基于主成分分析和BP神經(jīng)網(wǎng)絡的蠶蛹分類方法

梁培生++孫輝+++張國政++方璦++周二杰

doi：10.15889/j.issn.1002-1302.2016.10.124

摘要：為探究快速、無損進行蠶蛹雌雄分類的可行性，利用機器視覺技術對蠶蛹圖像進行獲取，應用主成分分析法結(jié)合BP人工神經(jīng)網(wǎng)絡方法進行分析識別。首先，對所得圖像進行灰度化、濾波去噪、二值化、特征提取等預處理，再應用主成分分析法得到包含蠶蛹88.94%特征信息的4個主成分，將其作為BP神經(jīng)網(wǎng)絡的輸入變量，對應的蠶蛹性別作為輸出。建立1個BP神經(jīng)網(wǎng)絡的識別模型，該模型對于蠶蛹分類的準確率達到98%，符合我國農(nóng)業(yè)部桑蠶行業(yè)的標準。機器視覺結(jié)合主成分分析和BP神經(jīng)網(wǎng)絡的方法能夠準確進行蠶蛹分類，對實際生產(chǎn)具有積極的指導意義。

關鍵詞：機器視覺；蠶蛹；主成分分析；BP神經(jīng)網(wǎng)絡；分類

中圖分類號： TP391.41；S126文獻標志碼： A文章編號：1002-1302（2016）10-0428-03

收稿日期：2015-09-06

基金項目：國家科技支撐計劃（編號：2011BAD33B04）。

作者簡介：梁培生（1964—），男，廣西蒼梧人，副研究員，主要從事蠶業(yè)機械與裝備研究。E-mail：305141797@qq.com。桑蠶養(yǎng)殖是我國的傳統(tǒng)行業(yè)，也是中國重要的歷史文化產(chǎn)業(yè)。為了最大限度地提高桑蠶業(yè)的經(jīng)濟價值及產(chǎn)品附加值，在實際生產(chǎn)中通常要將雌雄蠶繭分類使用。目前，蠶種場及相關生產(chǎn)企業(yè)往往在家蠶化蛹后的幾天內(nèi)手工進行雌雄蠶蛹分類鑒別工作，此方法不僅耗費大量人工成本，且因工人主觀因素及技術程度的不同導致識別準確率不高，實際過程中還可能對蠶蛹造成傷害。近年來，關于蠶繭的無損檢測法主要有近紅外光譜技術、X射線成像技術等，但由于檢測設備價格昂貴、檢測精度及檢測環(huán)境要求等原因均未得到推廣。

不同性別的蠶蛹其身體形態(tài)、紋理特征有較大差異，人工識別是基于這些差異特性而進行的，因此可運用識別蠶蛹圖像的方式達到目的。通過試驗設備獲得蠶蛹圖像，對蠶蛹的形態(tài)特征、紋理特征進行提取并轉(zhuǎn)化為數(shù)據(jù)信息，利用主成分分析和神經(jīng)網(wǎng)絡的方式進行識別。

1設備與材料

1.1試驗設備

采用MER-125-30UM型工業(yè)攝像機（北京大恒圖像公司）進行圖像采集。采用自行設計的采集試驗平臺，包括環(huán)形光源、透明的PVC材料輸送帶、簡易暗箱等。采用DELL的I5計算機主機，采用Matlab 12.0作為軟件支持設備進行圖像預處理、分析、模型建立、識別等。以上設備經(jīng)過性能測試，均符合試驗條件。

1.2樣品

供試的150粒蠶蛹樣品均由中國農(nóng)業(yè)科學院蠶業(yè)研究所提供，其中雌雄蠶蛹各75粒。蠶蛹為同一品種在飼養(yǎng)條件基本一致的情況下培育，蠶蛹所處時期為化蛾期的前3～4 d，此時蠶蛹的形態(tài)特征未發(fā)生改變，且蠶蛹的紋理特征最為明顯，利于對特征數(shù)據(jù)的準確提取。

2原理與方法

對工業(yè)攝像機采集得到的圖像進行圖像預處理和圖像形狀、紋理特征的提取，然后應用主成分分析對原始數(shù)據(jù)進行預處理，得到低維的主成分變量，作為BP神經(jīng)網(wǎng)絡的輸入變量。利用建立的BP神經(jīng)網(wǎng)絡模型實現(xiàn)對數(shù)據(jù)的分析和識別。

2.1圖像預處理及特征提取

通過設計的試驗平臺及試驗設備采集蠶蛹圖像，由于采集過程中受到設備、光線等條件的干擾，會產(chǎn)生一定的噪聲，影響圖像質(zhì)量。通過對圖像的預處理可去除圖像的干擾及不必要的背景信息，獲取高質(zhì)量的目標圖像。主要的預處理措施有圖像的灰度化、濾波去噪、直方圖均衡化、邊緣提取、圖像分割、二值化、形態(tài)學處理等（圖1）。

經(jīng)過預處理后，圖像的質(zhì)量得到提高，為圖像的特征提取做好準備。試驗共提取了150幅圖像的周長、面積、偏心率、圓度、對比度、能量、逆差距、相關性、熵等9個信息量，為試驗準備了充足的數(shù)據(jù)。

2.2主成分分析法

主成分分析是一種常用且重要的多元統(tǒng)計分析方法，該方法通過對相關范圍內(nèi)的數(shù)據(jù)結(jié)構(gòu)內(nèi)在關系進行分析研究，以方差最大化為原則，以多指標數(shù)據(jù)轉(zhuǎn)化成較少數(shù)量的相互獨立且能表示原數(shù)據(jù)大部分信息的變量為目的，對原始蠶蛹圖像所包含的信息量進行線性擬合，從而得到較低維數(shù)的變量，取代原始高維數(shù)據(jù)變量。在實際試驗應用中通常取前幾個主成分，不僅能達到數(shù)據(jù)降維的目的，同時也利于數(shù)據(jù)的觀察，一般推薦T值（各主成分的累積貢獻率）應大于80%。該T值可用較少數(shù)量的不相關主成分表示原始數(shù)據(jù)，減少了數(shù)據(jù)的交叉及信息冗余；同時，通過對原始數(shù)據(jù)自身相關性進行分析來確定各分量權重，基于數(shù)據(jù)的內(nèi)在結(jié)構(gòu)關系，不需要人為確定，使試驗結(jié)果更加公正、合理化且具有說服力。

2.3BP神經(jīng)網(wǎng)絡

誤差反向傳播網(wǎng)絡（back-propagation network，BP）是人工神經(jīng)網(wǎng)絡的一種，是一種按誤差逆?zhèn)鞑ニ惴ㄔ瓌t進行訓練的多層前饋網(wǎng)絡，實現(xiàn)輸入、輸出變量之間的高度非線性映射關系。BP神經(jīng)網(wǎng)絡包括輸入層、隱含層、輸出層，同層之間相互獨立，數(shù)據(jù)信息前向傳播（圖2）。該網(wǎng)絡的學習規(guī)則為最速下降法，然后通過數(shù)據(jù)的反向傳播來調(diào)整神經(jīng)網(wǎng)絡結(jié)構(gòu)的各權重及偏置量，達到數(shù)據(jù)的誤差平方和最小的目的，使網(wǎng)絡的輸出值逼近期望值，誤差滿足學習要求才結(jié)束。近年來，BP神經(jīng)網(wǎng)絡的應用在分類、預測等方面表現(xiàn)出優(yōu)越性，本研究在蠶蛹分類中進行試驗探討。

3結(jié)果與分析

3.1主成分提取

利用主成分分析方法對蠶蛹圖像提取出的數(shù)據(jù)進行優(yōu)化，即輸入各蠶蛹圖像的特征數(shù)據(jù)，計算出其數(shù)據(jù)的特征矩陣以及各主因子載荷矩陣，然后選取合適的主成分矩陣，將二者組合得到的新向量作為BP神經(jīng)網(wǎng)絡的輸入向量。主成分分析不僅能夠降低神經(jīng)網(wǎng)絡的復雜程度，對提高網(wǎng)絡模型的收斂速度和識別率也有較好作用。

蠶蛹圖像經(jīng)過預處理及特征提取后，將提取到的蠶蛹圖像周長、面積、偏心率、圓度、對比度、能量、逆差距、相關性、熵等9個信息量作為原始數(shù)據(jù)。運用主成分分析的方法進行降維處理之后，在保證主成分的累積貢獻率不低于80%的情況下，提取前4個主成分作為BP神經(jīng)網(wǎng)絡的輸入變量，由此得到圖像原始數(shù)據(jù)的特征值（表1）。

根據(jù)試驗的精度及識別準確率要求，本試驗取前4個較大的特征值，分別為5.261 3、1.280 3、0.929 4、0.533 1，此時累積貢獻率達到88.935%。根據(jù)特征向量與原始數(shù)據(jù)組合形成的新向量，即分析后得到的主成分。每個圖像樣本的9

個信息量經(jīng)主成分分析后化簡為4個輸入變量。

3.2BP神經(jīng)網(wǎng)絡

根據(jù)主成分分析結(jié)果（表1），選取前4個主成分即可表示蠶蛹圖像的主要信息，使圖像數(shù)據(jù)由原來的150×9減少至150×4，大幅降低了運算量。建立相應的神經(jīng)網(wǎng)絡模型，進行蠶蛹雌雄分類的訓練和預測。將數(shù)據(jù)樣本分為訓練集和測試集，分別從雌雄蠶蛹中隨機選取各50個樣本用來建立模型，剩余的50粒蠶蛹用來預測結(jié)果。

利用Matlab 12.0軟件編寫程序，對輸入變量進行數(shù)據(jù)歸一化操作，并建立BP神經(jīng)網(wǎng)絡模型結(jié)構(gòu)。經(jīng)過多次試驗對比分析，在輸入層為4層、輸出層為2層、系統(tǒng)允許誤差為0001、學習速率為0.05、慣性系數(shù)為0.8、最大迭代次數(shù)為 1 000 次時，驗證當神經(jīng)網(wǎng)絡隱含層神經(jīng)元數(shù)目為8時，該神經(jīng)網(wǎng)絡模型結(jié)構(gòu)較為簡單，且收斂速度快、精度高。選取 4-8-2的網(wǎng)絡結(jié)構(gòu)進行訓練和識別驗證，其中隱含層傳輸函數(shù)為非線性的tansig型函數(shù)，輸出層的隱含函數(shù)為純線性的purelin型函數(shù)。

3.3PCA-BP模型預測

將經(jīng)過降低維數(shù)處理的預測樣本主成分數(shù)據(jù)在訓練好的預測模型中進行驗證，并利用網(wǎng)絡的識別結(jié)果與蠶蛹的真實性別進行對比。由模型生成的神經(jīng)網(wǎng)絡回歸圖（圖3）可知，模型的歸一化系數(shù)均大于99.5%，即驗證網(wǎng)絡預測識別建立的模型對蠶蛹性別的識別較為成功。

一般來說，神經(jīng)網(wǎng)絡的性能優(yōu)劣主要由其泛化能力來評價。對測試樣本的驗證分析表明，該網(wǎng)絡模型具有很強的泛化能力，能夠較為真實地反映輸入與輸出之間的關系。由圖4可知，神經(jīng)網(wǎng)絡模型的訓練收斂曲線在迭代次數(shù)為112時達到要求。檢測結(jié)果（表2）顯示，50粒蠶蛹的識別準確率達到98%。結(jié)果表明，本方法所建立的PCA-BP神經(jīng)網(wǎng)絡模型能夠較為準確地對蠶蛹性別進行分類識別。

4結(jié)論

利用機器視覺技術獲取蠶蛹圖像，經(jīng)圖像處理得到了蠶蛹的形態(tài)及紋理特征，結(jié)合主成分分析法和BP神經(jīng)網(wǎng)絡結(jié)構(gòu)建立了蠶蛹的雌雄識別模型，對蠶蛹進行分類識別研究。由對測試集的驗證結(jié)果可知，蠶蛹的識別準確率達到了98%，但仍存在一定的誤判率。BP神經(jīng)網(wǎng)絡的訓練及網(wǎng)絡記憶仍存在不穩(wěn)定性，有待進一步研究。

機器視覺結(jié)合主成分分析和BP神經(jīng)網(wǎng)絡的方法，對蠶蛹的識別分類具有很好的作用，為蠶蛹雌雄識別分類提供了一種新途徑，對桑蠶業(yè)具有重要的經(jīng)濟和實用價值。

參考文獻：

[1]劉敬全，于振誠，崔玉梅，等. 家蠶熒光繭色判性蠶品種熒光、春玉的育成及其一代雜交種的選配[J]. 蠶業(yè)科學，1996，22（3）：155-159.

[2]王茜蒨，黃志文，劉凱，等. 基于主成分分析和人工神經(jīng)網(wǎng)絡的激光誘導擊穿光譜塑料分類識別方法研究[J]. 光譜學與光譜分析，2012，32（12）：3179-3182.

[3]Jin T M，Wu X Q，Pan S Y，et al. Distinguishing sex of silkworm chrysalis in cocoon by NIR with fiber optics[J]. Acta Agriculturae Boreali-Sinica，1994，9：35-37.

[4]吳江，黃富榮，黃才歡，等. 近紅外光譜結(jié)合主成分分析和BP神經(jīng)網(wǎng)絡的轉(zhuǎn)基因大豆無損鑒別研究[J]. 光譜學與光譜分析，2013，33（6）：1537-1541.

[5]李玉品，陳斌，顏輝，等. 近紅外光譜分析法在蠶繭性別鑒定上的應用[J]. 江蘇農(nóng)業(yè)科學，2009（1）：237-239.

[6]Chen Q S，Zhao J W，F(xiàn)ang C H，et al. Feasibility study on identification of green，black and Oolong teas using near-infrared reflectance spectroscopy based on support vector machine（SVM）[J]. Spectrochimica Acta，Part a，2007，66（3）：568-574.

[7]蔡健榮，劉兵，李永平，等. X射線成像技術判別蠶繭性別[J]. 農(nóng)業(yè)工程學報，2012，28（8）：275-279.

[8]楊丹，趙海濱，龍哲，等. MATLAB圖像處理[M]. 北京：清華大學出版社，2013.

[9]MATLAB中文論壇. MATLAB神經(jīng)網(wǎng)絡30個案例分析[M]. 北京：北京航空航天大學出版社，2010.

[10]馬嘯，袁洪福，宋春風，等. 衰減全反射紅外光譜法快速分類和識別多種食用油的方法[J]. 光譜學與光譜分析，2015，35（7）：1879-1884.

[11]岳田利，彭幫柱，袁亞宏，等. 基于主成分分析法的蘋果酒香氣質(zhì)量評價模型的構(gòu)建[J]. 農(nóng)業(yè)工程學報，2007，23（6）：223-227.

[12]Zhang J H，Qi L J，Ji R H，et al. Cotton diseases identification based on rough sets and BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering，2012，28（7）：161-167.