基于主成分分析和BP神經網絡的蠶蛹分類方法

梁培生++孫輝+++張國政++方璦++周二杰

doi：10.15889/j.issn.1002-1302.2016.10.124

摘要：為探究快速、無損進行蠶蛹雌雄分類的可行性，利用機器視覺技術對蠶蛹圖像進行獲取，應用主成分分析法結合BP人工神經網絡方法進行分析識別。首先，對所得圖像進行灰度化、濾波去噪、二值化、特征提取等預處理，再應用主成分分析法得到包含蠶蛹88.94%特征信息的4個主成分，將其作為BP神經網絡的輸入變量，對應的蠶蛹性別作為輸出。建立1個BP神經網絡的識別模型，該模型對于蠶蛹分類的準確率達到98%，符合我國農業部桑蠶行業的標準。機器視覺結合主成分分析和BP神經網絡的方法能夠準確進行蠶蛹分類，對實際生產具有積極的指導意義。

關鍵詞：機器視覺；蠶蛹；主成分分析；BP神經網絡；分類

中圖分類號： TP391.41；S126文獻標志碼： A文章編號：1002-1302（2016）10-0428-03

收稿日期：2015-09-06

基金項目：國家科技支撐計劃（編號：2011BAD33B04）。

作者簡介：梁培生（1964—），男，廣西蒼梧人，副研究員，主要從事蠶業機械與裝備研究。E-mail：305141797@qq.com。桑蠶養殖是我國的傳統行業，也是中國重要的歷史文化產業。為了最大限度地提高桑蠶業的經濟價值及產品附加值，在實際生產中通常要將雌雄蠶繭分類使用。目前，蠶種場及相關生產企業往往在家蠶化蛹后的幾天內手工進行雌雄蠶蛹分類鑒別工作，此方法不僅耗費大量人工成本，且因工人主觀因素及技術程度的不同導致識別準確率不高，實際過程中還可能對蠶蛹造成傷害。近年來，關于蠶繭的無損檢測法主要有近紅外光譜技術、X射線成像技術等，但由于檢測設備價格昂貴、檢測精度及檢測環境要求等原因均未得到推廣。

不同性別的蠶蛹其身體形態、紋理特征有較大差異，人工識別是基于這些差異特性而進行的，因此可運用識別蠶蛹圖像的方式達到目的。通過試驗設備獲得蠶蛹圖像，對蠶蛹的形態特征、紋理特征進行提取并轉化為數據信息，利用主成分分析和神經網絡的方式進行識別。

1設備與材料

1.1試驗設備

采用MER-125-30UM型工業攝像機（北京大恒圖像公司）進行圖像采集。采用自行設計的采集試驗平臺，包括環形光源、透明的PVC材料輸送帶、簡易暗箱等。采用DELL的I5計算機主機，采用Matlab 12.0作為軟件支持設備進行圖像預處理、分析、模型建立、識別等。以上設備經過性能測試，均符合試驗條件。

1.2樣品

供試的150粒蠶蛹樣品均由中國農業科學院蠶業研究所提供，其中雌雄蠶蛹各75粒。蠶蛹為同一品種在飼養條件基本一致的情況下培育，蠶蛹所處時期為化蛾期的前3～4 d，此時蠶蛹的形態特征未發生改變，且蠶蛹的紋理特征最為明顯，利于對特征數據的準確提取。

2原理與方法

對工業攝像機采集得到的圖像進行圖像預處理和圖像形狀、紋理特征的提取，然后應用主成分分析對原始數據進行預處理，得到低維的主成分變量，作為BP神經網絡的輸入變量。利用建立的BP神經網絡模型實現對數據的分析和識別。

2.1圖像預處理及特征提取

通過設計的試驗平臺及試驗設備采集蠶蛹圖像，由于采集過程中受到設備、光線等條件的干擾，會產生一定的噪聲，影響圖像質量。通過對圖像的預處理可去除圖像的干擾及不必要的背景信息，獲取高質量的目標圖像。主要的預處理措施有圖像的灰度化、濾波去噪、直方圖均衡化、邊緣提取、圖像分割、二值化、形態學處理等（圖1）。

經過預處理后，圖像的質量得到提高，為圖像的特征提取做好準備。試驗共提取了150幅圖像的周長、面積、偏心率、圓度、對比度、能量、逆差距、相關性、熵等9個信息量，為試驗準備了充足的數據。

2.2主成分分析法

主成分分析是一種常用且重要的多元統計分析方法，該方法通過對相關范圍內的數據結構內在關系進行分析研究，以方差最大化為原則，以多指標數據轉化成較少數量的相互獨立且能表示原數據大部分信息的變量為目的，對原始蠶蛹圖像所包含的信息量進行線性擬合，從而得到較低維數的變量，取代原始高維數據變量。在實際試驗應用中通常取前幾個主成分，不僅能達到數據降維的目的，同時也利于數據的觀察，一般推薦T值（各主成分的累積貢獻率）應大于80%。該T值可用較少數量的不相關主成分表示原始數據，減少了數據的交叉及信息冗余；同時，通過對原始數據自身相關性進行分析來確定各分量權重，基于數據的內在結構關系，不需要人為確定，使試驗結果更加公正、合理化且具有說服力。

2.3BP神經網絡

誤差反向傳播網絡（back-propagation network，BP）是人工神經網絡的一種，是一種按誤差逆傳播算法原則進行訓練的多層前饋網絡，實現輸入、輸出變量之間的高度非線性映射關系。BP神經網絡包括輸入層、隱含層、輸出層，同層之間相互獨立，數據信息前向傳播（圖2）。該網絡的學習規則為最速下降法，然后通過數據的反向傳播來調整神經網絡結構的各權重及偏置量，達到數據的誤差平方和最小的目的，使網絡的輸出值逼近期望值，誤差滿足學習要求才結束。近年來，BP神經網絡的應用在分類、預測等方面表現出優越性，本研究在蠶蛹分類中進行試驗探討。

3結果與分析

3.1主成分提取

利用主成分分析方法對蠶蛹圖像提取出的數據進行優化，即輸入各蠶蛹圖像的特征數據，計算出其數據的特征矩陣以及各主因子載荷矩陣，然后選取合適的主成分矩陣，將二者組合得到的新向量作為BP神經網絡的輸入向量。主成分分析不僅能夠降低神經網絡的復雜程度，對提高網絡模型的收斂速度和識別率也有較好作用。

蠶蛹圖像經過預處理及特征提取后，將提取到的蠶蛹圖像周長、面積、偏心率、圓度、對比度、能量、逆差距、相關性、熵等9個信息量作為原始數據。運用主成分分析的方法進行降維處理之后，在保證主成分的累積貢獻率不低于80%的情況下，提取前4個主成分作為BP神經網絡的輸入變量，由此得到圖像原始數據的特征值（表1）。

根據試驗的精度及識別準確率要求，本試驗取前4個較大的特征值，分別為5.261 3、1.280 3、0.929 4、0.533 1，此時累積貢獻率達到88.935%。根據特征向量與原始數據組合形成的新向量，即分析后得到的主成分。每個圖像樣本的9

個信息量經主成分分析后化簡為4個輸入變量。

3.2BP神經網絡

根據主成分分析結果（表1），選取前4個主成分即可表示蠶蛹圖像的主要信息，使圖像數據由原來的150×9減少至150×4，大幅降低了運算量。建立相應的神經網絡模型，進行蠶蛹雌雄分類的訓練和預測。將數據樣本分為訓練集和測試集，分別從雌雄蠶蛹中隨機選取各50個樣本用來建立模型，剩余的50粒蠶蛹用來預測結果。

利用Matlab 12.0軟件編寫程序，對輸入變量進行數據歸一化操作，并建立BP神經網絡模型結構。經過多次試驗對比分析，在輸入層為4層、輸出層為2層、系統允許誤差為0001、學習速率為0.05、慣性系數為0.8、最大迭代次數為 1 000 次時，驗證當神經網絡隱含層神經元數目為8時，該神經網絡模型結構較為簡單，且收斂速度快、精度高。選取 4-8-2的網絡結構進行訓練和識別驗證，其中隱含層傳輸函數為非線性的tansig型函數，輸出層的隱含函數為純線性的purelin型函數。

3.3PCA-BP模型預測

將經過降低維數處理的預測樣本主成分數據在訓練好的預測模型中進行驗證，并利用網絡的識別結果與蠶蛹的真實性別進行對比。由模型生成的神經網絡回歸圖（圖3）可知，模型的歸一化系數均大于99.5%，即驗證網絡預測識別建立的模型對蠶蛹性別的識別較為成功。

一般來說，神經網絡的性能優劣主要由其泛化能力來評價。對測試樣本的驗證分析表明，該網絡模型具有很強的泛化能力，能夠較為真實地反映輸入與輸出之間的關系。由圖4可知，神經網絡模型的訓練收斂曲線在迭代次數為112時達到要求。檢測結果（表2）顯示，50粒蠶蛹的識別準確率達到98%。結果表明，本方法所建立的PCA-BP神經網絡模型能夠較為準確地對蠶蛹性別進行分類識別。

4結論

利用機器視覺技術獲取蠶蛹圖像，經圖像處理得到了蠶蛹的形態及紋理特征，結合主成分分析法和BP神經網絡結構建立了蠶蛹的雌雄識別模型，對蠶蛹進行分類識別研究。由對測試集的驗證結果可知，蠶蛹的識別準確率達到了98%，但仍存在一定的誤判率。BP神經網絡的訓練及網絡記憶仍存在不穩定性，有待進一步研究。

機器視覺結合主成分分析和BP神經網絡的方法，對蠶蛹的識別分類具有很好的作用，為蠶蛹雌雄識別分類提供了一種新途徑，對桑蠶業具有重要的經濟和實用價值。

參考文獻：

[1]劉敬全，于振誠，崔玉梅，等. 家蠶熒光繭色判性蠶品種熒光、春玉的育成及其一代雜交種的選配[J]. 蠶業科學，1996，22（3）：155-159.

[2]王茜蒨，黃志文，劉凱，等. 基于主成分分析和人工神經網絡的激光誘導擊穿光譜塑料分類識別方法研究[J]. 光譜學與光譜分析，2012，32（12）：3179-3182.

[3]Jin T M，Wu X Q，Pan S Y，et al. Distinguishing sex of silkworm chrysalis in cocoon by NIR with fiber optics[J]. Acta Agriculturae Boreali-Sinica，1994，9：35-37.

[4]吳江，黃富榮，黃才歡，等. 近紅外光譜結合主成分分析和BP神經網絡的轉基因大豆無損鑒別研究[J]. 光譜學與光譜分析，2013，33（6）：1537-1541.

[5]李玉品，陳斌，顏輝，等. 近紅外光譜分析法在蠶繭性別鑒定上的應用[J]. 江蘇農業科學，2009（1）：237-239.

[6]Chen Q S，Zhao J W，Fang C H，et al. Feasibility study on identification of green，black and Oolong teas using near-infrared reflectance spectroscopy based on support vector machine（SVM）[J]. Spectrochimica Acta，Part a，2007，66（3）：568-574.

[7]蔡健榮，劉兵，李永平，等. X射線成像技術判別蠶繭性別[J]. 農業工程學報，2012，28（8）：275-279.

[8]楊丹，趙海濱，龍哲，等. MATLAB圖像處理[M]. 北京：清華大學出版社，2013.

[9]MATLAB中文論壇. MATLAB神經網絡30個案例分析[M]. 北京：北京航空航天大學出版社，2010.

[10]馬嘯，袁洪福，宋春風，等. 衰減全反射紅外光譜法快速分類和識別多種食用油的方法[J]. 光譜學與光譜分析，2015，35（7）：1879-1884.

[11]岳田利，彭幫柱，袁亞宏，等. 基于主成分分析法的蘋果酒香氣質量評價模型的構建[J]. 農業工程學報，2007，23（6）：223-227.

[12]Zhang J H，Qi L J，Ji R H，et al. Cotton diseases identification based on rough sets and BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering，2012，28（7）：161-167.