基于改進神經網絡算法的蔬菜圖像識別

蘆 范

(商丘職業技術學院，河南 商丘 476000)

蔬菜圖像識別在食品生產中有著非常重要的地位[1-2]，不但有利于大規模化采購，還能按識別結果進行分類，大大減少人力成本。目前，蔬菜圖像識別的方法主要有人工識別[3]、神經網絡算法(NN)[4]、概率神經網絡方法(PNN)[5]、層次聚類神經網絡算法(HCNN)[6]、卷積神經網絡模型(CNN)[7]、小波分析(WA)[8]、人工魚群算法(AFS)[9]及支持向量機回歸 (SVR) 預測模型[10]。人工識別存在主觀性且效率較低；NN適合自適應學習及進行非線性擬合，但網絡結構、神經元的初始權值和閾值隨機設定使得最終結果易陷入局部極小值；PNN實現簡單，同時識別結果較好，但提取蔬菜圖像維度的同時對分類器要求較高；HCNN利用層次聚類結構融合神經網絡解決蔬菜識別問題，但聚類的層次數無法自適應調整，且無法避免隨機性權值矩陣時的死點問題；CNN的仿生結構較優越，但實現較復雜，訓練所需時間較久；WA可提取蔬菜圖像的紋理特征，但存在參數優化的難題；AFS由于初始參數設定以及步長因子對算法優化效果會產生較大影響，應用受限；SVR可避免維數災難，但參數較難選擇。

試驗擬采用改進神經網絡(Improved Neural Network，INN)算法，對神經網絡的權值、隱函數中心值、核寬度參數值進行優化求解，同時對多余的神經元通過量子遺傳算法刪除處理，旨在提高算法的運行速度。

1 改進神經網絡

1.1 徑向基函數神經網絡描述

徑向基函數神經網絡(RBFNN)具有多層結構[11]，假設第i個樣本點所包含的輸入向量為Xi(i=1,2,…,n)，n為單元數，第j個樣本點的輸出向量為Yj(j=1,2,…,m)，m為輸出層單元個數，第j個徑向基函數的中心向量為cj(j=1,2,…,nc)，則RBFNN輸出為：

(1)

式中：

wi0——第i個節點的閾值；

wik——隱藏層與輸出節點間權重；

Yij——第i個節點的輸出；

f——核函數；

nc——隱藏層節點數。

RBFNN的核函數為:

(2)

式中：

σi——核寬；

ci——隱藏層函數的中心值。

1.2 基于梯度下降方法的權重參數計算

RBFNN權重參數的訓練方法采用梯度下降法[12]，其迭代過程為：

a[cji(t-1)-cji(t-2)]，

(3)

式中：

cji(t)——第j個隱藏層的第i個輸入神經元在第t次迭代的中心分量；

wkj(t)——第k個輸出神經元與第j個隱藏層在第t次迭代的權重；

η——學習率；

E——神經元評價函數。

(4)

式中：

olk——第l個輸入樣本的第k個輸出神經元的期望輸出值；

ylk——輸出值。

1.3 基于增大鄰域半徑的均值聚類方法求取ci

(1) 網絡初始化：隨機選取h個訓練樣本，計算每個樣本的密度值Di。

(5)

式中：

r——樣本xi的一個鄰域半徑。

選取最大Dc1所對應的樣本xc1作為第一個聚類中心，其聚類域為W1(xc1)。

(6)

式中：

選取最大Dc2所對應的樣本xc1作為第二個聚類中心，聚類域為W2(xc2)；依次進行密度值更新至Dci≤0.12Dc1。

1.4 核寬度計算

對最近l個相鄰聚類中心進行計算，獲得核寬度：

(7)

式中：

cj——最近l個相鄰點的矩心ci。

2 量子遺傳算法刪除冗余權重和神經元

2.1 量子遺傳算法描述

2.1.1 量子比特 量子比特可表示0，1兩種狀態或者疊加態[13]：

|φ〉=α|0〉+β|1〉，

(8)

式中：

α——量子比特處于0狀態的概率幅；

β——量子比特處于1狀態的概率幅；

|0〉、|1〉——自旋向下態、自旋向上態；

α2——量子比特處于0狀態的概率；

2.1.2 染色體編碼方案 量子遺傳中染色體采用量子位的概率幅進行編碼：

(9)

式中：

θij——量子比特的相位，取2π×rand，i=1,2,…,n，j=1,2,…,k；

n——染色體數目；

k——量子位的位數；

rand——隨機數，取0～1。

由量子遺傳編碼規則可知，量子位分上、下兩行，因此每個個體可包含兩個候選解，在種群規模不變的情況下，候選解的個數比遺傳算法多1倍，增加了解空間的多樣性，提高了尋優成功的概率[14]。

2.2 量子遺傳算法操作過程

2.2.1 神經元權重量子編碼方法 對每條神經元的每個節點的權重進行0或者1二進制編碼，當編碼均為1時，神經元的權重有效；當編碼為0時，此節點需刪除，以便優化神經網絡。因此，神經網絡是由0和1構成的多條序列染色體，染色體長度為該神經元網絡權重數之和[15]。

2.2.2 適應度函數 將隱含層數量設為1，以便精簡神經網絡，此時適應度函數表達式為：

(10)

式中：

Qi、Qo、Qf——分別為輸入層神經元數量、輸出層神經元數量、反饋抽頭數量；

Ci、Co、Cf——調整系數。

2.2.3 進化規則 根據優勝劣汰的操作規則，通過輪盤賭選擇演變，適應性強的個體更容易遺傳給下一代，適應性較低的個體不易遺傳給下一代。當在突變過程中從隱含層或輸入層刪除神經元時，神經元的相應權重也將被刪除。

3 蔬菜圖像識別過程

3.1 蔬菜圖像特征提取

3.1.1 形狀特征 圓形度：

(11)

式中：

Num——邊界的像素點數；

x——蔬菜圖像的橫坐標；

y——蔬菜圖像的縱坐標；

X、Y——蔬菜圖像的質心坐標；

S——目標圖像的面積。

C越小，蔬菜形狀與圓形的差別越大。

外接最小矩形：

(12)

式中：

ω——方向角，(°)；

L——外接矩形長(取αmax-αmin)，cm；

W——外接矩形寬(取βmax-βmin)，cm。

L/W越大越能將較細長的物體與方形或圓形物體區分開。

慣量最小的矩的軸角度為：

(13)

式中：

u1,1、u2,0、u0,2——分別為(1,1)階、(2,0)階、(0,2)階中心矩。

圓形性：

(14)

式中：

L——目標圖像的周長，cm；

S——目標圖像的面積，cm2。

圓形性與1差異越大，則其與圓的差別越大。

3.1.2 紋理特征 紋理相關性：

(15)

式中：

S1——判定提取圖像像素在某個方向上的相似程度；

p(i,j)——灰度共生矩陣中位置(i，j)處的像素灰度值；

N——灰度共生矩陣的階數；

μx、σx——圖像行x處的px(i)的均值、方差；

μy、σy——圖像列y處的py(j)的均值、方差。

3.1.3 顏色特征 顏色直方圖只包含蔬菜圖像中某一顏色值出現的頻次，未考慮顏色的空間位置信息。為了避免兩幅不同圖像存在相同的直方圖，將各顏色通道的像素值量化至G個范圍內，像素值處于第g段的個數為：ζg+ψg，ζg是顏色為第g段內一致性像素個數，ψg是顏色為第g段內不一致性像素個數，顏色一致性特征矢量H為：

H=[(ζ1+ψ1)，(ζ2+ψ2)，…，(ζG+ψG)]。

(16)

3.2 訓練過程

將量子遺傳算法用于RBFNN訓練學習Ci、σi、wk，加快收斂速度，優化網絡連接結構。設Ii為量子神經元的第i個輸入，則輸出為：

(17)

式中：

arg(u)——u的相位；

λ——偏置值；

θi——輸入角度的相移；

δ——角度控制；

O——輸出。

蔬菜圖像識別流程為：

① 對蔬菜樣本預處理，產生RBFNN的學習與測試樣本；

② 通過梯度下降方法獲得節點間權重；

③ 通過增大鄰域半徑的均值聚類方法獲得隱函數中心值；

④ 通過相鄰聚類中心計算獲得核寬度；

⑤ 通過量子遺傳算法刪除冗余權重和神經元；

⑥ 根據結果值對訓練樣本進行訓練，獲得蔬菜圖像識別結果，若達到預先設置的識別準確率，則進行步驟⑦，否則進行步驟②；

⑦ 獲得最優蔬菜圖像識別模型。

4 試驗仿真

輸入層、輸出層神經元數分別為80，40，隱含層神經元最大數目為15個, 設定目標誤差10-5,訓練得到的輸入層至隱含層的權值為138個,閾值為25個,隱含層至輸出層的權值為90個,閾值為15個，迭代次數為300，量子遺傳編碼長度為20，最優個體保持代數為6時算法終止。

蔬菜圖像共12種：黃瓜、胡蘿卜、大白菜、茄子、韭菜、紅辣椒、平菇、苦瓜、絲瓜、洋蔥、西紅柿、菠菜，每種至少包含50個樣本，在每類蔬菜中隨機性選取30幅圖像進行訓練，送入訓練程序中，提取相關特征，并以蔬菜名作為文件名稱，將特征以文件形式保存，剩余圖像作為測試數據，提供給分類器進行識別操作。

4.1 識別結果

算法包括NN、PNN、HCNN、CNN、WA、AFS、SVR、INN，每種算法進行50次試驗，在總樣本集中進行訓練樣本，每次隨機獲取測試樣本，并在總樣本集中進行測試。

由圖1可知，INN算法高于其他算法的平均識別率，INN算法的形狀特征平均識別率為97.56%，相比NN、PNN、HCNN、CNN、WA、AFS、SVR分別提高了7.95%，5.65%，3.68%，2.15%，8.37%，9.74%，6.19%；紋理特征平均識別率為95.60%，相比NN、PNN、HCNN、CNN、WA、AFS、SVR分別提高了6.76%，4.80%，3.13%，1.83%，7.11%，8.28%，5.26%；顏色特征平均識別率為93.25%，相比NN、PNN、HCNN、CNN、WA、AFS、SVR分別提高了5.74%，4.08%，2.66%，1.55%，6.05%，7.04%，4.47%。由于采用量子遺傳算法優化RBFNN神經網絡參數，對冗余神經元權重進行刪除，提高了蔬菜圖像的識別準確率。

由圖2可知，洋蔥圖像平均識別率最高，菠菜圖像平均識別率最低，是因為洋蔥圖像有其自身特殊性，洋蔥圖像比較接近圓形，旋轉其圖像變化不大，菠菜由于自身紋理、顏色等易與其他青菜混淆，不便于識別。

圖1 不同算法對蔬菜圖像的平均識別率

圖2 各種蔬菜圖像平均識別率

4.2 處理時間分析

由圖3可知，INN訓練時間平均為5.83 s、識別時間平均為2.18 s，與其他算法相比，試驗算法消耗的時間較少。

圖3 各種算法的識別性能比較

5 結論

針對基本神經網絡算法在蔬菜圖像識別過程中存在識別率低的問題，提出了一種改進神經網絡算法。通過優化徑向基函數神經網絡、量子遺傳算法刪除冗余權重和神經元，獲得最優的神經網絡結構，試驗仿真對12種蔬菜圖像的形狀特征、紋理特征、顏色特征平均識別率高于其他算法，說明該方法在蔬菜圖像識別中十分有效。試驗只針對常見的蔬菜圖像進行識別，后續將對外觀極度相近的蔬菜圖像進行識別。