現代農機導航系統設計——基于極限學習機圖像智能分類算法

余 華，吳文全

(1.武漢東湖學院 電子信息工程學院，武漢 430212；2.海軍工程大學 電子工程學院，武漢 430033)

0 引言

在現代農機導航系統中，機器視覺部分是導航系統的核心。為了實現農機的自主導航，機器視覺部分一般采用圖像分割識別技術，對農作物的果實進行自主識別，為了實現這個過程，需要借助相關的智能學習算法。神經網絡算法是一種最常用的機器學習方法，其計算精度受到輸入輸出層和隱含層的權值的影響較大。為了提高神經網絡學習算法的計算精度，需要引入極限學習機算法，通過改變權值的設定方式，達到提高計算精度的目的。

1 基于極限學習機算法的定位導航流程

圖像識別技術是農機導航視覺設計的核心。與定位導航原理不同，采用機器視覺進行導航時需要對大量圖像進行實時處理，以獲得果實或者果樹的位置坐標。特別是成熟果實的識別，在進行定位時采摘農機需要對成熟度較高的果實進行優先采摘，因此還需要根據顏色特征對圖像進行處理，最后根據對成熟果實圖像的位置識別實現自主定位。

在農機導航系統中，成熟果實圖像的識別是定位導航的核心部分，因此在定位之前首先需要對采集的果實和果樹圖像進行處理。圖像處理可采用極限學習機算法，通過對圖像的處理達到圖像智能分類的目的，確定成熟果實圖像的坐標位置，然后通過采摘農機的路徑規劃實現農機采摘過程自主定位功能，如圖1所示。

圖1 基于極限學習機的果實圖像識別流程

extreme learning machine

2 極限學習機神經網絡算法及其精度測試

神經網絡算法是目前最常用的機器學習算法，其效率和精度主要與輸入輸出層和隱含層之間的權值相關。權值的選取往往需要根據經驗來選取，計算精度較低，效率差。如果能實現權值的隨機選取，將輸入輸出層和隱含層的權值計算轉換為最小二乘最優解問題，可以有效提高神經網絡泛化能力及神經網絡學習速度。

圖2為基于極限學習機的神經網絡算法基本模型。神經網絡算法是圖像分割識別的重要算法，假設在進行神經網絡訓練時有N幅圖像數據樣本，輸入和輸出樣本數據分為

xi=[xi1,xi2,…xin]T∈Rn,t=[ti1,ti2,…tim]T∈Rm

i=1,2,…,N

(1)

隱藏層節點數為L，則標準單隱含層神經網絡可表示為

(2)

由公式(2)可知：閾值在輸出層位置是缺失的，因此輸入的權值和隱含層的偏置就不需要再調整，可以直接利用輸出層的權值，建立神經網絡驅動模型。其表達式為

Hβ=T

(3)

其中，H為隱藏層輸出矩陣；β為輸出權值矩陣；T為輸出矩陣。在ω和b固定時，經過激活函數將H在高維呈現線性關系，利用最小二乘法可得

(4)

其中，(H+)T表示樣本輸入層經過隱藏層后的輸出矩陣的Moore-Penrose廣義逆矩陣。為了驗證極限學習機神經網絡算法的計算速度和精度，對一組坐標數據進行處理，以得到定位數據，計算機結果如下：

ELM('diabetes_train', 'diabetes_test', 1, 20, 'sig')

TrainingTime =

0.0568

TestingTime =

0

TrainingAccuracy =

0.9796

TestingAccuracy =

0.9868

圖2 極限學習機神經網絡算法模型Fig.2 The neural network algorithm model of extreme learning machine

由實驗結果可得，極限學習機方法具有耗時短、效率高等優點。將不同學習算法的計算結果進行了統計，結果如表1所示。

表1 不同學習算法精度測試

計算結果表明：相對于其他兩種算法，基于極限學習機的BP神經網絡算法計算精度更高。

3 基于極限學習機的農機導航系統測試

為了驗證方案的可行性，對其圖像處理能力進行測試。要想實現農機的自動導航功能，首先需要對待作業的果樹進行識別，結果如圖3所示。

圖3 果樹采集識別圖像

工作時，首先對傳感器采集得到的果樹圖像進行處理，通過灰度值的改變提取果樹的基本輪廓，然后對某個成熟度范圍內的果實進行定位。定位結果如圖4所示。

圖4 果實閾值分割圖像

在果樹特征提取后，基于極限學習機的神經網絡算法可以成功地實行果實特征的提取。為了驗證其測量和提取的精度，將計算得到的果實面積和實際果實面積進行了對比，結果如表2所示。

表2 果實面積圖像計算值和實際值對比

Table 2 Comparison of fruit area image calculation value and actual value

測試編號實際面積/cm2計算面積/cm21162.1158.32163.2152.83159.1156.24158.3155.35156.2158.96176.3179.2

由表2可知：計算得到的果實面積和實際測量面積基本吻合，從而驗證了計算的可靠性。

通過攝像機采集果實和果樹特征圖像后，需要對圖像進行處理，提取圖像主要特征，建立圖像坐標系，然后組建相機空間坐標系，從而獲得像素點的相機空間坐標，實現三維重構；最后根據果實和果樹的方位和坐標，實現快速導航功能。對快速導航所耗時間進行了統計，得到了如表3所示的計算結果。為了驗證極限學習機算法計算的快速性，對定位導航所需時間進行了統計，結果表明：采用極限學習機算法后定位時間有了明顯縮短，定位效率有所提高。

對基于極限學習機的農機定位精度進行了測試，結果如表4所示。由表4可以看出：在農機導航系統中使用極限學習定位算法后，定位精度有了明顯提升，可以滿足農機定位導航系統的設計需求。

表3 快速定位時間測試

表4 導航精度測試

續表4 %

4 結論

為了提高采摘機械導航系統的效率和精度，在視覺導航圖像處理系統中引入了基于極限學習機的神經網絡算法，通過對成熟果實圖像的快速識別，得到果實圖像的坐標，達到了快速定位的目的。為了驗證方案的可行性，對基于極限學習機的定位導航所需時間和定位精度進行了測試，結果表明：采用機械學習機后明顯地提高了導航效率，定位導航耗時少、精度高，可以滿足農機定位導航系統的設計需求。