• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于主成分分析和BP神經(jīng)網(wǎng)絡的蠶蛹分類方法

      2017-02-05 23:17:02梁培生孫輝張國政方璦
      江蘇農(nóng)業(yè)科學 2016年10期
      關鍵詞:蠶蛹機器視覺BP神經(jīng)網(wǎng)絡

      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.

      猜你喜歡
      蠶蛹機器視覺BP神經(jīng)網(wǎng)絡
      好吃的炸蠶蛹(yǒng)
      酷蟲學校蠶蛹羽化了(一)
      吃蠶蛹
      基于BP神經(jīng)網(wǎng)絡的旅行社發(fā)展方向研究
      商情(2016年39期)2016-11-21 09:30:36
      大場景三維激光掃描儀在研究生實踐教學培養(yǎng)中的應用
      科教導刊(2016年25期)2016-11-15 17:53:37
      復雜背景下的手勢識別方法
      BP神經(jīng)網(wǎng)絡在軟件質(zhì)量評價中的應用研究 
      軟件導刊(2016年9期)2016-11-07 18:25:50
      基于機器視覺的工件鋸片缺陷檢測系統(tǒng)設計
      軟件工程(2016年8期)2016-10-25 15:55:22
      BP神經(jīng)網(wǎng)絡算法在數(shù)值預報產(chǎn)品釋用中的應用
      科技視界(2016年20期)2016-09-29 14:15:12
      基于機器視覺技術的動態(tài)“白帶”常規(guī)檢測系統(tǒng)的開發(fā)
      科技視界(2016年20期)2016-09-29 11:11:40
      焉耆| 古丈县| 瓦房店市| 东宁县| 阜宁县| 茌平县| 福泉市| 紫金县| 永胜县| 榆林市| 佛教| 东海县| 永泰县| 林口县| 汾西县| 石城县| 浦北县| 沭阳县| 新巴尔虎左旗| 黑龙江省| 井陉县| 皮山县| 长武县| 汤阴县| 邵阳市| 洮南市| 高雄市| 会理县| 平度市| 三河市| 太白县| 新安县| 容城县| 博罗县| 曲阳县| 北流市| 册亨县| 和龙市| 应城市| 库车县| 太保市|