摘要：番茄成熟度的判斷對實現(xiàn)番茄的自動化采摘意義重大，本研究提出了一種番茄成熟度判斷的方法——極端學習機，即對番茄圖片進行環(huán)形分塊劃分提取每一塊的顏色直方圖特征組成顏色特征向量，再利用主成分分析法對提取出來的特征進行降維處理，最后采用極端學習機進行識別判斷。通過與支持向量機和BP神經(jīng)網(wǎng)絡的對比發(fā)現(xiàn)，極端學習機速度極快，遠遠快于BP網(wǎng)絡和支持向量機，同時極端學習機泛化性較好，在番茄成熟度判斷中精度達到92.7%。

關(guān)鍵詞：番茄；成熟度；極端學習機；BP神經(jīng)網(wǎng)絡；顏色直方圖

中圖分類號： TP391.41；S126 文獻標志碼： A 文章編號：1002-1302（2014）07-0411-03

收稿日期：2013-10-30

作者簡介：張亞麗（1974—），女，河南南陽人，碩士，高級講師，研究方向為計算機應用與模式識別。E-mail：zyli1974@126.com。目前國內(nèi)主要是通過人工來完成番茄的采摘，人工采摘勞動強度大，極易造成番茄損傷，而且人工采摘大大降低采摘的效率而直接影響到種植番茄的經(jīng)濟效益，因此實現(xiàn)番茄的大規(guī)模自動采摘勢在必行[1]。隨著人工智能的發(fā)展，自動采摘機器人的研究也取得一定的進展，其中判斷番茄是否成熟是至關(guān)重要的一步。番茄成熟度的判斷可以用模式識別的思路來解決，以BP算法為代表的前饋神經(jīng)網(wǎng)絡已經(jīng)在模式識別中取得了廣泛的應用，但是存在著以下幾點難以解決的問題：（1）學習速度慢，訓練過程需要不斷的迭代完成；（2）對參數(shù)選擇敏感，訓練步長和學習率選取不當直接會影響到前饋神經(jīng)外網(wǎng)絡的整體效果[2]。支持向量機由于其處理小樣本的優(yōu)秀能力已受到極大的關(guān)注[3]，但是它也存在著學習速度慢，算法性能對核參數(shù)和懲罰因子的選取較為敏感等問題。針對這些問題Huang等提出一種前饋神經(jīng)網(wǎng)絡的新的訓練算法——極端學習機（extreme learning machine ELM）[4]，該方法隨機設置前饋神經(jīng)網(wǎng)絡的輸入權(quán)值，通過計算輸出權(quán)值的最小二范數(shù)解來完成網(wǎng)絡的訓練，計算過程簡單，速度極快，且泛化性良好，已經(jīng)在許多問題中得到很好的應用。本研究將極端學習機應用到番茄的成熟度識別中，并進行對比分析。

極端學習機（ELM），是一種前饋神經(jīng)網(wǎng)絡的簡單快速的有效的學習算法，跟傳統(tǒng)的基于梯度下降的學習算法相比，極端學習機有很大的優(yōu)勢：（1）ELM的計算速度非常快，這是因為它的隱含層的連接權(quán)值在訓練之前隨機設定，訓練過程不需要迭代調(diào)整；（2）傳統(tǒng)的梯度下降求解算法，容易陷入局部極小，而ELM算法不存在這個問題[5-6]。同時根據(jù)Bartlet的理論，網(wǎng)絡的輸出權(quán)值越小那么這個網(wǎng)絡的泛化性能就越好，因而ELM求解輸出權(quán)值的最小二范數(shù)解的方法能具有很好的泛化性；（3）ELM的參數(shù)選擇簡單，只需要選擇合適的隱層節(jié)點便可獲得良好的性能，而傳統(tǒng)的基于梯度下降的算法如BP網(wǎng)絡等，還需要選擇合適的學習率、訓練歩長等，選擇不當會嚴重影響網(wǎng)絡的泛化性[7-8]。

2番茄圖像的特征提取

在模式識別問題中，提取合適的特征向量對識別率的影響很大，番茄圖片的特征提取過程如圖1所示。

在預處理階段首先將采集的的番茄樣本歸一到 112×112 的大小，由于在采集過程中會存在噪聲和干擾，所以還需要對圖片進行濾波處理。預處理完成以后就要選擇合適的特征提取方法，顏色的變化是反映一個果實是否成熟的重要指標之一[9]，顏色直方圖可以很好地反映出一張圖片的顏色特性并已經(jīng)在圖像檢索中廣泛應用，但是如果對番茄整體提取顏色直方圖特征就不能表達出這些顏色在番茄中的位置信息，而這點對識別一個番茄的成熟程度非常重要。Aibing提出了一種環(huán)形劃分的顏色直方圖[10]，能很好地反映圖像的局部顏色特征，借鑒該方法的思路提出了一種番茄局部直方圖的提取方法，番茄圖像的環(huán)形劃分如圖2所示。

在圖2中選取一個合適的圓心，以R為半徑做圓，剛好將番茄包圍在圓內(nèi)，將半徑R分為N等份，每一份的長度為 R/N，從圓心開始分別以K×R/N（1≤K≤N）為半徑做出K個圓，這樣原來的番茄圖片就環(huán)形劃分為N份，分別提取各環(huán)內(nèi)的顏色直方圖特征（x-μ）/σ，然后從內(nèi)到外按順序首尾相連組合成一個向量P=（S1，S2，…，Si，…，SN）作為每張番茄圖片的顏色直方圖特征，采用該方法提取番茄的顏色特征能很好地反映番茄顏色的空間特性，同時該特征具有旋轉(zhuǎn)不變性。

采用上述方法提取顏色特征，特征向量的維數(shù)過大。如果將該特征向量直接作為分類器的輸入勢必會影響分類器的效率和性能，所以還需要對特征向量進行降維處理，主成分分析已經(jīng)證明在特征降維中具有十分優(yōu)良的效果，它可以保證原有信息損失很少的情況下對特征向量進行降維壓縮，這里采用主成分分析進行顏色特征降維處理，最后得出的特征經(jīng)過歸一處理就可以作為分類器的特征輸入。

3結(jié)果與分析

選取成熟度為生、微熟、成熟3種人工經(jīng)驗標定好的番茄圖片（圖3）進行試驗，每種成熟度番茄圖片60張，每種成熟度的番茄選取30張作為訓練樣本，3種成熟度的番茄一共有90張訓練樣本，剩下的90張圖片作為測試樣本來測試算法的性能。

將番茄圖片等半徑劃分為4個環(huán)形區(qū)域，提取出顏色直方圖特征向量，并用主成分分析進行降維處理，經(jīng)過交叉驗證，主成分個數(shù)選擇29維時能取得比較好的效果。

極端學習機的參數(shù)選擇十分簡單，只有一個參數(shù)即隱含層的節(jié)點數(shù)目需要選擇，不同的隱含層節(jié)點數(shù)目對極端學習機的分類性能影響很大，很多無限可微的函數(shù)都可以作為極端學習機的激活函數(shù)，選用sin函數(shù)作為極端學習機的激活函數(shù)，從第20個節(jié)點開始每次增加20個節(jié)點進行交叉驗證，驗證不同數(shù)目的隱含層節(jié)點對極端學習機的誤差變化（圖4）。

從圖4可以看出，隱含層節(jié)點數(shù)對極端學習機的影響很大，當節(jié)點選取160時極端學習機的分類性能取得較好的效果，此時，繼續(xù)增加節(jié)點，極端學習機的分類性能增加非常緩慢，故極端學習機的參數(shù)選擇十分簡單，只需要選擇一個足夠大的隱含層節(jié)點數(shù)目就能取得不錯的分類效果。endprint