馬彧廷，郭敏

（陜西師范大學 計算機科學學院，陜西 西安　710062）

基于極限學習與蜻蜓算法的小麥碰撞聲信號檢測與識別

馬彧廷，郭敏

（陜西師范大學 計算機科學學院，陜西 西安710062）

蟲害損害大量儲糧，長期食用蟲蛀粒小麥會造成營養(yǎng)不良，甚至誘發(fā)疾病，因此對受損粒小麥的檢測工作刻不容緩。本文提出一種新的基于碰撞聲的方法結合極限學習機與蜻蜓優(yōu)化算法檢測小麥蟲蛀粒與發(fā)芽粒。從時域頻域兩方面提取信號特征，包括：時域短時窗口最大幅值與方差、峭度、3階Rényi熵、功率譜均方根。隨后采用極限學習機進行分類，并用蜻蜓算法優(yōu)化相應參數(shù)。實驗結果顯示，93%的完好粒、95%的蟲蛀粒及87%的發(fā)芽粒被正確識別，表明了本文所提出算法對受損粒小麥檢測的有效性。

碰撞聲學；極限學習機；蜻蜓優(yōu)化算法；受損麥粒；識別檢測

小麥中存在一定數(shù)量的受損麥粒，其中主要包括蟲蛀粒與發(fā)芽粒，這些受損麥粒將影響面粉質量。在麥粒收獲季節(jié)，當含水量較高時，麥粒容易發(fā)芽，形成發(fā)芽粒。對于蟲蛀麥粒，害蟲會損害大量儲存小麥［1］。長期食用受損粒小麥會造成營養(yǎng)不良，甚至誘發(fā)疾病。因此，對受損粒小麥的檢測工作刻不容緩。先前研究者采用X射線成像、幼蟲蠕動與咀嚼聲檢測、二氧化碳檢測等方法來檢測蟲蛀粒小麥。然而，由于這些方法具有操作緩慢、設備昂貴、勞動密集等缺點，使之不能定量檢測蟲蛀粒小麥。2005年，Pearson等人率先采用基于碰撞聲的方法檢測蟲蛀粒小麥，提取碰撞聲信號的時域及頻域特征，檢測完好粒與蟲蛀粒小麥的識別率分別為87.4%、85%［2］。為提高識別率，2007年，Pearson等人將之前的方法加以改進，采用四種不同方法提取碰撞聲信號特征，獲得完好粒與蟲蛀粒小麥的識別率分別為98%、87%［3］。2008年，Ince等人采用一種新的時頻分析方法處理小麥碰撞聲信號，從蟲蛀粒、蛹粒、結疤粒中分揀完好粒的識別率分別為96%、82%、94%［4］?；谂鲎猜暤姆椒ǔ擞糜谛←湙z測工作，也被用于檢測開心果［5-7］、榛子［8］等農作物。

文中提取碰撞聲信號的時域及頻域特征，結合極限學習機與蜻蜓算法對完好粒、蟲蛀粒與發(fā)芽粒小麥進行分類，較好地識別了受損粒小麥，為小麥及其他農作物分揀提供依據(jù)。

1　實驗裝置

圖1為小麥碰撞聲信號采集裝置，該裝置由振動給料機、碰撞鋼板、麥克風和裝有聲卡的計算機組成。通過對比多次實驗效果，最終確定麥粒的掉落高度為50 cm，碰撞鋼板的規(guī)格為24×11×0.06 cm，為避免麥粒掉落碰撞鋼板后發(fā)生反彈，設定碰撞鋼板的傾角為60度。實驗所用麥克風是SHUREBG 4.1，用于采集麥粒碰撞鋼板后產生的碰撞聲。900粒麥粒被用于實驗，包含完好粒、蟲蛀粒、發(fā)芽粒各300粒。通過振動給料機，一堆麥粒被轉化為一縱行麥流，自由落下并撞擊碰撞鋼板，隨后麥克風采集碰撞聲信號并將其傳輸給帶有聲卡的計算機，聲卡對采集的碰撞聲信號進行模數(shù)轉換，信號采樣頻率為48 kHz，模數(shù)轉換為18 bits。經模數(shù)轉換后的信號被保存在計算機內，用于后續(xù)處理。

圖1　實驗裝置圖解Fig.1　The schematic of experimental apparatus

2　方　法

2.1數(shù)據(jù)處理與特征提取

本文對每類小麥原始碰撞聲信號，從最大幅值前20個采樣點起，取連續(xù)的5 120個采樣點作為預處理后信號。完好粒、蟲蛀粒及發(fā)芽粒小麥碰撞聲信號時域圖及其Welch功率譜密度圖如圖2所示，從圖中可以看出，完好粒小麥碰撞聲信號的最大幅值相對較大，且與蟲蛀粒和發(fā)芽粒相比，完好粒小麥碰撞聲信號在衰減過程中具有更大波動，表現(xiàn)出更不平穩(wěn)的衰減趨勢，這與不同類小麥內部結構特性的差異及它們與碰撞鋼板的共振效果不同有關。為更好描述上述特性，本文提取以下特征作為判別特征：1）時域短時窗口方差與最大幅值。選取短時窗口大小為512個采樣點，相鄰窗口間256個采樣點重疊。因此，對每個信號提取19個短時幅值特征及19個短時方差特征。2）峭度。由于三類小麥碰撞聲信號在衰減過程中表現(xiàn)出不同的波動特性，而峭度能很好表征信號的分布特性，故選取峭度作為判別特征之一。3）3階Rényi熵。Williams等指出，3階Rényi熵能夠衡量信號的復雜度。相對于完好粒小麥而言，蟲蛀粒小麥與發(fā)芽粒小麥的碰撞聲信號表現(xiàn)出更平穩(wěn)的衰減趨勢，因此它們的信號復雜度較大，Rényi熵也較大。4）功率譜均方根，能夠反映信號頻域的能量特性。

圖2　完好粒、蟲蛀粒、發(fā)芽粒小麥碰撞聲信號及其對應Welch功率譜密度展示Fig.2　Impact acoustical signals as well as the corresponding Welch power spectral density representations from an undamaged wheat kernel，an insect-damaged wheat kernel（IDK），and a sprouted-damaged wheat kernel

2.2極限學習機與蜻蜓算法理論

2.2.1極限學習機

2004年，黃等人證明了前向神經網絡收斂緩慢，他們提出了一種新的算法稱為極限學習機（ELM），它是一種基于單隱層的前向神經網絡，通過隨機選擇單隱層前向神經網絡的權值決定輸出權值［9］。與傳統(tǒng)學習算法如BP神經網絡相比，極限學習機具有非?？斓膶W習速率，與此同時擁有較好的泛化性能。ELM算法概括如下：

1）給定一個訓練樣本S=｛（x1，t1），…，（xN，tN）｝，激活函數(shù)G（x）以及隱層結點數(shù)L。

2）隨機選取隱層結點參數(shù)ωi，bi（i=1，2，…，L）。

3）計算輸出權值β。

這里，H是隱層輸出矩陣，N為訓練樣本數(shù)，I是單位矩陣，T是目標向量。正值C加入對角陣HHT或HTH能夠使之獲得更好的泛化性能［10］。

表1　所提取判別特征及相應公式展示Tab.1 The extracted discriminant features with the corresponding equation representations

2.2.2蜻蜓算法

2015年，Mirjalili提出一種新的群智能優(yōu)化算法，稱為蜻蜓算法（DA）［11］。該算法來源于蜻蜓的靜態(tài)和動態(tài)群智能行為，對蜻蜓的航行、尋找食物、逃避敵人等行為進行數(shù)學建模。Mirjalili證明了對于一個給定問題，蜻蜓算法能有效改善初始隨機種群，能夠收斂至全局最優(yōu)解，與其他已知優(yōu)化算法相比具有競爭優(yōu)勢。蜻蜓算法思想如下：

1）更新蜻蜓位置向量Si，Ai，Ci，F(xiàn)i，Ei。這里Si，Ai，Ci，F(xiàn)i，Ei分別表示分離、排隊、結盟、接近食物及逃避敵人行為的位置向量。

2）計算步長向量

這里s，a，c，f，e，ω分別為對應權值。

3）更新位置向量

有鄰居時，

無鄰居時，

這里，t是當前迭代，d是位置向量維數(shù)。Le′vy函數(shù)為：

r1，r2分別是［0，1］內的隨機數(shù)，β為常數(shù)。

3　實驗結果

文中對每類小麥碰撞聲信號提取41個特征作為判別特征，包括：19個時域短時窗口方差、19個時域短時窗口最大幅值、峭度、3階Rényi熵及功率譜均方根。隨后，采用極限學習機（ELM）進行分類識別。對于極限學習機，由于正值能夠使之獲得更好的泛化性能，故本文采用一種新的優(yōu)化算法——蜻蜓算法對ELM中的參數(shù)C進行優(yōu)化及對隱層結點數(shù)進行選擇，蜻蜓算法參數(shù)設置如下：蜻蜓數(shù)為5，C值與隱層結點數(shù)下限為1，上限為400。本文采用5折交叉驗證的整體識別率作為蜻蜓算法的適應度函數(shù)。圖3分別展示了在50、100 和400次迭代次數(shù)下的適應度曲線及蜻蜓軌跡，可以看出，當?shù)螖?shù)超過100時，算法基本收斂。根據(jù)最優(yōu)交叉驗證率下的C值與隱層結點數(shù)，本文選取C值及隱層結點數(shù)分別為324、296，選取sigmoid函數(shù)作為ELM激活函數(shù)。采用完好粒、蟲蛀粒及發(fā)芽粒小麥各200粒訓練、各100粒測試，實驗結果如表2所示，從中可以看出，93%的完好粒、95%的蟲蛀粒及87%的發(fā)芽粒被正確識別，表明文中所提出的方法可有效識別受損粒小麥。

為進一步探究本文所提出方法的有效性，實驗對比了未經參數(shù)優(yōu)化的ELM、經典的BP神經網絡與支持向量機（SVM），實驗結果表明，文中所提出方法能夠獲得更高平均識別率，這主要歸因于所提取特征的有效性、ELM良好的泛化性能及蜻蜓算法在解目標優(yōu)化問題方面的優(yōu)勢。

圖3　不同迭代次數(shù)下適應度曲線及蜻蜓軌跡Fig.3　The fitness curve and the track of dragonflies in various iterations

4　結　論

文中提出一種新的基于碰撞聲的方法結合極限學習機與蜻蜓優(yōu)化算法檢測受損粒小麥。從時域頻域兩方面提取信號判別特征，采用極限學習機進行分類，并用蜻蜓算法優(yōu)化極限學習機參數(shù)。實驗結果表明，本文所提出算法能有效檢測受損粒小麥，為小麥或其他農作物分揀提供依據(jù)。

表2　本文所提出方法對三類小麥的分類結果Tab.2 Classification results for three types of wheat kernels by using the proposed method

表3　不同分類方法的實驗結果Tab.3 Experimental results for various classification methods

［1］GUO Min，SHANG Zhi-yuan，SHI Huan-wen.Sound absorption measurements of various types of grain［J］.Acta Acustica united with Acustica，2005，91（5）:915-919.

［2］Pearson T C，Cetin A E，Tewfik A H.Detection of insect damaged wheat kernels by impact acoustics［C］//Proceedings of IEEE International Conference on Acoustics，Speech，and Signal Processing.Philadelphia:［s.n.］，2005:649-652.

［3］Pearson T C，Cetin A E，Tewfik A H，et al.Feasibility of impact-acoustic emissions for detection of damaged wheat kernels［J］.Digital Signal Processing，2007，17（3）:617-633.

［4］Ince N F，Onaran I，Pearson T C，et al.Identification of damaged wheat kernels and cracked-shell hazelnuts with impact acoustics time-frequency patterns［J］.Transactions of the ASABE，2008，51（4）:1461-1469.

［5］Omid M.Design of an expert system for sorting pistachio nuts through decision tree and fuzzy logic classifier［J］.Expert Systems with Applications，2011，38（4）:4339-4347.

［6］臧富瑤，馮濤，王晶，等.基于碰撞聲的開心果分揀技術研究［J］.農產品加工，2014，1（11）:65-67.

［7］臧富瑤，馮濤，王晶，等.基于撞擊聲的開心果分揀模型研究［J］.食品與機械，2015，31（2）:157-160.

［8］Cetin A E，Pearson T C，Sevimli R A.System for removing shell pieces from hazelnut kernels using impact vibration analysis［J］.Computers and Electronics in Agriculture，2014 （101）:11-16.

［9］HUANG Guang-bin，ZHU Qin-Yu，Siew C K.Extreme learning machine:Theory and applications［J］.Neurocomputing，2006，70（1）:489-501.

［10］Hoerl A E，Kennard R W.Ridge regression:Biased estimation for nonorthogonal problems［J］.Technometrics，1970，12 （1）:55-67.

［11］Mirjalili S.Dragonfly algorithm:a new meta-heuristic optimization technique for solving single-objective，discrete，and multi-objective problems［J］.Neural Computing and Applications，2015：1-21.

Detection and classification of damaged wheat kernels based on extreme learning and dragonfly algorithm using impact acoustical signals

MA Yu-ting，GUO Min
（College of computer science in Shaanxi Normal University，Xi′an 710062，China）

Insects will destroy significant amounts of stored grain，and long-term feeding on damaged wheat kernels will result in malnutrition，even induce diseases，therefore，the work of detection of damaged wheat kernels is of great urgency.In this paper，a novel method based on impact acoustics combining extreme learning machine（ELM）with dragonfly algorithm was proposed for detection of insect-damaged wheat kernels（IDK）and sprout-damaged ones.Discriminant features，including the maximum amplitudes and variances in time-domain short-time windows，kurtosis，the third-order Rényi entropies and the mean square roots of power spectrum，were extracted both from the time-domain and frequency-domain.Subsequently，ELM was used for classification with dragonfly algorithm for parameter optimization.The experiment results demonstrated that 93.0% of undamaged wheat kernels，95.0%of insect-damaged wheat kernels and 87.0%of sprout-damaged ones were correctly detected，which indicated the effectiveness of the proposed algorithm for detection of damaged wheat kernels.

impact acoustics；extreme learning machine；damaged wheat kernels；detection

TN0

A

1674－6236（2016）05-0008-04

2015-11-01稿件編號：201511002

國家自然科學基金資助項目（10974130）

馬彧廷（1990—），男，新疆北屯人，碩士研究生。研究方向：信號處理與模式識別。