基于BP神經(jīng)網(wǎng)絡(luò)的水果識(shí)別研究

于悅洋 王冰 王靜 湯喬

摘 要：本文介紹了一種基于BP神經(jīng)網(wǎng)絡(luò)的水果識(shí)別方法。隨著模式識(shí)別技術(shù)不斷的發(fā)展，圖像識(shí)別作為最具代表性的應(yīng)用，受到了眾多學(xué)者的關(guān)注，尤其是在圖像快速識(shí)別方面。為了解決傳統(tǒng)水果圖像分類(lèi)識(shí)別算法人工提取特征的缺陷，將經(jīng)過(guò)訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)應(yīng)用在水果的識(shí)別中。本實(shí)驗(yàn)使用數(shù)字圖像處理的方法，首先對(duì)采集到的圖像進(jìn)行預(yù)處理，并針對(duì)多種水果混合的圖像進(jìn)行提取和識(shí)別。實(shí)驗(yàn)表明，基于BP神經(jīng)網(wǎng)絡(luò)的水果識(shí)別方法能夠獲得很高的識(shí)別率，能夠有效地將同一幅圖像中的不同水果識(shí)別出來(lái)。

關(guān)鍵詞：水果識(shí)別;圖像處理;BP神經(jīng)網(wǎng)絡(luò);MATLAB

文章編號(hào)：2095-2163（2019）04-0187-05 中圖分類(lèi)號(hào)：TP391.41 文獻(xiàn)標(biāo)志碼：A

0 引 言

在中國(guó)，通常采用人工方式進(jìn)行水果分級(jí)，而人工分級(jí)往往效率低、勞動(dòng)量大、有較大的人工誤差等，難以實(shí)現(xiàn)標(biāo)準(zhǔn)分級(jí)[1]。并且人工識(shí)別具有諸多的不穩(wěn)定因素。因此，研究和開(kāi)發(fā)水果自動(dòng)實(shí)時(shí)分級(jí)系統(tǒng)，對(duì)經(jīng)濟(jì)、農(nóng)業(yè)的發(fā)展具有廣闊的應(yīng)用前景。從80年代開(kāi)始，國(guó)內(nèi)外有許多學(xué)者研究水果分級(jí)的自動(dòng)識(shí)別算法，近年來(lái)也出現(xiàn)了一些基于水果識(shí)別的算法，如鄭小東等人[2]根據(jù)區(qū)域特征進(jìn)行水果的自動(dòng)識(shí)別。項(xiàng)輝宇等人實(shí)現(xiàn)了對(duì)蘋(píng)果大小、缺陷以及顏色特征的檢測(cè)。程榮花等人[3]對(duì)水果圖像的主成分分析，從而對(duì)其進(jìn)行識(shí)別預(yù)測(cè)。王水平等人[4]利用SVM分類(lèi)器，對(duì)水果進(jìn)行分類(lèi)預(yù)測(cè)。這些方法雖然在水果識(shí)別中取得了一定效果，但對(duì)于同副圖像中的多種水果識(shí)別還有欠缺。針對(duì)這一問(wèn)題，本文基于BP神經(jīng)網(wǎng)絡(luò)對(duì)水果圖像進(jìn)行識(shí)別。首先，根據(jù)水果的不同特征，對(duì)圖像進(jìn)行預(yù)處理;然后，通過(guò)標(biāo)簽化處理將圖像中各個(gè)連接成分進(jìn)行分離，從而實(shí)現(xiàn)對(duì)水果特性的研究，再提取出不同水果的顏色、邊界不規(guī)則、形狀等基本特征，對(duì)得到的水果圖像特征參數(shù)進(jìn)行計(jì)算;最后，使用多幅圖像訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，并完善水果特征庫(kù)，以達(dá)到快速識(shí)別水果的目的。

1 數(shù)字圖像處理

首先，本文對(duì)不同水果圖片進(jìn)行數(shù)字圖像處理。目的是為了提高圖片的質(zhì)量，得到理想的圖像效果。圖像處理的方法有：圖像變化、圖像編碼壓縮、圖像增強(qiáng)和復(fù)原、分割、描述等。本文采用圖像識(shí)別方法的主要步驟為：首先，預(yù)處理圖像;然后，對(duì)預(yù)處理的圖像進(jìn)行分割和特征提取;最后，對(duì)圖像進(jìn)行判斷分類(lèi)。圖像分類(lèi)多數(shù)情況采用傳統(tǒng)的識(shí)別模式。傳統(tǒng)識(shí)別模式分為2大類(lèi)：統(tǒng)計(jì)模式分類(lèi)和結(jié)構(gòu)模式分類(lèi)。近幾年研究中，模糊模式識(shí)別、人工神經(jīng)網(wǎng)絡(luò)模式識(shí)別，這2種新興的圖像識(shí)別方法頗受學(xué)術(shù)界的廣泛關(guān)注。

本文圖像預(yù)處理分為圖像去噪、圖像增強(qiáng)和圖像二值化3個(gè)步驟。本文采用中值濾波法對(duì)圖像去噪，中值濾波法是一種去噪聲的非線性平滑處理辦法。本文采用反銳化掩模法[5]對(duì)圖像增強(qiáng)，該方法是一種常用的圖像銳化方法，先模糊處理圖像，再與原圖進(jìn)行差值運(yùn)算，再乘上一個(gè)修正因子，最后得到輪廓增強(qiáng)的圖像。該算法表達(dá)式如下：

二值化是將圖像呈現(xiàn)為黑白的對(duì)比效果的過(guò)程，該方法將圖像像素的灰度值設(shè)為“0”或“255”。圖像閾值分割法是應(yīng)用較普遍的圖像分割技術(shù)，利用了圖像的背景與對(duì)象之間的灰度差異。本文采用閾值分割法對(duì)圖像進(jìn)行二值化，從而得到效果更好的二值化水果圖像。

2 水果圖像特征提取

數(shù)字圖像處理后，水果和背景被明顯的分開(kāi)。下一步，需要對(duì)每種水果進(jìn)行特征提取。具有代表性的水果特征有：紋理、形狀、顏色[6]等。計(jì)算機(jī)視覺(jué)技術(shù)主要通過(guò)從圖像或者視頻中提取出的物體特征，經(jīng)對(duì)比區(qū)別出不同物體。在農(nóng)業(yè)領(lǐng)域中應(yīng)用的水果自動(dòng)分類(lèi)識(shí)別系統(tǒng)，也是通過(guò)提取所拍攝的水果圖像中的特征參數(shù)，并以此為依據(jù)進(jìn)行訓(xùn)練得到識(shí)別模型從而達(dá)到分類(lèi)識(shí)別的目的。

2.1 圖像顏色模型

水果的顏色特征在圖像方向、尺寸等特征發(fā)生改變時(shí)無(wú)明顯變化，因此，在圖像識(shí)別中常用到顏色特征。顏色模型是用作精確標(biāo)定且生成多種顏色的一種方法。對(duì)于顯示設(shè)備來(lái)說(shuō)，可以用紅色、綠色、藍(lán)色發(fā)光量來(lái)描述RGB。RGB又叫相加混色模型，其在實(shí)際生活中主要用于光照、顯示器等中。

（1）顏色特征，包括彩色和灰度信息處理;對(duì)于彩色信息處理，主要采用幾種常見(jiàn)的色彩空間;而對(duì)于灰度信息處理，主要采用直方圖技術(shù)。

（2）紅綠藍(lán)3色光按不同比例和強(qiáng)度混合可以用其表示近乎所有自然界的可見(jiàn)光，其顏色模型稱(chēng)之為RGB色彩空間模型[7]，如圖1所示為RGB色彩空間模型。紅綠藍(lán)3色位于彩色立方體的3個(gè)頂角，其產(chǎn)生的點(diǎn)匯聚在彩色立方體的對(duì)角線上，即灰色線。在使用RGB模型時(shí)，由于任一基本色上無(wú)亮度，所有RGB顏色顯示黑色。當(dāng)3基色變?yōu)樽罡叩母叨?，空間即會(huì)顯現(xiàn)出白色。其余較低高度但等量的3種基色就顯示灰色。RGB圖像每一個(gè)像素的顏色值直接存放在圖像矩陣中，通過(guò)3個(gè)M×N的二維矩陣分別表示各個(gè)像素的3種顏色分量，R、G、B3個(gè)分量分別表示每一個(gè)像素的顏色，圖像的行列數(shù)由M、N表示。

2.2 圖像形狀特征

圖像的形狀特征是指將圖像經(jīng)過(guò)邊緣提取和圖像分割，從而得到目標(biāo)的形狀。形狀的描述方法一般分為輪廓法和區(qū)域法2類(lèi)。本文采用輪廓法。并對(duì)其結(jié)果進(jìn)行美化，以達(dá)到更準(zhǔn)確的識(shí)別。圖像的形狀特征主要包括周長(zhǎng)和形狀參數(shù)。

（1）周長(zhǎng)為整個(gè)邊界的長(zhǎng)度。周長(zhǎng)通過(guò)計(jì)算物體邊界上相鄰像素的中心距的累加而得出。通常，面對(duì)傾斜方向，數(shù)據(jù)會(huì)產(chǎn)生一些誤差，所以要用2倍的原有像素?cái)?shù)進(jìn)行計(jì)算修改。

（2）物體的其中一個(gè)重要特征量是弧度，弧度是用于計(jì)算物體形狀復(fù)雜程度的參數(shù)。將弧度進(jìn)行比較，識(shí)別出不同的水果。在數(shù)字圖像中，可以通過(guò)物體所占有的像素點(diǎn)數(shù)來(lái)計(jì)算面積。

本文首先使用面積、周長(zhǎng)、弧度等參數(shù)表示水果，再使用RGB顏色模式對(duì)不同的水果圖像進(jìn)行特征提取，產(chǎn)生3幅不同通道的直方圖。通過(guò)直方圖顯示出的結(jié)果，提取不同水果中特有的特征，以達(dá)到識(shí)別水果的目的。

3 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)在上世紀(jì)八十年代年被首次提出[8]。BP神經(jīng)網(wǎng)絡(luò)是一種有效的神經(jīng)學(xué)習(xí)方法，是在誤差反傳算法的基礎(chǔ)上產(chǎn)成的，并引入了反向傳播原理，破傳統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)，解決了非線性問(wèn)題，是目前普遍應(yīng)用的神經(jīng)網(wǎng)絡(luò)模型。

BP神經(jīng)網(wǎng)絡(luò)通常由3個(gè)層次構(gòu)成，分別是輸入層、中間層、輸出層[9]。由傳遞函數(shù)將各層連接，通過(guò)特定的學(xué)習(xí)算法來(lái)訓(xùn)練網(wǎng)絡(luò)、調(diào)節(jié)權(quán)重，使輸出不斷接近預(yù)期值。輸入層接受來(lái)自外部的輸入信息，其中間層（可為單隱層或多隱層）需要進(jìn)行信息處理，各神經(jīng)元上的信息經(jīng)由最后一個(gè)隱層傳送到輸出層，處理完成的結(jié)果再通過(guò)輸出層向外界發(fā)送。

BP網(wǎng)絡(luò)的結(jié)構(gòu)如圖2所示。

BP網(wǎng)絡(luò)具有非常強(qiáng)大的非線性映射能力，因此，能夠?qū)W習(xí)和大量關(guān)于存儲(chǔ)輸入與輸出之間的映射關(guān)系。3層BP神經(jīng)網(wǎng)絡(luò)可以在不描述函數(shù)映射關(guān)系的情況下逼近任意非線性函數(shù)。如圖3示出了BP網(wǎng)絡(luò)的向量圖。

BP神經(jīng)網(wǎng)絡(luò)采用梯度下降算法，這種算法適用于非線性多層網(wǎng)絡(luò)梯度的計(jì)算。BP神經(jīng)網(wǎng)絡(luò)算法的基本思路是：由前向神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)正向傳播，由遞歸神經(jīng)網(wǎng)絡(luò)（反饋神經(jīng)網(wǎng)絡(luò)）實(shí)現(xiàn)誤差反向傳播。這2個(gè)進(jìn)程交替完成，在權(quán)向量空間執(zhí)行誤差梯度下降算法，從而使誤差降到最低。其具體步驟如下：

（3）選取下一個(gè)輸入模式再返回到（2）中反復(fù)訓(xùn)練直到輸出誤差達(dá)到要求為止。

在BP網(wǎng)絡(luò)的結(jié)構(gòu)中，輸入層與輸出層之間含有多層神經(jīng)元（其模擬人類(lèi)大腦神經(jīng)元擁有的基本功能：加權(quán)、求和、傳遞），這些神經(jīng)元被稱(chēng)為隱單元，隱單元與外界沒(méi)有直接的聯(lián)系，但其狀態(tài)的改變，會(huì)影響輸入與輸出之間的關(guān)系，每一層可以有無(wú)數(shù)個(gè)這樣的節(jié)點(diǎn)。

4 實(shí)驗(yàn)及結(jié)果分析

4.1 實(shí)驗(yàn)框架

本文的水果識(shí)別框架是根據(jù)不同水果特征，把需要的水果從中識(shí)別出來(lái)，其總體框架如圖4所示。

本文實(shí)驗(yàn)的具體步驟如下：

（1）輸入水果圖像;

（2）圖像預(yù)處理;

（3）圖像標(biāo)簽化處理和圖像特征參數(shù)計(jì)算，把每個(gè)區(qū)域都分開(kāi)，根據(jù)提取的圖像特征，將水果進(jìn)行區(qū)分;

（4）建立水果特征庫(kù)，把采集的特征數(shù)據(jù)用BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，區(qū)分同一圖片中的不同水果;

（5）完成水果的識(shí)別。

4.2 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)環(huán)境中計(jì)算機(jī)系統(tǒng)為 Windows10，處理器為Intel 酷睿i53210M，主頻為2.5 GHz，內(nèi)存為4 GB，顯存為1 G，硬盤(pán)是500 GB，實(shí)驗(yàn)是基于MATLAB開(kāi)發(fā)工具。本文主要以蘋(píng)果、橙子、香蕉為例。圖5示出了水果圖像處理結(jié)果圖，依次為原始圖像、邊緣檢測(cè)圖像、OR運(yùn)算分割圖像和彩色標(biāo)簽化圖像。從圖中可以看出，通過(guò)一系列的圖像處理可以將不同區(qū)域的像素分開(kāi)，從而利于后續(xù)對(duì)圖像特征的提取和圖像特征參數(shù)的計(jì)算。

表1為橙子、香蕉和蘋(píng)果的特征參數(shù)數(shù)據(jù)表，從中可以看出，與其它2種水果相比，香蕉的特征最為明顯，周長(zhǎng)最大、弧度最小，根據(jù)該特征能夠把香蕉從水果中分離出來(lái)。

圖6所示為3種水果的RGB通道圖及其直方圖，由圖可知，與其它2種水果對(duì)比，蘋(píng)果的R通道直方圖中其固定區(qū)域內(nèi)的像素?cái)?shù)量（200-300）與G通道和B通道像素和的比值為3水果中最大的，可得到蘋(píng)果的比值最大，可知蘋(píng)果的紅色信息量最多。

圖7為本文BP網(wǎng)絡(luò)的訓(xùn)練性能，橫坐標(biāo)代表訓(xùn)練次數(shù)，縱坐標(biāo)代表均方誤差，該誤差值越小，說(shuō)明實(shí)驗(yàn)結(jié)果與原圖之間差異程度越低。從圖中可以看出本文的BP網(wǎng)絡(luò)經(jīng)過(guò)10次訓(xùn)練，其均方誤差為0.7×10-3，識(shí)別準(zhǔn)確度較高，可以直接進(jìn)行水果識(shí)別。

圖8為本文設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)及其運(yùn)行結(jié)果。測(cè)試結(jié)果表明，通過(guò)對(duì)不同測(cè)試樣本的訓(xùn)練，對(duì)蘋(píng)果的識(shí)別近乎完全正確，橙子和香蕉的識(shí)別率均為97%，這個(gè)結(jié)果進(jìn)而證實(shí)了采用特征提取和BP神經(jīng)網(wǎng)絡(luò)識(shí)別水果的有效性。通過(guò)神經(jīng)網(wǎng)絡(luò)的不斷訓(xùn)練，后期對(duì)圖像的識(shí)別更加準(zhǔn)確。就像人的大腦一樣，對(duì)圖像的特征不斷進(jìn)行記憶，使識(shí)別更加智能化。

BP神經(jīng)的優(yōu)點(diǎn)：高效、智能。如果要更加準(zhǔn)確，需要加入更多的特征，在顏色的準(zhǔn)確性上需要改進(jìn)。因?yàn)樗芏囝伾^為相像，且需要更大的數(shù)據(jù)庫(kù)。

從實(shí)驗(yàn)結(jié)果中可以看出，BP神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別系統(tǒng)的自適應(yīng)能力較強(qiáng)，且識(shí)別率也較高，是一種高效的檢測(cè)方法。

5 結(jié)束語(yǔ)

本文采用數(shù)字圖像處理的方法，對(duì)原始水果圖像進(jìn)行預(yù)處理并對(duì)RGB圖像進(jìn)行數(shù)據(jù)分析。通過(guò)對(duì)BP神經(jīng)網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)構(gòu)建了基于MATLAB的水果圖像識(shí)別系統(tǒng)。通過(guò)實(shí)驗(yàn)對(duì)比，本文算法誤差較小、實(shí)時(shí)性較好、正確率高，能夠?qū)崿F(xiàn)對(duì)水果特征數(shù)據(jù)的準(zhǔn)確識(shí)別。但是，本文提出的算法也存在不足，由于水果種類(lèi)繁多，重點(diǎn)選取的香蕉、蘋(píng)果等比較有特點(diǎn)的水果，所以實(shí)驗(yàn)結(jié)果較理想，若參雜其它水果種類(lèi)，如青蘋(píng)果、火龍果等，則需要對(duì)算法進(jìn)行改進(jìn)。

參考文獻(xiàn)

[1] 曾平平，李林升. 基于卷積神經(jīng)網(wǎng)絡(luò)的水果圖像分類(lèi)識(shí)別研究[J]. 機(jī)械設(shè)計(jì)與研究，2019，35（1）：23-26，34.

[2]王水平，唐振民，范春年，等. 基于SVM的水果分類(lèi)算法研究[J]. 武漢理工大學(xué)學(xué)報(bào)，2010，32（16）：44-47.

[3]程榮花，馬飛，梁亞紅. 形狀相似水果自動(dòng)化識(shí)別研究[J]. 山東農(nóng)業(yè)科學(xué)，2015，47（8）：116-118.

[4]鄭小東，王曉潔，李印清. 自然環(huán)境下果實(shí)的自動(dòng)識(shí)別技術(shù)[J]. 計(jì)算機(jī)應(yīng)用與軟件，2006（11）：96-97，100.

[5]項(xiàng)輝宇，薛真，冷崇杰，等. 基于Halcon的蘋(píng)果品質(zhì)視覺(jué)檢測(cè)試驗(yàn)研究[J]. 食品與機(jī)械，2016，32（10）：123-126.

[6]沈磊，蘇建忠，郭肇敏，等. 基于反銳化掩模技術(shù)的紅外圖像增強(qiáng)算法設(shè)計(jì)[J]. 南開(kāi)大學(xué)學(xué)報(bào)（自然科學(xué)版），2019（1）：29-35.

[7]賀詢(xún). 水果識(shí)別中圖像特征綜述[J]. 河南科技，2017（21）：34-35.

[8]Huang Z， Zhu Q. Detection of Red Region of Fuji Apple Based on RGB Color Model[J]. Laser & Optoelectronics Progress， 2016， 53（4）：041001.

[9]文周，林偉健. 基于BP神經(jīng)網(wǎng)絡(luò)的水果氣調(diào)包裝機(jī)械故障診斷方法[J]. 包裝與食品機(jī)械，2018，36（5）：69-72.