基于人工神经网络与VPMCD的葡萄干等级检测方法研究

刘小英，张　健，杨蜀秦

（1.攀枝花学院 数学与计算机学院，四川 攀枝花　617000；2.攀枝花学院 交通与汽车工程学院，四川 攀枝花　617000；3.西北农林科技大学 机械与电子工程学院，陕西 杨凌　712100）

基于人工神经网络与VPMCD的葡萄干等级检测方法研究

刘小英1，张健2，杨蜀秦3

（1.攀枝花学院 数学与计算机学院，四川 攀枝花617000；2.攀枝花学院 交通与汽车工程学院，四川 攀枝花617000；3.西北农林科技大学 机械与电子工程学院，陕西 杨凌712100）

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。

葡萄干；等级检测；BP神经网络；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。

图1　葡萄干处理过程

图2　研究流程

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：

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

表3　不同参数组合识别率的比较

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n（kk=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X（ii=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X（ii=1，2，…，4），分别采用VPMi（kk=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δ（kk=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。

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。

表4　BP神经网络，SVM，VPMCD识别结果

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5　BP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。

［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］YANG Yu，WANG Huanhuan，CHENG Junsheng，et a1.A fault diagnosis approach for roller bearing based on VPMCD under variable speed condition［J］.Measurement，2013，46 （8）：2306⁃2312.

Research on raisin grade detection method based on artificial neural network and VPMCD

LIU Xiaoying1，ZHANG Jian2，YANG Shuqin3
（1.School of Mathematics and Computer Science，Panzhihua University，Panzhihua 617000，China；2.School of Transportation and Automobile Engineering，Panzhihua University，Panzhihua 617000，China；3.College of Mechanical and Electronic Engineering，Northwest Agriculture and Forestry University，Yangling 712100，China）

To precisely identify the raisin grades，a new raisin grade detection method based on artificial neural network and VPMCD is proposed.The Xinjiang Green seedless raisins of three grades are taken as the research object to extract the char⁃acteristic parameters of color and size.The BP neural network algorithm is used to compare the influence of each feature combi⁃nation on identification rate.The four characteristic parameter combinations with high identification rate were determined.The VPMCD method is adopted to train the sample and detect the raisin grade.The identification result of the proposed method was compared with those of SVM method and BP neural network method.The comparison results show that the identification rate of VPMCD algorithm can reach up to 100%，and has superior classification effect，less operation time and high identification preci⁃sion.It provides a new approach for grade detection of agricultural products.

raisin；grade detection；BP neural network；VPMCD

TN926⁃34

A

1004⁃373X（2016）12⁃0018⁃04

10.16652/j.issn.1004⁃373x.2016.12.005

2015⁃11⁃11 基金项目：国家自然科学基金资助项目（31501228）

刘小英（1980—），女，新疆呼图壁人，讲师，硕士。研究方向为计算机应用技术。张健（1981—），男，辽宁阜新人，副教授，硕士。研究方向为机械设计、车辆性能评价与诊断。杨蜀秦（1978—），女，四川泸州人，副教授，博士。主要从事计算机视觉的研究工作。