一種L-M優化BP網絡的茶葉茶梗分類方法

吳 哲，劉孝星，鄭力新，周凱汀

(1.華僑大學 工學院,福建 泉州 362021；2.華僑大學 信息科學與工程學院，福建 廈門 361021)

一種L-M優化BP網絡的茶葉茶梗分類方法

吳 哲1，劉孝星2，鄭力新1，周凱汀2

(1.華僑大學 工學院,福建 泉州 362021；2.華僑大學 信息科學與工程學院，福建 廈門 361021)

傳統的茶葉茶梗分選方法在特征選取方面存在著樣本顏色特征提取單一的問題，以及現有的茶葉茶梗分類器普遍存在分類精度低、耗費時間長等問題。針對CCD相機采集的茶葉茶梗的數字圖像，首先經過二值化、開運算、閉運算、樣本圖像去噪、圖像分割等預處理過程，再根據茶葉茶梗樣本形態學特征的差異，提取出圓形度、矩形度、延伸率、Hu二階不變矩、最大內切圓與其面積比等5類區分度大、獨立性好的特征,作為BP神經網絡分類器的輸入向量，并采用L-M(Levenberg-Marquardt)學習算法對傳統的BP神經網絡分類器進行優化，用于茶葉茶梗的分類。實驗和仿真結果表明，經過L-M算法優化的BP網絡分類器對茶葉茶梗樣本的分類精度高達95%，且耗時相對較少，是一種有效的茶葉茶梗分類方法。

形態學特征；L-M學習算法；BP網絡；茶葉茶梗分類

1 概 述

中國是一個產茶大國，近年來茶葉年產量和年消費量均超過100萬噸，茶葉出口量也相當可觀[1]。然而毛茶中經常夾雜茶梗、黃葉等雜物，嚴重影響了優質茶葉的等級。手工揀梗作業一直制約著茶業加工效率的提升。因此尋求一種精度高、耗時少的茶葉茶梗分揀技術成為提高茶葉品質的關鍵。

目前國內外茶葉茶梗分類方法主要有貝葉斯分類、最小距離分類、支持向量機分類與人工神經網絡分類等，然而這些傳統的分類方法存在著不同的缺點[2-6]。貝葉斯分類雖然原理簡單、易于實現，但當功能屬性值分布和正態分布差異太大或樣本少時不適用；最小距離分類器穩定性較差，當樣本集合聚類的效果不佳時，容易產生茶葉茶梗誤判；傳統的SVM分類器用于茶葉茶梗分類時雖然分類準確度較高，但是訓練耗時長；傳統BP神經網絡分類器雖然適應性較強、葉梗分類精度高，但以過慢的收斂速度和易于跳入局部極值為代價。

毛茶加工設備中茶葉色選機的設計原理是采用傳感器檢測傳送帶上的毛茶樣本顏色，以茶葉茶梗的光譜參數為特征，根據兩者顏色特征的差異，通過設置合適的閾值，噴氣閥就會把其中茶梗等雜物噴出。但僅依靠單一的顏色特征和閾值判別進行分類，當兩者顏色相近時，葉梗分類難度增大，誤判率也大為增加，無法達到預期的色選精度和效率，而且在樣本圖像采集時顏色特征受光線、粉塵等外界環境的影響較大。其實茶葉茶梗除了顏色特征有差異外，還有其他諸如形狀、紋理等方面不同的特征，可以作為茶葉茶梗分類的依據。

針對當前茶葉茶梗分類算法中樣本顏色特征向量選取單一和傳統BP神經網絡分類器局限性的問題，文中選取茶葉茶梗區分度大的形態學特征，采用L-M學習算法優化的BP神經網絡分類器，以樣本分類精確度和耗用時間為驗證指標，實驗結果證明經L-M算法優化的BP神經網絡能很好地完成茶葉茶梗的分類。

2 形態學特征選取

良好特征的提取是茶葉茶梗分類時高精度和低時耗的關鍵。首先用CCD相機在相同的環境下采集的600張茶葉茶梗圖像(茶葉茶梗圖像各300張)建立樣本圖像庫，以便全方位地研究樣本特征。在實驗中隨機抽取茶葉、茶梗各200張樣本圖像進行二值化、開運算、閉運算以填充葉梗內細小空洞，圖像去噪、圖像分割等處理，從而為后續的特征提取做準備。

樣本預處理前后的實驗圖見圖1。

圖1 樣本預處理前后對比實驗圖

現有的特征提取方法通常分為基于顏色特征的提取、基于形態學特征的提取、基于紋理特征的提取等[7-8]。針對茶葉茶梗分類，形態學特征較顏色特征和紋理特征更簡單直觀，算法更易實現。研究發現相同品種的茶葉茶梗在形態上差異很大。根據采集的茶葉茶梗樣本圖，文中從兩者的形態學特征上對樣本進行分類實驗。經過對樣本形態學特征的分析，選取兩者間具有較大區分度的特征,包括圓形度、矩形度、延伸率、Hu二階不變矩、最大內切圓面積與樣本面積比等5類共6個特征向量，這些形態學特征定義如下：

(1)圓形度。

圓形度是反映茶葉、茶梗輪廓的外形參數，由周長P和面積A確定，用“C”表示。圓形度最常用的定義如下：

(1)

在某種程度上圓形度反映了物體輪廓的復雜程度[9]。C越大，說明區域形狀越簡單；C越小，說明區域形狀越復雜。圓形物體的C值為1。一般地，茶葉較為寬大且呈類圓形，故C值較大；茶梗細小狹長，故C值較小。因此定義圓形度為其特征值T1。

(2)矩形度。

矩形度常用物體的區域面積S0與其最小外接矩形的面積Smer的比值定義，如式(2)：

(2)

式中，R取值在0～1之間。當R=1時，物體為矩形；圓形物體的R值為π/4。

矩形度描述的是目標區域面積對其最小外接矩形的占空比，因此定義矩形度為其特征值T2。

(3)延伸率。

延伸率常見的定義如下：

(3)

式中，L、W分別為物體最小外接矩形的長、寬。對于圓形物體，其S為1；細長物體的S值接近0。

一般地，茶葉的延伸率大，茶梗的延伸率小。因此定義延伸率為其特征值T3。

(4)Hu二階不變矩。

對于一幅大小為M×N的圖像，設f(x,y)是像素點(x,y)的灰度，則圖像的(p+q)階幾何矩mpq、中心距μpq分別定義為式(4)和式(5)：

(4)

(5)

不同類型、階次的圖像矩的物理意義各有差別，如零階幾何矩m00代表圖像的總“質量”，一階矩m10、m01代表圖像的質心位置，μ02表示通過區域重心水平軸的矩，μ20表示通過區域重心垂直軸的矩。mpq跟隨圖像變化而變化，μpq對平移不敏感但對旋轉敏感。即幾何矩或中心矩不能同時具有平移、比例與旋轉不變的特點，故二者不能直接用于表示圖像的特征。歸一化中心距可以克服幾何矩或中心矩的這個缺點。歸一化中心距定義為如下：

(6)

Hu根據二階和三階中心矩構造了7個可使圖像保持平移、縮放和旋轉不變的不變矩[10](這里列出前5個)。具體定義如下：

φ1=η20+η02

(7)

φ2=η20-η022+4η112

(8)

φ3=(η30-3η13)2+(3η21-η03)2

(9)

φ4=η30+η122+(η21+η03)2

(10)

φ5=(η30-3η12)(η30+η12)[(η30+η12)2- 3(η21+η03)]2+ (3η21-η03)(η21+η03)[3(η30+η12)2- (η21+η03)2]

(11)

理論證明，在表述二維物體時只有基于二階矩的Hu不變矩才與比例、旋轉和平移無關[11]。對細小誤差敏感的高階不變矩一般不能對物體有效地分類。在不變矩Φ1～Φ7中，Φ1、Φ2是二階Hu不變矩，Φ3～Φ7是三階Hu不變矩，因此選取Φ1、Φ2兩個二階Hu不變矩為特征值T4、T5來處理數據。

(5)最大內切圓面積與面積比。

經研究，茶葉和茶梗的最大內切圓面積與其面積的比值區分度良好。因此定義樣本的最大內切圓面積與其面積比為特征值T6。

(12)

式中：Scir表示樣本的最大內切圓的面積；S0表示樣本的面積。

實驗中，樣本T6特征的提取實驗圖如圖2所示。

3 BP神經網絡與L-M優化算法

3.1 BP神經網絡分類器

BP神經網絡是一種典型的誤差逆向傳播的多層前饋網絡，一般由輸入層、輸出層和若干隱含層組成。理論證明一個3層BP網絡的隱含層節點數無限大時，可完成任意的由輸入到輸出的非線性映射[12]。在BP神經網絡分類器中，n維向量X=[x0,x1,…,xn-1]為其輸入向量，Y=[y0,y1,…,ym-1]為BP網絡的輸出向量。即有m個可區分的類，每一類記作第i(i=0,1,…,m-1)類。BP網絡分類器目的是根據輸入向量X得到的輸出向量Y來判斷X所屬的類別。如文中X代表茶葉茶梗樣本，樣本X可視為由n維形態學特征向量組成，其輸入層節點總數即為樣本的總屬性個數；Y代表茶葉茶梗樣本的輸出類值，m等于茶葉茶梗樣本的分類類別數，即m=2。BP神經網絡分類器在誤差反饋機制下，反饋信號會不斷改變權值W的取值，從而引起網絡輸出的不斷變化，當變化最后消失時，網絡達到平衡狀態，即分類過程達到收斂。

圖2 樣本T6特征的提取實驗圖

BP神經網絡分類器具有良好的自適應和自學習能力，易構建、容錯強；缺點是收斂速度慢，極易出現“過擬合”現象和跳入局部極值等。

3.2 L-M優化算法

針對傳統BP神經網絡算法存在的問題，提出了很多優化算法，如自適應學習速率算法、自適應變異粒子群法、遺傳算法、附加動量法、誤差函數修正法等[13]。經對比，文中采用L-M(Levenberg-Marquardt)學習算法對其進行優化。L-M學習算法實質上是梯度下降法與高斯-牛頓法的折中。在網絡訓練學習過程中，梯度下降法在前幾步時下降迅速，接近最優值的過程中其梯度趨于0，此時目標函數緩慢下降甚至停頓；而在接近最優值時牛頓法可生成一個較好的搜索方向：

S(X(k))=-(H(k)+λ(k))-1f(x(k))

令n(k)=1，則X(k+1)=X(k)+S(X(k))。開始時，λ取一個較大值，對應于小步長的梯度下降法；在接近最優值時λ減少至0，S(X(k))從梯度為負的方向轉至牛頓法的方向。

L-M的權值調整率為式(13)[14]：

ΔW=(JTJ+μI)-1·JTe

(13)

式中：μ是標量；J為誤差對權值導數的Jacobian矩陣；e是一誤差矢量。

文中擬將L-M算法優化的BP神經網絡用于茶葉茶梗的識別分類。

4 實驗結果與分析

實驗將茶葉茶梗各200個樣本送入BP網絡進行訓練，將余下的200個茶葉茶梗送入訓練完的BP網絡進行測試。對經過預處理的樣本圖像提取其形態學特征。為了加快訓練網絡的收斂速度，對這些提取的特征數據利用式(14)進行簡單歸一化處理。

(14)

經式(14)歸一化前后的樣本特征值分別見表1和表2。

表1 歸一化前后樣本的特征數據(1)

表2 歸一化前后樣本的特征數據(2)

注：由于篇幅所限，只列舉茶葉茶梗各5組特征值。

(15)

式中：m為BP網絡輸入層節點數；n為BP網絡輸出層節點數；h為BP網絡隱含層節點數；a∈(1,2,…,10)。

實驗證明，文中隱含層節點數h取5時，兩者的分類性能最好。

茶葉茶梗分類的BP神經網絡結構如圖3所示。

圖3 茶葉茶梗分類的BP網絡結構示意圖

將歸一化處理后茶葉茶梗樣本的6組特征值輸入BP網絡，茶葉和茶梗的類別代號則作為BP神經網絡的輸出。運用Matlab2014a中的神經網絡工具箱，建立BP神經網絡，訓練步長設為1 000步，訓練誤差設為0.01，學習速率取0.5。傳統的BP網絡與L-M學習算法優化后的BP網絡對茶葉茶梗樣本訓練誤差曲線分別如圖4所示。

圖4 BP網絡優化前后茶葉茶梗樣本訓練誤差曲線

將訓練好的L-M優化的BP網絡對余下200個測試樣本進行測試，其中茶葉茶梗正確識別個數分別為96個和94個。測試樣本的網絡仿真分類見表3。

表3 L-M型BP網絡對茶葉茶梗的分類識別結果

注：由于篇幅所限，文中只列舉茶葉茶梗各10組測試樣本的識別結果。

根據上文所述的分類方法可知，表3中序號2,4,6,9,10,11,14,16,17,19被識別為茶葉，其余序號的測試樣本被識別為茶梗。

實驗結果表明，經過L-M算法優化的BP神經網絡系統對茶葉茶梗的區分性很強，基本上不存在分類模糊的現象，茶葉茶梗的有效識別率高達95%左右。經L-M優化型BP網絡對茶葉茶梗的識別分類結果如圖5所示。

圖5 L-M型BP網絡對茶葉茶梗識別分類結果

文中對茶葉茶梗樣本庫分別采用最小距離分類器、最小錯誤率貝葉斯分類器、傳統SVM分類器、傳統BP神經網絡分類器4種分類方法與文中提出的L-M型BP網絡分類器進行多次重復的茶葉茶梗分類實驗，以樣本平均分類正確率和平均耗時為驗證指標，結果見表4。

表4 5種分類方法對茶葉茶梗的分類結果

5 結束語

文中針對現有的茶葉揀梗設備中單一的顏色特征判別標準及傳統BP神經網絡分類器的局限性，采用L-M學習算法優化BP網絡并提取茶葉茶梗的形態學特征作為BP網絡的輸入參數完成分類。仿真結果表明，與現有茶葉茶梗分類方法相比，茶葉茶梗形態學特征較之顏色特征不易受環境等因素的影響，且提取簡單。經L-M優化后的BP網絡收斂速度快、耗時少，識別精度高達95%，對茶葉茶梗的在線分類有一定的參考價值。

[1] 馮 超.基于多波長的LED熒光系統在茶葉種類和等級方面的研究[D].杭州:浙江大學,2013.

[2] 陳 筍.基于多特征多分類器組合的茶葉茶梗圖像識別分類研究[D].合肥：安徽大學,2014.

[3]MuChengpo,WangJiyuan,YuanZhijie,etal.TheresearchoftheATRsystembasedoninfraredimagesandL-MBPneuralnetwork[C]//ProcofICIG.[s.l.]:IEEE,2013:801-805.

[4]PunT.Entropicthresholding:anewapproach[J].ComputerGraphicsandImageProcessing,1981,16(3):210-239.

[5] 張俊峰.基于統計形狀特征的茶葉梗分離與識別[D].合肥：安徽大學,2012.

[6] 張春燕,陳 筍,張俊峰,等.基于最小風險貝葉斯分類器的茶葉茶梗分類[J].計算機工程與應用,2012,48(28):187-192.

[7] 沈國峰，程筱勝,戴 寧,等.基于L-M算法優化BP神經網絡的儲糧害蟲分類識別研究[J].中國制造業信息化，2012，41(7)：76-80.

[8] 蔣建國,宣 浩,郝世杰,等.最小描述長度優化下的醫學圖像統計形狀建模[J].中國圖象圖形學報,2011,16(5):879-885.

[9]DaugmanJG.Highconfidencevisualrecognitionofpersonsbyatestofstatisticalindependence[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,1993,15(11):1148-1161.

[10] 文華榮,李 秩,馮 一,等.基于不變矩和改進BP神經網絡的目標識別[J].光電技術應用,2013,28(4):49-54.

[11] 劉雄飛,朱盛春.車牌字符多特征提取與BP神經網絡的識別算法[J].計算機仿真,2014,31(10):161-164.

[12]ZhaoQuanhua,SongWeidong,SunGuohua.TherecognitionoflandcoverwithremotesensingimagebasedonimprovedBPneutralnetwork[C]//ProcofICMT.[s.l.]:IEEE,2010.

[13] 蘇 超,肖南峰.基于集成BP網絡的人臉識別研究[J].計算機應用研究,2012,29(11):4334-4337.

[14] 王建梅，覃文忠.基于L-M算法的BP神經網絡分類器[J].武漢大學學報:信息科學版,2005,30(10):928-931.

A Tea and Tea-stalk Classification Method of L-M Optimized BP Network

WU Zhe1,LIU Xiao-xing2,ZHENG Li-xin1,ZHOU Kai-ting2

(1.College of Engineering,Huaqiao University,Quanzhou 362021,China; 2.College of Information Science and Engineering,Huaqiao University,Xiamen 361021,China)

Traditional tea and tea-stalk sorting method exists problems that color feature extraction for sample is single in feature extraction aspect and general classifier has low precision and large time consuming.In term of digital image of tea and tea stems collected by CCD camera,according to different shape features between them,firstly after binarization,open and close operation,sample image denoising,image segmentation and other pre-processing process,it extracts circularity,rectangularity,extensibility,Hu second-order moment invariants,and the ratio of maximum inscribed circle and its area,etc in this paper,which has great distinction and independence,as the input vector of BP (Back-Propagation) neural network.It also applies L-M (Levenberg-Marquardt) learning algorithm to optimize the traditional BP neural network for the classification of tea and tea stalk.Experiment and simulation results proves that the BP network classifier optimized by L-M algorithm is as high as 98% on classification accuracy for tea and tea-stalk,and has relatively few time-consuming.It is an effective classification method of tea and tea-stalk.

morphological features;L-M learning algorithm;BP network;classification of tea and tea-stalk

2015-07-09

2015-10-14

時間：2016-03-22

福建省科技新平臺建設項目(2013H2002)；泉州市開發項目(2011G74)

吳 哲(1991-)，女，碩士研究生，研究方向為光電信息檢測與智能運算、機器視覺；鄭力新，博士，教授，碩士研究生導師，研究方向為運動控制與機器視覺；周凱汀，副教授，碩士研究生導師，研究方向為圖像處理和模式識別。

http://www.cnki.net/kcms/detail/61.1450.TP.20160322.1520.058.html

TP391.9

A

1673-629X(2016)04-0200-05

10.3969/j.issn.1673-629X.2016.04.044