基于系统聚类——自适应BP网络的谷物精选.pdfVIP

基于系统聚类－自适应BP 网络的谷物精选1 陈晓，陈涛，荀一，李伟，谭豫之 中国农业大学工学院，北京 (100083) E-mail：gxy5@ 摘 要：提出一种基于系统聚类的自适应BP （back propagation ）神经网络模型，并将其用 于玉米种子等级判定。首先，通过对随机选取的样本进行多次系统聚类，获取学习样本集， 包括扁形三个等级、圆形三个等级与不规则形籽粒集。然后，运用逐步判别法分析圆扁种子 判别模型、扁形与圆形种子判别模型，从 11 个形态特征中剔除对各模型无效的特征参数。 最后，构建自适应BP 神经网络，并级联多个自适应BP 分类器，实现玉米种子7 个等级的 判定。自适应BP 神经网络采用弹性BP 算法训练网络，运用Nguyen-Windrow 法优化网络 初始值，以提高网络收敛速度，避免网络陷入局部极小值。试验结果表明，聚类后各等级种 子的均匀度较好，且级联网络的平均正确识别率达90%。 关键词：神经网络，系统聚类，逐步判别，种子 中图分类号：TP391.4 1. 引言 种子分级对作物产量有着重要的影响。分级后同级种子大小、形状一致，用种少，出苗 齐，能够提高作物的产量，且利于精量播种的自动化。传统的种子分级主要以圆孔筛选为主， 无法有效地融合多种特征，很难实现种子精选。随着信息技术的发展，结合机器视觉与模式 识别技术进行种子检测的研究得到发展。国外在种子品质检测和品种识别方面开展了广泛的 研究，Loren Steenhoek[1]利用机器视觉技术提取玉米种子 8 个形态特征，并构建 BP 神经网 络实现种子等级判定，但其对于扁形种子的判别率低于 80%。N. Wang[2]等根据硬质小麦的 颜色特征，运用 BP 网络将小麦分为玻璃质与非玻璃质小麦。S. Neethirajan[3]从小麦 X 射线 图像中选取 16 个形态与颜色特征，分别运用统计分类器与神经网络将小麦分为优劣两个等 级，试验表明四层 BP 神经网络模型的识别率较高。J. Paliwal[4]与 B.P. Dubey[5]等研究了神经 网络在小麦品种识别中的应用。国内相关研究则较少，凌云[6]选用玉米种子的面积、复杂度 和色度为特征参数，构建 BP 网络实现完整玉米、破损玉米和异种玉米的分类，识别准确率 [7]融合小麦籽粒形态特征与颜色特征，采用 BP 算法建立小麦籽粒外 均在 90% 以上。王志军 观品质评价模型。在上述研究中，一方面，学习样本的获取大多采用人工或机械筛选，具有 一定的随意性与主观性。另一方面，针对种子品种识别的研究较多，而对种子精选的研究较 少。 本文建立了基于系统聚类的自适应 BP 网络模型，该模型利用系统聚类法获得合理的学 习样本，运用自适应BP 网络实现多特征融合的玉米种子精选。 2. 材料与方法 2.1 试验材料与图像采集 随机选取 851 颗某品种玉米种子为样本。采用扫描仪作为图像采集的部件。因为扫描仪 获取的种子图像精度高，不易受外界环境和人为因素的影响，能够较容易的实现种子外部特 征数据的自动采集。采集玉米种子图像时，避免各籽粒之间彼此接触。每幅图像 12 颗玉米 1本课题得到国家自然科学基金资助项目）; 高校博士点基金资助项目（20050019005 ）的资助。 - 1 - 种子，所采集图像大小为 1281×1593 像素，分辨率为 400 dpi 。 2.2 特征提取 [8] 运用图像处理算法获取玉米种子 11 个形态特征参数 ，用于描述玉米种子的外形。其 中 4 个为基本形态特征，即玉米种子的面积(Area)、周长(Perimeter)、长轴(Length)和短轴 (Width)，并由此导出其它 7 个特征参数。 (1) 圆度circularity (Perimeter2/(4π×Area))，其取值范围[1,