有导师学习神经网络的大米识别

(1.宁夏大学新华学院，宁夏 银川 750021；2.宁夏大学土木与水利工程学院，宁夏 银川 750021)

0 引言

现如今，对大米的识别方法是依靠人工和化学方式来实现。人工方式是凭借米谷的米粒形状、尺寸等外表特质来识别。这种方式虽然简便，但不可避免地会出现由于操作人员的主观意识而判断错误。化学方式是依靠稻米散发出来的气味与电子鼻中的某种氧化物相接触来快速识别物样信息的过程，这种方法虽然灵敏度较高、精确且可靠性较好，但在稻米发生病虫害或者霉变的情况下，识别起来就显得不那么容易[1]。

凭借有导师学习神经网络卓越的学习本领，其应用遍及模型辨识、分类识别等领域中[2]。有导师学习神经网络通过查识信息输出端口的偏差来调节神经网络中的参数，以期达到令人满意的结果。以宁粳43号、泰国香米、圆江米等3个稻米品种为研究对象，通过训练其样本的形态特征参数，利用有导师学习神经网络分类方法进行辨识，为快速识别稻米种类提供一种新的方法。

1 算法简介

一般地，典型的有导师学习的神经网络有GRNN和PNN。GRNN，称为广义回归神经网络，是一种基于RBF神经网络的前馈模型；PNN，称为概率神经网络，是并行处理和概率估计的模型[3]。

1.1 GRNN简述

GRNN是隶属于RBF神经网络的一个分支[4]。这种网络的优势在于结构简捷，样本通过隐含层时训练就直接完成，无需对网络的产地函数进行估计和猜测，而且优化方案是利用交叉验算，结果完全平滑。另外，该网络不易陷入局部区域收敛，具有优良的鲁棒性和稳定性。总体来讲，它具有结构简易、训练无需迭代、大范围收敛和性能优异等优点[5]。

通常GRNN模型是由输入层、隐含层和输出层构成，其结构如图1所示[6-8]。a1=radbas(‖IW1,1-p‖b1),n2=normp rod(LW2,1a1),a2=purelin(n2)。

图1 GRNN结构

输入层的作用是将物样的信息变量发送到隐含层中去，不为运算效力。隐含层内部并无其他连接，主要是利用两类神经元进行加权求和。网络最后一层为输出层，通过规范化内积来计算权函数，用向量a1的各元素之和去除向量a1和权值矩阵LW每一行的内积就可以得到网络向量n2，并通过传递函数a2=purelin(n2)来计算输出值。

1.2 GRNN学习算法

与RBF神经网络相比较来讲，其大体结构相似，但在输出层却有很大出入。

1.2.1 隐含层方面

为方便讨论，设训练样本输入矩阵和输出矩阵分别分I和O，I矩阵中的元素可表示为im,n(m=1,2,…，R,n=1,2,…,Q),其中im,n表示第n个训练样本的第m个输入变量，R为输入变量维数，Q为训练样本数 ，O矩阵中的元素可表示为Ok,l(k=1,2,…,S,1=1,2,…，Q),其中Ok,l表示第l个训练样本的第k个输出变量，S为输出变量维数。

此时，该层的径向基函数中心为：

C=I′

(1)

1.2.2 确定层间权值

完成了1.2.1中各参数的推算之后，隐含层输出即可由式(2)来度量。

ai=exp(-(‖C-Ii‖2b1)),i=1,2,…,Q

(2)

1.2.3 输出计算

通晓了层间权值之后，由图1就可以计算系统输出了，具体为：

(3)

yi=purelin(ni)=ni，i=1,2,…,Q

(4)

1.3 PNN简述

PNN属于一种前馈网络，它是以数理统计基本原理为基础，通过发展和继承最小风险Bayes准则而酝酿的算法。PNN既有经典神经网络的优点，又有较好的柔性空间和弹性尺度[9]。

PNN 的结构与GRNN类似，如图2所示[10]。与不同于GRNN的是，其输出层采用竞争输出，各神经元依据Parzen方法求得概率，最后唯一的神经元获胜，该神经元即为输入模式的分类。部分学者利用Cover定理证明了PNN结构的合理性[11-14]，也就是说，它可以处理只有在高维空间中才可能解决但在低维空间不易解决的问题。通常来说，PNN含有的神经元数量较多，从而隐含层空间维数也较高，维数的高低直接决定着逼近精度，但当维度增加时，网络的复杂程度也会相应提高[15-16]。

a1=rabdas(‖IW1,1-p‖b1) a2=compet(LW2,1aI)

1.4 PNN学习算法

PNN学习算法和GRNN学习算法大体上类似，输入层和隐含层部分则完全一致，唯一不同的是在输出计算时由式(5)和式(6)确定。

ni=LW2,1ai,i=1,2,…,Q

(5)

yi=compet(ni)，i=1,2,…,Q

(6)

2 试验材料

大米籽粒的几何参数(尺寸和形状参数)和形态特征都可以利用计算机视觉来测量[17]。试验样品置于的黑色布景的平板上，利用米粒的外接矩形面积近似求取米粒平均长度、平均宽度等参数，利用烘干法求取稻米中水分等技术指标[18]。每个品种的稻米随机抽取50粒形成样本空间，然后再由计算机随机抽取其中40粒的数据构成训练集，其余10粒组成测试集。

图3所示为3种不同大米的图像，能够明显看出其米粒平均长度、平均宽度和长宽比均不同。

图3 试验样品

现采集了150组不同品种大米米粒的4种属性：平均长度、平均宽度、长宽比和水分，样本编号与4种属性之间的关系如图4所示。样本编号1～50为圆江米，51～100为宁粳43号，101～150为泰国香米。

图4 样本编号与4种属性的关系

由图4可知，米粒的平均长度、长宽比和水分含量与稻米种类之间存在明显的线性关系，而平均宽度与稻米种类之间表现为非线性关系。

3 MATLAB实现及分析

现利用MATLAB R2014a进行上述2种模型的仿真和测试。

另外，需要说明的一点是，样本训练集和测试集均为随机产生，每次运行结果会不相同。某次运行结果如图5、图6和图7所示。

图5 测试集结果对比

图6 测试样本正确率对比

图7 计算运行时间对比

观察绘图结果，可以发现：

a.前述介绍的2种算法(GRNN，PNN)具有良好的泛化能力，测试集的正确率分别为86.67%和100%。

b.选出几个典型的模型进行对比。选择10个模型中的第1个、第5个、第8个、第10个模型，结果如表1所示。

表1 测试样本结果统计表

通过分析表1结果可以得到，仅由平均米粒长度构建的GRNN模型(1号)表现优良，正确率80%；而5号是仅由平均宽度来构建的，表现较差，正确率为33.33%；由仅长宽比构建的GRNN模型(8号)表现较差，正确率仅为33.33%；由米粒水分构建的GRNN模型(10号)性能良好，正确率为66.67%；而相对的是，PNN模型的结果就非常优秀了，尤其是分别考虑平均米粒长度、长宽比和水分时，正确率达到了83.33%、96.67%和100%。这说明，米粒的平均宽度与稻米种类之间有较小的相关性，而米粒的平均长度、长宽比和水分与稻米种类之间具有较高的相关性，与图4表现规律相一致。

c.如图6和图7所示，相较于GRNN模型来说，PNN模型具有更好的训练能力，测试集的正确率更高。同时，GRNN模型的创建和计算时间平均为162 ms，PNN模型的创建和计算时间平均为135 ms，后者略快于前者。

4 结束语

介绍了利用有导师神经网络来识别不同参数情况下的大米米粒。利用试验所测定的大米米粒平均长度、平均宽度、长宽比和水分，通过训练样本来识别测试集的样本。分别对圆江米、宁粳43号和泰国香米等3种不同品种的大米进行试验，结果显示，由个体参数构建的PNN模型和GRNN模型都达到了很高正确率，分别是100%和86.67%，为大米种类的智能识别研究提供了新的思路。本研究使用的方法也可以为其他农作物或动物进行鉴别和辨识提供参考。

参考文献：

[1] 胡桂仙，王俊，王建军，等.基于电子鼻技术的稻米气味检测与品种识别[J].浙江大学学报(农业与生命科学版)，2011，37(6)：670-676．

[2] 史忠植.神经网络[M].北京：高等教育出版社，2009.

[3] 张良均，曹晶，蒋世忠.神经网络实现教程[M].北京:机械工业出版社，2008.

[4] 殷莹.基于广义回归神经网络无参考模糊图像质量评价[J].激光与红外，2013，43(4)：466-70．

[5] LI C F，BOVIK A C，WU X J.Blind image quality assessment using a general regression neural network[J].IEEE Transaction on Neural Network，2011，22(5)：793-799．

[6] 元朴康，况盛坤，王强，等.基于GRNN的模糊图像盲评价[J].包装工程，2016，37(13)：195-200．

[7] 刘辉，张云生，张印辉，等.基于火焰图像特征与GRNN的转炉吹炼状态识别[J].计算机工程与应用，2011，47(26)：7-10．

[8] 丁硕，常晓恒，巫庆辉，等.基于GRNN与BPNN的二维向量模式分类对比研究[J].国外电子测量技术，2014，33(5)：56-58．

[9] 孙俊，路心资，张晓东，等.基于高光谱图像的红豆品种GA-PNN神经网络鉴别[J].农业机械学报，2016，47(6)：215-221．

[10] 李伦波，马广富.基于PNN的退化交通标志图像的识别算法研究[J].电子与信息学报，2008，30(7)：1703-1707．

[11] 闫凤，王立中，石磊，等.基于DWT和PNN的数字图像水印算法[J].湘潭大学自然科学学报，2016，38(3)：89-93．

[12] 李汶虹，王建国.结合Bi-2DPCA和PNN集成的SAR图像目标识别[J].中国电子科学研究院学报，2014，9(4)：401-407．

[13] 谢聪.基于CGA-PNN的高速公路交通事件检测算法研究[D].成都：西南交通大学，2016.

[14] 高全华，王晋国，孙锋利.基于Pseudo-Zernike不变矩的PNN车牌汉字识别[J].计算机工程，2009，35(4)：196-198.

[15] 杨露，沈怀荣.基于HHT/PNN的故障信息融合诊断方法[J].北京工业大学学报，2010，36(2)：152-157.

[16] 申戬林，王灵梅，孟恩隆.改进小波包联合PNN的风电故障诊断研究[J].可再生能源，2014，32(4)：412-17.

[17] 杨蜀秦.农作物籽粒的图像处理和识别方法研究[D].咸阳：西北农林科技大学，2012.

[18] 段海波，马晓年，李超，等.卡尔费休法在大米水分测定中的应用[J].安徽农业科学，2014，42(10)：3056-3057.