基于主成分分析和BP神经网络蚕蛹分类方法.docVIP

基于主成分分析和BP神经网络蚕蛹分类方法 　　doi：10.15889/j.issn.1002-1302.2016.10.124 　　摘要：为探究快速、无损进行蚕蛹雌雄分类的可行性，利用机器视觉技术对蚕蛹图像进行获取，应用主成分分析法结合BP人工神经网络方法进行分析识别。首先，对所得图像进行灰度化、滤波去噪、二值化、特征提取等预处理，再应用主成分分析法得到包含蚕蛹88.94%特征信息的4个主成分，将其作为BP神经网络的输入变量，对应的蚕蛹性别作为输出。建立1个BP神经网络的识别模型，该模型对于蚕蛹分类的准确率达到98%，符合我国农业部桑蚕行业的标准。机器视觉结合主成分分析和BP神经网络的方法能够准确进行蚕蛹分类，对实际生产具有积极的指导意义。 　　关键词：机器视觉；蚕蛹；主成分分析；BP神经网络；分类 　　中图分类号： TP391.41；S126文献标志码： A文章编号：1002-1302（2016）10-0428-03 　　收稿日期：2015-09-06 　　基金项目：国家科技支撑计划（编号：2011BAD33B04）。 　　作者简介：梁培生（1964―），男，广西苍梧人，副研究员，主要从事蚕业机械与装备研究。E-mail：305141797@。桑蚕养殖是我国的传统行业，也是中国重要的历史文化产业。为了最大限度地提高桑蚕业的经济价值及产品附加值，在实际生产中通常要将雌雄蚕茧分类使用。目前，蚕种场及相关生产企业往往在家蚕化蛹后的几天内手工进行雌雄蚕蛹分类鉴别工作，此方法不仅耗费大量人工成本，且因工人主观因素及技术程度的不同导致识别准确率不高，实际过程中还可能对蚕蛹造成伤害。近年来，关于蚕茧的无损检测法主要有近红外光谱技术、X射线成像技术等，但由于检测设备价格昂贵、检测精度及检测环境要求等原因均未得到推广。 　　不同性别的蚕蛹其身体形态、纹理特征有较大差异，人工识别是基于这些差异特性而进行的，因此可运用识别蚕蛹图像的方式达到目的。通过试验设备获得蚕蛹图像，对蚕蛹的形态特征、纹理特征进行提取并转化为数据信息，利用主成分分析和神经网络的方式进行识别。 　　1设备与材料 　　1.1试验设备 　　采用MER-125-30UM型工业摄像机（北京大恒图像公司）进行图像采集。采用自行设计的采集试验平台，包括环形光源、透明的PVC材料输送带、简易暗箱等。采用DELL的I5计算机主机，采用Matlab 12.0作为软件支持设备进行图像预处理、分析、模型建立、识别等。以上设备经过性能测试，均符合试验条件。 　　1.2样品 　　供试的150粒蚕蛹样品均由中国农业科学院蚕业研究所提供，其中雌雄蚕蛹各75粒。蚕蛹为同一品种在饲养条件基本一致的情况下培育，蚕蛹所处时期为化蛾期的前3～4 d，此时蚕蛹的形态特征未发生改变，且蚕蛹的纹理特征最为明显，利于对特征数据的准确提取。 　　2原理与方法 　　对工业摄像机采集得到的图像进行图像预处理和图像形状、纹理特征的提取，然后应用主成分分析对原始数据进行预处理，得到低维的主成分变量，作为BP神经网络的输入变量。利用建立的BP神经网络模型实现对数据的分析和识别。 　　2.1图像预处理及特征提取 　　通过设计的试验平台及试验设备采集蚕蛹图像，由于采集过程中受到设备、光线等条件的干扰，会产生一定的噪声，影响图像质量。通过对图像的预处理可去除图像的干扰及不必要的背景信息，获取高质量的目标图像。主要的预处理措施有图像的灰度化、滤波去噪、直方图均衡化、边缘提取、图像分割、二值化、形态学处理等（图1）。 　　经过预处理后，图像的质量得到提高，为图像的特征提取做好准备。试验共提取了150幅图像的周长、面积、偏心率、圆度、对比度、能量、逆差距、相关性、熵等9个信息量，为试验准备了充足的数据。 　　2.2主成分分析法 　　主成分分析是一种常用且重要的多元统计分析方法，该方法通过对相关范围内的数据结构内在关系进行分析研究，以方差最大化为原则，以多指标数据转化成较少数量的相互独立且能表示原数据大部分信息的变量为目的，对原始蚕蛹图像所包含的信息量进行线性拟合，从而得到较低维数的变量，取代原始高维数据变量。在实际试验应用中通常取前几个主成分，不仅能达到数据降维的目的，同时也利于数据的观察，一般推荐T值（各主成分的累积贡献率）应大于80%。该T值可用较少数量的不相关主成分表示原始数据，减少了数据的交叉及信息冗余；同时，通过对原始数据自身相关性进行分析来确定各分量权重，基于数据的内在结构关系，不需要人为确定，使试验结果更加公正、合理化且具有说服力。 　　2.3BP神经网络 　　误差反向传播网络（back-propagation network，BP）是人工神经网络的一种，是一种按误差逆传播算法原则进行训