李春霆

摘要：以图像处理的方式进行大豆种子的品质检测，提出一种引入粒子群优化的改进算法，使之具备更加准确地分类并识别大豆种子的能力。首先对图像样本进行预处理和特征提取，随后以粒子群算法改善神经网络权值和阈值的确定过程，增强其收敛速度，在全局范围内以较高的效率找到最优解，最后通过仿真对比试验，证明了所构建的大豆品质检测系统的准确度有了显著提升。

关键词：大豆品质；检测速度；神经网络

中图分类号： TP391.41；S126 文献标志码： A 文章编号：1002-1302（2014）03-0263-03

我国大豆产业的发展已经日趋成熟，基于大豆作物的深加工产品（包括色拉油、异黄酮等）也为企业带来了丰厚的利润。目前我国每年的大豆深加工产值已经超过300亿元人民币。大豆在收购时必须进行质量的检测与评估，当前我国大豆检测手段的准确度和效率均难以达到要求，导致我国大豆由于质量问题而出口机会减少。大豆品质检测的主要指标有外观品质、营养品质、食味品质、卫生品质等，其中外观品质包括大豆的病斑、虫蚀、霉变等。已有研究证明大豆的外观皮质与其营养品质、卫生品质具有高度的正相关性[1]，因此可以通过对大豆外观的检测来辨别其质量的优劣。当前，如何通过大豆的外观品质特征来评估其品质水平是作物品质检测研究的热点之一[2-3]。基于神经网络识别的方法由于自学习能力强，并能够对人脑的神经进行高效模拟，从而实现具有较强鲁棒性的推理判别，十分适合于作物果实品质的鉴定和评估[4]，检测效果较好。传统的神经网络算法存在学习过程收敛速度慢、算法易陷入局部极小点和鲁棒性差等缺陷，常常会导致作物识别与品质评估识别的正确率受到影响[5-6]。本研究针对传统神经网络算法所存在的缺陷，引入粒子群优化算法对其进行改进，使之具备更加准确地分类并识别大豆种子的能力，最后通过仿真对比试验，证明了所构建的大豆品质检测系统的准确度有了显著提升。本研究的成果在作物种子品质鉴别与质量评估方面有着很好的理论价值与实践意义。

1 基于改进神经网络的大豆品质检测算法

1.1 大豆种子样本图像的获取

大豆种子采集时间为2012年9月，采集地点为河北省农业研究所宣化林场及育种基地。室内简单背景下拍摄大豆种子的静态图片。将大豆种子平铺于拍摄平台上，在三角架上固定相机，保持镜头与大豆距离恒定在1.0 m，确保颜色及特征清晰，图像输入电脑并以JPG格式保存。

1.2 大豆种子样本图像预处理

1.2.1 灰度预处理 原始图像数据量较大，首先将其转换为8位灰度图像。转换之后的图像仅保留灰度信息，这对图像预处理已足够。在大豆图像增强中，主要是对一些强度不足的边缘与细节进行处理，同时保留强度足够的部分。本研究引入分段线性形式，来实现小波变换的增强函数，如下式：

2 仿真研究

2.1 仿真环境的设置

本研究将包含3层结构的神经网络作为大豆品质识别的基本模型。前面已经通过关联分析而得到了影响较大的5个因子（能量、对比度、熵、I分量、H分量），所以神经网络输入层的节点数目确定为5个。结合文献中学习速率区间为[0.01～0.7]的研究结论，将学习速率最终定位于0.7。结合Kolmogorov算法[9]，得出隐含层为15个节点，神经网络为6-15-1型结构。以粒子群算法优化传统的神经网络方法，对神经网络进行训练，从而获取较优的权值、阈值。

具体步骤为：（1）构建优化神经网络的输入矩阵，包括网络所需的训练样本、网络的期望输出值以及网络的测试样本；（2）引入Matlab实现对试验数据的仿真分析，创建神经网络（函数均来自Matlab的神经网络工具箱，下同，注略）：

net=newff（min max（PTrain），{logsig″logsig″}，′traingd′

程序语句中，″logsig″为神经网络不同层次之间的传递函数，′traingd′为训练函数。神经网络创建之后，便开始进行权值、阈值的初始化；（3）创建粒子群优化的神经网络：创建方法同（1）；（4）通过Matlab的train函数实现对神经网络的训练。语句为：

[net，tr]=train（net，P_Train，T_rain）

网络输入、输出维数以参数P、T表示。

2.2仿真结果分析

2.2.1 网络性能对比 图2所示为基本神经网络与粒子群优化神经网络的训练误差曲线对比。

图2中，横坐标是神经网络的训练次数，纵坐标为训练误差值。从基本神经网络的误差曲线可知，训练次数超过300次时，目标误差值10-4尚未达到，收敛较慢，性能不佳；而粒子群优化后的神经网络则在第19次时满足了目标误差值，可见性能有较为明显的提升，经过更少的迭代次数就使网络的性能达到了要求。

2.2.2 识别结果比较 选取正常大豆、各类带病大豆以及正常与病态混合大豆各100幅图片，以传统神经网络与粒子群优化神经网络对其进行识别，识别结果如表1所示。

可见，粒子群优化的神经网络对各类大豆样本图像的识别率均超过90%，其平均识别率为93.1%；传统神经网络平均识别率仅为88%。可见优化的神经网络拥有更精确的大豆品质识别能力，对各类缺陷豆和病害豆的识别率均显著优于传统神经网络。仿真结果表明：经过粒子群优化的神经网络可以对大豆种子的品质评估提供令人满意的支持，效果比较理想。

3 小结

作物种子的品质识别是现代农业中非常重要的技术，也是农业信息化和精确农业的研究热点之一。本研究基于传统神经网络在图像识别中的一些不足之处，引入粒子群优化的算法进行改进，对经过预处理和特征提取的大豆种子图像进行验证，仿真结果表明优化的神经网络可以显著增强大豆种子品质的识别率、提升识别效率，在现代农业中应用前景看好。endprint

参考文献：

[1]傅艳华，王鹏程，阳庆华，等.大豆食品加工利用现状与发展前景[J]. 湖北农业科学，2001（1）：62-64.

[2]李 聪，高海燕，袁 超. 基于计算机视觉的苹果自动分级方法研究[J]. 计算机仿真，2012（9）：293-296.

[3]黄星弈，魏海丽，赵杰文. 实时在线检测苹果果形的一种计算方法[J]. 食品与机械，2006，22（1）：27-29.

[4]冯 斌. 计算机视觉信息处理方法与水果分级检测技术研究[D]. 北京：中国农业大学，2010.

[5]Schroder M，Rehrauer H，Seidek K，et al. Interactive learning and probabilistic retrieval in remote sensing image archives[J]. Geoscience and Remote Sensing，38（5）：2288-2298.

[6]彭淑敏. 神经网络图像识别技术研究及实现[D]. 西安：西安电子科技大学，2005.

[7]Kalchmair S，Jhrling N，Becker K，et al. Image contrast enhancement in confocal ultramicroscopy[J]. Optics Letters，2010，35（1）：79-81.

[8]高 岩，乔彦峰. 一种改进直方图均衡的图像增强方法[J]. 计算机仿真，2008，25（4）：198-200.

[9]Kenned J，Ebemart R C. Partical swarm optimi-zation[C]//Proceeding of 1995 IEEE International Conference on Neural Networks，1995：192-194.

[10]常爱英，吴铁军，包 鑫，等. 基于最小二乘支持向量机的配煤着火特性预测模型[J]. 煤炭学报，2010，35（8）：1380-1383.

[11]蔡金锭，付中云. 粒子群神经网络混合算法在负荷预测中的应用[J]. 高电压技术，2007，33（5）：90-93.endprint

参考文献：

[1]傅艳华，王鹏程，阳庆华，等.大豆食品加工利用现状与发展前景[J]. 湖北农业科学，2001（1）：62-64.

[2]李 聪，高海燕，袁 超. 基于计算机视觉的苹果自动分级方法研究[J]. 计算机仿真，2012（9）：293-296.

[3]黄星弈，魏海丽，赵杰文. 实时在线检测苹果果形的一种计算方法[J]. 食品与机械，2006，22（1）：27-29.

[4]冯 斌. 计算机视觉信息处理方法与水果分级检测技术研究[D]. 北京：中国农业大学，2010.

[5]Schroder M，Rehrauer H，Seidek K，et al. Interactive learning and probabilistic retrieval in remote sensing image archives[J]. Geoscience and Remote Sensing，38（5）：2288-2298.

[6]彭淑敏. 神经网络图像识别技术研究及实现[D]. 西安：西安电子科技大学，2005.

[7]Kalchmair S，Jhrling N，Becker K，et al. Image contrast enhancement in confocal ultramicroscopy[J]. Optics Letters，2010，35（1）：79-81.

[8]高 岩，乔彦峰. 一种改进直方图均衡的图像增强方法[J]. 计算机仿真，2008，25（4）：198-200.

[9]Kenned J，Ebemart R C. Partical swarm optimi-zation[C]//Proceeding of 1995 IEEE International Conference on Neural Networks，1995：192-194.

[10]常爱英，吴铁军，包 鑫，等. 基于最小二乘支持向量机的配煤着火特性预测模型[J]. 煤炭学报，2010，35（8）：1380-1383.

[11]蔡金锭，付中云. 粒子群神经网络混合算法在负荷预测中的应用[J]. 高电压技术，2007，33（5）：90-93.endprint

参考文献：

[1]傅艳华，王鹏程，阳庆华，等.大豆食品加工利用现状与发展前景[J]. 湖北农业科学，2001（1）：62-64.

[2]李 聪，高海燕，袁 超. 基于计算机视觉的苹果自动分级方法研究[J]. 计算机仿真，2012（9）：293-296.

[3]黄星弈，魏海丽，赵杰文. 实时在线检测苹果果形的一种计算方法[J]. 食品与机械，2006，22（1）：27-29.

[4]冯 斌. 计算机视觉信息处理方法与水果分级检测技术研究[D]. 北京：中国农业大学，2010.

[5]Schroder M，Rehrauer H，Seidek K，et al. Interactive learning and probabilistic retrieval in remote sensing image archives[J]. Geoscience and Remote Sensing，38（5）：2288-2298.

[6]彭淑敏. 神经网络图像识别技术研究及实现[D]. 西安：西安电子科技大学，2005.

[7]Kalchmair S，Jhrling N，Becker K，et al. Image contrast enhancement in confocal ultramicroscopy[J]. Optics Letters，2010，35（1）：79-81.

[8]高 岩，乔彦峰. 一种改进直方图均衡的图像增强方法[J]. 计算机仿真，2008，25（4）：198-200.

[9]Kenned J，Ebemart R C. Partical swarm optimi-zation[C]//Proceeding of 1995 IEEE International Conference on Neural Networks，1995：192-194.

[10]常爱英，吴铁军，包 鑫，等. 基于最小二乘支持向量机的配煤着火特性预测模型[J]. 煤炭学报，2010，35（8）：1380-1383.

[11]蔡金锭，付中云. 粒子群神经网络混合算法在负荷预测中的应用[J]. 高电压技术，2007，33（5）：90-93.endprint