径向基神经网络在猪胴体瘦肉率预测中的应用

张 萌，钟 南

(华南农业大学 工程学院，广州 510642)



径向基神经网络在猪胴体瘦肉率预测中的应用

张 萌，钟 南

(华南农业大学 工程学院，广州 510642)

猪胴体瘦肉率(LMP)是评价猪肉品质的重要指标之一，在生产线上快速而准确地预测出其数值并进行分级是并不可少的。目前，国内大部分厂家依然采取屠宰后人工称重测量的方法，耗时耗力，且存在相当大的误差。为此，随机抽取了116头皖北地区商品猪，选定眼肌面积、背膘厚及腿臀比作为参考数据，以MatLab工具箱作为研究工具，利用BP、Elman和RBF等3种不同的神经网络建立预测模型，统计后进行比较分析。实验表明：3种模型的神经网络均可用于瘦肉率预测，但RBF网络误差最小，训练速度最快，学习能力最强，最适合用于建立瘦肉率的预测模型。

瘦肉率；RBF神经网络；BP神经网络；Elman神经网络

0 引言

随着人们对物质生活要求的不断提高，猪肉品质评定越来越受到人们的关注，猪胴体瘦肉率作为猪肉品质的重要指标之一，在猪的育种、收购等方面都占据着重要的地位。目前，在国内大部分食品加工厂采用的测量瘦肉率的手段，仍然是将左侧胴体的皮、脂、肉、骨分离，称重后计算其百分比。这种方法不仅耗费人力物力，测量误差大，经济效益也偏低[1]。

国内外关于预测猪胴体瘦肉率的研究已经有很长的历史，预测技术也日趋完善。由于猪瘦肉率与其胴体、活体形状部分特性存在着密切相关的关系[2]，据此可以将部分胴体或活体性状作为指标，经过计算处理后建立预测模型，再通过预测模型得到检测目标的瘦肉率。预测模型的建立一般是通过统计软件或人工计算得出[3]，不仅计算量大，得出的模型误差也较大。

人工神经网络是一种模仿人脑神经网络的复杂网络系统，具有泛化能力，通常表现在能够进行预测，即掌握已有数据的内在规律后对新的情况做出预测，目前被广泛应用于各个领域中[4]。其中，BP(Back Propagation)神经网络、Elman神经网络和径向基函数(Radial Basis Function，RBF)神经网络在数据预测方面都有不错的应用前景。目前，国内外对神经网络已经做了相当多的研究工作，技术也相当成熟，但使用神经网络用于瘦肉率预测的基本都是BP网络及其改进模型。本文以MatLab为实验工具，分别采用BP、Elman和RBF等3种不同的神经网络建立预测模型，同实际数据进行对比分析，说明RBF网络较其他两种网络的优势。

1 数据采集与处理

1.1 实验原理

国内外对猪胴体瘦肉率预测模型的研究已经有比较长的历史，研究表明瘦肉率与眼肌面积、背膘厚及腿臀比等特性存在一定的关系[5]。这些指标在生产流水线上都比较容易获得，而超声波、机器视觉、核磁共振、电子鼻等新兴技术的发展也使得获取上述指标更加便利和准确[6]。

MatLab神经网络相关功能丰富，除了具备建立、仿真、测试网络等一系列函数外，还有专门的神经网络工具箱，在工具箱界面中只需修改相关参数，即可获得相应的神经网络相关数据[7]；在后期决定隐含层神经元个数、分布密度等数值时，利用神经网络工具箱进行对比更加便捷和可靠。

采集眼肌面积、背膘厚和腿臀比数据后，将其作为输入数据，将瘦肉率作为输出数据，建立3输入1输出的神经网络模型。网络训练成功后，只要采集待检测目标的3个指定数据并将其输入模型，就可以得到对应的瘦肉率数据。

1.2 数据采集

实验对象为皖北地区商品猪，生猪品种为外三元(杜长大、杜大长)。生猪经过沐浴后，进行屠宰放血，去毛、头、蹄、尾、内脏后劈半，然后在每头猪左半胴体上测量数据[8]，得出其眼肌面积、背膘厚、腿臀比3个指标数据；将皮、脂、肉、骨分离后称重计算得出瘦肉率,并将数据进行统计分析。实验数据均由安徽省东升食品有限公司提供，考虑到人工测量存在一定的误差，排除部分误差较大的数据后，选取116组数据作为实验材料。

眼肌面积指家畜背最长肌的横断面面积。目前，在屠宰测定上一般采用公式法，即

眼肌高(cm)×眼肌宽(cm)×系数0.7=眼肌面积(cm2)

这种公式法计算准确率高，大大降低了测量难度。背膘厚表示猪脂肪的多少，背膘厚度越厚瘦肉率越低；相反，则瘦肉率越高。我国现在背膘厚的测量标准为取三点测量，即肩胛后沿、最后肋处及腰荐结合处距背正中线4cm处作为测量点，之后取三点平均值(cm)。腿臀比一般指左侧后腿臀重占左侧胴体体重的百分比(%)。

在116组数据中随机抽选100组作为训练数据，用于训练建立神经网络，其余16组作为验证数据，用以分析网络模型的预测效果。

1.3 数据处理

样本数据的标准不一样，需要对其进行归一化，统一评价标准。虽然不进行归一化也可以进行网络训练，但训练归一化后的数据有利于提高网络收敛速度，尤其在输入信号全部是正值时，与第1层隐含层神经元连接的权值只能同时增大或减小，导致学习速度很慢。用mapminmax函数对样本数据进行归一化处理，使用归一化后的数据进行网络训练将更加有效，加快网络的收敛速度。将输入输出映射到[-1,1]范围内进行训练，再将仿真输出进行反归一化映射到原数值范围内，这样输入输出信号都是原始信号标准，归一化反归一化只在神经网络内部训练网络结构时使用。归一化处理公式为

其中，x为样本数据；xmin为样本最小值；xmin为样本最大值；ymax=1；ymin=-1；y为归一化后的样本值[9]。

输入数据为100×3的矩阵数据，输出数据为100×1的矩阵数据，将100组归一化后的数据传输到MatLab神经网络工具箱中进行训练；然后，将16×3的验证输入数据传输到训练好的网络中，将得到的16×1输出数据并进行反归一化后，与验证数据中的输出数据作对比，检测网络的可用性。

2 神经网络设计

2.1 BP神经网络

BP神经网络是一种多层前馈网络，可以看作是一个从输入到输出的高度非线性映射，调整网络权值的训练算法是误差反向传播学习算法。其结构简单，可调参数多，是目前应用最广泛的神经网络模型。网络结构由输入层、隐含层和输出层3个部分构成，上下层之间实行权连接，而每层神经元之间无任何连接[10]。BP学习算法的实质就是求解误差函数的最小值问题，通过不断调整神经元权值来逼近最小误差。

在BP网络结果中，隐含层的神经元个数是影响网络效果的最重要因素，决定其数量的过程十分复杂，一般根据设计者经验和多次实验比较来决定。神经元个数过多，会导致学习时间过长，误差也不一定会更小。本实验中，分别建立神经元个数N=11、12、15、17时的4个网络，比较其预测结果。其他参数的选择中，隐含层传递函数选取tansig(双曲正切S型传递函数)，输出层传递函数选取purelin(线性传递函数)，训练函数选取trainlm(自适应BP的梯度递减)，性能函数选取mse均方误差，将100组训练数据归一化后输入网络进行训练，并用16组验证数据检测网络结构的准确率，预测结果如图1所示。

图1 不同神经元个数的BP网络预测结果Fig.1 Predicted results of BP neural network by different number of neurons

由图1可以看出：当神经元个数N=15时，预测值的准确性明显比N=11、13时要高；当N=17时，虽然个别样本比N=15时的网络预测值要准确，但是整体的准确性却没有比N=15时高，而且神经元个数越多网络训练时间越长，模型结构越复杂。综上所述，神经元个数取15时，BP网络预测结果最佳。

2.2 Elman神经网络

Elman网络是一种局部回归网络，等同于一个具有局部记忆和局部反馈功能的前向网络模型。Elman模型在隐含层中添加了一个承接层，作为一步延时算子[11]，因此Elman网络具有记忆的功能，而系统有能力适应时变特性。除了承接层外，其余结构与BP网络相差无几，Elman网络在进行权值修正时依旧采用BP算法。

从理论上讲，Elman网络隐含层的神经元个数是任意确定的，但是随着其数目的提高，可以解决越来越复杂的问题，足够多的神经元数目使得网络保证了足够高的精度和速度。鉴于Elman网络和BP网络均采用BP算法，为了比较Elman网络与BP网络的优劣，本次实验中训练Elman网络的参数全部与BP网络相同，用16组验证数据检测网络结构的准确率，预测结果如图2所示。

图2 Elman网络预测结果Fig.2 Predicted result of Elman neural network

2.3 RBF神经网络

径向基函数网络属于前馈网络，由一组感知单元组成的输入层、计算节点的隐含层和输出层3部分组成。在RBF网络中，输入矢量将被直接映射到隐含层空间，很多在低维空间线性不可分的问题，映射到高维空间后就线性可分了。与BP网络和Elman网络不同的是，前两种网络隐含层的传递函数一般选取S型函数，而RBF网络隐含层常选用高斯函数。高斯函数是通过对输入与函数中心点的距离来算权重的，这样使得径向基函数对输入信号在局部产生响应，故这种网络结构具有局部逼近的能力，而这种能力也使得RBF网络可以以任意精度逼近任意连续函数。

在MatLab中使用newrbe函数创建RBF神经网络，其神经元个数等于输入样本数，修正权值和阈值的方法不一，没有专门的训练和学习函数。RBF网络的训练参数没有前两种网络那样繁多，确定输入和输出矢量后，只需要确定分度密度Spread，分布密度越大，输出结果越光滑；但太大会使传递函数的作用域扩大到全局，这样就会丧失局部收敛的优势。多次测试后，当Spread=0.8时，网络效果最佳。用16组验证数据检测网络结构的准确率，预测结果如图3所示。

图3 RBF网络预测结果Fig.3 Predicted result of RBF neural network

3 结果与讨论

BP和Elman网络在按照上文所述参数设置后，开始训练网络模型，达到最佳训练精度或训练步数达到1 000后会停止训练，其均方误差曲线分别如图4所所示。

图4 BP网络与Elman网络学习误差曲线Fig.4 The error curve of BP and Elman neural network

由图4可知：BP网络在训练大约460步后近似达到最佳精度，Elman网络在训练大约240步后近似达到最佳精度，而最佳精度都近似为10-2。以上两种网络采取的都是全局最优化，而RBF网络只需进行局部最优，尽管RBF网络的激活函数为径向基函数，神经元输入空间区域很小，神经元个数更多、结构更复杂，但RBF网络却仍然有着更快的学习速率。

将16组归一化处理后的验证数据的输入量分别传输到3种已经训练好的网络中，记录3种网络模型反归一化后的输出信号(即瘦肉率)，并与人工测量的瘦肉率指标做对比，计算预测数据和人工测量数据的绝对误差[12]，结果如表1所示。

表1 几种预测方法的结果对比

通过图1中左下角部分(N=15的BP网络拟合图)和表1可知:在BP网络的预测结果中，大部分数据的误差都比较小，满足预测瘦肉率所需精度；但是，6、12号样本的误差较大,考虑到BP神经网络的不足之处[13]，很可能是陷入了局部极小点。

通过图2和表1可知：Elman网络的预测误差比较平均，精度也达到所需水准，均在1%以下。从Elman网络的拟合图中可以看出：虽然个别样本预测结果不如BP网络，但是Elman网络比BP网络更稳定，不存在误差特别大的点，具有更好的实用性。

通过图3和表1可知：RBF网络所有样本的预测误差都接近0，拟合图中实际值和预测值几乎全部重合，从而足以证明RBF网络具有最佳的学习能力和预测能力。

4 结论

实验表明：BP、Elman和RBF等3种神经网络均可用于猪胴体瘦肉率预测，RBF网络适应性最强。国内大多数厂家依然采取人工测量的手段，采用BP网络等技术的方法也已经研究了很长一段时间，然而RBF和Elman网络在此领域却没有被应用。虽然BP网络现在仍然是应用最多的神经网络，但是RBF网络明显具有更好的适应性。与其采用不同方法改进后的BP网络模型[14]，选择RBF神经网络将更有效率和实用性。

[1] 石忠志,王敏,龚海岩,等.我国生猪屠宰行业猪肉分级标准现状与对策[J].中国食物与营养,2014,20(10):22-24.

[2] Maria Font i Furnols,Marina Gispert.Comparison of different devices for predicting the lean meat percentage of pig carcasses [J]. Meat Science, 2009, 83(3):443-446.

[3] 尹佳,周光宏,徐幸莲.基于猪胴体影像分级仪的我国商品猪瘦肉率预测方程的建立[J].食品科学,2010,31(23):84-87.

[4] A A Argyri, E Z Panagou, P A Tarantilis, et al. Rapid qualitative and quantitative detection of beef fillets spoilage based on Fourier transform infrared spectroscopy data and artificial neural networks [J]. Sensors and Actuators B: Chemical, 2010, 145(1): 146-154.

[5] 罗明,朱砺.屠宰加工线上瘦肉型猪胴体瘦肉率估测方法的研究[J].四川农业大学学报,2002,20(2):153-155.

[6] 成芳,廖宜涛,马君伟.猪肉品质无损检测研究进展[J].浙江大学学报：农业与生命科学版,2010,36(2):199-206.

[7] 郑丽敏,田立军,朱虹,等.基于MATLAB的BP神经网络在猪等级评定中的应用研究[J].计算机应用研究,2008,25(6):1642-1644.

[8] 王丽红,叶金鹏,王子戡,等.畜禽胴体分级技术[J].肉类工业,2014(10):37-41.

[9] 张靠社,罗钊.基于RBF-BP组合神经网络的短期风电功率预测研究[J].可再生能源,2014,32(9):1346-1351.

[10] K. Manikya Kanti, P. Srinivasa Rao. Prediction of bead geometry in pulsed GMA welding using back propagation neural network[J].Journal of Materials Processing Technology, 2008, 200(1-3):300-305.

[11] Cheng-Yuan Liou, Jau-Chi Huang, Wen-Chie Yang. Modeling word perception using the Elman network[J].Neurocomputing,2008,71(16-18):3150-3157.

[12] A B Doeschl-Wilson, D M Green, A V Fisher, et al. The relationship between body dimensions of living pigs and their carcass composition [J].Meat Science,2005,70(2):229-240.

[13] A. Fortin, A K M Tong, W M Robertson, et al.A novel approach to grading pork carcasses: computer vision and ultrasound [J].Meat Science,2003,63(4):451-462.

[14] David I Ellis, David Broadhurst, Royston Goodacre. Rapid and quantitative detection of the microbial spoilage of beef by Fourier transform infrared spectroscopy and machine learning [J]. Analytica Chimica Acta,2004,514(2):193-201.Abstract ID:1003-188X(2017)06-0188-EA

Lean Meat Percentage Prediction of Pig Carcass Based on Radial Basis Function Neural Network

Zhang Meng, Zhong Nan

(College of Engineering, South China Agricultural University, Guangzhou 510642, China)

Lean meat percentage(LMP) of pig carcass is one of the important indexes of pork quality evaluation. It is necessary to predict the data accurately and quickly, and complete grading on the production line. Most of the producers still use the traditional manual dissection method, which is not only time and labor consuming, but also inaccurate, to measure the LMP after slaughtering. Research of neural network in this field of LMP measurement has been conducted, but was always operated on BP neural network structure. In this study, 116 commercial pigs from the northern Anhui Province were randomly selected as the research materials, and the parameters acquired were loin eye area, back-fat thickness and ham percentage. MatLab was used to build up and train BP network, Elman network and RBF network, and to generate LMP values for further analysis. As the data shows, all three types of neural networks can be used for LMP prediction, while RBF, with the minimum error, the fastest training speed and the strongest learning ability, proves to be the most suitable model for LMP prediction.

lean meat percentage; RBF neural network; BP neural network; Elman neural network

2016-05-09

广东省科技计划项目(2012A020602039)；教育部国家留学回国人员启动基金项目(2011-1568)；广州市产学研协同创新重大专项(201508010013)

张 萌(1991-)，男，安徽亳州人，硕士研究生。

钟 南(1965-)，女，湖北荆州人，教授，博士生导师，(E-mail)zhongnan@scau.edu.cn。

S815.4；TP368

A

1003-188X(2017)06-0188-05