基于神經網絡與貝葉斯信息融合的小白菜成熟度檢測方法

摘要：為了掌握智能植物生長柜中小白菜的成熟情況，便于對柜內環境參數實現智能控制，提出了利用小白菜的外部形態特征，特別是提取根系形態特征并將其與地上部分形態特征相結合來檢測小白菜成熟度的方法。通過Matlab圖像處理工具箱對采集的小白菜圖像進行閾值分割和特征提取，然后將小白菜上、下兩部分的形態特征數據作為訓練樣本，分別建立對應的神經網絡成熟度檢測模型，并將神經網絡檢測值利用貝葉斯理論來對其進行信息融合，從而進一步提高神經網絡模型檢測的準確性。

關鍵詞：圖像處理；神經網絡；成熟度；貝葉斯理論；信息融合

中圖分類號：TP183；TP274+.5；S634.3 文獻標識碼：A 文章編號：0439-8114（2016）01-0202-03

DOI：10.14088/j.cnki.issn0439-8114.2016.01.053

植物根系和地上部分有著極大的相關性[1]，根和葉伴隨著植物的生長而生長，都可以作為其成熟度的表征。對于智能植物生長柜[2]來說，作物的根系生長在營養液透明水槽中，在晾根的環節可以完全暴露在空氣中，這為根系形態特征提取創造了條件。準確掌握蔬菜的成熟度對于提高作物產量具有十分重要的意義，尤其是智能植物生長柜生長環境下，成熟度不僅關系到蔬菜的營養品質，而且與節能減耗也緊密相關，因此科學地掌握蔬菜的成熟度顯得尤為重要。

在作物成熟度檢測方面，張長利等[3]通過采集番茄圖像，提取H值作為番茄表面顏色特征，采用遺傳算法訓練的多層前饋神經網絡實現番茄成熟度的自動判別，準確率達到94%。由于顏色特征很容易受到光照等因素的影響，為此，本文提出了利用小白菜的形態特征，特別是地上部分的莖葉特征與地下部分的根系特征相結合的方法，利用神經網絡模型對上下兩部分形態特征建模訓練，然后再根據貝葉斯理論對上下兩部分神經網絡的檢測值進行信息融合，從而進一步提高小白菜成熟度檢測的準確性。

1 材料與方法

本文使用神經網絡建模的方法建立小白菜形態與成熟度之間的關系模型。神經網絡的輸入采用小白菜圖像處理得到的特征數據，輸出則選擇利用積溫比值得到標準成熟度等級。最后對其結果進行貝葉斯信息融合，從而準確檢測出小白菜成熟度等級。其整體流程圖如圖1所示。

1.1 試驗設置

試驗在智能植物生長柜中進行，以小白菜幼苗作為研究對象，采用標準營養液水培的方式，并通過智能控制面板調節柜內環境參數，從而保證小白菜生長所必需的各種營養元素以及提供適宜的生長環境。

1.2 小白菜圖像采集與處理

1.2.1 圖像采集 在標準背景板對比下采集小白菜地上部分的葉冠俯視圖和植株側視圖，以及地下部分的根系側視圖。調節攝像頭使其光軸垂直于待測對象所在平面，且確保背景板邊緣恰好與圖像顯示屏的邊緣對齊，以免產生幾何畸變。

1.3 神經網絡模型設計

本文采用BP神經網絡構建小白菜成熟度的預測模型。BP神經網絡是一個利用誤差反向傳播算法對網絡進行訓練的前向多層網絡，通常包括輸入層、隱含層和輸出層[6]。

1）輸入層：BP神經網絡的輸入節點數依據研究需要來確定，所以神經網絡模型的輸入層分別包含兩個神經元，神經網絡1分別為株高和葉冠投影面積，神經網絡2分別為根系長度和側面積。

2）輸出層：兩個神經網絡的輸出均為成熟度等級，即植物完全成熟時的積溫值與當前植物已達到的積溫值之間的比值。為了方便準確地細化成熟度的等級，本文將成熟度分為8個等級，目標輸出模式為（000）、（001）、（010）、（011）、（100）、（101）、（110）、（111），分別對應1～8級。

3）隱含層：單隱層的BP神經網絡可以逼近一個任意的連續非線性函數，隱含層神經元數目的確定尚無明確的理論指導，通過反復試驗后確定。

4）傳遞函數：隱含層神經元的傳遞函數選擇為S型正切函數tansig。輸出神經元的傳遞函數可選用S型的對數函數logsig。

5）訓練函數：選擇訓練效果較為理想的L-M優化算法。

從得到的融合結果可以看出，融合過程使預測結果更加接近真實值，提高了準確度。

3 小結

通過對小白菜不同成熟度時期的莖葉和根系進行圖像采集和處理，提取形態特征數據，并對其進行神經網絡建模來預測其成熟度，精確度較高，其中莖葉的成熟度預測準確率為89.5%，根系的成熟度預測準確率為94.0%。利用貝葉斯估計的方法實現兩個神經網絡的信息融合可以有效降低模型本身穩定性對結果的影響。將貝葉斯理論與神經網絡相結合，根據形態分析數據來對小白菜成熟度進行預測，方法便利、精確度高、實用性強，對于提高智能植物生長柜環境參數智能化控制、提高資源利用率具有重要意義。

參考文獻：

[1] 潘瑞熾.植物生理學[M].第五版，北京：高等教育出版社，2013.

[2] CUI S G， HAN S L， WU X L， et al. Design of hardware of smart plant growth cabinet[J]. Applied Mechanics and Materials， 2014，577： 624-627.

[3] 張長利，房俊龍，潘 偉.用遺傳算法訓練的多層前饋神經網絡對番茄成熟度進行自動檢測的研究[J].農業工程學報，2001， 17（3）：153-156.

[4] 展 慧，李小昱，王 為，等.基于機器視覺的板栗分級檢測方法[J].農業工程學報，2010，26（4）：327-331.

[5] 張文昭，洪添勝，吳偉斌，等.基于圖像處理技術的葉面積檢測研究[J].農機化研究，2007（4）：120-124.

[6] 郭孝玉，孫玉軍，王軼夫，等.基于改進人工神經網絡的植物葉面積測定[J].農業機械學報，2014，44（2）：200-204.