程艷燕 宋家俊 孫士保 張藝馨 楊春坤 王欣怡

摘要：水果成熟度的準(zhǔn)確預(yù)測(cè)對(duì)于農(nóng)業(yè)生產(chǎn)和供應(yīng)鏈管理至關(guān)重要。傳統(tǒng)方法在水果預(yù)測(cè)領(lǐng)域被廣泛采用，但難以捕捉復(fù)雜的成熟特征無法實(shí)現(xiàn)高精度的預(yù)測(cè)模型。為應(yīng)對(duì)這一挑戰(zhàn)，文章采用了PSO-BP神經(jīng)網(wǎng)絡(luò)，其強(qiáng)大的非線性建模能力使得預(yù)測(cè)結(jié)果更為準(zhǔn)確。文章設(shè)計(jì)了一個(gè)多層前饋神經(jīng)網(wǎng)絡(luò)模型，通過學(xué)習(xí)復(fù)雜的成熟度特征來進(jìn)行預(yù)測(cè)。使用真實(shí)的水果數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試，結(jié)果顯示該文的模型在預(yù)測(cè)水果成熟度方面表現(xiàn)出色，相較于傳統(tǒng)方法，具有更高的準(zhǔn)確性。訓(xùn)練得到的這款模型可達(dá)到98%以上的預(yù)測(cè)率。

關(guān)鍵詞：深度學(xué)習(xí)；PSO-BP神經(jīng)網(wǎng)絡(luò)模型；PaddleX框架；果然共知

中圖分類號(hào)：TP18? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2023）34-0016-04

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）

0 引言

我國是世界水果生產(chǎn)大國，隨著水果市場(chǎng)對(duì)蘋果的需求不斷增加，消費(fèi)者對(duì)蘋果的質(zhì)量要求越來越高，然而有的果農(nóng)因無法準(zhǔn)確地預(yù)測(cè)蘋果成熟度而造成了大量蘋果浪費(fèi)[1]。傳統(tǒng)的預(yù)測(cè)蘋果成熟度的技術(shù)存在著一些缺陷，果農(nóng)無法快速并且準(zhǔn)確預(yù)測(cè)蘋果的成熟度，本項(xiàng)目彌補(bǔ)了當(dāng)代檢測(cè)技術(shù)的漏洞，采用了近紅外光譜檢測(cè)技術(shù)，PSO-BP神經(jīng)網(wǎng)絡(luò)等算法以及定量預(yù)測(cè)模型，能夠更高效、方便、準(zhǔn)確地預(yù)測(cè)蘋果的成熟度，并且能夠讓果農(nóng)通過手機(jī)更方便、迅速了解蘋果的成熟度。本項(xiàng)目通過近紅外光譜檢測(cè)出水果的信息，高效地傳遞給手機(jī)移動(dòng)端通過PSO-BP人工神經(jīng)網(wǎng)絡(luò)等算法以及定量預(yù)測(cè)模型來預(yù)測(cè)蘋果成熟度的小程序——果然共知。

1 系統(tǒng)實(shí)現(xiàn)

系統(tǒng)的前端基于微信小程序開發(fā)工具構(gòu)建，而后端項(xiàng)目則采用IDEA技術(shù)進(jìn)行開發(fā)。本文根據(jù)各功能模塊的設(shè)計(jì)思路在開發(fā)工具上進(jìn)行實(shí)現(xiàn)，主要通過小程序的開發(fā)工具來呈現(xiàn)系統(tǒng)的效果。

1.1 系統(tǒng)云數(shù)據(jù)庫的實(shí)現(xiàn)

云端服務(wù)器中存放著云數(shù)據(jù)庫，這一布局有效地減輕了本地資源的壓力。在設(shè)計(jì)數(shù)據(jù)庫集合時(shí)，本文針對(duì)每個(gè)功能模塊都進(jìn)行了相應(yīng)的數(shù)據(jù)庫表單劃分。以歷史記錄數(shù)據(jù)庫集合為例，它存儲(chǔ)了水果成熟度預(yù)測(cè)結(jié)果和歷史數(shù)據(jù)，包括用戶的用戶名（userid） 、成熟度預(yù)測(cè)結(jié)果、記錄的時(shí)間（time） 等詳細(xì)信息。

1.2 頁面設(shè)計(jì)

進(jìn)入“果然共知”小程序的，如圖1所示首頁的頁面設(shè)計(jì)色彩以綠色為主調(diào)其他顏色為配調(diào)，登錄之前可以看到點(diǎn)擊“+”有掃一掃、搜索附近設(shè)備、資訊案例、歷史記錄等功能。點(diǎn)擊登錄之后，中間組件為上一次掃描水果后得到的水果糖度、水分、成熟度預(yù)測(cè)情況，旨在讓用戶打開登錄之后就能夠了解到最近一次的水果生長(zhǎng)預(yù)測(cè)情況。

點(diǎn)擊“掃一掃”綁定設(shè)備之后，用戶可以看到經(jīng)過系統(tǒng)得出的數(shù)據(jù)以及對(duì)蘋果成熟度的預(yù)測(cè)報(bào)告，通過直方圖可視化顯示了預(yù)測(cè)結(jié)果，檢測(cè)的數(shù)據(jù)傳輸?shù)胶蠖耍蠖送ㄟ^PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型預(yù)測(cè)出蘋果成熟度，對(duì)蘋果成熟度做出等級(jí)判斷，如圖2所示。

在預(yù)測(cè)蘋果成熟報(bào)告中后端算法通過智能分析得出問題的解決方案如圖3所示，并且給出用戶合理化的建議及措施，大大方便了果農(nóng)對(duì)蘋果成熟度的了解，用戶采用給出的建議之后也通過后端PSO-BP神經(jīng)網(wǎng)絡(luò)算法得出預(yù)測(cè)的結(jié)果。用戶通過“保存結(jié)果”按鈕保存本次預(yù)測(cè)結(jié)果，以便用戶進(jìn)行下一次分析蘋果成熟度并且對(duì)檢測(cè)數(shù)據(jù)進(jìn)行對(duì)比，檢驗(yàn)了預(yù)測(cè)檢測(cè)的準(zhǔn)確性和效率，用戶可以更好地計(jì)劃采摘時(shí)間、優(yōu)化儲(chǔ)存和運(yùn)輸過程。

1.3 果實(shí)識(shí)別預(yù)測(cè)功能的實(shí)現(xiàn)

路線設(shè)計(jì)的過程如下所示：從圖4可以看出，小程序前端上傳待識(shí)別預(yù)測(cè)的圖片包括了圖片文件、位置信息以及用戶的文本輸入。這些文本信息、圖片文件以及圖片的識(shí)別結(jié)果都需要存儲(chǔ)在數(shù)據(jù)庫中，因此在后端需要對(duì)這兩種不同類型的文件進(jìn)行區(qū)分處理。

其中后端部分，圖片文件會(huì)被傳送到用于識(shí)別算法的讀取文件夾路徑。然后，后端將此文件夾路徑名與圖片名結(jié)合，保存為圖片的最終絕對(duì)路徑。將這些識(shí)別結(jié)果、圖片路徑以及用戶輸入的文本信息傳送回前端展示給用戶。

2 算法實(shí)現(xiàn)與流程

2.1 BP神經(jīng)網(wǎng)絡(luò)

在20世紀(jì)80年代，Rumelhart和McClelland提出了一種神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法，即誤差反向傳播（Back-Propagation） 算法，常稱為BP神經(jīng)網(wǎng)絡(luò)（Back-Propagation Network） 。該算法如今已經(jīng)發(fā)展成為應(yīng)用廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。該模型采用梯度下降的優(yōu)化算法，通過反向傳播的方式來調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值，以最小化輸出值與期望輸出值之間的均方根誤差。這一過程賦予了該模型卓越的容錯(cuò)性和泛化能力。BP神經(jīng)網(wǎng)絡(luò)模型具有3層拓?fù)浣Y(jié)構(gòu)，包括輸入層（Input Layer） 、隱含層（Hidden Layer） 和輸出層（Output Layer） 。大量研究表明含有一個(gè)隱含層的神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)對(duì)任何函數(shù)的逼近，為避免模型過于復(fù)雜而引起計(jì)算量過大或預(yù)測(cè)結(jié)果不可靠的問題，構(gòu)造單隱含層的BP神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖5所示。

然而，在處理復(fù)雜任務(wù)時(shí)，BP神經(jīng)網(wǎng)絡(luò)也面臨著訓(xùn)練時(shí)間長(zhǎng)、過擬合等問題。這導(dǎo)致研究人員在后續(xù)發(fā)展中不斷尋求更好的算法和架構(gòu)。

2.2 PSO算法

粒子群優(yōu)化算法（Particle Swarm Optimization， PSO） 是一種基于仿生學(xué)原理的進(jìn)化算法，其靈感來自鳥類群體覓食行為。由Eberhart和Kennedy提出，PSO通過模擬群體中個(gè)體之間的競(jìng)爭(zhēng)與協(xié)同行為，尋求最優(yōu)解。該算法通過不斷調(diào)整粒子（個(gè)體）的位置和速度，使其朝著目標(biāo)函數(shù)的最優(yōu)值進(jìn)行搜索。其核心思想是通過個(gè)體間信息傳遞與更新機(jī)制，實(shí)現(xiàn)群體在解空間中的迭代搜索與優(yōu)化。

一個(gè)種群由眾多粒子構(gòu)成，每個(gè)粒子所攜帶的基本信息包括其位置和速度。假定種群規(guī)模為n，目標(biāo)搜索空間的維數(shù)為D。在這種情況下，第i個(gè)粒子在D維空間中的位置可以表示為Xi =（xi1，xi2，...，xiD） ，速度可以表示為Vi =（vi1，vi2，...，viD） ，其中i的取值范圍為1到n。在迭代過程中，粒子會(huì)根據(jù)一定的規(guī)則修正其自身的位置和速度，直至找到全局范圍內(nèi)的最優(yōu)位置。在此過程中，每個(gè)粒子的個(gè)體最優(yōu)位置被定義為Pibest，而粒子群的全局最優(yōu)位置則被表示為Pgbest。粒子的位置和速度更新是基于以下原則進(jìn)行的：

[Vk+1i=ωVki+c1r1（Pkibest-Xki）+c2r2（Pkgbest-Xki）] （1）

[Xk+1i=Xki+Vk+1i] （2）

在上述描述中，Vik和 Xik分別表示第i個(gè)粒子在D維空間中經(jīng)過第k次迭代時(shí)的速度和位置。Pibestk和Pgbestk分別代表第i個(gè)粒子在第k次迭代中獲得的個(gè)體最優(yōu)值和全局最優(yōu)值。在此上下文中，c1和c2作為學(xué)習(xí)因子參與，r1和r2為服從區(qū)間[0，1]的隨機(jī)數(shù)。此外，慣性權(quán)重ω也發(fā)揮著重要作用。需要強(qiáng)調(diào)的是，速度V的幅度受限于預(yù)先設(shè)定的最大速度值Vmax，以確保搜索過程的穩(wěn)定性與收斂性。

2.3 PSO優(yōu)化BP算法

BP神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)過程中常常受到收斂速度緩慢、容易陷入局部極值和學(xué)習(xí)過程中的振蕩等問題的影響。為了克服這些問題，研究者們選擇將PSO算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合進(jìn)行優(yōu)化[2]。在這種方法中，通過PSO算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)值進(jìn)行調(diào)整，以期提高網(wǎng)絡(luò)的運(yùn)行速度和泛化能力。這一融合策略的過程被呈現(xiàn)在圖6中。

3 實(shí)驗(yàn)數(shù)據(jù)處理

3.1 近紅外光譜數(shù)據(jù)的獲取及預(yù)處理

在項(xiàng)目的運(yùn)行過程中，本文配備了相應(yīng)的硬件設(shè)備近紅外光譜儀，以便對(duì)水果進(jìn)行掃描。為了確保數(shù)據(jù)模型在測(cè)試中的準(zhǔn)確性和適用性，本文進(jìn)行了多次實(shí)驗(yàn)，涵蓋了不同生長(zhǎng)階段的水果樣本。

在PSO-BP神經(jīng)網(wǎng)絡(luò)中，針對(duì)水果近紅外光譜數(shù)據(jù)進(jìn)行了訓(xùn)練，以確保實(shí)驗(yàn)的順利開展。本文使用經(jīng)過預(yù)訓(xùn)練的PSO-BP神經(jīng)網(wǎng)絡(luò)來分析獲取的近紅外光譜數(shù)據(jù)。通過將掃描得到的近紅外光譜數(shù)據(jù)分為訓(xùn)練集和測(cè)試集，本文將已訓(xùn)練的模型與測(cè)試時(shí)使用的近紅外光譜數(shù)據(jù)進(jìn)行匹配和對(duì)比。這樣，本文可以使用測(cè)試集中的數(shù)據(jù)來評(píng)估模型的準(zhǔn)確性，并確保其達(dá)到了預(yù)期的精度水平。

在模型構(gòu)建的過程中，針對(duì)原始的近紅外光譜，預(yù)處理步驟扮演著定量分析和定性分析的關(guān)鍵角色，如圖6所呈現(xiàn)。由于光譜儀所采集的數(shù)據(jù)除了樣品信息外，還可能含有背景信息或噪聲成分。

鑒于此，對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，以確立準(zhǔn)確且穩(wěn)健的校準(zhǔn)模型，顯得尤為必要[3]。

多重散射校正（MSC） 的功能類似于減少樣品之間因物理變異引起的散射和基線偏移的影響。

MSC的主要目標(biāo)在于解決顆粒分布不均和顆粒大小差異導(dǎo)致的散射問題，以提升數(shù)據(jù)質(zhì)量（Isaksson和Naes，1988年）。MSC的計(jì)算公式如公式（1） 所示。首先，首要計(jì)算校準(zhǔn)集樣本的平均光譜X，緊接著，針對(duì)特定的樣本光譜x，本文進(jìn)行了線性回歸操作，得到了方程x=aX+β，并從中推導(dǎo)出了參數(shù)a和β的具體數(shù)值。通過運(yùn)用這些參數(shù)a和β，對(duì)原始光譜進(jìn)行了校準(zhǔn)處理。通過持續(xù)的參數(shù)a和β的微調(diào)，能夠極大地減少光譜之間的差異，并盡最大可能地保留了原始光譜中的有效信息。

[XMSC=x-βa] ? （3）

3.2 實(shí)驗(yàn)結(jié)果

在本項(xiàng)目中，使用經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了多次實(shí)驗(yàn)。圖7展示了網(wǎng)絡(luò)訓(xùn)練過程中均方誤差隨迭代次數(shù)的變化情況。從圖中可以觀察到，隨著迭代次數(shù)的增加，均方誤差逐漸減小，表明所訓(xùn)練的神經(jīng)網(wǎng)絡(luò)輸出值迅速逼近實(shí)際值[4]。通過對(duì)比兩幅圖的結(jié)果，可以明顯看出，經(jīng)過PSO優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在迭代次數(shù)超過11次后，均方誤差的輸出值逐漸穩(wěn)定，標(biāo)志著訓(xùn)練完成[5]。與原始的BP神經(jīng)網(wǎng)絡(luò)相比，經(jīng)過PSO優(yōu)化的網(wǎng)絡(luò)在學(xué)習(xí)效率上有了顯著提升，為項(xiàng)目帶來了更高的效率和準(zhǔn)確性。

通過實(shí)驗(yàn)過程中測(cè)試集數(shù)據(jù)的驗(yàn)證，結(jié)果表明訓(xùn)練集與測(cè)試集的匹配率超過98%，遠(yuǎn)超過同類型水果成熟度預(yù)測(cè)產(chǎn)品的表現(xiàn)。傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中容易受局部極值影響而導(dǎo)致收斂速度慢。引入了粒子群優(yōu)化（PSO） 算法的PSO-BP神經(jīng)網(wǎng)絡(luò)充分利用了粒子之間的競(jìng)爭(zhēng)與協(xié)同尋找最優(yōu)解的機(jī)制，加速了網(wǎng)絡(luò)的收斂過程，從而使網(wǎng)絡(luò)更快地達(dá)到穩(wěn)定狀態(tài)[5]。該網(wǎng)絡(luò)模型將PSO粒子群優(yōu)化與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，解決了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)中收斂速度慢和易陷入局部極值的問題，同時(shí)在實(shí)驗(yàn)過程中減輕了過擬合現(xiàn)象的出現(xiàn)，提升了測(cè)試精準(zhǔn)度。在預(yù)測(cè)過程中，本項(xiàng)目選取了處于不同生長(zhǎng)階段的水果作為測(cè)試對(duì)象，通過網(wǎng)絡(luò)模型進(jìn)行成熟度預(yù)測(cè)。經(jīng)過訓(xùn)練后，觀察結(jié)果顯示測(cè)試的準(zhǔn)確性達(dá)到98%以上，具體測(cè)試結(jié)果見圖8所示。

4 結(jié)束語

在本論文中，通過研究基于PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)測(cè)試蘋果成熟度的方法和技術(shù)進(jìn)行了詳細(xì)的研究和討論。通過收集大量的數(shù)據(jù)和實(shí)施實(shí)證研究，得出了一些重要的結(jié)論，并為果農(nóng)和相關(guān)產(chǎn)業(yè)提供了有價(jià)值的信息。首先，回顧了現(xiàn)有的蘋果成熟度測(cè)試方法和工具，并對(duì)其優(yōu)缺點(diǎn)進(jìn)行了評(píng)估。本文提出了一種基于PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的新方法。通過實(shí)驗(yàn)證明，該方法在準(zhǔn)確性、可行性和成本效益方面都具有顯著的優(yōu)勢(shì)。其次，詳細(xì)介紹了設(shè)計(jì)和實(shí)施的實(shí)驗(yàn)，并分析了實(shí)驗(yàn)結(jié)果。這些結(jié)果都驗(yàn)證了基于PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型測(cè)試方法的有效性，從而為果農(nóng)的決策提供了重要依據(jù)。通過近紅外光譜檢測(cè)將檢測(cè)數(shù)據(jù)傳輸進(jìn)小程序“果然共知”中，小程序會(huì)基于傳輸?shù)臄?shù)據(jù)進(jìn)行可視化以及生成蘋果成熟度的報(bào)告分析并且給出相應(yīng)的合理化建議，更方便果農(nóng)采取應(yīng)對(duì)措施。最后，基于PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型方法準(zhǔn)確評(píng)估蘋果的成熟度，果農(nóng)可以更好地計(jì)劃采摘時(shí)間、優(yōu)化儲(chǔ)存和運(yùn)輸過程，并提高產(chǎn)品質(zhì)量和市場(chǎng)競(jìng)爭(zhēng)力?？傊疚牡难芯繛闇y(cè)試蘋果成熟度的方法和技術(shù)提供了新的視角和解決方案。本文的實(shí)證研究結(jié)果表明，基于PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的方法在準(zhǔn)確性和效率方面具有顯著優(yōu)勢(shì)。鼓勵(lì)更多的果農(nóng)和研究者采用本文的方法，并在此基礎(chǔ)上進(jìn)行進(jìn)一步的研究和改進(jìn)，以推動(dòng)果農(nóng)和蘋果產(chǎn)業(yè)的發(fā)展和創(chuàng)新。

參考文獻(xiàn)：

[1] 孫慧英，李亮，李敏生，等.蘋果產(chǎn)業(yè)發(fā)展障礙因素及對(duì)策分析[J].吉林農(nóng)業(yè)，2018（16）：82.

[2] 史亞朋.基于PSO-BP神經(jīng)網(wǎng)絡(luò)的船舶結(jié)構(gòu)優(yōu)化[D].大連：大連海事大學(xué)，2015.

[3] 張猛勝.基于可見/近紅外光譜的蘋果成熟度無損檢測(cè)方法和便攜式儀器研發(fā)[D].楊凌：西北農(nóng)林科技大學(xué)，2021.

[4] 王得成，陳向?qū)?，趙峰，等.基于卷積神經(jīng)網(wǎng)絡(luò)和RGB-D圖像的車輛檢測(cè)算法[J].激光與光電子學(xué)進(jìn)展，2019，56（18）：119-126.

[5] 王杰，鄭楊艷，凌祥.基于PSO-BP神經(jīng)網(wǎng)絡(luò)的小沖孔蠕變壽命預(yù)測(cè)模型[J].化工機(jī)械，2023，50（3）：348-353，387.

【通聯(lián)編輯：謝媛媛】