基于圖像處理與改進神經網絡的大豆品質檢測研究

李春霆

摘要：以圖像處理的方式進行大豆種子的品質檢測，提出一種引入粒子群優化的改進算法，使之具備更加準確地分類并識別大豆種子的能力。首先對圖像樣本進行預處理和特征提取，隨后以粒子群算法改善神經網絡權值和閾值的確定過程，增強其收斂速度，在全局范圍內以較高的效率找到最優解，最后通過仿真對比試驗，證明了所構建的大豆品質檢測系統的準確度有了顯著提升。

關鍵詞：大豆品質；檢測速度；神經網絡

中圖分類號： TP391.41；S126 文獻標志碼： A 文章編號：1002-1302（2014）03-0263-03

我國大豆產業的發展已經日趨成熟，基于大豆作物的深加工產品（包括色拉油、異黃酮等）也為企業帶來了豐厚的利潤。目前我國每年的大豆深加工產值已經超過300億元人民幣。大豆在收購時必須進行質量的檢測與評估，當前我國大豆檢測手段的準確度和效率均難以達到要求，導致我國大豆由于質量問題而出口機會減少。大豆品質檢測的主要指標有外觀品質、營養品質、食味品質、衛生品質等，其中外觀品質包括大豆的病斑、蟲蝕、霉變等。已有研究證明大豆的外觀皮質與其營養品質、衛生品質具有高度的正相關性[1]，因此可以通過對大豆外觀的檢測來辨別其質量的優劣。當前，如何通過大豆的外觀品質特征來評估其品質水平是作物品質檢測研究的熱點之一[2-3]。基于神經網絡識別的方法由于自學習能力強，并能夠對人腦的神經進行高效模擬，從而實現具有較強魯棒性的推理判別，十分適合于作物果實品質的鑒定和評估[4]，檢測效果較好。傳統的神經網絡算法存在學習過程收斂速度慢、算法易陷入局部極小點和魯棒性差等缺陷，常常會導致作物識別與品質評估識別的正確率受到影響[5-6]。本研究針對傳統神經網絡算法所存在的缺陷，引入粒子群優化算法對其進行改進，使之具備更加準確地分類并識別大豆種子的能力，最后通過仿真對比試驗，證明了所構建的大豆品質檢測系統的準確度有了顯著提升。本研究的成果在作物種子品質鑒別與質量評估方面有著很好的理論價值與實踐意義。

1 基于改進神經網絡的大豆品質檢測算法

1.1 大豆種子樣本圖像的獲取

大豆種子采集時間為2012年9月，采集地點為河北省農業研究所宣化林場及育種基地。室內簡單背景下拍攝大豆種子的靜態圖片。將大豆種子平鋪于拍攝平臺上，在三角架上固定相機，保持鏡頭與大豆距離恒定在1.0 m，確保顏色及特征清晰，圖像輸入電腦并以JPG格式保存。

1.2 大豆種子樣本圖像預處理

1.2.1 灰度預處理 原始圖像數據量較大，首先將其轉換為8位灰度圖像。轉換之后的圖像僅保留灰度信息，這對圖像預處理已足夠。在大豆圖像增強中，主要是對一些強度不足的邊緣與細節進行處理，同時保留強度足夠的部分。本研究引入分段線性形式，來實現小波變換的增強函數，如下式：

2 仿真研究

2.1 仿真環境的設置

本研究將包含3層結構的神經網絡作為大豆品質識別的基本模型。前面已經通過關聯分析而得到了影響較大的5個因子（能量、對比度、熵、I分量、H分量），所以神經網絡輸入層的節點數目確定為5個。結合文獻中學習速率區間為[0.01～0.7]的研究結論，將學習速率最終定位于0.7。結合Kolmogorov算法[9]，得出隱含層為15個節點，神經網絡為6-15-1型結構。以粒子群算法優化傳統的神經網絡方法，對神經網絡進行訓練，從而獲取較優的權值、閾值。

具體步驟為：（1）構建優化神經網絡的輸入矩陣，包括網絡所需的訓練樣本、網絡的期望輸出值以及網絡的測試樣本；（2）引入Matlab實現對試驗數據的仿真分析，創建神經網絡（函數均來自Matlab的神經網絡工具箱，下同，注略）：

net=newff（min max（PTrain），{logsig″logsig″}，′traingd′

程序語句中，″logsig″為神經網絡不同層次之間的傳遞函數，′traingd′為訓練函數。神經網絡創建之后，便開始進行權值、閾值的初始化；（3）創建粒子群優化的神經網絡：創建方法同（1）；（4）通過Matlab的train函數實現對神經網絡的訓練。語句為：

[net，tr]=train（net，P_Train，T_rain）

網絡輸入、輸出維數以參數P、T表示。

2.2仿真結果分析

2.2.1 網絡性能對比 圖2所示為基本神經網絡與粒子群優化神經網絡的訓練誤差曲線對比。

圖2中，橫坐標是神經網絡的訓練次數，縱坐標為訓練誤差值。從基本神經網絡的誤差曲線可知，訓練次數超過300次時，目標誤差值10-4尚未達到，收斂較慢，性能不佳；而粒子群優化后的神經網絡則在第19次時滿足了目標誤差值，可見性能有較為明顯的提升，經過更少的迭代次數就使網絡的性能達到了要求。

2.2.2 識別結果比較 選取正常大豆、各類帶病大豆以及正常與病態混合大豆各100幅圖片，以傳統神經網絡與粒子群優化神經網絡對其進行識別，識別結果如表1所示。

可見，粒子群優化的神經網絡對各類大豆樣本圖像的識別率均超過90%，其平均識別率為93.1%；傳統神經網絡平均識別率僅為88%。可見優化的神經網絡擁有更精確的大豆品質識別能力，對各類缺陷豆和病害豆的識別率均顯著優于傳統神經網絡。仿真結果表明：經過粒子群優化的神經網絡可以對大豆種子的品質評估提供令人滿意的支持，效果比較理想。

3 小結

作物種子的品質識別是現代農業中非常重要的技術，也是農業信息化和精確農業的研究熱點之一。本研究基于傳統神經網絡在圖像識別中的一些不足之處，引入粒子群優化的算法進行改進，對經過預處理和特征提取的大豆種子圖像進行驗證，仿真結果表明優化的神經網絡可以顯著增強大豆種子品質的識別率、提升識別效率，在現代農業中應用前景看好。endprint

參考文獻：

[1]傅艷華，王鵬程，陽慶華，等.大豆食品加工利用現狀與發展前景[J]. 湖北農業科學，2001（1）：62-64.

[2]李 聰，高海燕，袁 超. 基于計算機視覺的蘋果自動分級方法研究[J]. 計算機仿真，2012（9）：293-296.

[3]黃星弈，魏海麗，趙杰文. 實時在線檢測蘋果果形的一種計算方法[J]. 食品與機械，2006，22（1）：27-29.

[4]馮 斌. 計算機視覺信息處理方法與水果分級檢測技術研究[D]. 北京：中國農業大學，2010.

[5]Schroder M，Rehrauer H，Seidek K，et al. Interactive learning and probabilistic retrieval in remote sensing image archives[J]. Geoscience and Remote Sensing，38（5）：2288-2298.

[6]彭淑敏. 神經網絡圖像識別技術研究及實現[D]. 西安：西安電子科技大學，2005.

[7]Kalchmair S，Jhrling N，Becker K，et al. Image contrast enhancement in confocal ultramicroscopy[J]. Optics Letters，2010，35（1）：79-81.

[8]高 巖，喬彥峰. 一種改進直方圖均衡的圖像增強方法[J]. 計算機仿真，2008，25（4）：198-200.

[9]Kenned J，Ebemart R C. Partical swarm optimi-zation[C]//Proceeding of 1995 IEEE International Conference on Neural Networks，1995：192-194.

[10]常愛英，吳鐵軍，包 鑫，等. 基于最小二乘支持向量機的配煤著火特性預測模型[J]. 煤炭學報，2010，35（8）：1380-1383.

[11]蔡金錠，付中云. 粒子群神經網絡混合算法在負荷預測中的應用[J]. 高電壓技術，2007，33（5）：90-93.endprint

參考文獻：

[1]傅艷華，王鵬程，陽慶華，等.大豆食品加工利用現狀與發展前景[J]. 湖北農業科學，2001（1）：62-64.

[2]李 聰，高海燕，袁 超. 基于計算機視覺的蘋果自動分級方法研究[J]. 計算機仿真，2012（9）：293-296.

[3]黃星弈，魏海麗，趙杰文. 實時在線檢測蘋果果形的一種計算方法[J]. 食品與機械，2006，22（1）：27-29.

[4]馮 斌. 計算機視覺信息處理方法與水果分級檢測技術研究[D]. 北京：中國農業大學，2010.

[5]Schroder M，Rehrauer H，Seidek K，et al. Interactive learning and probabilistic retrieval in remote sensing image archives[J]. Geoscience and Remote Sensing，38（5）：2288-2298.

[6]彭淑敏. 神經網絡圖像識別技術研究及實現[D]. 西安：西安電子科技大學，2005.

[7]Kalchmair S，Jhrling N，Becker K，et al. Image contrast enhancement in confocal ultramicroscopy[J]. Optics Letters，2010，35（1）：79-81.

[8]高 巖，喬彥峰. 一種改進直方圖均衡的圖像增強方法[J]. 計算機仿真，2008，25（4）：198-200.

[9]Kenned J，Ebemart R C. Partical swarm optimi-zation[C]//Proceeding of 1995 IEEE International Conference on Neural Networks，1995：192-194.

[10]常愛英，吳鐵軍，包 鑫，等. 基于最小二乘支持向量機的配煤著火特性預測模型[J]. 煤炭學報，2010，35（8）：1380-1383.

[11]蔡金錠，付中云. 粒子群神經網絡混合算法在負荷預測中的應用[J]. 高電壓技術，2007，33（5）：90-93.endprint

參考文獻：

[1]傅艷華，王鵬程，陽慶華，等.大豆食品加工利用現狀與發展前景[J]. 湖北農業科學，2001（1）：62-64.

[2]李 聰，高海燕，袁 超. 基于計算機視覺的蘋果自動分級方法研究[J]. 計算機仿真，2012（9）：293-296.

[3]黃星弈，魏海麗，趙杰文. 實時在線檢測蘋果果形的一種計算方法[J]. 食品與機械，2006，22（1）：27-29.

[4]馮 斌. 計算機視覺信息處理方法與水果分級檢測技術研究[D]. 北京：中國農業大學，2010.

[5]Schroder M，Rehrauer H，Seidek K，et al. Interactive learning and probabilistic retrieval in remote sensing image archives[J]. Geoscience and Remote Sensing，38（5）：2288-2298.

[6]彭淑敏. 神經網絡圖像識別技術研究及實現[D]. 西安：西安電子科技大學，2005.

[7]Kalchmair S，Jhrling N，Becker K，et al. Image contrast enhancement in confocal ultramicroscopy[J]. Optics Letters，2010，35（1）：79-81.

[8]高 巖，喬彥峰. 一種改進直方圖均衡的圖像增強方法[J]. 計算機仿真，2008，25（4）：198-200.

[9]Kenned J，Ebemart R C. Partical swarm optimi-zation[C]//Proceeding of 1995 IEEE International Conference on Neural Networks，1995：192-194.

[10]常愛英，吳鐵軍，包 鑫，等. 基于最小二乘支持向量機的配煤著火特性預測模型[J]. 煤炭學報，2010，35（8）：1380-1383.

[11]蔡金錠，付中云. 粒子群神經網絡混合算法在負荷預測中的應用[J]. 高電壓技術，2007，33（5）：90-93.endprint