基于ＢＰ神經(jīng)網(wǎng)絡(luò)的柚子分類研究

黃杰賢 劉燕 楊冬濤

摘要：介紹了一種基于BP神經(jīng)網(wǎng)絡(luò)的柚子分類檢測系統(tǒng)。通過選取柚子表面缺陷、柚子形狀以及大小等指標(biāo)構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，從而得到較好的網(wǎng)絡(luò)權(quán)值。然后選取20組數(shù)據(jù)進(jìn)行驗證。結(jié)果表明，基于BP神經(jīng)網(wǎng)絡(luò)能夠準(zhǔn)確地對柚子進(jìn)行模擬分類，準(zhǔn)確率達(dá)90%。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);柚子分類;柚子特征

中圖分類號：TP391.4? ? ? ? ?文獻(xiàn)標(biāo)識碼：A

文章編號：0439-8114（2018）24-0112-04

DOI：10.14088/j.cnki.issn0439-8114.2018.24.031? ? ? ? ? ?開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

Abstract： A grapefruit classification detection system based on BP neural network was introduced. BP neural network model was built by selecting the grapefruit surface defects， grapefruit shape， grapefruit size and other indicators， in order to get better network weights. Then 20 sets of data for verification were selected. The experimental results indicated that grapefruit classification could be accurately classified by using BP neural network with the accuracy of 90%.

Key words： BP neural network; grapefruit classification; grapefruit characteristics

柚子清香、酸甜、涼潤，營養(yǎng)豐富，藥用價值很高，是人們喜食的水果之一，也是具食療效果的水果。然而，目前柚子的采摘與分揀主要還是依靠人工方式，人工檢測存在著勞動力大、效率低、分揀精度不穩(wěn)定等缺點。隨著計算機技術(shù)的發(fā)展，機器視覺技術(shù)已經(jīng)廣泛應(yīng)用到農(nóng)產(chǎn)品分揀系統(tǒng)中。利用機器視覺進(jìn)行檢測，不僅可以排除主觀因素干擾，而且還能對檢測進(jìn)行定量、定性描述，具有人工檢測無法比擬的優(yōu)越性[1]。

篩選優(yōu)質(zhì)柚子，首先要看外形，柚子外形應(yīng)該是上尖下寬，即柚頸較短，果體底部則寬大平整，類似不倒翁或呈水滴狀。頸長的柚子果肉少，皮多。其次，要看果皮，好柚子表皮光滑細(xì)致，著色均勻，具有光澤。再次，對柚子的大小進(jìn)行分類，篩選出大小合適的柚子。針對柚子以上3個關(guān)鍵指標(biāo)，本研究采用圖像處理技術(shù)，對柚子顏色、果形、大小進(jìn)行處理，然后采用神經(jīng)網(wǎng)絡(luò)進(jìn)行建模分類，最后篩選得到優(yōu)質(zhì)柚子。

1? 柚子檢測系統(tǒng)裝置

要獲得準(zhǔn)確的柚子圖像，防止攝像頭的遠(yuǎn)近移動導(dǎo)致成像大小不一，造成誤判，本系統(tǒng)采用的試驗硬件裝置如圖1所示。采用自帶光照的矩形箱體，尺寸為800 mm×500 mm，在上面中間開一個孔，用于裝置攝像頭，箱體內(nèi)部涂上無反光漆背景，消除反射光對試驗的影響。

2? 柚子檢測

2.1? 柚子表面缺陷檢測

水果表面缺陷，往往反映在其表面色澤的變換上，因此，柚子表面缺陷檢測就是通過圖像模式識別的方法，從一批柚子中檢測出表面在色澤外觀上有問題的柚子。柚子表皮斑點有大有小，通常情況下，認(rèn)為小的柚斑不影響柚子的品質(zhì)，可以忽略不計，如圖2a所示。大的柚斑影響外觀，應(yīng)當(dāng)剔除，如圖2b所示。通過計算，圖2a的缺陷面積占總面積的0.6%，圖2b缺陷面積占總面積的2.23%。圖像模式識別的方法就是通過模擬人眼，對柚子表面的缺陷程度進(jìn)行量化，通過試驗和人眼識別進(jìn)行對比，認(rèn)為缺陷面積占總體面積大于2%的柚子為不合格的柚子，因此柚斑面積占柚子總面積的2%～100%為不合格的柚子，依此為依據(jù)選取出不符合要求的表面缺陷的柚子。

2.2? 柚子果形檢測

人們對優(yōu)質(zhì)水果的判斷不僅體現(xiàn)在水果的外觀表面上，而且也體現(xiàn)在水果的大小、形狀的選擇上，挑選優(yōu)質(zhì)柚子也是如此。因此，在剔除了有表面缺陷的柚子后，需要對柚子的外形進(jìn)行篩選。如前面所講述的，好的柚子是頸短底寬，呈圓形狀。所以模擬人們的思維，選擇圓形度作為柚子形狀檢測的依據(jù)，選擇柚子面積作為柚子大小檢測的依據(jù)。

2.2.1? 柚子形狀檢測? 圓形度[2]主要用來刻畫物體邊界的復(fù)雜程度，用來表示物體圓形程度的指標(biāo)。度量圓形度最常用的是致密度（C），即面積（A）與周長（P）的平方比：

若物體為圓形，則C為1。柚子外形似圓形，C越接近1，說明柚頸越短，柚體越飽滿，如圖3所示。圖3a、圖3b、圖3c、圖3d、圖3e的柚形依次變差，通過計算，其各自的圓形度分別為1.119 6、1.138 4、1.149 8、1.207 0、1.271 6（圖3f），與人眼所視一致。這里把圓形度為1.2以上視為柚形不美觀，即優(yōu)質(zhì)柚子的圓形度范圍為[1.1，1.2]。

2.2.2? 柚子大小檢測? 柚斑檢測分析了柚子表面的缺陷情況，圓形度檢測衡量了柚子形狀的優(yōu)劣，但并不能對柚子的大小進(jìn)行測量。重量是衡量一個柚子大小的標(biāo)準(zhǔn)之一，本研究所采用的柚子試驗裝置如圖1所示，排除了光線和攝像頭聚焦對成像的影響，所有柚子的重量可以按照圖像面積的大小來確定。如圖4所示，圖中柚子均無柚斑，柚形勻稱，但是柚子圓潤飽滿程度不一，根據(jù)實際情況把圖4b認(rèn)為是標(biāo)準(zhǔn)的柚子大小。通過計算，圖4a面積與圖4b面積的比較值為1.09，大于1，則認(rèn)為其為合格的柚子;圖4c面積與圖4b面積比值為0.65，小于1，則認(rèn)為其為不合格的柚子。試驗結(jié)果與人眼所看的一致。柚子大小有一定范圍，測試柚子與標(biāo)準(zhǔn)柚子比值不會無限大。在試驗過程中，為了柚子統(tǒng)一美觀，把測試的柚子為標(biāo)準(zhǔn)柚子的倍數(shù)設(shè)定為1.0～1.5倍。

2.3? 基于BP神經(jīng)網(wǎng)絡(luò)的柚子分類檢測

BP（Back propagation）網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。BP神經(jīng)網(wǎng)絡(luò)一般由輸入層、輸出層和隱含層構(gòu)成，每1層都由若干個節(jié)點組成，每1個節(jié)點表示1個神經(jīng)元，上層節(jié)點與下層節(jié)點之間通過權(quán)值連接，每1層權(quán)值可通過學(xué)習(xí)來調(diào)節(jié)，層與層之間的節(jié)點采用全互聯(lián)的連接方式，每層內(nèi)節(jié)點之間沒有聯(lián)系[3，4]。一個典型的人工神經(jīng)元模型如圖5所示。

BP網(wǎng)絡(luò)具有很強的非線性映射能力，一個3層BP神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)對任意非線性函數(shù)進(jìn)行逼近。故本研究采用3層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖6所示。該網(wǎng)絡(luò)有3層，輸入層包含3個神經(jīng)元，隱層包含3個神經(jīng)元，輸出層包含1個神經(jīng)元[5]。

3? 結(jié)果與分析

為了利用BP神經(jīng)網(wǎng)絡(luò)算法實現(xiàn)對柚子的分類，需要獲得大量的學(xué)習(xí)訓(xùn)練樣本。在試驗過程中，選取400組數(shù)據(jù)作為訓(xùn)練樣本，選取20組作為測試樣本，測試樣本數(shù)據(jù)見表1。表1為處理后的柚子缺陷比值，柚子形狀比值以及柚子大小比值。根據(jù)上文對柚子的分析，柚子缺陷比值范圍在[0，2]，柚子形狀比值范圍在[1.1，1.2]，柚子大小比值范圍在[1.0，1.5]，合格的柚子同時滿足以上3個條件，否則為不合格產(chǎn)品。在仿真過程中，合格產(chǎn)品預(yù)期輸出為1，不合格產(chǎn)品輸出為0，即若合格產(chǎn)品經(jīng)過BP神經(jīng)網(wǎng)絡(luò)測試后輸出結(jié)果為1，與預(yù)期輸出相符，即為正確;若輸出結(jié)果為0，與預(yù)期輸出不相符，即為錯誤。

從表1可以看到，因為收集的原始數(shù)據(jù)存在不同的數(shù)量級，會使得輸入網(wǎng)絡(luò)時數(shù)據(jù)的權(quán)值差異較大，而對于某些權(quán)值很小的元素，往往會被誤判為0。因此在BP網(wǎng)絡(luò)訓(xùn)練前和測試前，都需要將數(shù)據(jù)進(jìn)行歸一化處理，將輸入數(shù)據(jù)的變化范圍縮小到0～1，表2為歸一化處理后的測試數(shù)據(jù)。

試驗結(jié)果仿真如圖7所示，“o”表示預(yù)期輸出值，“*”表示模型輸出值，若“o”與“*”重合，則表示預(yù)期輸出值與模型輸出值一致;若不重合，則表示預(yù)期輸出值與模型輸出值不一致，發(fā)生了誤判。

從圖7和表3可以看出，對20個測試樣品進(jìn)行試驗，正確識別數(shù)為18個，準(zhǔn)確率達(dá)90%，證明模型輸出值與預(yù)期輸出值擬合度較高。

4? 小結(jié)

本研究通過對柚子的缺陷、形狀、大小進(jìn)行量化分析，與優(yōu)質(zhì)柚子建立聯(lián)系，并利用BP神經(jīng)網(wǎng)絡(luò)模型對柚子進(jìn)行分類預(yù)測。結(jié)果表明，利用BP神經(jīng)網(wǎng)絡(luò)的柚子分類預(yù)測模型精度較高，預(yù)測結(jié)果接近人工分類的真實情況。

參考文獻(xiàn)：

[1] 鄧海霞，劉友明，熊利榮.機器視覺技術(shù)在農(nóng)產(chǎn)品尺寸和形狀檢測方面的應(yīng)用[J].湖北農(nóng)機化，2006（2）：25.

[2] 何東健，數(shù)字圖像處理[M].第二版.西安：西安電子科技大學(xué)出版社，2008.

[3] SOFU A，EKINCI F Y. Estimation of storage time of yogurt with artificial neural network modeling[J].Journal of Dairy Science，2007，90（7）：3118-3125.

[4] 傅薈璇，趙? 紅.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].北京：機械工業(yè)出版社，2010.

[5] 劉天舒.BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)研究及應(yīng)用[D].哈爾濱：東北農(nóng)業(yè)大學(xué)，2011.