芦 范

(商丘职业技术学院，河南 商丘 476000)

蔬菜图像识别在食品生产中有着非常重要的地位[1-2]，不但有利于大规模化采购，还能按识别结果进行分类，大大减少人力成本。目前，蔬菜图像识别的方法主要有人工识别[3]、神经网络算法(NN)[4]、概率神经网络方法(PNN)[5]、层次聚类神经网络算法(HCNN)[6]、卷积神经网络模型(CNN)[7]、小波分析(WA)[8]、人工鱼群算法(AFS)[9]及支持向量机回归 (SVR) 预测模型[10]。人工识别存在主观性且效率较低；NN适合自适应学习及进行非线性拟合，但网络结构、神经元的初始权值和阈值随机设定使得最终结果易陷入局部极小值；PNN实现简单，同时识别结果较好，但提取蔬菜图像维度的同时对分类器要求较高；HCNN利用层次聚类结构融合神经网络解决蔬菜识别问题，但聚类的层次数无法自适应调整，且无法避免随机性权值矩阵时的死点问题；CNN的仿生结构较优越，但实现较复杂，训练所需时间较久；WA可提取蔬菜图像的纹理特征，但存在参数优化的难题；AFS由于初始参数设定以及步长因子对算法优化效果会产生较大影响，应用受限；SVR可避免维数灾难，但参数较难选择。

试验拟采用改进神经网络(Improved Neural Network，INN)算法，对神经网络的权值、隐函数中心值、核宽度参数值进行优化求解，同时对多余的神经元通过量子遗传算法删除处理，旨在提高算法的运行速度。

1 改进神经网络

1.1 径向基函数神经网络描述

径向基函数神经网络(RBFNN)具有多层结构[11]，假设第i个样本点所包含的输入向量为Xi(i=1,2,…,n)，n为单元数，第j个样本点的输出向量为Yj(j=1,2,…,m)，m为输出层单元个数，第j个径向基函数的中心向量为cj(j=1,2,…,nc)，则RBFNN输出为：

(1)

式中：

wi0——第i个节点的阈值；

wik——隐藏层与输出节点间权重；

Yij——第i个节点的输出；

f——核函数；

nc——隐藏层节点数。

RBFNN的核函数为:

(2)

式中：

σi——核宽；

ci——隐藏层函数的中心值。

1.2 基于梯度下降方法的权重参数计算

RBFNN权重参数的训练方法采用梯度下降法[12]，其迭代过程为：

a[cji(t-1)-cji(t-2)]，

(3)

式中：

cji(t)——第j个隐藏层的第i个输入神经元在第t次迭代的中心分量；

wkj(t)——第k个输出神经元与第j个隐藏层在第t次迭代的权重；

η——学习率；

E——神经元评价函数。

(4)

式中：

olk——第l个输入样本的第k个输出神经元的期望输出值；

ylk——输出值。

1.3 基于增大邻域半径的均值聚类方法求取ci

(1) 网络初始化：随机选取h个训练样本，计算每个样本的密度值Di。

(5)

式中：

r——样本xi的一个邻域半径。

选取最大Dc1所对应的样本xc1作为第一个聚类中心，其聚类域为W1(xc1)。

(6)

式中：

选取最大Dc2所对应的样本xc1作为第二个聚类中心，聚类域为W2(xc2)；依次进行密度值更新至Dci≤0.12Dc1。

1.4 核宽度计算

对最近l个相邻聚类中心进行计算，获得核宽度：

(7)

式中：

cj——最近l个相邻点的矩心ci。

2 量子遗传算法删除冗余权重和神经元

2.1 量子遗传算法描述

2.1.1 量子比特 量子比特可表示0，1两种状态或者叠加态[13]：

|φ〉=α|0〉+β|1〉，

(8)

式中：

α——量子比特处于0状态的概率幅；

β——量子比特处于1状态的概率幅；

|0〉、|1〉——自旋向下态、自旋向上态；

α2——量子比特处于0状态的概率；

2.1.2 染色体编码方案 量子遗传中染色体采用量子位的概率幅进行编码：

(9)

式中：

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

n——染色体数目；

k——量子位的位数；

rand——随机数，取0～1。

由量子遗传编码规则可知，量子位分上、下两行，因此每个个体可包含两个候选解，在种群规模不变的情况下，候选解的个数比遗传算法多1倍，增加了解空间的多样性，提高了寻优成功的概率[14]。

2.2 量子遗传算法操作过程

2.2.1 神经元权重量子编码方法 对每条神经元的每个节点的权重进行0或者1二进制编码，当编码均为1时，神经元的权重有效；当编码为0时，此节点需删除，以便优化神经网络。因此，神经网络是由0和1构成的多条序列染色体，染色体长度为该神经元网络权重数之和[15]。

2.2.2 适应度函数 将隐含层数量设为1，以便精简神经网络，此时适应度函数表达式为：

(10)

式中：

Qi、Qo、Qf——分别为输入层神经元数量、输出层神经元数量、反馈抽头数量；

Ci、Co、Cf——调整系数。

2.2.3 进化规则 根据优胜劣汰的操作规则，通过轮盘赌选择演变，适应性强的个体更容易遗传给下一代，适应性较低的个体不易遗传给下一代。当在突变过程中从隐含层或输入层删除神经元时，神经元的相应权重也将被删除。

3 蔬菜图像识别过程

3.1 蔬菜图像特征提取

3.1.1 形状特征 圆形度：

(11)

式中：

Num——边界的像素点数；

x——蔬菜图像的横坐标；

y——蔬菜图像的纵坐标；

X、Y——蔬菜图像的质心坐标；

S——目标图像的面积。

C越小，蔬菜形状与圆形的差别越大。

外接最小矩形：

(12)

式中：

ω——方向角，(°)；

L——外接矩形长(取αmax-αmin)，cm；

W——外接矩形宽(取βmax-βmin)，cm。

L/W越大越能将较细长的物体与方形或圆形物体区分开。

惯量最小的矩的轴角度为：

(13)

式中：

u1,1、u2,0、u0,2——分别为(1,1)阶、(2,0)阶、(0,2)阶中心矩。

圆形性：

(14)

式中：

L——目标图像的周长，cm；

S——目标图像的面积，cm2。

圆形性与1差异越大，则其与圆的差别越大。

3.1.2 纹理特征 纹理相关性：

(15)

式中：

S1——判定提取图像像素在某个方向上的相似程度；

p(i,j)——灰度共生矩阵中位置(i，j)处的像素灰度值；

N——灰度共生矩阵的阶数；

μx、σx——图像行x处的px(i)的均值、方差；

μy、σy——图像列y处的py(j)的均值、方差。

3.1.3 颜色特征 颜色直方图只包含蔬菜图像中某一颜色值出现的频次，未考虑颜色的空间位置信息。为了避免两幅不同图像存在相同的直方图，将各颜色通道的像素值量化至G个范围内，像素值处于第g段的个数为：ζg+ψg，ζg是颜色为第g段内一致性像素个数，ψg是颜色为第g段内不一致性像素个数，颜色一致性特征矢量H为：

H=[(ζ1+ψ1)，(ζ2+ψ2)，…，(ζG+ψG)]。

(16)

3.2 训练过程

将量子遗传算法用于RBFNN训练学习Ci、σi、wk，加快收敛速度，优化网络连接结构。设Ii为量子神经元的第i个输入，则输出为：

(17)

式中：

arg(u)——u的相位；

λ——偏置值；

θi——输入角度的相移；

δ——角度控制；

O——输出。

蔬菜图像识别流程为：

① 对蔬菜样本预处理，产生RBFNN的学习与测试样本；

② 通过梯度下降方法获得节点间权重；

③ 通过增大邻域半径的均值聚类方法获得隐函数中心值；

④ 通过相邻聚类中心计算获得核宽度；

⑤ 通过量子遗传算法删除冗余权重和神经元；

⑥ 根据结果值对训练样本进行训练，获得蔬菜图像识别结果，若达到预先设置的识别准确率，则进行步骤⑦，否则进行步骤②；

⑦ 获得最优蔬菜图像识别模型。

4 试验仿真

输入层、输出层神经元数分别为80，40，隐含层神经元最大数目为15个, 设定目标误差10-5,训练得到的输入层至隐含层的权值为138个,阈值为25个,隐含层至输出层的权值为90个,阈值为15个，迭代次数为300，量子遗传编码长度为20，最优个体保持代数为6时算法终止。

蔬菜图像共12种：黄瓜、胡萝卜、大白菜、茄子、韭菜、红辣椒、平菇、苦瓜、丝瓜、洋葱、西红柿、菠菜，每种至少包含50个样本，在每类蔬菜中随机性选取30幅图像进行训练，送入训练程序中，提取相关特征，并以蔬菜名作为文件名称，将特征以文件形式保存，剩余图像作为测试数据，提供给分类器进行识别操作。

4.1 识别结果

算法包括NN、PNN、HCNN、CNN、WA、AFS、SVR、INN，每种算法进行50次试验，在总样本集中进行训练样本，每次随机获取测试样本，并在总样本集中进行测试。

由图1可知，INN算法高于其他算法的平均识别率，INN算法的形状特征平均识别率为97.56%，相比NN、PNN、HCNN、CNN、WA、AFS、SVR分别提高了7.95%，5.65%，3.68%，2.15%，8.37%，9.74%，6.19%；纹理特征平均识别率为95.60%，相比NN、PNN、HCNN、CNN、WA、AFS、SVR分别提高了6.76%，4.80%，3.13%，1.83%，7.11%，8.28%，5.26%；颜色特征平均识别率为93.25%，相比NN、PNN、HCNN、CNN、WA、AFS、SVR分别提高了5.74%，4.08%，2.66%，1.55%，6.05%，7.04%，4.47%。由于采用量子遗传算法优化RBFNN神经网络参数，对冗余神经元权重进行删除，提高了蔬菜图像的识别准确率。

由图2可知，洋葱图像平均识别率最高，菠菜图像平均识别率最低，是因为洋葱图像有其自身特殊性，洋葱图像比较接近圆形，旋转其图像变化不大，菠菜由于自身纹理、颜色等易与其他青菜混淆，不便于识别。

图1 不同算法对蔬菜图像的平均识别率

图2 各种蔬菜图像平均识别率

4.2 处理时间分析

由图3可知，INN训练时间平均为5.83 s、识别时间平均为2.18 s，与其他算法相比，试验算法消耗的时间较少。

图3 各种算法的识别性能比较

5 结论

针对基本神经网络算法在蔬菜图像识别过程中存在识别率低的问题，提出了一种改进神经网络算法。通过优化径向基函数神经网络、量子遗传算法删除冗余权重和神经元，获得最优的神经网络结构，试验仿真对12种蔬菜图像的形状特征、纹理特征、颜色特征平均识别率高于其他算法，说明该方法在蔬菜图像识别中十分有效。试验只针对常见的蔬菜图像进行识别，后续将对外观极度相近的蔬菜图像进行识别。