆種子灰斑顆粒識(shí)別結(jié)果

4 小結(jié)

以上試驗(yàn)分析了神經(jīng)網(wǎng)絡(luò)及BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和學(xué)習(xí)訓(xùn)練過(guò)程，對(duì)特征參數(shù)進(jìn)行了主成分析法降維處理，降低了訓(xùn)練難度，提高了訓(xùn)練精度。采用BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測(cè)試，對(duì)單類(lèi)大豆種子識(shí)別率很高。針對(duì)實(shí)際生產(chǎn)，通過(guò)比較不同共軛梯度算法，采用Levenberg-Marquardt算法訓(xùn)練網(wǎng)絡(luò)，誤差更小，達(dá)到了大豆種子多種缺陷的識(shí)別。