分享
分享赚钱 收藏 举报 版权申诉 / 9

类型基于pca和神经网络的荞麦剥壳混合物识别.doc

  • 上传人:无敌
  • 文档编号:147671
  • 上传时间:2018-03-22
  • 格式:DOC
  • 页数:9
  • 大小:98KB
  • 配套讲稿:

    如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。

    特殊限制:

    部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。

    关 键  词:
    基于pca和神经网络的荞麦剥壳混合物识别.doc
    资源描述:

    1、基于 PCA 和神经网络的荞麦剥壳混合物识别 吕少中 杜文亮 陈伟 刘广硕 张丽杰 内蒙古农业大学机电工程学院 内蒙古工业大学信息工程学院 摘 要: 针对荞麦剥壳机调节运行参数时需要对出料口混合物中各种成分进行定量分析, 而传统人工分析方法耗时且主观性强的问题, 研究了一种基于主成分分析和 BP神经网络的荞麦剥壳混合物识别方法。采集未剥壳荞麦、已剥壳完整荞麦米和破损荞麦米的图像, 对图像进行预处理后, 提取了每个单独籽粒图像的 12 个颜色特征、10 个形状特征和 18 个纹理特征。使用主成分分析法将 40 个特征参数映射为 5 个综合特征作为输入参数, 构造了一个 5-11-3 结构的单隐层

    2、 BP 神经网络对荞麦剥壳混合物进行识别, 试验结果表明:该 BP 神经网络对未剥壳荞麦、已剥壳完整荞麦米和破损荞麦米的识别正确率分别为 98%、90%和 98%, 平均正确率为 95%, 能够对荞麦剥壳混合物进行有效的识别。关键词: 图像处理; 荞麦; 识别; 主成分分析; 神经网络; 作者简介:吕少中 (1972-) , 男, 内蒙古达拉特旗人, 博士研究生, (E-mail) 。作者简介:杜文亮 (1957-) , 男, 内蒙古达拉特旗人, 教授, 博士生导师, (E-mail) 。收稿日期:2016-12-29基金:国家自然科学基金项目 (31260409) Recognition o

    3、f Hulled Buckwheat Mixture Based on PCA and BP Neural NetworkLv Shaozhong Du Wenliang Chen Wei Liu Guangshuo Zhang Lijie College of Mechanical and Electrical Engineering, Inner Mongolia Agricultural University; College of Information Engineering, Inner Mongolia University of Technology; Abstract: Ai

    4、ming at the problem that the quantitative analysis of buckwheat mixture in buckwheat hullers outlet when adjusting operation parameter, traditional manual analysis method is subjective and consume more time.A novel recognition method based on PCA and BP neural network was studied.The images of unhul

    5、led buckwheat, complete buckwheat kernel and broken buckwheat kernel were captured, subsequently were preprocessed.12 color feateurs, 12 shape features and 18 texture features on each grain were extracted, the 40 feature parameters were mapped to 5 principal components by principal component analysi

    6、s.A BP neural network with 5-11-3 single hidden layer structure that used 5 principal components as inputs was constructed, which was used to recognize the buckwheat mixture.The results showed that the recognition rate of unhulled buckwheat, complete buckwheat kernel and broken buckwheat was 98%, 90

    7、%and 98%, respectively, and the average recognition rate was 98%.It is concluded that this method is a effective way to recognize buckwheat mixture.Keyword: buckwheat; recognition; image processing; principal component analysis; neural network; Received: 2016-12-290 引言目前, 常用的荞麦剥壳方式是将荞麦放入平行的定砂盘和动砂盘之间

    8、, 通过搓擦原理将壳和仁分离1, 总体的期望是剥壳机出料口混合物中未剥壳荞麦和碎荞麦米含量较少, 而整米和半米含量较多。这种剥壳方式的剥壳效果受到砂盘间隙、砂盘相对转速及荞麦含水率等因素的影响较大。为了达到较好的剥壳效果, 在剥壳机的运行过程中需要根据荞麦特性的不同, 调整剥壳间隙和剥壳转速以期达到理想的剥壳效果。目前, 荞麦剥壳机出料中各成分含量检测计数完全由人工方式实现, 存在主观性强、工作量大和不能及时提供运行参数调整依据等缺点。随着图像处理和模式识别技术的发展, 相关研究成果在农业领域也得到了广泛的应用, 但关于荞麦的图像识别研究成果很少。张强2研究了应用图像和统计分析的方法进行苦荞品

    9、种判别。在大宗农产品, 如玉米3、小麦4、大米5、花生6、马铃薯7等农作物种子的品种识别、分级及质量检测方面, 国内外研究人员应用图像处理和模式识别技术进行了大量的研究工作。采用图像处理和模式识别技术对剥壳机出料口混合物各成分含量比例进行自动化判读并及时提供运行参数调整依据, 有重要的现实意义, 可以改变目前在荞麦剥壳生产中因为不能根据进料特性变化及时调整运行参数而导致的单位产量功耗大及良品率低的现象。本文以荞麦剥壳机出料口混合物中的未剥壳荞麦、完整荞麦米和破损荞麦米为研究对象, 根据这 3 种成分在颜色、形状和纹理特征上的差异, 提取各类型籽粒的特征参数, 使用主成分分析方法对特征向量进行降

    10、维后, 应用神经网络识别方法识别籽粒所属类别, 为判别荞麦剥壳机出料口混合物成分含量及调整剥壳机参数提供依据。1 试验材料与软硬件平台1.1 试验材料内蒙古呼和浩特市武川县产甜荞麦, 品种为温莎, 2015 年, 含水率 10%14%。将粒径为 4.8mm 的荞麦原料送入剥壳机进行剥壳, 待出料口混合物流量稳定后对其进行收集采样, 收集到的出料口混合物用 20 目细孔筛进行去粉, 用气吹法去荞麦皮。去粉和荞麦皮的混合物进一步用 3.04.6mm 圆孔筛进行筛分, 3.0mm以下为碎米, 已剥壳的整米和破损米集中在 3.0mm 至 4.6mm 之间, 4.6mm 之上为未剥壳荞麦。最后, 手工筛

    11、选破损米、整米和未剥壳荞麦供试验使用。1.2 试验软硬件平台MV-SUB130GC 工业相机:深圳迈德威视科技有限公司, M0814-MP2:康标达工业镜头;联想计算机:I5 内核、8G 内存;软件:Mat Lab R2013a。2 试验方法及原理2.1 图像采集及预处理分别将未剥壳荞麦、已剥壳完整荞麦米和破损荞麦米以互不粘连的方式置于不反光紫色纸板上, 纸板上部为照明和相机固定支架。8 个条形 LED 照明灯以回字形方式分布于支架顶部以避免阴影产生, 相机及镜头位于回字形中央对正下方纸板上的籽粒进行拍照。采集到的 BMP 格式的彩色图像首先转换为灰度图像, 对灰度图像进行中值滤波后, 使用最

    12、大类间方差法 (OSTU) 进行阈值分割, 形成原图的二值图像。2.2 荞麦籽粒的特征提取2.2.1 特征分析未剥壳荞麦表皮颜色呈黑褐色, 三棱卵圆形, 棱线交点尖端突出, 中部有明显的棱线并且表面反光特性不明显。已剥壳完整荞麦米相对未剥壳荞麦, 体积和投影面积减小, 尖端和轮廓相对钝圆, 颜色呈黄棕色, 表面光滑, 反光明显导致中部棱线显现为细条状光斑。破损荞麦米相对完整荞麦米轮廓有缺损, 白色果肉外露导致颜色呈黄棕色和白色并存, 呈现相对明显的纹理变化。综上可知, 未剥壳荞麦、已剥壳完整荞麦米和破损荞麦米在颜色特征、形状特征和纹理特征上均有显著的差异, 因此需要提取这 3 类特征来表征不同

    13、类籽粒之间的差异, 以提高识别的准确率。2.2.2 颜色特征RGB (红、绿、蓝) 颜色模型是图像处理中最常用的面向硬件的颜色模型, HSI (色调、饱和度、亮度) 颜色模型更符合人类对色彩的感知、描述和解释。区域中每个颜色分量的一阶矩 (均值) 反映的是这个颜色分量的平均强度, 二阶矩 (方差) 反映的是区域的颜色方差, 即不均匀性。本文将 RGB 和 HSI 颜色模型的各分量一阶矩和二阶矩作为颜色特征用于识别。2.2.3 形状特征对二值化荞麦图像进行连通域标记后, 不相连的荞麦籽粒可以由连通域标号从整体图像中分离出来, 对分离出来的连通域分别进行区域特征和边界特征的提取从而得到每个籽粒的形

    14、状特征。本文提取荞麦籽粒图像的连通域面积、最小外接多边形面积、周长、等效圆直径、长轴长、短轴长、离心率、长短轴比、伸展度及紧密度共 10 个形状特征用于识别。2.2.4 纹理特征纹理特征描述的是图像或图像区域所对应物体的表面性质, 如粗糙度、光滑度、颗粒度、随机性和规范性等。图像的纹理特征常具有周期性, 描述了图像中反复出现的局部结构及它们的排列规律。本试验在得到荞麦籽粒的形状特征后, 使用荞麦籽粒的外接矩形对彩色原图进行切割, 形成每个籽粒的区域图像, 选取区域图像 R、G、B 颜色分量的平均灰度、平均对比度、平滑度、三阶矩、一致性和熵这几个灰度差分统计特征作为对应籽粒的纹理特征。2.3 主

    15、成分分析本试验对荞麦剥壳混合物提取了颜色、形状和纹理共 40 个特征。这些特征中有些特征在未剥壳荞麦、完整荞麦米和破损荞麦米 3 种成分中的特征值有显著的差异, 而有些则变化不明显。这些特征之间有些又有一定的相关性, 如颜色特征中的一阶矩和纹理特征中的平均灰度等特征。选择对识别贡献率大的特征和相关性小的特征, 这有利于减少冗余数据并缩短数据处理和识别时间;但是由于数据量大以及相关关系不明显的原因, 直接对特征进行人工挑选效果并不理想。主成分分析是考察多个特征间相关性的一种多元统计方法, 从尽量减少信息损失的角度, 将多个特征线性映射为少数几个综合特征而实现特征降维。如果将样本集合 D 中的 d

    16、 维特征向量在一个新的坐标系下只用 d (dd) 维特征进行表示, 应该将新坐标系的原点放在 D 均值的位置, 而以集合 D 的协方差矩阵的特征向量作为基向量, 这样就可以保证只用 d维特征恢复原向量时均方误差最小, 基向量选择协方差矩阵最大的 d个特征值所对应的特征向量。主成分因子数 d过少会使特征信息损失而导致识别率降低, 如果 d过大会引入冗余的数据和噪声而影响识别的准确率, 因此需要合理的选择主成分因子数而使系统达到较高的识别率8。2.4 荞麦混合物的 BP 神经网络识别BP 神经网络是 3 层或 3 层以上的多层前馈网络, 按有导师方式进行训练, 在已知输入模式和期望响应的情况下,

    17、以减小实际响应与期望响应之间的误差为原则, 从输出层经各隐含层最后回到输入层逐层修正各连接权值;随着这种误差逆传播训练的不断进行, 网络对输入模式响应的正确率也不断提高。利用 Mat Lab 神经网络工具箱进行模式识别时, 需要根据样本特征维数和分类数确定输入层、中间层和输出层的神经元数目及相应的神经元传递函数, 选取网络训练方法和设置训练参数并对神经网络进行训练。本试验中 BP 神经网络采用只有一个中间层的单隐层结构, 中间层的神经元传递函数选择 S 型正切传递函数 tansig, 输出层的神经元传递函数选择 S 型对数传递函数 logsig。输入层的神经元个数由主成分分析得到的因子数确定,

    18、 隐含层的神经元个数根据经验公式确定为 2n+1 个 (n 为输入神经元的个数) 。由于本试验 BP 神经网络的输出对应荞麦混合物中的 3 种成分, 因此输出层的神经元个数为 3 个, 输出三位二进制数 001、010 和 100 分别对应荞麦混合物中的未剥壳荞麦、已剥壳完整荞麦米和破损荞麦米。经过对图像的预处理和单个籽粒的特征提取, 共形成每种成分 150 个共 450 个籽粒的样本, 使用抽取函数随机选取其中的每种 100 个共 300 个样本作为训练样本, 剩余的每种 50 个共 150 个作为测试样本进行网络的测试。3 试验结果与分析3.1 图像采集与预处理荞麦剥壳机出料口混合物经去皮

    19、、去粉和筛分处理后, 经手工分类选取未剥壳荞麦、已剥壳完整荞麦米和破损荞麦米各 150 粒置于互不粘连状态, 采集图像如图 1 所示。图 1 荞麦混合物原始图像 Fig.1The initial image of buckwheat mixture 下载原图由图 1 可知:未剥壳荞麦粒型完整, 颜色整体呈棕黑色, 夹杂少量颜色相对较浅籽粒;已剥完整壳荞麦米中有少量表皮破损但形状完整籽粒;破损荞麦米籽粒之间形状、颜色差异较大, 少数籽粒因破损面向下, 俯视图像中显现与已剥壳完整荞麦米相似的外观特征。相对于破损荞麦米, 由于未剥壳荞麦米和已剥壳完整荞麦米粒型完整且表面光滑, 经图像预处理而得到的籽

    20、粒二值图像质量较好。图 2 为破损荞麦米的预处理图像。原始图像与背景图像经距离变换后, 大于或小于背景颜色阈值的对象都成为前景对象, 形成了包含噪声的籽粒灰度图像。灰度图像经中值滤波和OSTU 分割后, 形成籽粒的二值图像。二值图像中籽粒边缘粗糙且存在断裂点, 籽粒区域内部有孔洞, 不能直接用于特征提取。图像形态学处理可平滑籽粒的轮廓、消除细小突出物或孔洞, 对破损荞麦米二值图像进行填充运算、开运算和闭运算处理后的图像如图 2 (c) 所示, 孤立噪点和孔洞被完全清除。图 2 破损荞麦米图像预处理效果 Fig.2 The effect of image preprocessing of bro

    21、ken buckwheat 下载原图3.2 荞麦混合物特征分析对荞麦混合物 3 种成分的原始图像进行籽粒分割和特征提取, 得到了未剥壳荞麦、已剥壳完整荞麦米和破损荞麦米每种各 150 个籽粒样本的特征, 分别对每种 150 个样本的各特征分量取平均值, 结果如表 1表 3 所示。表 1 荞麦混合物颜色特征 Table 1The color features of buckwheat mixture 下载原表 由表 1 可以看出:破损荞麦米由于脱掉了深色荞麦皮且白色果肉外露较多, R、G、B 和 I 通道均值明显相对较高;未剥壳荞麦 H 均值明显高于已剥壳且颜色变淡的已剥壳完整荞麦米和破损荞麦米

    22、;已剥壳完整荞麦米各特征分量相对其它两种成分也有明显差异。表 2 荞麦混合物形状特征 Table 2 The shape features of buckwheat mixture 下载原表 由表 2 可以看出:荞麦混合物 3 种成分形状特征差异主要显示为区域面积和轮廓的减小, 离心率、长短轴比、伸展度和紧密度等表现形状变化的特征差异不大。表 3 荞麦混合物形状特征 Table 3 The texture features of buckwheat mixture 下载原表 由表 3 可以看出:荞麦混合物 3 种成分的 R、G 和 B 通道的平均灰度和对比度, 与颜色特征中的均值和一阶矩变化趋

    23、势相似。3 种成分的三阶矩差异较大, 表明各颜色通道的直方图分布重叠较小。破损荞麦米的平滑度和一致性特征值明显大于另外两种成分, 这显示了破损荞麦米果肉外露纹理粗糙的特性。综上分析, 荞麦剥壳混合物中的 3 种成分在提取的颜色特征、形状特征和纹理特征中均有差别明显的特征分量, 可以使用特征降维的方法, 将对识别率贡献较低和有较强相关性的特征分量排除, 保留这些区分度较高的特征分量用于识别。3.3 主成分因子和 BP 神经网络分类本文使用 Mat Lab 软件对提取到的 40 个特征分量进行主成分分析, 能较好地反映图像特征信息的几个综合特征, 即主成分因子。图 3 显示了荞麦籽粒的主成分得分和

    24、累计得分, 第 1 主成分方差贡献率为 69.7%, 第 2 和第 3 主成分的方差贡献率分别为 14.9%和 6.1%, 前 3 个主成分累计方差贡献率为 90.7%, 而前5 个主成分累计方差贡献率达到了 94.5%。通常认为, 如果累计方差贡献率达到95%, 则可认为保留了原始图像的特征信息, 故本文选取主成分因子数为 5。图 3 主成分得分 Fig.3Principal component scores 下载原图由于主成分因子数选取为 5, 因此用于识别荞麦剥壳混合物的 BP 神经网络输入层神经元个数为 5。根据经验公式, 隐含层神经元个数设为 11 个, 输出层神经元个数为 3, 该

    25、 BP 神经网络结构为 5-11-3。将网络学习速率定为 0.05, 经过182 次迭代后网络均方误差为 0.002 22, 达到了目标误差的要求。用测试集中的 150 个样本对训练后的网络进行准确率检验, 结果如表 4 所示。表 4 BP 神经网络对荞麦剥壳混合物的识别结果 Table 4The recognition result of buckwheat mixture based on BP neural network 下载原表 荞麦剥壳混合物 3 种成分的平均识别正确率为 95%。由于部分已剥壳完整荞麦米籽粒果仁表皮挫伤而露出内部白色果仁, 导致与果仁破损露白的破损荞麦米特征相近而

    26、误识别, 识别正确率只有 90%。由于部分破损荞麦米籽粒破损面向下而未破损部分向上, 呈现的籽粒图像与已剥壳完整荞麦米籽粒图像相近, 导致被识别为已剥壳完整荞麦米, 但是识别结果比预期要好, 识别率达到了98%。未剥壳荞麦的识别符合预期, 识别正确率达到了 98%。4 结论1) 对荞麦剥壳混合物图像中的未剥壳荞麦、已剥壳完整荞麦米和破损荞麦米籽粒分别提取了 12 个颜色特征、10 个形状特征和 18 个纹理特征, 对 3 类每类150 个样本的特征进行处理分析后表明:剥壳混合物中各成分在颜色、形状和纹理特征上均有显著差异, 可以用来进行分类识别。2) 通过主成分分析方法对提取到的 40 个初始

    27、特征进行了降维处理, 将得到的5 个主成分因子作为输人, 建立了 5-11-3 结构的 3 层 BP 神经网络对荞麦剥壳混合物进行模式识别, 平均识别正确率为 95%, 说明本文研究的这种方法用于荞麦剥壳混合物的识别是可行的。参考文献1刁斯琴, 杜文亮, 隋建民, 等.剥壳间隙对荞麦整半仁率的影响规律J.食品与机械, 2013, 29 (3) :191-193, 221. 2张强.基于图像处理的苦荞品种识别J.中国粮油学报, 2015, 30 (5) :128-132. 3程洪, 史智兴, 么伟, 等.基于支持向量机的玉米品种识别J.农业机械学报, 2009, 40 (3) :180-183.

    28、 4张玉荣, 陈赛赛, 周显青, 等.基于图像处理和神经网络的小麦不完善粒识别方法研究J.粮油食品科技, 2014, 22 (3) :59-63. 5杨蜀秦, 宁纪峰, 何东健.基于稀疏表示的大米品种识别J.农业工程学报, 2011, 27 (3) :191-195. 6陈红, 熊利荣, 胡筱波, 等.基于神经网络与图像处理的花生仁霉变识别方法J.农业工程学报, 2007, 23 (4) :158-161. 7郁志宏, 郝慧灵, 张宝超.基于欧氏距离的发芽马铃薯无损检测研究J.农机化研究, 2015, 37 (11) :174-177. 8刘家峰.模式识别M.哈尔滨:哈尔滨工业大学出版社, 2014:104-111.

    展开阅读全文
    提示  道客多多所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    关于本文
    本文标题:基于pca和神经网络的荞麦剥壳混合物识别.doc
    链接地址:https://www.docduoduo.com/p-147671.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    道客多多用户QQ群:832276834  微博官方号:道客多多官方   知乎号:道客多多

    Copyright© 2025 道客多多 docduoduo.com 网站版权所有世界地图

    经营许可证编号:粤ICP备2021046453号    营业执照商标

    1.png 2.png 3.png 4.png 5.png 6.png 7.png 8.png 9.png 10.png



    收起
    展开