基于改進(jìn)神經(jīng)網(wǎng)絡(luò)算法的蔬菜圖像識(shí)別

蘆 范

(商丘職業(yè)技術(shù)學(xué)院，河南 商丘 476000)

蔬菜圖像識(shí)別在食品生產(chǎn)中有著非常重要的地位[1-2]，不但有利于大規(guī)模化采購，還能按識(shí)別結(jié)果進(jìn)行分類，大大減少人力成本。目前，蔬菜圖像識(shí)別的方法主要有人工識(shí)別[3]、神經(jīng)網(wǎng)絡(luò)算法(NN)[4]、概率神經(jīng)網(wǎng)絡(luò)方法(PNN)[5]、層次聚類神經(jīng)網(wǎng)絡(luò)算法(HCNN)[6]、卷積神經(jīng)網(wǎng)絡(luò)模型(CNN)[7]、小波分析(WA)[8]、人工魚群算法(AFS)[9]及支持向量機(jī)回歸 (SVR) 預(yù)測(cè)模型[10]。人工識(shí)別存在主觀性且效率較低；NN適合自適應(yīng)學(xué)習(xí)及進(jìn)行非線性擬合，但網(wǎng)絡(luò)結(jié)構(gòu)、神經(jīng)元的初始權(quán)值和閾值隨機(jī)設(shè)定使得最終結(jié)果易陷入局部極小值；PNN實(shí)現(xiàn)簡單，同時(shí)識(shí)別結(jié)果較好，但提取蔬菜圖像維度的同時(shí)對(duì)分類器要求較高；HCNN利用層次聚類結(jié)構(gòu)融合神經(jīng)網(wǎng)絡(luò)解決蔬菜識(shí)別問題，但聚類的層次數(shù)無法自適應(yīng)調(diào)整，且無法避免隨機(jī)性權(quán)值矩陣時(shí)的死點(diǎn)問題；CNN的仿生結(jié)構(gòu)較優(yōu)越，但實(shí)現(xiàn)較復(fù)雜，訓(xùn)練所需時(shí)間較久；WA可提取蔬菜圖像的紋理特征，但存在參數(shù)優(yōu)化的難題；AFS由于初始參數(shù)設(shè)定以及步長因子對(duì)算法優(yōu)化效果會(huì)產(chǎn)生較大影響，應(yīng)用受限；SVR可避免維數(shù)災(zāi)難，但參數(shù)較難選擇。

試驗(yàn)擬采用改進(jìn)神經(jīng)網(wǎng)絡(luò)(Improved Neural Network，INN)算法，對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值、隱函數(shù)中心值、核寬度參數(shù)值進(jìn)行優(yōu)化求解，同時(shí)對(duì)多余的神經(jīng)元通過量子遺傳算法刪除處理，旨在提高算法的運(yùn)行速度。

1 改進(jìn)神經(jīng)網(wǎng)絡(luò)

1.1 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)描述

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBFNN)具有多層結(jié)構(gòu)[11]，假設(shè)第i個(gè)樣本點(diǎn)所包含的輸入向量為Xi(i=1,2,…,n)，n為單元數(shù)，第j個(gè)樣本點(diǎn)的輸出向量為Yj(j=1,2,…,m)，m為輸出層單元個(gè)數(shù)，第j個(gè)徑向基函數(shù)的中心向量為cj(j=1,2,…,nc)，則RBFNN輸出為：

(1)

式中：

wi0——第i個(gè)節(jié)點(diǎn)的閾值；

wik——隱藏層與輸出節(jié)點(diǎn)間權(quán)重；

Yij——第i個(gè)節(jié)點(diǎn)的輸出；

f——核函數(shù)；

nc——隱藏層節(jié)點(diǎn)數(shù)。

RBFNN的核函數(shù)為:

(2)

式中：

σi——核寬；

ci——隱藏層函數(shù)的中心值。

1.2 基于梯度下降方法的權(quán)重參數(shù)計(jì)算

RBFNN權(quán)重參數(shù)的訓(xùn)練方法采用梯度下降法[12]，其迭代過程為：

a[cji(t-1)-cji(t-2)]，

(3)

式中：

cji(t)——第j個(gè)隱藏層的第i個(gè)輸入神經(jīng)元在第t次迭代的中心分量；

wkj(t)——第k個(gè)輸出神經(jīng)元與第j個(gè)隱藏層在第t次迭代的權(quán)重；

η——學(xué)習(xí)率；

E——神經(jīng)元評(píng)價(jià)函數(shù)。

(4)

式中：

olk——第l個(gè)輸入樣本的第k個(gè)輸出神經(jīng)元的期望輸出值；

ylk——輸出值。

1.3 基于增大鄰域半徑的均值聚類方法求取ci

(1) 網(wǎng)絡(luò)初始化：隨機(jī)選取h個(gè)訓(xùn)練樣本，計(jì)算每個(gè)樣本的密度值Di。

(5)

式中：

r——樣本xi的一個(gè)鄰域半徑。

選取最大Dc1所對(duì)應(yīng)的樣本xc1作為第一個(gè)聚類中心，其聚類域?yàn)閃1(xc1)。

(6)

式中：

選取最大Dc2所對(duì)應(yīng)的樣本xc1作為第二個(gè)聚類中心，聚類域?yàn)閃2(xc2)；依次進(jìn)行密度值更新至Dci≤0.12Dc1。

1.4 核寬度計(jì)算

對(duì)最近l個(gè)相鄰聚類中心進(jìn)行計(jì)算，獲得核寬度：

(7)

式中：

cj——最近l個(gè)相鄰點(diǎn)的矩心ci。

2 量子遺傳算法刪除冗余權(quán)重和神經(jīng)元

2.1 量子遺傳算法描述

2.1.1 量子比特 量子比特可表示0，1兩種狀態(tài)或者疊加態(tài)[13]：

|φ〉=α|0〉+β|1〉，

(8)

式中：

α——量子比特處于0狀態(tài)的概率幅；

β——量子比特處于1狀態(tài)的概率幅；

|0〉、|1〉——自旋向下態(tài)、自旋向上態(tài)；

α2——量子比特處于0狀態(tài)的概率；

2.1.2 染色體編碼方案 量子遺傳中染色體采用量子位的概率幅進(jìn)行編碼：

(9)

式中：

θij——量子比特的相位，取2π×rand，i=1,2,…,n，j=1,2,…,k；

n——染色體數(shù)目；

k——量子位的位數(shù)；

rand——隨機(jī)數(shù)，取0～1。

由量子遺傳編碼規(guī)則可知，量子位分上、下兩行，因此每個(gè)個(gè)體可包含兩個(gè)候選解，在種群規(guī)模不變的情況下，候選解的個(gè)數(shù)比遺傳算法多1倍，增加了解空間的多樣性，提高了尋優(yōu)成功的概率[14]。

2.2 量子遺傳算法操作過程

2.2.1 神經(jīng)元權(quán)重量子編碼方法 對(duì)每條神經(jīng)元的每個(gè)節(jié)點(diǎn)的權(quán)重進(jìn)行0或者1二進(jìn)制編碼，當(dāng)編碼均為1時(shí)，神經(jīng)元的權(quán)重有效；當(dāng)編碼為0時(shí)，此節(jié)點(diǎn)需刪除，以便優(yōu)化神經(jīng)網(wǎng)絡(luò)。因此，神經(jīng)網(wǎng)絡(luò)是由0和1構(gòu)成的多條序列染色體，染色體長度為該神經(jīng)元網(wǎng)絡(luò)權(quán)重?cái)?shù)之和[15]。

2.2.2 適應(yīng)度函數(shù) 將隱含層數(shù)量設(shè)為1，以便精簡神經(jīng)網(wǎng)絡(luò)，此時(shí)適應(yīng)度函數(shù)表達(dá)式為：

(10)

式中：

Qi、Qo、Qf——分別為輸入層神經(jīng)元數(shù)量、輸出層神經(jīng)元數(shù)量、反饋抽頭數(shù)量；

Ci、Co、Cf——調(diào)整系數(shù)。

2.2.3 進(jìn)化規(guī)則 根據(jù)優(yōu)勝劣汰的操作規(guī)則，通過輪盤賭選擇演變，適應(yīng)性強(qiáng)的個(gè)體更容易遺傳給下一代，適應(yīng)性較低的個(gè)體不易遺傳給下一代。當(dāng)在突變過程中從隱含層或輸入層刪除神經(jīng)元時(shí)，神經(jīng)元的相應(yīng)權(quán)重也將被刪除。

3 蔬菜圖像識(shí)別過程

3.1 蔬菜圖像特征提取

3.1.1 形狀特征 圓形度：

(11)

式中：

Num——邊界的像素點(diǎn)數(shù)；

x——蔬菜圖像的橫坐標(biāo)；

y——蔬菜圖像的縱坐標(biāo)；

X、Y——蔬菜圖像的質(zhì)心坐標(biāo)；

S——目標(biāo)圖像的面積。

C越小，蔬菜形狀與圓形的差別越大。

外接最小矩形：

(12)

式中：

ω——方向角，(°)；

L——外接矩形長(取αmax-αmin)，cm；

W——外接矩形寬(取βmax-βmin)，cm。

L/W越大越能將較細(xì)長的物體與方形或圓形物體區(qū)分開。

慣量最小的矩的軸角度為：

(13)

式中：

u1,1、u2,0、u0,2——分別為(1,1)階、(2,0)階、(0,2)階中心矩。

圓形性：

(14)

式中：

L——目標(biāo)圖像的周長，cm；

S——目標(biāo)圖像的面積，cm2。

圓形性與1差異越大，則其與圓的差別越大。

3.1.2 紋理特征 紋理相關(guān)性：

(15)

式中：

S1——判定提取圖像像素在某個(gè)方向上的相似程度；

p(i,j)——灰度共生矩陣中位置(i，j)處的像素灰度值；

N——灰度共生矩陣的階數(shù)；

μx、σx——圖像行x處的px(i)的均值、方差；

μy、σy——圖像列y處的py(j)的均值、方差。

3.1.3 顏色特征 顏色直方圖只包含蔬菜圖像中某一顏色值出現(xiàn)的頻次，未考慮顏色的空間位置信息。為了避免兩幅不同圖像存在相同的直方圖，將各顏色通道的像素值量化至G個(gè)范圍內(nèi)，像素值處于第g段的個(gè)數(shù)為：ζg+ψg，ζg是顏色為第g段內(nèi)一致性像素個(gè)數(shù)，ψg是顏色為第g段內(nèi)不一致性像素個(gè)數(shù)，顏色一致性特征矢量H為：

H=[(ζ1+ψ1)，(ζ2+ψ2)，…，(ζG+ψG)]。

(16)

3.2 訓(xùn)練過程

將量子遺傳算法用于RBFNN訓(xùn)練學(xué)習(xí)Ci、σi、wk，加快收斂速度，優(yōu)化網(wǎng)絡(luò)連接結(jié)構(gòu)。設(shè)Ii為量子神經(jīng)元的第i個(gè)輸入，則輸出為：

(17)

式中：

arg(u)——u的相位；

λ——偏置值；

θi——輸入角度的相移；

δ——角度控制；

O——輸出。

蔬菜圖像識(shí)別流程為：

① 對(duì)蔬菜樣本預(yù)處理，產(chǎn)生RBFNN的學(xué)習(xí)與測(cè)試樣本；

② 通過梯度下降方法獲得節(jié)點(diǎn)間權(quán)重；

③ 通過增大鄰域半徑的均值聚類方法獲得隱函數(shù)中心值；

④ 通過相鄰聚類中心計(jì)算獲得核寬度；

⑤ 通過量子遺傳算法刪除冗余權(quán)重和神經(jīng)元；

⑥ 根據(jù)結(jié)果值對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練，獲得蔬菜圖像識(shí)別結(jié)果，若達(dá)到預(yù)先設(shè)置的識(shí)別準(zhǔn)確率，則進(jìn)行步驟⑦，否則進(jìn)行步驟②；

⑦ 獲得最優(yōu)蔬菜圖像識(shí)別模型。

4 試驗(yàn)仿真

輸入層、輸出層神經(jīng)元數(shù)分別為80，40，隱含層神經(jīng)元最大數(shù)目為15個(gè), 設(shè)定目標(biāo)誤差10-5,訓(xùn)練得到的輸入層至隱含層的權(quán)值為138個(gè),閾值為25個(gè),隱含層至輸出層的權(quán)值為90個(gè),閾值為15個(gè)，迭代次數(shù)為300，量子遺傳編碼長度為20，最優(yōu)個(gè)體保持代數(shù)為6時(shí)算法終止。

蔬菜圖像共12種：黃瓜、胡蘿卜、大白菜、茄子、韭菜、紅辣椒、平菇、苦瓜、絲瓜、洋蔥、西紅柿、菠菜，每種至少包含50個(gè)樣本，在每類蔬菜中隨機(jī)性選取30幅圖像進(jìn)行訓(xùn)練，送入訓(xùn)練程序中，提取相關(guān)特征，并以蔬菜名作為文件名稱，將特征以文件形式保存，剩余圖像作為測(cè)試數(shù)據(jù)，提供給分類器進(jìn)行識(shí)別操作。

4.1 識(shí)別結(jié)果

算法包括NN、PNN、HCNN、CNN、WA、AFS、SVR、INN，每種算法進(jìn)行50次試驗(yàn)，在總樣本集中進(jìn)行訓(xùn)練樣本，每次隨機(jī)獲取測(cè)試樣本，并在總樣本集中進(jìn)行測(cè)試。

由圖1可知，INN算法高于其他算法的平均識(shí)別率，INN算法的形狀特征平均識(shí)別率為97.56%，相比NN、PNN、HCNN、CNN、WA、AFS、SVR分別提高了7.95%，5.65%，3.68%，2.15%，8.37%，9.74%，6.19%；紋理特征平均識(shí)別率為95.60%，相比NN、PNN、HCNN、CNN、WA、AFS、SVR分別提高了6.76%，4.80%，3.13%，1.83%，7.11%，8.28%，5.26%；顏色特征平均識(shí)別率為93.25%，相比NN、PNN、HCNN、CNN、WA、AFS、SVR分別提高了5.74%，4.08%，2.66%，1.55%，6.05%，7.04%，4.47%。由于采用量子遺傳算法優(yōu)化RBFNN神經(jīng)網(wǎng)絡(luò)參數(shù)，對(duì)冗余神經(jīng)元權(quán)重進(jìn)行刪除，提高了蔬菜圖像的識(shí)別準(zhǔn)確率。

由圖2可知，洋蔥圖像平均識(shí)別率最高，菠菜圖像平均識(shí)別率最低，是因?yàn)檠笫[圖像有其自身特殊性，洋蔥圖像比較接近圓形，旋轉(zhuǎn)其圖像變化不大，菠菜由于自身紋理、顏色等易與其他青菜混淆，不便于識(shí)別。

圖1 不同算法對(duì)蔬菜圖像的平均識(shí)別率

圖2 各種蔬菜圖像平均識(shí)別率

4.2 處理時(shí)間分析

由圖3可知，INN訓(xùn)練時(shí)間平均為5.83 s、識(shí)別時(shí)間平均為2.18 s，與其他算法相比，試驗(yàn)算法消耗的時(shí)間較少。

圖3 各種算法的識(shí)別性能比較

5 結(jié)論

針對(duì)基本神經(jīng)網(wǎng)絡(luò)算法在蔬菜圖像識(shí)別過程中存在識(shí)別率低的問題，提出了一種改進(jìn)神經(jīng)網(wǎng)絡(luò)算法。通過優(yōu)化徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)、量子遺傳算法刪除冗余權(quán)重和神經(jīng)元，獲得最優(yōu)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，試驗(yàn)仿真對(duì)12種蔬菜圖像的形狀特征、紋理特征、顏色特征平均識(shí)別率高于其他算法，說明該方法在蔬菜圖像識(shí)別中十分有效。試驗(yàn)只針對(duì)常見的蔬菜圖像進(jìn)行識(shí)別，后續(xù)將對(duì)外觀極度相近的蔬菜圖像進(jìn)行識(shí)別。