徑向基神經(jīng)網(wǎng)絡在豬胴體瘦肉率預測中的應用

張 萌，鐘 南

(華南農(nóng)業(yè)大學 工程學院，廣州 510642)

?

徑向基神經(jīng)網(wǎng)絡在豬胴體瘦肉率預測中的應用

張 萌，鐘 南

(華南農(nóng)業(yè)大學 工程學院，廣州 510642)

豬胴體瘦肉率(LMP)是評價豬肉品質(zhì)的重要指標之一，在生產(chǎn)線上快速而準確地預測出其數(shù)值并進行分級是并不可少的。目前，國內(nèi)大部分廠家依然采取屠宰后人工稱重測量的方法，耗時耗力，且存在相當大的誤差。為此，隨機抽取了116頭皖北地區(qū)商品豬，選定眼肌面積、背膘厚及腿臀比作為參考數(shù)據(jù)，以MatLab工具箱作為研究工具，利用BP、Elman和RBF等3種不同的神經(jīng)網(wǎng)絡建立預測模型，統(tǒng)計后進行比較分析。實驗表明：3種模型的神經(jīng)網(wǎng)絡均可用于瘦肉率預測，但RBF網(wǎng)絡誤差最小，訓練速度最快，學習能力最強，最適合用于建立瘦肉率的預測模型。

瘦肉率；RBF神經(jīng)網(wǎng)絡；BP神經(jīng)網(wǎng)絡；Elman神經(jīng)網(wǎng)絡

0 引言

隨著人們對物質(zhì)生活要求的不斷提高，豬肉品質(zhì)評定越來越受到人們的關注，豬胴體瘦肉率作為豬肉品質(zhì)的重要指標之一，在豬的育種、收購等方面都占據(jù)著重要的地位。目前，在國內(nèi)大部分食品加工廠采用的測量瘦肉率的手段，仍然是將左側(cè)胴體的皮、脂、肉、骨分離，稱重后計算其百分比。這種方法不僅耗費人力物力，測量誤差大，經(jīng)濟效益也偏低[1]。

國內(nèi)外關于預測豬胴體瘦肉率的研究已經(jīng)有很長的歷史，預測技術也日趨完善。由于豬瘦肉率與其胴體、活體形狀部分特性存在著密切相關的關系[2]，據(jù)此可以將部分胴體或活體性狀作為指標，經(jīng)過計算處理后建立預測模型，再通過預測模型得到檢測目標的瘦肉率。預測模型的建立一般是通過統(tǒng)計軟件或人工計算得出[3]，不僅計算量大，得出的模型誤差也較大。

人工神經(jīng)網(wǎng)絡是一種模仿人腦神經(jīng)網(wǎng)絡的復雜網(wǎng)絡系統(tǒng)，具有泛化能力，通常表現(xiàn)在能夠進行預測，即掌握已有數(shù)據(jù)的內(nèi)在規(guī)律后對新的情況做出預測，目前被廣泛應用于各個領域中[4]。其中，BP(Back Propagation)神經(jīng)網(wǎng)絡、Elman神經(jīng)網(wǎng)絡和徑向基函數(shù)(Radial Basis Function，RBF)神經(jīng)網(wǎng)絡在數(shù)據(jù)預測方面都有不錯的應用前景。目前，國內(nèi)外對神經(jīng)網(wǎng)絡已經(jīng)做了相當多的研究工作，技術也相當成熟，但使用神經(jīng)網(wǎng)絡用于瘦肉率預測的基本都是BP網(wǎng)絡及其改進模型。本文以MatLab為實驗工具，分別采用BP、Elman和RBF等3種不同的神經(jīng)網(wǎng)絡建立預測模型，同實際數(shù)據(jù)進行對比分析，說明RBF網(wǎng)絡較其他兩種網(wǎng)絡的優(yōu)勢。

1 數(shù)據(jù)采集與處理

1.1 實驗原理

國內(nèi)外對豬胴體瘦肉率預測模型的研究已經(jīng)有比較長的歷史，研究表明瘦肉率與眼肌面積、背膘厚及腿臀比等特性存在一定的關系[5]。這些指標在生產(chǎn)流水線上都比較容易獲得，而超聲波、機器視覺、核磁共振、電子鼻等新興技術的發(fā)展也使得獲取上述指標更加便利和準確[6]。

MatLab神經(jīng)網(wǎng)絡相關功能豐富，除了具備建立、仿真、測試網(wǎng)絡等一系列函數(shù)外，還有專門的神經(jīng)網(wǎng)絡工具箱，在工具箱界面中只需修改相關參數(shù)，即可獲得相應的神經(jīng)網(wǎng)絡相關數(shù)據(jù)[7]；在后期決定隱含層神經(jīng)元個數(shù)、分布密度等數(shù)值時，利用神經(jīng)網(wǎng)絡工具箱進行對比更加便捷和可靠。

采集眼肌面積、背膘厚和腿臀比數(shù)據(jù)后，將其作為輸入數(shù)據(jù)，將瘦肉率作為輸出數(shù)據(jù)，建立3輸入1輸出的神經(jīng)網(wǎng)絡模型。網(wǎng)絡訓練成功后，只要采集待檢測目標的3個指定數(shù)據(jù)并將其輸入模型，就可以得到對應的瘦肉率數(shù)據(jù)。

1.2 數(shù)據(jù)采集

實驗對象為皖北地區(qū)商品豬，生豬品種為外三元(杜長大、杜大長)。生豬經(jīng)過沐浴后，進行屠宰放血，去毛、頭、蹄、尾、內(nèi)臟后劈半，然后在每頭豬左半胴體上測量數(shù)據(jù)[8]，得出其眼肌面積、背膘厚、腿臀比3個指標數(shù)據(jù)；將皮、脂、肉、骨分離后稱重計算得出瘦肉率,并將數(shù)據(jù)進行統(tǒng)計分析。實驗數(shù)據(jù)均由安徽省東升食品有限公司提供，考慮到人工測量存在一定的誤差，排除部分誤差較大的數(shù)據(jù)后，選取116組數(shù)據(jù)作為實驗材料。

眼肌面積指家畜背最長肌的橫斷面面積。目前，在屠宰測定上一般采用公式法，即

眼肌高(cm)×眼肌寬(cm)×系數(shù)0.7=眼肌面積(cm2)

這種公式法計算準確率高，大大降低了測量難度。背膘厚表示豬脂肪的多少，背膘厚度越厚瘦肉率越低；相反，則瘦肉率越高。我國現(xiàn)在背膘厚的測量標準為取三點測量，即肩胛后沿、最后肋處及腰薦結合處距背正中線4cm處作為測量點，之后取三點平均值(cm)。腿臀比一般指左側(cè)后腿臀重占左側(cè)胴體體重的百分比(%)。

在116組數(shù)據(jù)中隨機抽選100組作為訓練數(shù)據(jù)，用于訓練建立神經(jīng)網(wǎng)絡，其余16組作為驗證數(shù)據(jù)，用以分析網(wǎng)絡模型的預測效果。

1.3 數(shù)據(jù)處理

樣本數(shù)據(jù)的標準不一樣，需要對其進行歸一化，統(tǒng)一評價標準。雖然不進行歸一化也可以進行網(wǎng)絡訓練，但訓練歸一化后的數(shù)據(jù)有利于提高網(wǎng)絡收斂速度，尤其在輸入信號全部是正值時，與第1層隱含層神經(jīng)元連接的權值只能同時增大或減小，導致學習速度很慢。用mapminmax函數(shù)對樣本數(shù)據(jù)進行歸一化處理，使用歸一化后的數(shù)據(jù)進行網(wǎng)絡訓練將更加有效，加快網(wǎng)絡的收斂速度。將輸入輸出映射到[-1,1]范圍內(nèi)進行訓練，再將仿真輸出進行反歸一化映射到原數(shù)值范圍內(nèi)，這樣輸入輸出信號都是原始信號標準，歸一化反歸一化只在神經(jīng)網(wǎng)絡內(nèi)部訓練網(wǎng)絡結構時使用。歸一化處理公式為

其中，x為樣本數(shù)據(jù)；xmin為樣本最小值；xmin為樣本最大值；ymax=1；ymin=-1；y為歸一化后的樣本值[9]。

輸入數(shù)據(jù)為100×3的矩陣數(shù)據(jù)，輸出數(shù)據(jù)為100×1的矩陣數(shù)據(jù)，將100組歸一化后的數(shù)據(jù)傳輸?shù)組atLab神經(jīng)網(wǎng)絡工具箱中進行訓練；然后，將16×3的驗證輸入數(shù)據(jù)傳輸?shù)接柧毢玫木W(wǎng)絡中，將得到的16×1輸出數(shù)據(jù)并進行反歸一化后，與驗證數(shù)據(jù)中的輸出數(shù)據(jù)作對比，檢測網(wǎng)絡的可用性。

2 神經(jīng)網(wǎng)絡設計

2.1 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡是一種多層前饋網(wǎng)絡，可以看作是一個從輸入到輸出的高度非線性映射，調(diào)整網(wǎng)絡權值的訓練算法是誤差反向傳播學習算法。其結構簡單，可調(diào)參數(shù)多，是目前應用最廣泛的神經(jīng)網(wǎng)絡模型。網(wǎng)絡結構由輸入層、隱含層和輸出層3個部分構成，上下層之間實行權連接，而每層神經(jīng)元之間無任何連接[10]。BP學習算法的實質(zhì)就是求解誤差函數(shù)的最小值問題，通過不斷調(diào)整神經(jīng)元權值來逼近最小誤差。

在BP網(wǎng)絡結果中，隱含層的神經(jīng)元個數(shù)是影響網(wǎng)絡效果的最重要因素，決定其數(shù)量的過程十分復雜，一般根據(jù)設計者經(jīng)驗和多次實驗比較來決定。神經(jīng)元個數(shù)過多，會導致學習時間過長，誤差也不一定會更小。本實驗中，分別建立神經(jīng)元個數(shù)N=11、12、15、17時的4個網(wǎng)絡，比較其預測結果。其他參數(shù)的選擇中，隱含層傳遞函數(shù)選取tansig(雙曲正切S型傳遞函數(shù))，輸出層傳遞函數(shù)選取purelin(線性傳遞函數(shù))，訓練函數(shù)選取trainlm(自適應BP的梯度遞減)，性能函數(shù)選取mse均方誤差，將100組訓練數(shù)據(jù)歸一化后輸入網(wǎng)絡進行訓練，并用16組驗證數(shù)據(jù)檢測網(wǎng)絡結構的準確率，預測結果如圖1所示。

圖1 不同神經(jīng)元個數(shù)的BP網(wǎng)絡預測結果Fig.1 Predicted results of BP neural network by different number of neurons

由圖1可以看出：當神經(jīng)元個數(shù)N=15時，預測值的準確性明顯比N=11、13時要高；當N=17時，雖然個別樣本比N=15時的網(wǎng)絡預測值要準確，但是整體的準確性卻沒有比N=15時高，而且神經(jīng)元個數(shù)越多網(wǎng)絡訓練時間越長，模型結構越復雜。綜上所述，神經(jīng)元個數(shù)取15時，BP網(wǎng)絡預測結果最佳。

2.2 Elman神經(jīng)網(wǎng)絡

Elman網(wǎng)絡是一種局部回歸網(wǎng)絡，等同于一個具有局部記憶和局部反饋功能的前向網(wǎng)絡模型。Elman模型在隱含層中添加了一個承接層，作為一步延時算子[11]，因此Elman網(wǎng)絡具有記憶的功能，而系統(tǒng)有能力適應時變特性。除了承接層外，其余結構與BP網(wǎng)絡相差無幾，Elman網(wǎng)絡在進行權值修正時依舊采用BP算法。

從理論上講，Elman網(wǎng)絡隱含層的神經(jīng)元個數(shù)是任意確定的，但是隨著其數(shù)目的提高，可以解決越來越復雜的問題，足夠多的神經(jīng)元數(shù)目使得網(wǎng)絡保證了足夠高的精度和速度。鑒于Elman網(wǎng)絡和BP網(wǎng)絡均采用BP算法，為了比較Elman網(wǎng)絡與BP網(wǎng)絡的優(yōu)劣，本次實驗中訓練Elman網(wǎng)絡的參數(shù)全部與BP網(wǎng)絡相同，用16組驗證數(shù)據(jù)檢測網(wǎng)絡結構的準確率，預測結果如圖2所示。

圖2 Elman網(wǎng)絡預測結果Fig.2 Predicted result of Elman neural network

2.3 RBF神經(jīng)網(wǎng)絡

徑向基函數(shù)網(wǎng)絡屬于前饋網(wǎng)絡，由一組感知單元組成的輸入層、計算節(jié)點的隱含層和輸出層3部分組成。在RBF網(wǎng)絡中，輸入矢量將被直接映射到隱含層空間，很多在低維空間線性不可分的問題，映射到高維空間后就線性可分了。與BP網(wǎng)絡和Elman網(wǎng)絡不同的是，前兩種網(wǎng)絡隱含層的傳遞函數(shù)一般選取S型函數(shù)，而RBF網(wǎng)絡隱含層常選用高斯函數(shù)。高斯函數(shù)是通過對輸入與函數(shù)中心點的距離來算權重的，這樣使得徑向基函數(shù)對輸入信號在局部產(chǎn)生響應，故這種網(wǎng)絡結構具有局部逼近的能力，而這種能力也使得RBF網(wǎng)絡可以以任意精度逼近任意連續(xù)函數(shù)。

在MatLab中使用newrbe函數(shù)創(chuàng)建RBF神經(jīng)網(wǎng)絡，其神經(jīng)元個數(shù)等于輸入樣本數(shù)，修正權值和閾值的方法不一，沒有專門的訓練和學習函數(shù)。RBF網(wǎng)絡的訓練參數(shù)沒有前兩種網(wǎng)絡那樣繁多，確定輸入和輸出矢量后，只需要確定分度密度Spread，分布密度越大，輸出結果越光滑；但太大會使傳遞函數(shù)的作用域擴大到全局，這樣就會喪失局部收斂的優(yōu)勢。多次測試后，當Spread=0.8時，網(wǎng)絡效果最佳。用16組驗證數(shù)據(jù)檢測網(wǎng)絡結構的準確率，預測結果如圖3所示。

圖3 RBF網(wǎng)絡預測結果Fig.3 Predicted result of RBF neural network

3 結果與討論

BP和Elman網(wǎng)絡在按照上文所述參數(shù)設置后，開始訓練網(wǎng)絡模型，達到最佳訓練精度或訓練步數(shù)達到1 000后會停止訓練，其均方誤差曲線分別如圖4所所示。

圖4 BP網(wǎng)絡與Elman網(wǎng)絡學習誤差曲線Fig.4 The error curve of BP and Elman neural network

由圖4可知：BP網(wǎng)絡在訓練大約460步后近似達到最佳精度，Elman網(wǎng)絡在訓練大約240步后近似達到最佳精度，而最佳精度都近似為10-2。以上兩種網(wǎng)絡采取的都是全局最優(yōu)化，而RBF網(wǎng)絡只需進行局部最優(yōu)，盡管RBF網(wǎng)絡的激活函數(shù)為徑向基函數(shù)，神經(jīng)元輸入空間區(qū)域很小，神經(jīng)元個數(shù)更多、結構更復雜，但RBF網(wǎng)絡卻仍然有著更快的學習速率。

將16組歸一化處理后的驗證數(shù)據(jù)的輸入量分別傳輸?shù)?種已經(jīng)訓練好的網(wǎng)絡中，記錄3種網(wǎng)絡模型反歸一化后的輸出信號(即瘦肉率)，并與人工測量的瘦肉率指標做對比，計算預測數(shù)據(jù)和人工測量數(shù)據(jù)的絕對誤差[12]，結果如表1所示。

表1 幾種預測方法的結果對比

通過圖1中左下角部分(N=15的BP網(wǎng)絡擬合圖)和表1可知:在BP網(wǎng)絡的預測結果中，大部分數(shù)據(jù)的誤差都比較小，滿足預測瘦肉率所需精度；但是，6、12號樣本的誤差較大,考慮到BP神經(jīng)網(wǎng)絡的不足之處[13]，很可能是陷入了局部極小點。

通過圖2和表1可知：Elman網(wǎng)絡的預測誤差比較平均，精度也達到所需水準，均在1%以下。從Elman網(wǎng)絡的擬合圖中可以看出：雖然個別樣本預測結果不如BP網(wǎng)絡，但是Elman網(wǎng)絡比BP網(wǎng)絡更穩(wěn)定，不存在誤差特別大的點，具有更好的實用性。

通過圖3和表1可知：RBF網(wǎng)絡所有樣本的預測誤差都接近0，擬合圖中實際值和預測值幾乎全部重合，從而足以證明RBF網(wǎng)絡具有最佳的學習能力和預測能力。

4 結論

實驗表明：BP、Elman和RBF等3種神經(jīng)網(wǎng)絡均可用于豬胴體瘦肉率預測，RBF網(wǎng)絡適應性最強。國內(nèi)大多數(shù)廠家依然采取人工測量的手段，采用BP網(wǎng)絡等技術的方法也已經(jīng)研究了很長一段時間，然而RBF和Elman網(wǎng)絡在此領域卻沒有被應用。雖然BP網(wǎng)絡現(xiàn)在仍然是應用最多的神經(jīng)網(wǎng)絡，但是RBF網(wǎng)絡明顯具有更好的適應性。與其采用不同方法改進后的BP網(wǎng)絡模型[14]，選擇RBF神經(jīng)網(wǎng)絡將更有效率和實用性。

[1] 石忠志,王敏,龔海巖,等.我國生豬屠宰行業(yè)豬肉分級標準現(xiàn)狀與對策[J].中國食物與營養(yǎng),2014,20(10):22-24.

[2] Maria Font i Furnols,Marina Gispert.Comparison of different devices for predicting the lean meat percentage of pig carcasses [J]. Meat Science, 2009, 83(3):443-446.

[3] 尹佳,周光宏,徐幸蓮.基于豬胴體影像分級儀的我國商品豬瘦肉率預測方程的建立[J].食品科學,2010,31(23):84-87.

[4] A A Argyri, E Z Panagou, P A Tarantilis, et al. Rapid qualitative and quantitative detection of beef fillets spoilage based on Fourier transform infrared spectroscopy data and artificial neural networks [J]. Sensors and Actuators B: Chemical, 2010, 145(1): 146-154.

[5] 羅明,朱礪.屠宰加工線上瘦肉型豬胴體瘦肉率估測方法的研究[J].四川農(nóng)業(yè)大學學報,2002,20(2):153-155.

[6] 成芳,廖宜濤,馬君偉.豬肉品質(zhì)無損檢測研究進展[J].浙江大學學報：農(nóng)業(yè)與生命科學版,2010,36(2):199-206.

[7] 鄭麗敏,田立軍,朱虹,等.基于MATLAB的BP神經(jīng)網(wǎng)絡在豬等級評定中的應用研究[J].計算機應用研究,2008,25(6):1642-1644.

[8] 王麗紅,葉金鵬,王子戡,等.畜禽胴體分級技術[J].肉類工業(yè),2014(10):37-41.

[9] 張靠社,羅釗.基于RBF-BP組合神經(jīng)網(wǎng)絡的短期風電功率預測研究[J].可再生能源,2014,32(9):1346-1351.

[10] K. Manikya Kanti, P. Srinivasa Rao. Prediction of bead geometry in pulsed GMA welding using back propagation neural network[J].Journal of Materials Processing Technology, 2008, 200(1-3):300-305.

[11] Cheng-Yuan Liou, Jau-Chi Huang, Wen-Chie Yang. Modeling word perception using the Elman network[J].Neurocomputing,2008,71(16-18):3150-3157.

[12] A B Doeschl-Wilson, D M Green, A V Fisher, et al. The relationship between body dimensions of living pigs and their carcass composition [J].Meat Science,2005,70(2):229-240.

[13] A. Fortin, A K M Tong, W M Robertson, et al.A novel approach to grading pork carcasses: computer vision and ultrasound [J].Meat Science,2003,63(4):451-462.

[14] David I Ellis, David Broadhurst, Royston Goodacre. Rapid and quantitative detection of the microbial spoilage of beef by Fourier transform infrared spectroscopy and machine learning [J]. Analytica Chimica Acta,2004,514(2):193-201.Abstract ID:1003-188X(2017)06-0188-EA

Lean Meat Percentage Prediction of Pig Carcass Based on Radial Basis Function Neural Network

Zhang Meng, Zhong Nan

(College of Engineering, South China Agricultural University, Guangzhou 510642, China)

Lean meat percentage(LMP) of pig carcass is one of the important indexes of pork quality evaluation. It is necessary to predict the data accurately and quickly, and complete grading on the production line. Most of the producers still use the traditional manual dissection method, which is not only time and labor consuming, but also inaccurate, to measure the LMP after slaughtering. Research of neural network in this field of LMP measurement has been conducted, but was always operated on BP neural network structure. In this study, 116 commercial pigs from the northern Anhui Province were randomly selected as the research materials, and the parameters acquired were loin eye area, back-fat thickness and ham percentage. MatLab was used to build up and train BP network, Elman network and RBF network, and to generate LMP values for further analysis. As the data shows, all three types of neural networks can be used for LMP prediction, while RBF, with the minimum error, the fastest training speed and the strongest learning ability, proves to be the most suitable model for LMP prediction.

lean meat percentage; RBF neural network; BP neural network; Elman neural network

2016-05-09

廣東省科技計劃項目(2012A020602039)；教育部國家留學回國人員啟動基金項目(2011-1568)；廣州市產(chǎn)學研協(xié)同創(chuàng)新重大專項(201508010013)

張 萌(1991-)，男，安徽亳州人，碩士研究生。

鐘 南(1965-)，女，湖北荊州人，教授，博士生導師，(E-mail)zhongnan@scau.edu.cn。

S815.4；TP368

A

1003-188X(2017)06-0188-05