基于BP神經網絡粒穗連接力的測定

楊立　衣淑娟　毛欣

摘要：利用OM-8650電子拉力試驗機測定了北方寒地水稻（Oryza sativa）與機械化收獲有關的生物參數，通過試驗測得的參數（子粒的長、寬、厚、含水率等）檢測水稻的機械特性指標（子粒連接力）建立BP神經網絡模型，來確定網絡的拓撲結構，并訓練建立的BP神經網絡。結果表明，通過網絡訓練可以確定出收獲脫粒的最佳時間和脫粒元件。

關鍵詞：寒地水稻（Oryza sativa）；連接力；脫粒；含水率；BP神經網絡

中圖分類號：S347.1 文獻標識碼：A 文章編號：0439-8114（2014）22-5545-03

水稻（Oryza sativa）生產在糧食生產中占有不可替代的地位，黑龍江省墾區稻作區地處北緯43度以北、地處凍土帶的寒地稻作區，是我國最北部的寒冷稻作區。所謂寒地，是指冬季凍土層厚度達到1 m以上的區域，農作物生育期短，收獲的季節正好是秋季，氣溫變低，水稻成熟后莖稈和子粒含水率大、脫水較慢，適宜收獲期短，有時還要受到秋澇、倒伏、早霜后突降大雪等多種災害的危害[1，2]。這樣就要求盡可能在霜前進行收獲，水稻因后熟作用米質好，商品價值高，有利于收獲后的整地。因此，大力提倡發展水稻生產的機械化，可以減少自然災害對糧食造成的損失，降低生產成本，提高農民的生產收益[3-5]。

本研究針對北方寒地水稻收獲季節短等特殊的生態環境，通過試驗裝置對寒地水稻的力學性能進行研究，同時研究了影響水稻含水率及穗頭子粒之間連接力的影響因素，以便更好地確定出收獲脫粒的最佳時間和為脫粒元件的選擇和脫粒系統裝置的設計奠定基礎。

1 材料與方法

1.1 材料

本試驗采用黑龍江農墾總局八五七農場科技園的墾鑒稻6號水稻品種，均為移栽，田地條件、施肥量、田間管理等基本相似。試驗時間為2010年5月，由于高溫使所有的水稻的主莖葉都比正常時的水稻少一片葉。

1.2 方法

1.2.1 子粒與粒柄連接力的測定 將同一品種的田塊近似看作一個四邊形區域，分別取四邊形4個頂點和對角線交點作為5個取樣點，在每個取樣點分別取一棵，再從中取一單株測試，盡量避免人為等因素對試驗結果的影響。試驗在OM-8650電子拉力試驗機上進行，該拉力機可對水稻主莖稈、枝梗以及子粒進行拉伸等力學試驗和分析，根據要求配置不同的夾具和指針。拉伸力度：50 kg、最大行程（不含夾具）：250 mm，由計算機進行采集和處理試驗過程中數據的采集、處理。試驗對象的受力方向為0°（逆軸線方向）與180°（沿軸線方向），如圖1和圖2所示。由于水稻穗頭在脫粒滾筒中進行脫粒的時候，大部分子粒的受力方向都是沿著穗頭軸線方向，即打擊力的方向與水稻穗頭軸線成180°角，為此減少試驗的重復性，試驗過程中試驗的受力角度為180°。測定每個小枝梗上的各子粒與粒柄的連接力，將其平均值作為整個植株的子粒與粒柄的連接力。

1.2.2 子粒與粒柄含水率的測定 通過電熱恒溫鼓風干燥箱烘干子粒，并稱其質量，通過公式計算出子粒的含水率。利用DPS（Data processing system）數據處理系統軟件，建立子粒與粒柄間連接力同含水率之間的回歸方程，分析單因素含水率同連接力之間的關系。利用BP神經網絡模型，分析水稻的特性指標參數（枝梗的直徑、枝梗的長度、子粒的長、寬、厚、含水率等）多個因素對子粒與粒柄間的連接力的影響。

2 不同含水率下連接力的測定

不同含水率下子粒與粒柄之間的連接力結果見表1。運用DPS數據處理系統軟件對墾鑒稻6號的水稻建立子粒與粒柄間連接力同含水率之間的回歸方程：y=2.656 0-0.111 006x+0.001 152x2+0.000 067x3，R2=0.999 0。

經檢驗，回歸方程的顯著水平P=0.04<0.05，F=346.997，故拒絕H0假設。結果表明，回歸數學模型有顯著意義，說明模型擬合程度相當高，關系擬合圖如圖3所示。從圖3中可以看到，各數據點和圖之間擬合程度相當高，方程能夠很好的表達出二者之間的關系[6，7]。隨著含水率的增加，連接力先下降，當含水率小于13%之前，子粒與粒柄之間的連接力下降相對快；當含水率高于13%之后，下降比較緩慢，當含水率高于18%時，各部分之間的連接力都處于上升趨勢。考慮到帶柄率等因素，因此，在收割墾鑒稻6號時，選擇在含水率較低的時候是收獲脫粒的最佳時期。

3 基于BP神經網絡模型測定連接力

由于子粒與粒柄間的連接力對脫粒滾筒功耗和脫粒帶柄率影響較大，連接力越小，功耗越小，脫粒帶柄率越低，損失越小。考慮以上因素故此選擇枝梗的直徑、枝梗的長度、子粒的長、寬、厚、含水率作為輸入，子粒與粒柄間的連接力作為輸出。本研究以影響水稻粒穗連接力的機械特性指標為例，輸入層的節點數為6，輸出層的節點數為1，分別對水稻的特性指標參數（枝梗的直徑、枝梗的長度、子粒的長、寬、厚、含水率等），子粒與粒柄間的連接力建立神經網絡模型[8]。隱含層節點數為12個，隱含層神經元的激活函數選用tansig（）函數，輸出層的激活函數選用purelin函數，選擇Levenberg-Marquart（L-M）優化算法[9-11]。

系統的參數設置：通過函數train（）對已生成的網絡進行訓練學習，學習步長設為500周期，目標誤差設為0.001，學習速率設為0.05并每隔20步顯示一次結果。對表2提供的樣本數據進行訓練。神經網絡的結構如圖4所示。

取20組試驗樣本數據作為訓練樣本，利用建立好的BP神經網絡進行學習，結果BP神經網絡訓練的平方和誤差開始時下降速度特別快，隨后下降變得很平緩。當步長達到16次的時候，輸出層的標準誤差就達到1×10-3，滿足訓練參數中目標誤差的要求（圖5）。

網絡訓練后，用5組非樣本數據對所建立的神經網絡進行檢測，將輸入數據送給神經網絡得出的結果與實際測得數據進行比較，來驗證所建模型的合理性。表3為網絡模型實際測量值與預測值之間對比結果。從表3中可以看出，從這5組非樣本數據和預測值對比來看，實測值與預測值之間相對誤差在5%以下，說明該神經網絡檢測效果很好，BP網絡神經有效的訓練后應用于水稻子粒與粒柄間的連接力預測具有較高的預測精度和良好的泛化能力。endprint

4 小結

本研究對北方寒地水稻收獲季節短等特影響因素進行了研究，以便更好地確定出收獲脫粒的最佳時間和為脫粒元件的選擇和脫粒系統的設計奠定基礎。利用Matlab的神經網絡工具箱建立水稻子粒連接力的BP網絡模型。結果表明，①從單因素出發，運用回歸分析的方法，利用DPS數據處理軟件建立了含水率同主莖稈與枝梗間、枝梗與粒柄間以及子粒與粒柄間的連接力之間的關系模型。結果表明，模型的擬合程度非常高，能夠有效地表達含水率與連接力間的關系。②從多因素出發，建立水稻粒穗連接力的檢測模型。用試驗所測得生物特性指標為輸入、子粒與粒柄間的連接力為輸出確定網絡的拓撲結構，并訓練建立的BP網絡結構。用5組實測數據來驗證該神經網絡的合理性，模型的實測值與預測值的相對誤差在5%以下，滿足精度的要求。仿真結果表明該神經網絡能有效的預測水稻穗頭連接力。

參考文獻：

[1] 謝方平，羅錫文，湯楚宙，等.水稻粒穗分離力的研究[J].湖南農業大學學報，2004，30（5）：469-471.

[2] 李耀明，孫夕龍，徐立章，等.水稻穗頭連接力的試驗與分析[J].江蘇大學學報（自然科學版），2008，29（2）：97-100.

[3] 李耀明，王顯仁，徐立章，等.水稻谷粒的擠壓力學性能研究[J].農業機械學報，2007，38（11）：56-59.

[4] 徐立章，李耀明，李洪昌.水稻谷粒脫粒損傷的影響因素分析[J].農業機械學報，2008，39（12）：55-59.

[5] 孫夕龍.水稻脫粒帶柄率的影響因素與分析[D].江蘇鎮江：江蘇大學，2007.

[6] 唐啟義，馮明光.實用統計分析及其DPS數據處理系統[M].北京：科學出版社，2002.

[7] 吳仕勇.基于數值計算方法的BP神經網絡及遺傳算法的優化研究[D].昆明：云南師范大學，2006.

[8] 從 爽. 面向MATLAB工具箱的神經網絡理論與應用[M].合肥：中國科學技術大學出版社，2009.

[9] 張意德.基于GA與BP結合的算法研究及其在聯合收獲機械脫粒性能建模中的應用[D].合肥：安徽農業大學，2002.

[10] 汪小芳.基于人工神經網絡利用機械特性檢測蘋果品質方法的研究[D].武漢：華中農業大學，2006.

[11] 張立明.人工神經網絡的模型及應用[M].上海：復旦大學出版社，1993.endprint

4 小結

本研究對北方寒地水稻收獲季節短等特影響因素進行了研究，以便更好地確定出收獲脫粒的最佳時間和為脫粒元件的選擇和脫粒系統的設計奠定基礎。利用Matlab的神經網絡工具箱建立水稻子粒連接力的BP網絡模型。結果表明，①從單因素出發，運用回歸分析的方法，利用DPS數據處理軟件建立了含水率同主莖稈與枝梗間、枝梗與粒柄間以及子粒與粒柄間的連接力之間的關系模型。結果表明，模型的擬合程度非常高，能夠有效地表達含水率與連接力間的關系。②從多因素出發，建立水稻粒穗連接力的檢測模型。用試驗所測得生物特性指標為輸入、子粒與粒柄間的連接力為輸出確定網絡的拓撲結構，并訓練建立的BP網絡結構。用5組實測數據來驗證該神經網絡的合理性，模型的實測值與預測值的相對誤差在5%以下，滿足精度的要求。仿真結果表明該神經網絡能有效的預測水稻穗頭連接力。

參考文獻：

[1] 謝方平，羅錫文，湯楚宙，等.水稻粒穗分離力的研究[J].湖南農業大學學報，2004，30（5）：469-471.

[2] 李耀明，孫夕龍，徐立章，等.水稻穗頭連接力的試驗與分析[J].江蘇大學學報（自然科學版），2008，29（2）：97-100.

[3] 李耀明，王顯仁，徐立章，等.水稻谷粒的擠壓力學性能研究[J].農業機械學報，2007，38（11）：56-59.

[4] 徐立章，李耀明，李洪昌.水稻谷粒脫粒損傷的影響因素分析[J].農業機械學報，2008，39（12）：55-59.

[5] 孫夕龍.水稻脫粒帶柄率的影響因素與分析[D].江蘇鎮江：江蘇大學，2007.

[6] 唐啟義，馮明光.實用統計分析及其DPS數據處理系統[M].北京：科學出版社，2002.

[7] 吳仕勇.基于數值計算方法的BP神經網絡及遺傳算法的優化研究[D].昆明：云南師范大學，2006.

[8] 從 爽. 面向MATLAB工具箱的神經網絡理論與應用[M].合肥：中國科學技術大學出版社，2009.

[9] 張意德.基于GA與BP結合的算法研究及其在聯合收獲機械脫粒性能建模中的應用[D].合肥：安徽農業大學，2002.

[10] 汪小芳.基于人工神經網絡利用機械特性檢測蘋果品質方法的研究[D].武漢：華中農業大學，2006.

[11] 張立明.人工神經網絡的模型及應用[M].上海：復旦大學出版社，1993.endprint

4 小結

本研究對北方寒地水稻收獲季節短等特影響因素進行了研究，以便更好地確定出收獲脫粒的最佳時間和為脫粒元件的選擇和脫粒系統的設計奠定基礎。利用Matlab的神經網絡工具箱建立水稻子粒連接力的BP網絡模型。結果表明，①從單因素出發，運用回歸分析的方法，利用DPS數據處理軟件建立了含水率同主莖稈與枝梗間、枝梗與粒柄間以及子粒與粒柄間的連接力之間的關系模型。結果表明，模型的擬合程度非常高，能夠有效地表達含水率與連接力間的關系。②從多因素出發，建立水稻粒穗連接力的檢測模型。用試驗所測得生物特性指標為輸入、子粒與粒柄間的連接力為輸出確定網絡的拓撲結構，并訓練建立的BP網絡結構。用5組實測數據來驗證該神經網絡的合理性，模型的實測值與預測值的相對誤差在5%以下，滿足精度的要求。仿真結果表明該神經網絡能有效的預測水稻穗頭連接力。

參考文獻：

[1] 謝方平，羅錫文，湯楚宙，等.水稻粒穗分離力的研究[J].湖南農業大學學報，2004，30（5）：469-471.

[2] 李耀明，孫夕龍，徐立章，等.水稻穗頭連接力的試驗與分析[J].江蘇大學學報（自然科學版），2008，29（2）：97-100.

[3] 李耀明，王顯仁，徐立章，等.水稻谷粒的擠壓力學性能研究[J].農業機械學報，2007，38（11）：56-59.

[4] 徐立章，李耀明，李洪昌.水稻谷粒脫粒損傷的影響因素分析[J].農業機械學報，2008，39（12）：55-59.

[5] 孫夕龍.水稻脫粒帶柄率的影響因素與分析[D].江蘇鎮江：江蘇大學，2007.

[6] 唐啟義，馮明光.實用統計分析及其DPS數據處理系統[M].北京：科學出版社，2002.

[7] 吳仕勇.基于數值計算方法的BP神經網絡及遺傳算法的優化研究[D].昆明：云南師范大學，2006.

[8] 從 爽. 面向MATLAB工具箱的神經網絡理論與應用[M].合肥：中國科學技術大學出版社，2009.

[9] 張意德.基于GA與BP結合的算法研究及其在聯合收獲機械脫粒性能建模中的應用[D].合肥：安徽農業大學，2002.

[10] 汪小芳.基于人工神經網絡利用機械特性檢測蘋果品質方法的研究[D].武漢：華中農業大學，2006.

[11] 張立明.人工神經網絡的模型及應用[M].上海：復旦大學出版社，1993.endprint