徑向基神經網絡在豬胴體瘦肉率預測中的應用

張 萌，鐘 南

(華南農業大學 工程學院，廣州 510642)

?

徑向基神經網絡在豬胴體瘦肉率預測中的應用

張 萌，鐘 南

(華南農業大學 工程學院，廣州 510642)

豬胴體瘦肉率(LMP)是評價豬肉品質的重要指標之一，在生產線上快速而準確地預測出其數值并進行分級是并不可少的。目前，國內大部分廠家依然采取屠宰后人工稱重測量的方法，耗時耗力，且存在相當大的誤差。為此，隨機抽取了116頭皖北地區商品豬，選定眼肌面積、背膘厚及腿臀比作為參考數據，以MatLab工具箱作為研究工具，利用BP、Elman和RBF等3種不同的神經網絡建立預測模型，統計后進行比較分析。實驗表明：3種模型的神經網絡均可用于瘦肉率預測，但RBF網絡誤差最小，訓練速度最快，學習能力最強，最適合用于建立瘦肉率的預測模型。

瘦肉率；RBF神經網絡；BP神經網絡；Elman神經網絡

0 引言

隨著人們對物質生活要求的不斷提高，豬肉品質評定越來越受到人們的關注，豬胴體瘦肉率作為豬肉品質的重要指標之一，在豬的育種、收購等方面都占據著重要的地位。目前，在國內大部分食品加工廠采用的測量瘦肉率的手段，仍然是將左側胴體的皮、脂、肉、骨分離，稱重后計算其百分比。這種方法不僅耗費人力物力，測量誤差大，經濟效益也偏低[1]。

國內外關于預測豬胴體瘦肉率的研究已經有很長的歷史，預測技術也日趨完善。由于豬瘦肉率與其胴體、活體形狀部分特性存在著密切相關的關系[2]，據此可以將部分胴體或活體性狀作為指標，經過計算處理后建立預測模型，再通過預測模型得到檢測目標的瘦肉率。預測模型的建立一般是通過統計軟件或人工計算得出[3]，不僅計算量大，得出的模型誤差也較大。

人工神經網絡是一種模仿人腦神經網絡的復雜網絡系統，具有泛化能力，通常表現在能夠進行預測，即掌握已有數據的內在規律后對新的情況做出預測，目前被廣泛應用于各個領域中[4]。其中，BP(Back Propagation)神經網絡、Elman神經網絡和徑向基函數(Radial Basis Function，RBF)神經網絡在數據預測方面都有不錯的應用前景。目前，國內外對神經網絡已經做了相當多的研究工作，技術也相當成熟，但使用神經網絡用于瘦肉率預測的基本都是BP網絡及其改進模型。本文以MatLab為實驗工具，分別采用BP、Elman和RBF等3種不同的神經網絡建立預測模型，同實際數據進行對比分析，說明RBF網絡較其他兩種網絡的優勢。

1 數據采集與處理

1.1 實驗原理

國內外對豬胴體瘦肉率預測模型的研究已經有比較長的歷史，研究表明瘦肉率與眼肌面積、背膘厚及腿臀比等特性存在一定的關系[5]。這些指標在生產流水線上都比較容易獲得，而超聲波、機器視覺、核磁共振、電子鼻等新興技術的發展也使得獲取上述指標更加便利和準確[6]。

MatLab神經網絡相關功能豐富，除了具備建立、仿真、測試網絡等一系列函數外，還有專門的神經網絡工具箱，在工具箱界面中只需修改相關參數，即可獲得相應的神經網絡相關數據[7]；在后期決定隱含層神經元個數、分布密度等數值時，利用神經網絡工具箱進行對比更加便捷和可靠。

采集眼肌面積、背膘厚和腿臀比數據后，將其作為輸入數據，將瘦肉率作為輸出數據，建立3輸入1輸出的神經網絡模型。網絡訓練成功后，只要采集待檢測目標的3個指定數據并將其輸入模型，就可以得到對應的瘦肉率數據。

1.2 數據采集

實驗對象為皖北地區商品豬，生豬品種為外三元(杜長大、杜大長)。生豬經過沐浴后，進行屠宰放血，去毛、頭、蹄、尾、內臟后劈半，然后在每頭豬左半胴體上測量數據[8]，得出其眼肌面積、背膘厚、腿臀比3個指標數據；將皮、脂、肉、骨分離后稱重計算得出瘦肉率,并將數據進行統計分析。實驗數據均由安徽省東升食品有限公司提供，考慮到人工測量存在一定的誤差，排除部分誤差較大的數據后，選取116組數據作為實驗材料。

眼肌面積指家畜背最長肌的橫斷面面積。目前，在屠宰測定上一般采用公式法，即

眼肌高(cm)×眼肌寬(cm)×系數0.7=眼肌面積(cm2)

這種公式法計算準確率高，大大降低了測量難度。背膘厚表示豬脂肪的多少，背膘厚度越厚瘦肉率越低；相反，則瘦肉率越高。我國現在背膘厚的測量標準為取三點測量，即肩胛后沿、最后肋處及腰薦結合處距背正中線4cm處作為測量點，之后取三點平均值(cm)。腿臀比一般指左側后腿臀重占左側胴體體重的百分比(%)。

在116組數據中隨機抽選100組作為訓練數據，用于訓練建立神經網絡，其余16組作為驗證數據，用以分析網絡模型的預測效果。

1.3 數據處理

樣本數據的標準不一樣，需要對其進行歸一化，統一評價標準。雖然不進行歸一化也可以進行網絡訓練，但訓練歸一化后的數據有利于提高網絡收斂速度，尤其在輸入信號全部是正值時，與第1層隱含層神經元連接的權值只能同時增大或減小，導致學習速度很慢。用mapminmax函數對樣本數據進行歸一化處理，使用歸一化后的數據進行網絡訓練將更加有效，加快網絡的收斂速度。將輸入輸出映射到[-1,1]范圍內進行訓練，再將仿真輸出進行反歸一化映射到原數值范圍內，這樣輸入輸出信號都是原始信號標準，歸一化反歸一化只在神經網絡內部訓練網絡結構時使用。歸一化處理公式為

其中，x為樣本數據；xmin為樣本最小值；xmin為樣本最大值；ymax=1；ymin=-1；y為歸一化后的樣本值[9]。

輸入數據為100×3的矩陣數據，輸出數據為100×1的矩陣數據，將100組歸一化后的數據傳輸到MatLab神經網絡工具箱中進行訓練；然后，將16×3的驗證輸入數據傳輸到訓練好的網絡中，將得到的16×1輸出數據并進行反歸一化后，與驗證數據中的輸出數據作對比，檢測網絡的可用性。

2 神經網絡設計

2.1 BP神經網絡

BP神經網絡是一種多層前饋網絡，可以看作是一個從輸入到輸出的高度非線性映射，調整網絡權值的訓練算法是誤差反向傳播學習算法。其結構簡單，可調參數多，是目前應用最廣泛的神經網絡模型。網絡結構由輸入層、隱含層和輸出層3個部分構成，上下層之間實行權連接，而每層神經元之間無任何連接[10]。BP學習算法的實質就是求解誤差函數的最小值問題，通過不斷調整神經元權值來逼近最小誤差。

在BP網絡結果中，隱含層的神經元個數是影響網絡效果的最重要因素，決定其數量的過程十分復雜，一般根據設計者經驗和多次實驗比較來決定。神經元個數過多，會導致學習時間過長，誤差也不一定會更小。本實驗中，分別建立神經元個數N=11、12、15、17時的4個網絡，比較其預測結果。其他參數的選擇中，隱含層傳遞函數選取tansig(雙曲正切S型傳遞函數)，輸出層傳遞函數選取purelin(線性傳遞函數)，訓練函數選取trainlm(自適應BP的梯度遞減)，性能函數選取mse均方誤差，將100組訓練數據歸一化后輸入網絡進行訓練，并用16組驗證數據檢測網絡結構的準確率，預測結果如圖1所示。

圖1 不同神經元個數的BP網絡預測結果Fig.1 Predicted results of BP neural network by different number of neurons

由圖1可以看出：當神經元個數N=15時，預測值的準確性明顯比N=11、13時要高；當N=17時，雖然個別樣本比N=15時的網絡預測值要準確，但是整體的準確性卻沒有比N=15時高，而且神經元個數越多網絡訓練時間越長，模型結構越復雜。綜上所述，神經元個數取15時，BP網絡預測結果最佳。

2.2 Elman神經網絡

Elman網絡是一種局部回歸網絡，等同于一個具有局部記憶和局部反饋功能的前向網絡模型。Elman模型在隱含層中添加了一個承接層，作為一步延時算子[11]，因此Elman網絡具有記憶的功能，而系統有能力適應時變特性。除了承接層外，其余結構與BP網絡相差無幾，Elman網絡在進行權值修正時依舊采用BP算法。

從理論上講，Elman網絡隱含層的神經元個數是任意確定的，但是隨著其數目的提高，可以解決越來越復雜的問題，足夠多的神經元數目使得網絡保證了足夠高的精度和速度。鑒于Elman網絡和BP網絡均采用BP算法，為了比較Elman網絡與BP網絡的優劣，本次實驗中訓練Elman網絡的參數全部與BP網絡相同，用16組驗證數據檢測網絡結構的準確率，預測結果如圖2所示。

圖2 Elman網絡預測結果Fig.2 Predicted result of Elman neural network

2.3 RBF神經網絡

徑向基函數網絡屬于前饋網絡，由一組感知單元組成的輸入層、計算節點的隱含層和輸出層3部分組成。在RBF網絡中，輸入矢量將被直接映射到隱含層空間，很多在低維空間線性不可分的問題，映射到高維空間后就線性可分了。與BP網絡和Elman網絡不同的是，前兩種網絡隱含層的傳遞函數一般選取S型函數，而RBF網絡隱含層常選用高斯函數。高斯函數是通過對輸入與函數中心點的距離來算權重的，這樣使得徑向基函數對輸入信號在局部產生響應，故這種網絡結構具有局部逼近的能力，而這種能力也使得RBF網絡可以以任意精度逼近任意連續函數。

在MatLab中使用newrbe函數創建RBF神經網絡，其神經元個數等于輸入樣本數，修正權值和閾值的方法不一，沒有專門的訓練和學習函數。RBF網絡的訓練參數沒有前兩種網絡那樣繁多，確定輸入和輸出矢量后，只需要確定分度密度Spread，分布密度越大，輸出結果越光滑；但太大會使傳遞函數的作用域擴大到全局，這樣就會喪失局部收斂的優勢。多次測試后，當Spread=0.8時，網絡效果最佳。用16組驗證數據檢測網絡結構的準確率，預測結果如圖3所示。

圖3 RBF網絡預測結果Fig.3 Predicted result of RBF neural network

3 結果與討論

BP和Elman網絡在按照上文所述參數設置后，開始訓練網絡模型，達到最佳訓練精度或訓練步數達到1 000后會停止訓練，其均方誤差曲線分別如圖4所所示。

圖4 BP網絡與Elman網絡學習誤差曲線Fig.4 The error curve of BP and Elman neural network

由圖4可知：BP網絡在訓練大約460步后近似達到最佳精度，Elman網絡在訓練大約240步后近似達到最佳精度，而最佳精度都近似為10-2。以上兩種網絡采取的都是全局最優化，而RBF網絡只需進行局部最優，盡管RBF網絡的激活函數為徑向基函數，神經元輸入空間區域很小，神經元個數更多、結構更復雜，但RBF網絡卻仍然有著更快的學習速率。

將16組歸一化處理后的驗證數據的輸入量分別傳輸到3種已經訓練好的網絡中，記錄3種網絡模型反歸一化后的輸出信號(即瘦肉率)，并與人工測量的瘦肉率指標做對比，計算預測數據和人工測量數據的絕對誤差[12]，結果如表1所示。

表1 幾種預測方法的結果對比

通過圖1中左下角部分(N=15的BP網絡擬合圖)和表1可知:在BP網絡的預測結果中，大部分數據的誤差都比較小，滿足預測瘦肉率所需精度；但是，6、12號樣本的誤差較大,考慮到BP神經網絡的不足之處[13]，很可能是陷入了局部極小點。

通過圖2和表1可知：Elman網絡的預測誤差比較平均，精度也達到所需水準，均在1%以下。從Elman網絡的擬合圖中可以看出：雖然個別樣本預測結果不如BP網絡，但是Elman網絡比BP網絡更穩定，不存在誤差特別大的點，具有更好的實用性。

通過圖3和表1可知：RBF網絡所有樣本的預測誤差都接近0，擬合圖中實際值和預測值幾乎全部重合，從而足以證明RBF網絡具有最佳的學習能力和預測能力。

4 結論

實驗表明：BP、Elman和RBF等3種神經網絡均可用于豬胴體瘦肉率預測，RBF網絡適應性最強。國內大多數廠家依然采取人工測量的手段，采用BP網絡等技術的方法也已經研究了很長一段時間，然而RBF和Elman網絡在此領域卻沒有被應用。雖然BP網絡現在仍然是應用最多的神經網絡，但是RBF網絡明顯具有更好的適應性。與其采用不同方法改進后的BP網絡模型[14]，選擇RBF神經網絡將更有效率和實用性。

[1] 石忠志,王敏,龔海巖,等.我國生豬屠宰行業豬肉分級標準現狀與對策[J].中國食物與營養,2014,20(10):22-24.

[2] Maria Font i Furnols,Marina Gispert.Comparison of different devices for predicting the lean meat percentage of pig carcasses [J]. Meat Science, 2009, 83(3):443-446.

[3] 尹佳,周光宏,徐幸蓮.基于豬胴體影像分級儀的我國商品豬瘦肉率預測方程的建立[J].食品科學,2010,31(23):84-87.

[4] A A Argyri, E Z Panagou, P A Tarantilis, et al. Rapid qualitative and quantitative detection of beef fillets spoilage based on Fourier transform infrared spectroscopy data and artificial neural networks [J]. Sensors and Actuators B: Chemical, 2010, 145(1): 146-154.

[5] 羅明,朱礪.屠宰加工線上瘦肉型豬胴體瘦肉率估測方法的研究[J].四川農業大學學報,2002,20(2):153-155.

[6] 成芳,廖宜濤,馬君偉.豬肉品質無損檢測研究進展[J].浙江大學學報：農業與生命科學版,2010,36(2):199-206.

[7] 鄭麗敏,田立軍,朱虹,等.基于MATLAB的BP神經網絡在豬等級評定中的應用研究[J].計算機應用研究,2008,25(6):1642-1644.

[8] 王麗紅,葉金鵬,王子戡,等.畜禽胴體分級技術[J].肉類工業,2014(10):37-41.

[9] 張靠社,羅釗.基于RBF-BP組合神經網絡的短期風電功率預測研究[J].可再生能源,2014,32(9):1346-1351.

[10] K. Manikya Kanti, P. Srinivasa Rao. Prediction of bead geometry in pulsed GMA welding using back propagation neural network[J].Journal of Materials Processing Technology, 2008, 200(1-3):300-305.

[11] Cheng-Yuan Liou, Jau-Chi Huang, Wen-Chie Yang. Modeling word perception using the Elman network[J].Neurocomputing,2008,71(16-18):3150-3157.

[12] A B Doeschl-Wilson, D M Green, A V Fisher, et al. The relationship between body dimensions of living pigs and their carcass composition [J].Meat Science,2005,70(2):229-240.

[13] A. Fortin, A K M Tong, W M Robertson, et al.A novel approach to grading pork carcasses: computer vision and ultrasound [J].Meat Science,2003,63(4):451-462.

[14] David I Ellis, David Broadhurst, Royston Goodacre. Rapid and quantitative detection of the microbial spoilage of beef by Fourier transform infrared spectroscopy and machine learning [J]. Analytica Chimica Acta,2004,514(2):193-201.Abstract ID:1003-188X(2017)06-0188-EA

Lean Meat Percentage Prediction of Pig Carcass Based on Radial Basis Function Neural Network

Zhang Meng, Zhong Nan

(College of Engineering, South China Agricultural University, Guangzhou 510642, China)

Lean meat percentage(LMP) of pig carcass is one of the important indexes of pork quality evaluation. It is necessary to predict the data accurately and quickly, and complete grading on the production line. Most of the producers still use the traditional manual dissection method, which is not only time and labor consuming, but also inaccurate, to measure the LMP after slaughtering. Research of neural network in this field of LMP measurement has been conducted, but was always operated on BP neural network structure. In this study, 116 commercial pigs from the northern Anhui Province were randomly selected as the research materials, and the parameters acquired were loin eye area, back-fat thickness and ham percentage. MatLab was used to build up and train BP network, Elman network and RBF network, and to generate LMP values for further analysis. As the data shows, all three types of neural networks can be used for LMP prediction, while RBF, with the minimum error, the fastest training speed and the strongest learning ability, proves to be the most suitable model for LMP prediction.

lean meat percentage; RBF neural network; BP neural network; Elman neural network

2016-05-09

廣東省科技計劃項目(2012A020602039)；教育部國家留學回國人員啟動基金項目(2011-1568)；廣州市產學研協同創新重大專項(201508010013)

張 萌(1991-)，男，安徽亳州人，碩士研究生。

鐘 南(1965-)，女，湖北荊州人，教授，博士生導師，(E-mail)zhongnan@scau.edu.cn。

S815.4；TP368

A

1003-188X(2017)06-0188-05