摘 要： 為了克服蘋(píng)果顏色分級(jí)中存在的誤差大、準(zhǔn)確率低等缺點(diǎn)，利用粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法，實(shí)現(xiàn)蘋(píng)果顏色的實(shí)時(shí)分級(jí)。該算法可優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，提取蘋(píng)果顏色特征作為BP神經(jīng)網(wǎng)絡(luò)的輸入，將訓(xùn)練優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)做為分級(jí)器，對(duì)蘋(píng)果按照顏色進(jìn)行分級(jí)。實(shí)驗(yàn)結(jié)果表明，該方法分級(jí)正確率不低于96%，對(duì)一個(gè)蘋(píng)果的檢測(cè)時(shí)間在0.1ms～0.2ms之間，滿(mǎn)足實(shí)時(shí)性要求。
關(guān)鍵詞： 粒子群優(yōu)化算法；BP神經(jīng)網(wǎng)絡(luò)；顏色分級(jí)；分級(jí)器
?
顏色和著色面積是衡量蘋(píng)果外觀品質(zhì)的重要指標(biāo)，高品質(zhì)的蘋(píng)果著色均勻，有較高的商品價(jià)值，并且蘋(píng)果的表面色調(diào)也間接反映了其成熟度和內(nèi)部品質(zhì)。國(guó)外研究者在蘋(píng)果的顏色檢測(cè)方面做了大量的研究，如Tao等[1]利用基于色度特征的統(tǒng)計(jì)識(shí)別算法完成了蘋(píng)果、土豆的顏色分級(jí)，該統(tǒng)計(jì)識(shí)別算法需要通過(guò)大量的樣本才能得出統(tǒng)計(jì)規(guī)律，因此該方法存在過(guò)程復(fù)雜、效率低的不足；Kavdir等[2]使用BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)蘋(píng)果分類(lèi)器，用樣本圖像訓(xùn)練分級(jí)器，實(shí)現(xiàn)蘋(píng)果分級(jí)，但該方法神經(jīng)網(wǎng)絡(luò)中的BP算法存在收斂速度慢和易陷入局部極值點(diǎn)等缺陷。在國(guó)內(nèi)，參考文獻(xiàn)[3]和參考文獻(xiàn)[4]分別利用遺傳神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)理論實(shí)現(xiàn)蘋(píng)果顏色分級(jí)。雖然前人取得了一定成果，但由于我國(guó)硬件設(shè)施的落后，蘋(píng)果顏色分級(jí)在實(shí)驗(yàn)研究過(guò)程中仍存在分級(jí)過(guò)程復(fù)雜、效率低等缺點(diǎn)，不易實(shí)現(xiàn)自動(dòng)化分級(jí)和滿(mǎn)足分級(jí)的實(shí)時(shí)性要求。因此，本文提出了一種基于粒子群優(yōu)化算法PSO(Particle Swarm Optimization)的BP神經(jīng)網(wǎng)絡(luò)分級(jí)方法，利用PSO算法優(yōu)化BP網(wǎng)絡(luò)參數(shù)，可以避免BP算法收斂速度慢和易陷入局部極值點(diǎn)等缺陷，通過(guò)提取蘋(píng)果顏色特征參數(shù)，將該參數(shù)作為BP網(wǎng)絡(luò)輸入，訓(xùn)練優(yōu)化后的BP網(wǎng)絡(luò)作為分級(jí)器，提高蘋(píng)果顏色分級(jí)效率。
1 蘋(píng)果顏色特征提取
1.1? 采集蘋(píng)果圖像
本文選取紅富士蘋(píng)果作為樣本，以黑色為背景，便于提取目標(biāo)圖像，用CCD拍攝一個(gè)蘋(píng)果的3個(gè)不同側(cè)面，可覆蓋蘋(píng)果大部分表面。拍攝的圖像如圖1所示。
???????????????????????????
?
1.2? 選取顏色模型與提取顏色特征
1.2.1? 選取顏色模型
顏色是人眼對(duì)不同頻率的電磁波的一種感知形式，由物體的反射光特性和表面的物理、化學(xué)特性決定，據(jù)此建立顏色模型。對(duì)顏色進(jìn)行描述和評(píng)價(jià)的兩種最常用顏色模型是RGB顏色模型和HIS顏色填型。
(1)RGB顏色模型
RGB是一個(gè)加色立方體模型，光源的亮度、色度、純度混合在R、G、B 3個(gè)參數(shù)中，RGB里面任意色光都可以用R、G、B三色不同分量相加混合而成，該模型通常用于彩色監(jiān)視器和一大類(lèi)彩色視頻攝像機(jī)。人眼不能直接感覺(jué)R、G、B三色的比例，只能通過(guò)感知顏色的亮度、色調(diào)以及飽和度區(qū)分物體，因此，僅使用RGB顏色模型難以對(duì)圖像進(jìn)行直接處理。
(2)HIS顏色模型
HIS顏色模型定義了色調(diào)（H）、亮度（I）和飽和度（S）3個(gè)互不相關(guān)、容易預(yù)測(cè)的顏色屬性，其中H是表面呈現(xiàn)近似紅、黃、綠、藍(lán)等顏色的一種或幾種的目視感知屬性；I表示物體表面的強(qiáng)度或亮度；S是顏色具有白光的程度。該模型與人眼感覺(jué)顏色的原理相似，更符合人描述和解釋顏色的方式。為了準(zhǔn)確分析蘋(píng)果表面顏色特性，本文選用HIS模型。從RGB模型到HIS模型轉(zhuǎn)化公式如(1)、(2)和(3)所示 [5]。
1.2.2? 提取顏色特征
由于在HIS顏色模型中的H分量在色彩上有較好的分類(lèi)性，反映了蘋(píng)果由紅到綠的彩色特征變化，相比RGB顏色模型，其計(jì)算量減少了2/3，利于實(shí)時(shí)在線分級(jí)，因此該顏色模型對(duì)彩色的識(shí)別可使用H分量。確定色度H值如公式 (4)。
為了反映蘋(píng)果表面顏色的組成情況，可由色度值得到彩色圖像的色度直方圖，然后根據(jù)直方圖的色度曲線提取蘋(píng)果色度特征參數(shù)。為分析不同等級(jí)蘋(píng)果表面紅區(qū)比例，依國(guó)際分級(jí)標(biāo)準(zhǔn)，將其分為4個(gè)等級(jí)，即優(yōu)等、一等、二等和等外。求出各級(jí)蘋(píng)果色度值范圍，得到其對(duì)應(yīng)的色度直方圖，具體步驟如下：
(1)用閾值法進(jìn)行圖像分割，提取蘋(píng)果目標(biāo)圖像，得到蘋(píng)果RGB圖像；
(2)應(yīng)用公式(1)、(2)、(3)將蘋(píng)果顏色的RGB模型轉(zhuǎn)化為HIS模型；
(3)利用公式(4)計(jì)算各像素的色度值，得到色度直方圖。
由各等級(jí)蘋(píng)果的直方圖可知，蘋(píng)果色度范圍分布在0°～100°：優(yōu)等紅富士蘋(píng)果色度值集中在0°～25°；一等紅富士蘋(píng)果色度值集中在15°～45°；二等紅富士蘋(píng)果色度值集中在30°～65°，且分布比較分散；等外紅富士蘋(píng)果色度值集中在60°～80°。按照每隔20°為一子區(qū)間進(jìn)行劃分，分別有5個(gè)點(diǎn)組成色度區(qū)域。各等級(jí)蘋(píng)果如圖2所示，色度直方圖曲線如圖3所示。
?
?
圖3中橫坐標(biāo)是色相范圍0°～100°，縱坐標(biāo)是各色相值下的頻度，選用每個(gè)蘋(píng)果的色相頻度作為顏色分級(jí)特征參數(shù)。將該參數(shù)作為BP網(wǎng)絡(luò)的輸入，用PSO優(yōu)化后的BP網(wǎng)絡(luò)作為分級(jí)器，實(shí)現(xiàn)蘋(píng)果顏色分級(jí)。
2?PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法
2.1?PSO和BP神經(jīng)網(wǎng)絡(luò)
粒子群算法是基于群體的演化算法，由Kennedv和 Eberhart于1995年提出，該算法的基本思想源于對(duì)鳥(niǎo)群捕食的模擬，進(jìn)而演化成隨機(jī)化搜索最優(yōu)解的方法。在PSO算法中，通過(guò)初始化一群隨機(jī)粒子，用迭代找到最優(yōu)解。在每次迭代中，粒子通過(guò)跟蹤兩個(gè)極值更新自己，一個(gè)是粒子本身所找到的最優(yōu)解，稱(chēng)為個(gè)體極值Pbest；另一個(gè)極值是整個(gè)種群目前找到的最優(yōu)解，為全局極值gbest。粒子主要由以下公式更新自己的速度和位置[6]：
?
其中，xid是粒子的當(dāng)前位置；vid是粒子的速度；w是慣性權(quán)重；rand1( )、rand2( )是在[0，1]區(qū)間內(nèi)均勻分布的隨機(jī)數(shù)；c1和c2為加速系數(shù)，且取大于零的常數(shù)。PSO算法具有概念簡(jiǎn)單，容易實(shí)現(xiàn)，搜索速度快，搜索范圍大等優(yōu)點(diǎn)。而B(niǎo)P神經(jīng)網(wǎng)絡(luò)一般為多層神經(jīng)網(wǎng)絡(luò)，是一種多層前饋神經(jīng)網(wǎng)絡(luò)。 BP網(wǎng)絡(luò)模型一般有輸入層、隱含層和輸出層，相鄰神經(jīng)元之間實(shí)現(xiàn)全連接，而每層各神經(jīng)元之間無(wú)連接。傳統(tǒng)BP訓(xùn)練算法收斂速度慢，易陷于局部極小，難以收斂到全局最優(yōu)點(diǎn)，學(xué)習(xí)過(guò)程常發(fā)生振蕩，訓(xùn)練過(guò)程中學(xué)習(xí)新樣本時(shí)有適配問(wèn)題。為了解決BP神經(jīng)網(wǎng)絡(luò)中的不足，本文利用PSO的優(yōu)點(diǎn)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)參數(shù)，且利用PSO的收斂性使所求問(wèn)題能夠以較大概率收斂到全局最優(yōu)解或次優(yōu)解，很好地解決BP網(wǎng)絡(luò)存在的局部收斂性問(wèn)題，提高BP網(wǎng)絡(luò)分級(jí)準(zhǔn)確度。
2.2? PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法
直接用BP網(wǎng)絡(luò)設(shè)計(jì)蘋(píng)果分級(jí)器，分級(jí)速度慢，準(zhǔn)確度低，因此本文引入PSO優(yōu)化BP網(wǎng)絡(luò)參數(shù)，避免BP網(wǎng)絡(luò)訓(xùn)練時(shí)陷入局部最小問(wèn)題，并提高BP網(wǎng)絡(luò)訓(xùn)練速度，從而提高分級(jí)速度和準(zhǔn)確度。
在PSO優(yōu)化BP網(wǎng)絡(luò)算法中，用表示一組參數(shù)值向量，該向量中的每一維表示權(quán)值和閾值，d為BP網(wǎng)絡(luò)中每一維的權(quán)值和閾值個(gè)數(shù)，BP神經(jīng)網(wǎng)絡(luò)中的所有權(quán)值和閾值個(gè)數(shù)是74個(gè)，其中權(quán)值個(gè)數(shù)為63個(gè)，閾值個(gè)數(shù)為11個(gè)。粒子的適應(yīng)值計(jì)算如公式(7)[8]:
式中，m是訓(xùn)練樣本，值為100；n是BP網(wǎng)絡(luò)輸出層個(gè)數(shù)，值為4；Yij為數(shù)組（0,1,2,3），其中數(shù)組中0、1、2和3分別表示優(yōu)等、一等、二等和等外4個(gè)等級(jí)，即理想輸出值；通過(guò)訓(xùn)練優(yōu)化后的BP網(wǎng)絡(luò)得到實(shí)際輸出值即yij，值為（1.6247e-021,1,2,3）。通過(guò)公式(7)計(jì)算出粒子適應(yīng)值進(jìn)行迭代，直到全局搜索完成。在PSO算法實(shí)現(xiàn)過(guò)程中，根據(jù)評(píng)價(jià)網(wǎng)絡(luò)性能標(biāo)準(zhǔn)不斷提高BP網(wǎng)絡(luò)性能，評(píng)價(jià)網(wǎng)絡(luò)性能公式為(8)：
式中iter是算法當(dāng)前迭代次數(shù)，是第i次粒子迭代全局最優(yōu)值的適應(yīng)度。其算法流程如圖4所示。
?
其中l(wèi)、q、k是設(shè)定BP網(wǎng)絡(luò)輸入層、隱含層、輸出層的個(gè)數(shù)，其值如圖5所示。
????????????????
3? 仿真結(jié)果
訓(xùn)練優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)作為分級(jí)器，實(shí)現(xiàn)蘋(píng)果顏色的分級(jí)。BP網(wǎng)絡(luò)輸入層是蘋(píng)果顏色特征參數(shù)的色相頻度，共l個(gè)節(jié)點(diǎn)，值為5，分別對(duì)應(yīng)5個(gè)色相頻度域，即0～0.02、0.02～0.04、0.04～0.06、0.06～0.08和0.08～0.1。確定隱含層節(jié)點(diǎn)數(shù)只能憑經(jīng)驗(yàn)估計(jì)，在100個(gè)訓(xùn)練樣本下，隱含層節(jié)點(diǎn)數(shù)取為7，即q值為7；輸出層為k個(gè)節(jié)點(diǎn)，值為4，分別對(duì)應(yīng)4個(gè)分類(lèi)等級(jí)。隱含層傳遞函數(shù)為正切S型函數(shù)，輸出層傳遞函數(shù)是線性函數(shù)，訓(xùn)練好優(yōu)化后的BP網(wǎng)絡(luò)結(jié)構(gòu)為圖5中的5-7-4型，對(duì)應(yīng)的訓(xùn)練誤差曲線圖如圖6所示。???
從圖6可知BP網(wǎng)絡(luò)訓(xùn)練誤差是2.428 6e-031，在PSO優(yōu)化BP網(wǎng)絡(luò)算法誤差范圍(0.009～0.056)之間，則可用該訓(xùn)練好的BP網(wǎng)絡(luò)分級(jí)器進(jìn)行蘋(píng)果顏色分級(jí)。選取各等級(jí)紅富士蘋(píng)果各10個(gè)，共40個(gè)蘋(píng)果，采集蘋(píng)果圖像作為樣本，仿真結(jié)果如表1所示。表中BP算法誤差是直接使用BP網(wǎng)絡(luò)實(shí)現(xiàn)分級(jí)存在的誤差，而PSO優(yōu)化BP網(wǎng)絡(luò)算法誤差表示用優(yōu)化后的BP網(wǎng)絡(luò)進(jìn)行分級(jí)存在的誤差。
?
?
提取蘋(píng)果顏色特征信息，利用PSO的全局搜索、計(jì)算復(fù)雜度低、減少實(shí)驗(yàn)次數(shù)的能力優(yōu)化BP網(wǎng)絡(luò)的參數(shù)，避免了BP算法陷入局部最小值。然后用訓(xùn)練優(yōu)化后的BP網(wǎng)絡(luò)作為分級(jí)器，實(shí)現(xiàn)蘋(píng)果顏色分級(jí)。實(shí)驗(yàn)結(jié)果表明該算法分級(jí)準(zhǔn)確率不低于96%，識(shí)別一個(gè)蘋(píng)果的平均時(shí)間為0.1 ms～0.2 ms之間，滿(mǎn)足實(shí)時(shí)分級(jí)的要求。
參考文獻(xiàn)
[1] ?TAO Y, HEINEMANN P H, ZETAL V. Machine vision for color inspection of potatoes and apples [J]. Transaction of the ASAE, 1995, 38(5): 1554-1561.
[2] ? NAKANO K. Application of BP neural networks to the color grading of apples [J]. Computer Electron.Agric, 1996, 17: 103-115.
[3]? 李慶中，張漫，汪懋華. 基于遺傳神經(jīng)網(wǎng)絡(luò)的蘋(píng)果顏色實(shí)時(shí)分級(jí)方法[J]. 中國(guó)圖形圖像學(xué)報(bào), 2000, 5 (9): 779-783.
[4] ?袁金麗，郭志濤，武睿,等. 基于支持向量基的蘋(píng)果顏色分級(jí)[J]. 農(nóng)業(yè)網(wǎng)絡(luò)信息, 2007(7): 78-81.
[5]? GONZALEZ R C, WOODS R E. Digital image processing second edition [M]. Publishing house of electronics Industry, 2008.
[6] ?楊維, 李歧強(qiáng). 粒子群優(yōu)化算法綜述[J]. 中國(guó)工程科學(xué), 2004(5): 87-94.
[7] ?鐘珞, 饒文碧, 鄒承明. 人工神經(jīng)網(wǎng)絡(luò)原理及其融合應(yīng)用技術(shù)[M]. 北京：科學(xué)出版社, 2007.
[8] ?潘昊, 侯清蘭. 基于粒子群優(yōu)化算法的BP網(wǎng)絡(luò)學(xué)習(xí)[J]. 計(jì)算機(jī)工程與應(yīng)用，2006(16): 41-43.
[9] ?魏海坤. 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的理論與方法[M]. 北京：國(guó)防工業(yè)出版社, 2005.