基于人工神经网络与VPMCD的葡萄干等级检测方法研究.docx

基于人工神经网络与VPMCD的葡萄干等级检测方法研究.docx

《基于人工神经网络与VPMCD的葡萄干等级检测方法研究.docx》由会员分享，可在线阅读，更多相关《基于人工神经网络与VPMCD的葡萄干等级检测方法研究.docx（7页珍藏版）》请在冰点文库上搜索。

基于人工神经网络与VPMCD的葡萄干等级检测方法研究

基于人工神经网络与VPMCD的葡萄干等级检测方法研究

　　摘要：

为了准确鉴别葡萄干等级，提出一种基于人工神经网络和VPMCD的葡萄干等级检测新方法。

以新疆绿无核三个等级的葡萄干作为研究对象，提取颜色、形状的特征参数。

采用BP神经网络算法，对比各特征组合对识别率的影响，确定了识别率较高的4个特征参数组合。

最后应用VPMCD方法进行样本训练并进行葡萄干等级检测。

将提出的方法与SVM、BP神经网络识别结果进行对比分析，结果表明，VPMCD算法识别率达到100%，分级效果明显，运算时间少，识别精度高，为农产品等级检测提供了一个新途径。

　　关键词：

葡萄干；等级检测；BP神经网络；VPMCD

　　中图分类号：

TN926?

34文献标识码：

A文章编号：

1004?

373X（2016）12?

0018?

04

　　Abstract：

Topreciselyidentifytheraisingrades，anewraisingradedetectionmethodbasedonartificialneuralnetworkandVPMCDisproposed.TheXinjiangGreenseedlessraisinsofthreegradesaretakenastheresearchobjecttoextractthecharacteristicparametersofcolorandsize.TheBPneuralnetworkalgorithmisusedtocomparetheinfluenceofeachfeaturecombinationonidentificationrate.Thefourcharacteristicparametercombinationswithhighidentificationrateweredetermined.TheVPMCDmethodisadoptedtotrainthesampleanddetecttheraisingrade.TheidentificationresultoftheproposedmethodwascomparedwiththoseofSVMmethodandBPneuralnetworkmethod.ThecomparisonresultsshowthattheidentificationrateofVPMCDalgorithmcanreachupto100%，andhassuperiorclassificationeffect，lessoperationtimeandhighidentificationprecision.Itprovidesanewapproachforgradedetectionofagriculturalproducts.

　　Keywords：

raisin；gradedetection；BPneuralnetwork；VPMCD

　　0引言

　　葡萄干营养价值丰富，美味可口，受到全国人民青睐。

目前，葡萄干的品质检测主要分为外部和内部检测两类，内部检测主要是对其味道、糖分、水分的检测，检测技术已经比较成熟；外部检测方法主要是对颜色、形状、大小及表面缺陷的检测，检测技术不够成熟，仍需进一步研究，如何对大批量葡萄干进行实时检测，成为研究的关键，迅速有效的检测方法对我国的葡萄干进出口贸易有促进作用。

目前农产品识别、分级检测技术日趋成熟，检测方法多种多样，其中神经网络技术应用较为广泛[1?

3]，数据挖掘算法[4]、基于稀疏表示的分类算法[5]也在各类识别中应用，识别精度成为比较各种算法优劣的关键。

　　VPMCD方法是一种基于变量预测模型的模式识别方法，它认为不同类别的系统中，全部或者部分特征之间存在一定的内在关系，根据这种关系建立数学模型，采集研究对象的数据，对模型参数进行训练可以得到预测模型，利用预测模型可以对各类对象进行预测分类[6]。

目前，这种方法在滚动轴承故障诊断、机械故障诊断、齿轮故障诊断及其他的一些故障诊断中应用较为广泛[7?

10]，在农产品等级检测中尚未应用。

试验中尝试采用VPMCD方法对葡萄干进行等级检测。

　　1研究对象与方法

　　1.1研究对象

　　以新疆绿无核葡萄干作为研究对象，分别选取三个等级（一级、二级、三级）的葡萄干各100粒，其中，每个等级各40粒作为训练样本，剩余60粒作为测试样本。

　　1.2研究方法

　　设计适宜的照明装置，选择合适的照明条件，采集三个等级葡萄干图像后进行图像预处理，提取出单个葡萄干图像，图1为采集的原始一级葡萄干图像，进行图像去噪、背景分割、轮廓跟踪后，提取出单个葡萄干图像。

对所有样本的单个葡萄干图像，

　　提取颜色及形状特征，编写人工神经网络算法进行试验，选择识别率较高的特征组合作为识别参数，利用VPMCD方法进行等级测试。

研究流程如图2所示。

　　2葡萄干特征提取

　　2.1颜色特征

　　颜色是葡萄干等级识别的最主要特征，一级葡萄干颜色碧绿且着色均匀，试验前需要选择合适的颜色模型，提取葡萄干的颜色特征。

HSI颜色模型以人眼的视觉特征为基础，使用色调（H）、饱和度（S）、亮度（I）来表示颜色，与人观察颜色的感觉最相似，因此，在获取了葡萄干的24位的真彩色图像后，利用转换公式，需将RGB模型转换为HSI颜色模型，提取H，S，I三个颜色特征。

　　2.2形状特征

　　形状特征能够反映出葡萄干的大小、外形特征，一级葡萄干往往粒大且饱满，提取合适的形状特征也是分级的关键。

试验中，提取了单个葡萄干图像的周长（P）、面积（A）、长轴（L）、短轴（M）、长宽比（W）、圆形度（C）六个基本形状特征。

　　提取了葡萄干样本的特征数据后，应初步筛选识别特征，由表1中三个等级各40粒葡萄干样本的特征均值可以看出，在长宽比、圆形度特征上，三个等级数据差别甚微，原因在于同品种的葡萄晾制的葡萄干外形较为相似，因此，这两个特征不能作为识别的有效特征，初步选定色调（H）、饱和度（S）、亮度（I）、周长（P）、面积（A）、长度（L）、宽度（M）七个特征参数参与人工神经网络训练识别。

　　表1各级葡萄干特征均值

　　葡萄干样本的各个特征物理意义和取值范围不同，需进行数值归一化处理，使其处于同一量纲之中，试验中采用极值归一化方法处理。

设采集样本中有N个葡萄干图像，特征向量的维数为I，第n个图像的第i个特征值为ln，i，将向量li中每个元素的数值归一化到[0，1]范围。

极值归一化公式为：

[ln，i=ln，i-minlimaxli-minli，n=0，1，2，…，N-1，i=0，1，2，…，I-1]

（1）

　　式中：

min（li）为采集样本中图像的第i个特征向量li的最小值；max（li）为采集样本中图像的第i个特征向量li的最大值。

　　3采用人工神经网络进行特征优选

　　人工神经网络是模拟生物神经网络进行信息处理的一种数学模型。

试验中，采用BP神经网络模型，利用Matlab编写程序，构建了具有一个隐含层的三层网络模型，输入层节点数采用特征参数个数，初步选定为7个，输出节点为3个，对应3个等级的葡萄干，初始学习速率为0.01，目标误差采用0.001。

采用双曲正切函数tansig作为隐含层激活函数、对数S型激活函数logsig作为输出层激活函数，网络输出值在0和1之间。

（1）确定识别率较高的网络结构。

根据对测试样本的识别准确率，选取识别率较高的网络结构，如表2所示为各种网络结构下样本的识别率。

由表2可以看出，输入层为7、隐含层为17、输出层为3时识别率较高，且训练速度也相对较快。

　　表2不同网络结构下的识别率比较

（2）选取最优特征组合。

各个特征在识别中所起作用不同，特征少、识别效率高是算法追求的目标。

试验中，在确定了网络结构后，通过对不同特征参数组合下识别率的比较，选取最佳特征组合。

不同参数组合识别率的比较如表3所示。

可以看出，使用色度（H）、面积（A）、长度（L）、宽度（M）4个特征组合识别率最高，训练速度快，因此选择这4个特征作为最终识别特征。

　　4基于VPMCD的等级检测算法

　　在农产品的等级检测中，神经网络、支持向量机（SVM）等检测识别方法没有考虑到对象特征间的相互内在关系。

VPMCD方法根据这种关系，对不同类别对象建立不同的数学模型，利用这些数学模型对测试样本特征值进行预测，根据预测结果对农产品进行分级。

因此，在处理非线性分类问题时，VPMCD方法避免了神经网络的迭代过程，大大减少了计算量和训练时间。

　　试验中，对每个训练样本提取色度、面积、长度、宽度4个特征值，根据特征值之间的非线性特性，选用二次交互模型QI[11]，建立预测模型；提取每个测试样本特征向量作为测试数据。

利用VPMCD方法进行等级检测分为模型训练和模型分级两个过程，具体如下：

（1）模型训练过程：

　　①在三个等级的葡萄干中，共收集n个训练样本（n=120），每一等级分别有nk（k=1，2，3）个样本。

　　②提取训练样本4个特征向量X=[X1，X2，X3，X4]。

　　③对任意被预测变量Xi（i=1，2，…，4），选择二次交互模型（QI）。

　　④令k=1，对于k等级的nk个训练样本中的任意一个，对其每个特征值Xi建立数学模型，得到nk个方程，用最小二乘法对这nk个方程的模型参数进行估计，得到各特征值Xi的预测模型VPMik。

　　⑤令k=k+1，循环步骤④，直至k=3结束。

此时对各等级葡萄干的所有特征值都分别建立了预测模型VPMik，模型训练过程结束。

（2）模型分级过程：

　　①提取测试样本葡萄干特征值X=[X1，X2，…，X4]；

　　②对于测试样本所有特征值Xi（i=1，2，…，4），分别采用VPMik（k=1，2，3）进行预测，得到测试值ik；

　　③在同一等级下，计算所有特征值的预测误差平方和值δk（k=1，2，3），分级时，当预测样本中所有δk第k个最小时，将测试样本识别为第k等级。

　　[δk=i=14Xi-ik2]

（2）

　　5试验及分析

　　利用Matlab编程实现了BP神经网络方法、支持向量机（SVM）和VPMCD识别算法。

对40个训练样本进行训练，并对60个测试样本进行了识别。

识别精度与SVM，BP神经网络识别比较如表4所示，在一级葡萄干识别中，识别精度及识别时间如表5所示。

　　试验中，BP神经网络与SVM中的多个参数需要经过若干次优化确定，而在VPMCD方法中，训练样本的特征值预测误差平方和最小即为最佳预测模型，分级时就以测试样本预测误差平方和最小来判定属于哪个等级。

结果表明，该方法不但识别精度高于其他两种方法，且由于避免了神经网络中结构和类型的选择、迭代学习的过程，SVM中参数寻优过程，运算时间也大大减小，因此，VPMCD方法在葡萄干的等级检测中是一种可行且有效的模式识别方法。

　　表5BP神经网络，SVM，VPMCD识别一级葡萄干结果

　　6结论

　　采用BP神经网络进行特征优选，对葡萄干提取的9个特征参数进行训练，通过对比识别精度，确定了最佳网络结构及最佳特征组合，选用色度、面积、长度、宽度作为最终识别特征。

该文提出一种基于VPMCD对葡萄干进行等级检测的新方法，试验结果显示，提出方法识别率达到100%，将识别结果与使用BP神经网络和SVM识别做了比较，结果表明，VPMCD方法不论在识别率还是训练时间上，均优于其他两种方法。

试验证明，VPMCD方法运算时间少、识别精度高，在农产品等级检测中可行且有效，为等级检测提供了一个新途径。

　　参考文献

　　[1]詹映，罗华平，彭云发，等.BP人工神经网络南疆红枣颜色分级方法的研究[J].食品工业，2015，36

（1）：

165?

167.

　　[2]李国进，董第永，陈双.基于计算机视觉的芒果检测与分级研究[J].农机化研究，2015（10）：

13?

18.

　　[3]杨眉，魏鸿磊，华顺刚.一种基于神经网络的扇贝图像识别方法[J].大连海洋大学学报，2014，29

（1）：

70?

74.

　　[4]张昭，罗文亮，乔永亮，等.基于数据挖掘算法的竹块颜色分级研究[J].中国农机化学报，2013，34

（2）：

217?

220.

　　[5]向金海，杨申，樊恒，等.基于稀疏表示的烤烟烟叶品质分级研究[J].农业机械学报，2013，44（11）：

287?

292.

　　[6]杨宇，王欢欢，曾鸣，等.基于变量预测模型的模式识别方法在滚动轴承故障诊断中的应用[J].湖南大学学报（自然科学版），2013，40（3）：

36?

40.

　　[7]程军圣，马兴伟，杨宇.基于ICA相关系数和VPMCD的滚动轴承故障诊断[J].振动、测试与诊断，2015，35（4）：

645?

648.

　　[8]贾民平，韩冰.改进VPMCD法及其在机械故障诊断中的应用[J].中国机械工程，2015，26（14）：

1861?

1865.

　　[9]许有才，万舟.基于条件局部均值分解与变量预测模型的轴承故障诊断方法[J].计算机应用，2015，35（9）：

2606?

2610.

　　[10]李葵，范玉刚，吴建德.基于MRSVD和VPMCD的轴承故障智能诊断方法研究[J].计算机工程与应用，2016，52（8）：

153?

157.

　　[11]YANGYu，WANGHuanhuan，CHENGJunsheng，eta1.AfaultdiagnosisapproachforrollerbearingbasedonVPMCDundervariablespeedcondition[J].Measurement，2013，46（8）：

2306?

2312.