摘要：針對花生種子人工篩選存在工作量大、效率低等的問題，提出一種基于顏色分割和改進ELM的花生種子篩選算法。根據花生圖像的聚類特性，采用限定RGB和HSV顏色空間中顏色范圍的方法對花生圖像進行顏色分割，獲取花生種子圖像目標區(qū)域。采用顏色、形狀、改進HU矩特征對花生圖像進行描述，結合改進HU矩平移、旋轉和縮放不變性，對提取到的花生圖像特征進行數(shù)量擴充，獲得花生圖像數(shù)據集。采用黃金分割法，確定隱含層神經元個數(shù)。引入正則化參數(shù)，提高ELM算法隱含層神經元與輸出層之間連接權值矩陣的穩(wěn)定性；采用PSO算法，獲取最優(yōu)輸入權值和隱含層神經元閾值，構建PSO-RELM算法模型，并與BP、ELM、RELM算法進行比較。試驗結果表明，PSO-RELM算法不僅對完好花生有很高的識別準確率（100%），還對破損花生也有很高的識別準確率（96.71%），平均測試時間為0.006 8 s，均方根誤差為0.052 0，決定系數(shù)達0.987 4，能夠滿足花生種子篩選的實時性要求。

關鍵詞：花生種子篩選；顏色分割；極限學習機；正則化參數(shù)；粒子群算法

中圖分類號：S643.9； S604.1" " " 文獻標識碼：A" " " 文章編號：2095?5553 （2024） 09?0089?08

Research on peanut seeds selection based on color segmentation and

PSO-RELM algorithm

Yang Li， Xue Yaxu， Li Pengfei， Peng Xinjie

（School of Electrical and Mechanical Engineering， Pingdingshan University， Pingdingshan， 467000， China）

Abstract： Aiming at the problems of large workload and low efficiency in the process of peanut seeds manual selection， a peanut seed selection algorithm based on color segmentation and improved ELM was put forward. Based on clustering characteristics of peanut image， peanut image was segmented by limiting the color range in RGB and HSV color space， to obtain the peanut seeds of image target area. The feature of peanut image was described by using color， shape， improvement of HU moment， based on improved HU moment translation， rotation and scaling invariance， to expand the image characteristics of quantity and get the peanut image data sets. Golden section method was used to select number of hidden layer neurons quickly. Introducing the regularization parameter， the weights matrix stability was improved of the ELM algorithm between neurons in hidden layer and output layer connection. Using PSO algorithm to obtain the optimal input weights and threshold of the hidden layer neurons， on the basis， the PSO-RELM algorithm model was set up， and comparing with BP， ELM， RELM algorithm. Experimental results showed that PSO-RELM had a high recognition accuracy， not only for the intact peanut （100%）， but also for the damage peanut （96.71%）， average test time was 0.006 8 s， root mean square error was 0.052 0， determination coefficient was 0.987 4， which can meet the real?time requirements for peanut seeds.

Keywords： peanut seeds selection； color segmentation； extreme learning machine； regularization parameter； particle swarm optimization

0 引言

在花生選種時，需要對表皮破損、果仁破損、顏色異常等不合格的種子進行篩選。作為經濟作物和油料作物，花生種子人工篩選存在工作量大、效率低等問題，為了快速、準確地篩選出合格花生種子，有必要對花生種子的智能篩選算法進行研究。

神經網絡在容錯性、自學習和自適應等方面，具有很強的優(yōu)勢，已經廣泛應用于圖像處理和模式識別等領域。申志超等[1]利用花生圖像HOG特征提出基于遺傳算法優(yōu)化的SVM進行花生表皮破損識別，準確率達100%，平均測試時間為5.6 ms/張；韓仲志等[2]采用主分量進行特征優(yōu)化，構建SVM品質檢測模型，規(guī)格和等級檢測準確率達92%；但是BP、SVM這兩種算法在訓練過程中容易陷入局部最小。張永超等[3]通過提取花生顏色特征和紋理特征，采用優(yōu)化卷積神經網絡進行花生種子篩選，準確率為98.21%，時間為16.4 ms/張；趙志衡等[4]采用L2范數(shù)正則化、指數(shù)衰減化和滑動平均模型優(yōu)化卷積神經網絡，進行花生顆粒完整性識別，測試準確率為98.18%，平均檢測時間為18 ms/張；Yang等[5]采用改進的VGG16應用于12種花生的識別和分類任務，其中在花生豆莢試驗集上的平均準確率為96.7%；但是卷積神經網絡沒有記憶功能，運行時間長，對硬件設備要求高。對于花生種子篩選，也有學者[6?8]利用花生圖像光譜結合機器學習進行分類和識別，且達到較好的效果。

本文基于花生圖像的RGB和HSV顏色特征，提出ELM算法的花生種子篩選方法[9， 10]。采用ELM算法，引入正則化參數(shù)，并結合PSO優(yōu)化算法，實現(xiàn)對花生種子快速、準確地篩選。

1 試驗材料與方法

1.1 試驗材料

針對大白沙花生進行研究，圖像采集均在光線充足且沒有遮擋的環(huán)境下進行，采集系統(tǒng)如圖1所示。在采集過程中，鏡頭與工作臺平行，兩者的距離為10 cm。采集圖像的分辨率為1 920像素×1 080像素。

根據花生外衣的情況，可將采集的花生圖像分為外衣完好和外衣破損兩種類型，如圖2所示。為提高圖像處理效率，將采集的花生圖像分辨率均調為300像素×300像素。

1.2 試驗準備

1.2.1 圖像預處理

花生外衣顏色在不同光照下具有典型的聚類特征，為獲取其顏色分布特征，選取若干外衣完好的花生圖像，從中選擇60份外衣完好、大小均為10像素×10像素的圖像塊。分別對其R、G、B各分量的數(shù)據進行統(tǒng)計，結果如圖3所示?？芍猂、G、B三個分量的大小為Rgt;Ggt;B，且R/G基本維持在橫軸附近，與橫軸基本持平。

通過對R、G、B各分量及它們的關系進行分析，可得式（1），能限定花生RGB圖像顏色空間范圍。

HSV圖像較接近人類對顏色的感知，為分析圖像塊在HSV空間的像素分布特點，將其轉換為HSV圖像[11， 12]。根據式（1），可得出RGB到HSV的轉換關系，如式（2）所示。

當自然光照發(fā)生變化時，對應的R、G、B變化量近似相等，由式（2）可知，H和S×V幾乎保持不變，故對H、S×V、V進行分析，結果如圖4所示，其中S0=S×V，max和min分別表示H、S0、V分量的最大值和最小值。由此可知，H、S0、V各分量均在較小的范圍變化，且三者之間界限較為明顯，沒有重疊現(xiàn)象，故可根據完好花生外衣三者像素所在的分布范圍對其進行HSV圖像分割。根據各分量的像素分布區(qū)域，在進行花生HSV圖像分割時選取的范圍如式（3）所示。

花生圖像的預處理流程和效果圖，如圖5所示。分別對采集到的花生圖像進行HSV分割和RGB分割，將分割后的圖像進行邏輯“或”運算，使得分割后的花生圖像既包含輪廓特征，又包含內部特征，提高了花生圖像特征信息的完整性。通過填充空洞運算、中值濾波和形態(tài)學運算，獲得了花生分割圖像，為花生圖像特征提取提供依據。

1.2.2 試驗數(shù)據提取

花生種子在外觀和形狀特征方面與其他種子有很明顯的區(qū)別，根據顏色特征、形狀特征及HU不變矩特征，對花生種子數(shù)據進行提取。

1） 花生顏色特征提取。由花生RGB圖像各分量的分析可知，完好外衣花生的R/G值比較固定，均分布在（1.4， 2.8）范圍內，故可選取R/G值對花生圖像進行提取，以區(qū)分外衣破損花生。

2） 花生形狀特征。在描述花生形狀特征時，采用旋轉卡殼法獲取其形狀參數(shù)。首先將分割后的花生輪廓旋轉到豎直狀態(tài)，然后根據其上下左右邊界點確定花生輪廓最小外接矩形，如圖6所示。矩形度用J=W/L表示，其中，L、W分別為最小外接矩形的長和寬。

為進一步描述花生的形狀，附加圓度C去表征，如式（4）所示，其中，S為輪廓區(qū)域的面積，P為輪廓邊界的周長。

3） 花生HU矩特征。對于花生形狀、大小較固定的特點，而HU矩具有平移、旋轉不變性特點，故可對多種角度的花生圖像進行表征。在離散狀態(tài)下，原HU矩不具有縮放不變性，圖像縮放之后的歸一化中心距會受矩階數(shù)和比例因數(shù)影響。為消除比例因數(shù)的影響，采用改進HU矩[13， 14]對花生特征進行提取，改進后的HU矩有6個不變矩，分別為M1、M2、M3、M4、M5和M6，如式（5）所示，其中φ1、φ2、φ3、φ4、φ5、φ6和φ7為原HU矩的7個不變矩。

本文選取的花生特征分為顏色、面積和形狀、HU不變矩三方面，如表1所示，共包含9個特征。

1.3 試驗方法

1.3.1 ELM算法

ELM算法是在前饋神經網絡基礎上提出的網絡算法，是典型的單隱層前饋神經網絡，結構如圖7所示。

ELM算法結構包含輸入層、隱含層和輸出層三層神經元結構，各層之間神經元均為全連接。輸入層神經元個數(shù)為n，隱含層神經元個數(shù)為l，輸出層神經元個數(shù)為m。aij為輸入層與隱含層的連接權，oj為每個隱含層神經元的閾值，βij為隱含層與輸出層的連接權值。

ELM算法輸入層與隱含層的連接權值隨機產生，隱含層神經元的閾值隨機產生。在訓練時，選定激活函數(shù)之后，僅需確定隱含層神經元個數(shù)，即可對隱含層與輸出層的連接權值矩陣βij進行計算。通過權值矩陣βij可進一步對未經訓練的數(shù)據進行測試，具有學習速度快和泛化性能強等優(yōu)點。同時也存在著一定的問題，輸入層與隱含層的連接權值和隱含層神經元的閾值隨機產生會影響ELM算法每次的訓練結果，反過來影響其泛化性能。

1.3.2 改進ELM算法

當訓練樣本中的離群點較多時，隱含層與輸出層的權值矩陣β具有不確定性，可能會影響模型的魯棒性和泛化性，故對式（8）進行變換，可得式（9）。在式（9）中引入正則化參數(shù)[15， 16]，可得式（10），通過修改正則化參數(shù)，能提高模型的穩(wěn)定性。引入正則化參數(shù)λ的ELM算法稱為RELM算法。

輸入層與隱含層的連接權值和隱含層神經元閾值的隨機產生會導致運算結果不確定，僅僅通過一次或幾次運算很難達到預期結果。為減小隨機數(shù)據所引起的誤差，采用PSO算法[17， 18]對引入正則化參數(shù)的ELM算法的輸入連接權值和閾值進行迭代尋優(yōu)，具體步驟如下。

1） 對于提取到的花生圖像特征建立訓練樣本和測試樣本。

2） 引入正則化參數(shù)，進行最優(yōu)參數(shù)設置。

3） 將RELM算法的輸入連接權值和隱含層神經元閾值設置為粒子，并確定粒子長度。

4） 設置PSO算法的相關參數(shù)，即速度更新參數(shù)、迭代次數(shù)、種群規(guī)模、速度最大最小值等參數(shù)。

5） 把訓練樣本中初始化粒子的均方根誤差值作為每個粒子的適應度值，不斷迭代，選擇較大的適應度值作為新的個體極值和群體極值。

6） 當均方根誤差值滿足條件或達到最大迭代次數(shù)時，停止迭代，此時對應的粒子即為所要尋找的最優(yōu)輸入連接權值和隱含層神經元閾值。

7） 利用最優(yōu)參數(shù)對RELM算法進行輸入層和隱含層賦值，以此獲得最優(yōu)RELM算法參數(shù)模型，即可對花生種子進行完好和破損篩選。

1.3.3 隱含層神經元個數(shù)的選取

對于ELM算法，隱含層神經元個數(shù)選取過少會降低訓練和測試準確率，選取過多會延長計算時間。為選擇合適的隱含層神經元個數(shù)，本文采用黃金分割法[19]進行數(shù)確定。黃金分割法是通過不斷更改縮小最值范圍去尋找最優(yōu)解，選取最優(yōu)隱含層神經元個數(shù)的具體迭代流程，如圖8所示。

1.3.4 評價指標

采用ELM算法進行花生種子篩選的評價指標有訓練準確率、訓練時間、測試準確率、測試時間、均方根誤差RMSE和決定系數(shù)D，其中均方誤差，如式（11）所示，決定系數(shù)也稱擬合優(yōu)度，如式（12）所示，其中，m為樣本數(shù)量，[yi]為實際類別，[yi′]為測試類別，[yi]為實際類別均值。

2 試驗結果與分析

2.1 仿真模型

2.1.1 樣本庫的搭建

通過圖像采集裝置共獲取花生圖像270張，其中外衣完好的數(shù)量為200張，外衣破損的數(shù)量為70張，分別對其進行向右向下平移5個像素、順時針旋轉90°和放大原圖的2倍，再對其進行顏色、形狀和HU矩描述，共獲取數(shù)據1 080組。

根據訓練樣本占比80%原則，確定訓練樣本和測試樣本數(shù)量分別為864張和216張，同時，分別選取完好花生總數(shù)的81.75%和破損花生總數(shù)的75%作為訓練樣本數(shù)據，剩下的完好花生和破損花生作為測試樣本。為篩選花生種子類別，將外衣完好的花生種子編號為1，外衣破損的花生種子編號為2，表2為采集到的部分訓練樣本數(shù)據。可以看出完好花生與破損花生在顏色、形狀和改進HU矩方面有著較明顯的區(qū)別。

2.1.2 網絡模型結構

輸入輸出神經元個數(shù)的確定。由表2可知，提取到的花生特征有顏色、形狀和HU矩共9個特征，故選取的輸入神經元個數(shù)為9。在進行花生種子篩選時，分完好和破損兩種，故輸出神經元個數(shù)為2。

圖9顯示了隱含層神經元個數(shù)與訓練精度、測試精度以及訓練時間之間的關系。隨著隱含層神經元個數(shù)的增加，訓練精度不斷提高，達到1以后基本不再變化，而測試精度剛開始會不斷的接近于1，但隨著隱含層神經元個數(shù)的增加，會出現(xiàn)降低現(xiàn)象，另一方面，隨著隱含層神經元個數(shù)的增加，訓練時間會不斷增大。綜合訓練精度、測試精度和訓練時間三方面因素，采用黃金分割法確定隱含層神經元個數(shù)。通過多次迭代計算，確定隱含層神經元個數(shù)為219，因此，搭建的網絡模型結構為9-219-2。

2.1.3 激活函數(shù)的選取

基于ELM算法，分別對四種不同的激活函數(shù)“sigmoid”“sin”“hardlim”和“radbas”進行10次訓練和測試試驗，測試精度如圖10所示?？梢钥闯鱿啾扔谄渌N激活函數(shù)，“radbas”的平均測試精度最高，故選取“radbas”作為激活函數(shù)。

2.1.4 優(yōu)化算法參數(shù)選擇

引入正則化參數(shù)，結合PSO迭代尋優(yōu)對ELM算法進行改進。通過多次試驗，選取的最優(yōu)參數(shù)如表3所示。

2.2 試驗結果

2.2.1 ELM算法花生種子篩選的可行性驗證

通過前述搭建的網絡模型，結合ELM算法對花生種子樣本數(shù)據分別進行訓練和測試。測試的部分結果如表4所示，可以看出測試結果與實際類別一致，且誤差較小。試驗結果表明，采用ELM算法進行花生種子篩選具有一定的可行性。

2.2.2 改進ELM算法的優(yōu)化效果

分別采用ELM算法、RELM算法和PSO-RELM算法對花生種子樣本數(shù)據各進行10次訓練和測試試驗，其中10次測試試驗的精度如圖11所示，可以看出RELM算法的平均精度高于ELM算法，而PSO-RELM算法的平均精度高于RELM算法。

試驗表明，通過引入正則化參數(shù)，采用PSO進行輸入連接權值和隱含層神經元閾值迭代尋優(yōu)，改進后的ELM算法在測試精度方面有了較大的提高。

2.2.3 改進ELM算法的性能對比

為分析改進ELM算法的測試結果，分別將PSO-RELM、RELM、ELM和BP的測試結果與實際的花生種子類別進行對比，對比的部分結果如圖12所示?？梢钥闯鯞P算法測試結果偏離實際值較遠，其次是ELM算法，然后是RELM算法，PSO-RELM算法的測試結果較接近實際值。

為分析PSO-RELM、RELM、ELM和BP四種算法測試結果的偏離程度，分別對其測試結果進行絕對誤差計算，得到的部分測試誤差結果如圖13所示?？梢钥闯觯珺P算法的絕對誤差最大接近0.15，ELM算法的絕對誤差最大接近0.2，RELM算法的絕對誤差最大接近0.1，PSO-RELM算法的絕對誤差最大接近0.1。試驗結果表明，在花生種子篩選的準確率方面，PSO-RELM算法的平均準確率最高，BP算法的平均準確率最低。

為進一步分析PSO-RELM算法的效果，分別從訓練時間、測試時間、均方根誤差和決定系數(shù)四個方面與RELM、ELM和BP進行對比。對四種算法各試驗10次取平均值，結果如表5所示。

由表5可知，在訓練時間方面，與BP算法對比，RELM算法具有明顯快速訓練的特性，其次是ELM，再次是PSO-RELM；在測試時間方面，ELM算法及其改進算法均具有較快的測試速度，PSO-RELM的平均測試時間為0.006 8 s；在均方根誤差RMSE方面，PSO-RELM算法表現(xiàn)出較明顯優(yōu)勢，RMSE最小，為0.052 0，D為0.987 4，ELM算法和RELM算法較為接近，BP算法RMSE最大；在決定系數(shù)方面，PSO-RELM算法最接近于1，其次是RELM算法，然后是ELM算法，BP算法決定系數(shù)最低。

由試驗結果可知，盡管PSO-RELM訓練時間較長，但是在RMSE和D方面，該算法均具有較明顯優(yōu)勢，在測試時間與ELM算法較接近時，具有較快的測試速度。在進行花生種子篩選時，不是每次都需要訓練，可知PSO-RELM的性能指標為最佳。

2.3 試驗分析

2.3.1 不同特征對花生識別率的影響

為分析單個特征對花生種子篩選的影響，分別采用提取到的花生顏色、形狀和改進HU矩數(shù)據進行訓練和測試，測試結果如圖14所示。

試驗結果表明，單獨采用顏色特征進行花生種子篩選時，當隱含層神經元個數(shù)達到一定數(shù)目后，測試正確率較為穩(wěn)定，維持在90%～95%之間；單獨采用形狀特征進行花生種子篩選時，隨著隱含層神經元個數(shù)的增加，會有較小的波動，但最大正確率可以達到100%；單獨采用改進HU矩特征進行花生種子篩選時，隨著隱含層神經元個數(shù)的增加，測試正確率會呈現(xiàn)先增后減變化趨勢，且最大測試正確率在85%左右。綜上分析，形狀特征對于花生種子篩選影響最大，其次是顏色特征，HU不變矩對于花生種子篩選影響最小。

2.3.2 完好花生和破損花生的識別情況

為進一步分析改進ELM算法的篩選效果，分別對基于ELM、RELM和PSO-RELM算法的花生篩選結果進行統(tǒng)計。每種算法各運行10次，取其平均值作為試驗結果，如表6所示，其中，測試樣本中完好花生數(shù)量為146，破損花生數(shù)量為70。試驗結果表明，對于完好花生來說，準確率都比較高，甚至能完全測試正確；對于破損花生來說，采用ELM算法進行測試，準確率最低，其次是RELM，采用PSO-RELM算法進行測試，準確率最高。因此，相對于ELM算法，PSO-RELM算法對于破損花生的準確識別有著較明顯的改善，其準確率高達96.71%。

3 結論

以花生種子篩選為研究內容，以篩選出外衣完好的花生和外衣破損的花生。

1） 采用限定花生種子圖像在RGB和HSV顏色空間中顏色范圍的方法對花生圖像進行顏色分割，并通過邏輯運算、形態(tài)學處理等獲取花生種子圖像的目標區(qū)域，能對花生輪廓信息進行較完整的表達，有利于特征提取。

2） 采用黃金分割法選取隱含層神經元個數(shù)，通過迭代逼近運算能夠快速地確定最優(yōu)神經元個數(shù)，大大縮短隱含層神經元選取的時間。

3） 引入正則化參數(shù)，提高ELM算法隱含層神經元與輸出層之間連接權值矩陣的穩(wěn)定性。采用PSO算法迭代尋優(yōu)，計算最優(yōu)的輸入權值和隱含層神經元閾值，有效地解決ELM算法在運算過程中隨機產生輸入權值和閾值導致的訓練測試結果變化較大這一問題。通過對完好花生和破損花生的識別分析，PSO-RELM算法不僅對完好花生有很高的識別準確率（100%），對破損花生也有著很高的識別準確率（96.71%）。該研究算法結構較為簡單，學習速度快，平均測試時間為0.006 8 s，均方根誤差為0.052 0，決定系數(shù)達0.987 4，能夠滿足花生種子實時篩選要求。

參 考 文 獻

[ 1 ] 申志超， 趙志衡， 盧雷， 等. 基于顏色分割與GA-SVM的花生表皮破損識別[J]. 中國糧油學報， 2021， 36（3）： 140-147.

Shen Zhichao， Zhao Zhiheng， Lu Lei， et al. Peanut's cuticle damage recognition based on color segmentation and GA-SVM [J]. Journal of the Chinese Cereals and Oils Association， 2021， 36（3）： 140-147.

[ 2 ] 韓仲志， 趙友剛. 基于計算機視覺的花生品質分級檢測研究[J]. 中國農業(yè)科學， 2010， 43（18）： 3882-3891.

Han Zhongzhi， Zhao Yougang. Quality grade detection in peanut using computer vision [J]. Scientia Agricultura Sinica， 2010， 43（18）： 3882-3891.

[ 3 ] 張永超， 趙錄懷， 卜光蘋. 基于卷積神經網絡的花生種子篩選識別算法[J]. 江西農業(yè)學報， 2020， 32（1）： 77-82.

Zhang Yongchao， Zhao Luhuai， Bu Guangping. Screening and recognition algorithm of peanut seed based on convolutional neural network [J]. Acta Agriculturae Jiangxi， 2020， 32（1）： 77-82.

[ 4 ] 趙志衡， 宋歡， 朱江波， 等. 基于卷積神經網絡的花生籽粒完整性識別算法及應用[J]. 農業(yè)工程學報， 2018， 34（21）： 195-201.

Zhao Zhiheng， Song Huan， Zhu Jiangbo， et al. Identification algorithm and application of peanut kernel integrity based on convolution neural network [J]. Transactions of the Chinese Society of Agricultural Engineering， 2018， 34（21）： 195-201.

[ 5 ] Yang H， Ni J， Gao J， et al. A novel method for peanut variety identification and classification by improved VGG16 [J]. Scientific Reports， 2021， 11（1）： 1-17.

[ 6 ] Zou Z， Wang L， Chen J， et al. Research on peanut variety classification based on hyperspectral image [J]. Food Science and Technology， 2022， 42.

[ 7 ] Yu H， Erasmus S W， Wang Q， et al. Rapid classification of peanut varieties for their processing into peanut butters based on near?infrared spectroscopy combined with machine learning [J]. Journal of Food Composition and Analysis， 2023： 105348.

[ 8 ] Balasubramaniyan M， Navaneethan C. Color contour texture based peanut classification using deep spread spectral features classification model for assortment identification [J]. Sustainable Energy Technologies and Assessments， 2022， 54： 102524.

[ 9 ] Huang G B， Zhu Q Y， Siew C K. Extreme learning machine： A new learning scheme of feedforward neural networks [C]. 2004 IEEE International Joint Conference On Neural Networks. IEEE， 2004， 2： 985-990.

[10] Huang G B， Zhu Q Y， Siew C K. Extreme learning machine： Theory and applications [J]. Neurocomputing， 2006， 70（1）： 489-501.

[11] 梁秀滿， 姚珊珊， 牛福生， 等. 基于HSV顏色空間的礦物識別研究[J]. 有色金屬（選礦部分）， 2022（6）： 1-8.

Liang Xiuman， Yao Shanshan， Niu Fusheng， et al. Study on color mineral recognition in HSV color space [J]. Nonferrous Metals（Mineral Processing Section）， 2022（6）： 1-8.

[12] 李祥光， 趙偉， 趙雷雷. 缺株玉米行中心線提取算法研究[J]. 農業(yè)工程學報， 2021， 37（18）： 203-210.

Li Xiangguang， Zhao Wei， Zhao Leilei. Extraction algorithm of the center line of maize row in case of plants lacking [J]. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（18）： 203-210.

[13] 曹鵬輝， 呂書強， 汪萬福， 等. 基于光譜降維與Hu矩的壁畫顏料層脫落區(qū)域提取方法[J]. 圖學學報， 2020， 41（6）： 930-938.

Cao Penghui， Lü Shuqiang， Wang Wanfu， et al. Extraction of mural paint loss regions based on spectral dimensionality reduction and Hu moment [J]. Journal of Graphics， 2020， 41（6）： 930-938.

[14] 蒲興成， 王濤， 張毅. 基于改進Hu矩算法的Kinect手勢識別[J]. 計算機工程， 2016， 42（7）： 165-172， 180.

Pu Xingcheng， Wang Tao， Zhang Yi. Kinect gesture recognition based on improved Hu moment algorithm [J]. Computer Engineering， 2016， 42（7）： 165-172， 180.

[15] 樊宇星， 任妮， 田港陸， 等. 基于DeepAR?RELM的池塘溶解氧時空預測方法研究[J]. 農業(yè)機械學報， 2020， 51（S1）： 405-412.

Fan Yuxing， Ren Ni， Tian Ganglu， et al. Spatio?temporal prediction method of dissolved oxygen in ponds based on DeepAR-RELM [J]. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（S1）： 405-412.

[16] 趙林鎖， 陳澤， 丁琳琳， 等. 基于RELM的時間序列數(shù)據加權集成分類方法[J]. 計算機工程與科學， 2022， 44（3）： 545-553.

Zhao Linsuo， Chen Ze， Ding Linlin， et al. A weighted ensemble classification method for time series data based on regularized extreme learning machine [J]. Computer Engineering amp; Science， 2022， 44（3）： 545-553.

[17] 陳聰聰， 李程. 基于PSO?ELM算法的民航客運量預測[J]. 控制工程， 2022， 29（11）： 2042-2047.

Chen Congcong， Li Cheng. Passenger traffic forecast of civil aviation based on PSO?ELM algorithm [J]. Control Engineering of China， 2022， 29（11）： 2042-2047.

[18] 周彥， 王山亮， 楊威， 等. 基于PSO-ELM的衛(wèi)星導航欺騙式干擾檢測[J]. 導航定位與授時， 2022， 9（5）： 153-161.

Zhou Yan， Wang Shanliang， Yang Wei， et al. Deceptive jamming detection of satellite navigation based on PSO-ELM [J]. Navigation Positioning and Timing， 2022， 9（5）： 153-161.

[19] 洪艷， 潘東方， 姚海峰， 等. 基于黃金分割搜索的光伏陣列最大功率點跟蹤方法[J]. 合肥工業(yè)大學學報（自然科學版）， 2014， 37（4）： 416-419， 443.

Hong Yan， Pan Dongfang， Yao Haifeng， et al. Method of photovoltaic array maximum power point tracking based on golden section search [J]. Journal of Hefei University of Technology （Natural Science）， 2014， 37（4）： 416-419， 443.