基于BP神经网络的水果识别研究

于悦洋 王冰 王静 汤乔

摘 要：本文介绍了一种基于BP神经网络的水果识别方法。随着模式识别技术不断的发展，图像识别作为最具代表性的应用，受到了众多学者的关注，尤其是在图像快速识别方面。为了解决传统水果图像分类识别算法人工提取特征的缺陷，将经过训练的BP神经网络应用在水果的识别中。本实验使用数字图像处理的方法，首先对采集到的图像进行预处理，并针对多种水果混合的图像进行提取和识别。实验表明，基于BP神经网络的水果识别方法能够获得很高的识别率，能够有效地将同一幅图像中的不同水果识别出来。

关键词：水果识别;图像处理;BP神经网络;MATLAB

文章编号：2095-2163（2019）04-0187-05 中图分类号：TP391.41 文献标志码：A

0 引 言

在中国，通常采用人工方式进行水果分级，而人工分级往往效率低、劳动量大、有较大的人工误差等，难以实现标准分级[1]。并且人工识别具有诸多的不稳定因素。因此，研究和开发水果自动实时分级系统，对经济、农业的发展具有广阔的应用前景。从80年代开始，国内外有许多学者研究水果分级的自动识别算法，近年来也出现了一些基于水果识别的算法，如郑小东等人[2]根据区域特征进行水果的自动识别。项辉宇等人实现了对苹果大小、缺陷以及颜色特征的检测。程荣花等人[3]对水果图像的主成分分析，从而对其进行识别预测。王水平等人[4]利用SVM分类器，对水果进行分类预测。这些方法虽然在水果识别中取得了一定效果，但对于同副图像中的多种水果识别还有欠缺。针对这一问题，本文基于BP神经网络对水果图像进行识别。首先，根据水果的不同特征，对图像进行预处理;然后，通过标签化处理将图像中各个连接成分进行分离，从而实现对水果特性的研究，再提取出不同水果的颜色、边界不规则、形状等基本特征，对得到的水果图像特征参数进行计算;最后，使用多幅图像训练BP神经网络，并完善水果特征库，以达到快速识别水果的目的。

1 数字图像处理

首先，本文对不同水果图片进行数字图像处理。目的是为了提高图片的质量，得到理想的图像效果。图像处理的方法有：图像变化、图像编码压缩、图像增强和复原、分割、描述等。本文采用图像识别方法的主要步骤为：首先，预处理图像;然后，对预处理的图像进行分割和特征提取;最后，对图像进行判断分类。图像分类多数情况采用传统的识别模式。传统识别模式分为2大类：统计模式分类和结构模式分类。近几年研究中，模糊模式识别、人工神经网络模式识别，这2种新兴的图像识别方法颇受学术界的广泛关注。

本文图像预处理分为图像去噪、图像增强和图像二值化3个步骤。本文采用中值滤波法对图像去噪，中值滤波法是一种去噪声的非线性平滑处理办法。本文采用反锐化掩模法[5]对图像增强，该方法是一种常用的图像锐化方法，先模糊处理图像，再与原图进行差值运算，再乘上一个修正因子，最后得到轮廓增强的图像。该算法表达式如下：

二值化是将图像呈现为黑白的对比效果的过程，该方法将图像像素的灰度值设为“0”或“255”。图像阈值分割法是应用较普遍的图像分割技术，利用了图像的背景与对象之间的灰度差异。本文采用阈值分割法对图像进行二值化，从而得到效果更好的二值化水果图像。

2 水果图像特征提取

数字图像处理后，水果和背景被明显的分开。下一步，需要对每种水果进行特征提取。具有代表性的水果特征有：纹理、形状、颜色[6]等。计算机视觉技术主要通过从图像或者视频中提取出的物体特征，经对比区别出不同物体。在农业领域中应用的水果自动分类识别系统，也是通过提取所拍摄的水果图像中的特征参数，并以此为依据进行训练得到识别模型从而达到分类识别的目的。

2.1 图像颜色模型

水果的颜色特征在图像方向、尺寸等特征发生改变时无明显变化，因此，在图像识别中常用到颜色特征。颜色模型是用作精确标定且生成多种颜色的一种方法。对于显示设备来说，可以用红色、绿色、蓝色发光量来描述RGB。RGB又叫相加混色模型，其在实际生活中主要用于光照、显示器等中。

（1）颜色特征，包括彩色和灰度信息处理;对于彩色信息处理，主要采用几种常见的色彩空间;而对于灰度信息处理，主要采用直方图技术。

（2）红绿蓝3色光按不同比例和强度混合可以用其表示近乎所有自然界的可见光，其颜色模型称之为RGB色彩空間模型[7]，如图1所示为RGB色彩空间模型。红绿蓝3色位于彩色立方体的3个顶角，其产生的点汇聚在彩色立方体的对角线上，即灰色线。在使用RGB模型时，由于任一基本色上无亮度，所有RGB颜色显示黑色。当3基色变为最高的高度，空间即会显现出白色。其余较低高度但等量的3种基色就显示灰色。RGB图像每一个像素的颜色值直接存放在图像矩阵中，通过3个M×N的二维矩阵分别表示各个像素的3种颜色分量，R、G、B3个分量分别表示每一个像素的颜色，图像的行列数由M、N表示。

2.2 图像形状特征

图像的形状特征是指将图像经过边缘提取和图像分割，从而得到目标的形状。形状的描述方法一般分为轮廓法和区域法2类。本文采用轮廓法。并对其结果进行美化，以达到更准确的识别。图像的形状特征主要包括周长和形状参数。

（1）周长为整个边界的长度。周长通过计算物体边界上相邻像素的中心距的累加而得出。通常，面对倾斜方向，数据会产生一些误差，所以要用2倍的原有像素数进行计算修改。

（2）物体的其中一个重要特征量是弧度，弧度是用于计算物体形状复杂程度的参数。将弧度进行比较，识别出不同的水果。在数字图像中，可以通过物体所占有的像素点数来计算面积。

本文首先使用面积、周长、弧度等参数表示水果，再使用RGB颜色模式对不同的水果图像进行特征提取，产生3幅不同通道的直方图。通过直方图显示出的结果，提取不同水果中特有的特征，以达到识别水果的目的。

3 BP神经网络

BP神经网络在上世纪八十年代年被首次提出[8]。BP神经网络是一种有效的神经学习方法，是在误差反传算法的基础上产成的，并引入了反向传播原理，破传统网络结构，解决了非线性问题，是目前普遍应用的神经网络模型。

BP神经网络通常由3个层次构成，分别是输入层、中间层、输出层[9]。由传递函数将各层连接，通过特定的学习算法来训练网络、调节权重，使输出不断接近预期值。输入层接受来自外部的输入信息，其中间层（可为单隐层或多隐层）需要进行信息处理，各神经元上的信息经由最后一个隐层传送到输出层，处理完成的结果再通过输出层向外界发送。

BP网络的结构如图2所示。

BP网络具有非常强大的非线性映射能力，因此，能够学习和大量关于存储输入与输出之间的映射关系。3层BP神经网络可以在不描述函数映射关系的情况下逼近任意非线性函数。如图3示出了BP网络的向量图。

BP神经网络采用梯度下降算法，这种算法适用于非线性多层网络梯度的计算。BP神经网络算法的基本思路是：由前向神经网络实现正向传播，由递归神经网络（反馈神经网络）实现误差反向传播。这2个进程交替完成，在权向量空间执行误差梯度下降算法，从而使误差降到最低。其具体步骤如下：

（3）选取下一个输入模式再返回到（2）中反复训练直到输出误差达到要求为止。

在BP网络的结构中，输入层与输出层之间含有多层神经元（其模拟人类大脑神经元拥有的基本功能：加权、求和、传递），这些神经元被称为隐单元，隐单元与外界没有直接的联系，但其状态的改变，会影响输入与输出之间的关系，每一层可以有无数个这样的节点。

4 实验及结果分析

4.1 实验框架

本文的水果识别框架是根据不同水果特征，把需要的水果从中识别出来，其总体框架如图4所示。

本文实验的具体步骤如下：

（1）输入水果图像;

（2）图像预处理;

（3）图像标签化处理和图像特征参数计算，把每个区域都分开，根据提取的图像特征，将水果进行区分;

（4）建立水果特征库，把采集的特征数据用BP网络进行训练，区分同一图片中的不同水果;

（5）完成水果的识别。

4.2 实验结果与分析

本文实验环境中计算机系统为 Windows10，处理器为Intel 酷睿i53210M，主频为2.5 GHz，内存为4 GB，显存为1 G，硬盘是500 GB，实验是基于MATLAB开发工具。本文主要以苹果、橙子、香蕉为例。图5示出了水果图像处理结果图，依次为原始图像、边缘检测图像、OR运算分割图像和彩色标签化图像。从图中可以看出，通过一系列的图像处理可以将不同区域的像素分开，从而利于后续对图像特征的提取和图像特征参数的计算。

表1为橙子、香蕉和苹果的特征参数数据表，从中可以看出，与其它2种水果相比，香蕉的特征最为明显，周长最大、弧度最小，根据该特征能够把香蕉从水果中分离出来。

图6所示为3种水果的RGB通道图及其直方图，由图可知，与其它2种水果对比，苹果的R通道直方图中其固定区域内的像素数量（200-300）与G通道和B通道像素和的比值为3水果中最大的，可得到苹果的比值最大，可知苹果的红色信息量最多。

图7为本文BP网络的训练性能，横坐标代表训练次数，纵坐标代表均方误差，该误差值越小，说明实验结果与原图之间差异程度越低。从图中可以看出本文的BP网络经过10次训练，其均方误差为0.7×10-3，识别准确度较高，可以直接进行水果识别。

图8为本文设计的神经网络及其运行结果。测试结果表明，通过对不同测试样本的训练，对苹果的识别近乎完全正确，橙子和香蕉的識别率均为97%，这个结果进而证实了采用特征提取和BP神经网络识别水果的有效性。通过神经网络的不断训练，后期对图像的识别更加准确。就像人的大脑一样，对图像的特征不断进行记忆，使识别更加智能化。

BP神经的优点：高效、智能。如果要更加准确，需要加入更多的特征，在颜色的准确性上需要改进。因为水果很多颜色较为相像，且需要更大的数据库。

从实验结果中可以看出，BP神经网络的图像识别系统的自适应能力较强，且识别率也较高，是一种高效的检测方法。

5 结束语

本文采用数字图像处理的方法，对原始水果图像进行预处理并对RGB图像进行数据分析。通过对BP神经网络架构设计构建了基于MATLAB的水果图像识别系统。通过实验对比，本文算法误差较小、实时性较好、正确率高，能够实现对水果特征数据的准确识别。但是，本文提出的算法也存在不足，由于水果种类繁多，重点选取的香蕉、苹果等比较有特点的水果，所以实验结果较理想，若参杂其它水果种类，如青苹果、火龙果等，则需要对算法进行改进。

参考文献

[1] 曾平平，李林升. 基于卷积神经网络的水果图像分类识别研究[J]. 机械设计与研究，2019，35（1）：23-26，34.

[2]王水平，唐振民，范春年，等. 基于SVM的水果分类算法研究[J]. 武汉理工大学学报，2010，32（16）：44-47.

[3]程荣花，马飞，梁亚红. 形状相似水果自动化识别研究[J]. 山东农业科学，2015，47（8）：116-118.

[4]郑小东，王晓洁，李印清. 自然环境下果实的自动识别技术[J]. 计算机应用与软件，2006（11）：96-97，100.

[5]项辉宇，薛真，冷崇杰，等. 基于Halcon的苹果品质视觉检测试验研究[J]. 食品与机械，2016，32（10）：123-126.

[6]沈磊，苏建忠，郭肇敏，等. 基于反锐化掩模技术的红外图像增强算法设计[J]. 南开大学学报（自然科学版），2019（1）：29-35.

[7]贺询. 水果识别中图像特征综述[J]. 河南科技，2017（21）：34-35.

[8]Huang Z， Zhu Q. Detection of Red Region of Fuji Apple Based on RGB Color Model[J]. Laser & Optoelectronics Progress， 2016， 53（4）：041001.

[9]文周，林伟健. 基于BP神经网络的水果气调包装机械故障诊断方法[J]. 包装与食品机械，2018，36（5）：69-72.