BP神經(jīng)網(wǎng)絡在煙梗長短梗率檢測中的應用

崔云月，管一弘，孫 娜，王端生，楊雄飛，黃 崗

（1.昆明理工大學理學院；2.昆明聚林科技有限公司，云南 昆明 650000）

0 引言

煙梗是卷煙的重要原料，梗絲或顆粒狀煙梗具有較好的填充性和燃燒性。因此，對于煙梗的檢測成了煙草加工過程中不可缺少的環(huán)節(jié)［1］。煙梗的長梗率和短梗率是煙草打葉復烤過程中一個關(guān)鍵的加工質(zhì)量檢測指標，長短梗率的高低，直接影響著卷煙企業(yè)制絲生產(chǎn)中梗絲的出絲率［2-3］。目前，長短梗率的檢測方法主要通過人工篩選長短梗，再稱重得到長短梗率，該方法不僅工作強度大、耗時長，也存在著人工篩選時的偏差。因此，研究高效準確地長短梗率檢測方法，對于煙草制絲過程的提質(zhì)增效、降本降耗具有重要意義。

目前，國內(nèi)外對煙梗的長短梗率檢測方法相關(guān)研究較少。武凱等［4］發(fā)明了測定煙梗長梗率的設備，該設備通過采集可見光下的煙梗圖像，利用圖像分析法對煙梗進行識別，從而檢測煙梗長梗率。由于可見光無法穿透煙葉，因此該方法很難識別出部分被煙葉包裹住的煙梗。朱文魁等［5］提出一種基于X 射線透射圖像定量檢測煙梗中粗細梗率和長短梗率的測定方法，該方法利用煙梗與煙片在X 射線下成像的特征差異對煙梗長度進行識別，采用定量的檢測算法實現(xiàn)了長梗率和短梗率的測定，但是該方法操作復雜且準確性有待提高。

針對上述煙梗的長短梗率檢測問題，本文提出一種基于BP 神經(jīng)網(wǎng)絡的長短梗率檢測方法。首先利用閾值分割方法對煙梗圖像進行分割，通過最小外接矩形方法識別出煙梗圖像中的長短梗，然后建立BP 神經(jīng)網(wǎng)絡質(zhì)量擬合模型從而實現(xiàn)長短梗率的檢測。結(jié)果表明，該方法能夠較為準確地擬合煙梗質(zhì)量，極大提高了煙梗長梗率和短梗率檢測效率。

1 煙梗長短梗識別

1.1 煙梗圖像分割

本文研究的煙梗圖像是在X 射線透射成像下的灰度圖像。X 射線的透射能力與X 射線光子的能量有關(guān)，X 射線波長越短，光子能量越大，穿透力越強；X 射線的透射力也與物質(zhì)密度有關(guān)，透射密度越大的物質(zhì)，X 射線衰減程度越強；透射密度越小的物質(zhì)，X 射線的衰減程度也就越弱［6-10］。由于這種性質(zhì)，圖像中煙?；叶戎蹬c背景之間存在很大差異。以某幅煙梗的圖像為例，繪制煙梗圖像的三維灰度直方圖如圖1 所示。

Fig.1 Three dimensional gray histogram of tobacco stem image圖1 煙梗圖像的三維灰度直方圖

從圖1 可以看出，背景灰度值大多高于6×104，而煙梗的灰度值相對較小。因此，本文采用閾值分割法對煙梗圖像進行分割。閾值分割是圖像分割中比較簡單而且計算速度較快的一種算法［11］。具體公式定義如下：

對比多個閾值發(fā)現(xiàn)，當閾值為58 000 時，煙梗圖像分割效果最優(yōu)。煙梗圖像分割結(jié)果如圖2 所示。

由圖2 可以看出，閾值分割效果較好，但是在實際采圖過程中難免存在噪聲干擾，還需對閾值分割后的圖像提取連通域，刪除面積較小的孤立噪聲［12］。

Fig.2 Threshold segmentation results圖2 閾值分割結(jié)果

1.2 煙梗長度特征提取

打葉復烤加工過程中，大部分煙梗形態(tài)都比較筆直，因此，本文采用旋轉(zhuǎn)法求取煙梗的最小外接矩形，從而識別出煙梗長度。具體過程如下：

（1）獲取目標物的最小外接框，即二維形狀各頂點中的最大橫坐標、最小橫坐標、最大縱坐標、最小縱坐標定下邊界的矩形。

（2）將目標物的邊界以每次1°左右的增量在90°范圍內(nèi)旋轉(zhuǎn)。每旋轉(zhuǎn)一次記錄一次其坐標系方向上的外接矩形邊界點的最大和最小值。旋轉(zhuǎn)到某一個角度后，取面積最小時外接矩形的參數(shù)為主軸意義下的長度和寬度［13］。

（3）畫出目標物的最小外接矩形，并標注其長度值。煙梗的長度值是通過一定長度的標準件對相機進行標定，得到實際圖像尺寸與X 射線所成像素點個數(shù)的關(guān)系約為1∶2.5，從而得到圖像中煙梗的實際長度，煙梗長度特征提取結(jié)果如圖3 所示。

Fig.3 The result of stem length feature extraction圖3 煙梗長度特征提取結(jié)果

1.3 長短梗識別

國家煙草專賣局發(fā)布的《打葉煙葉 質(zhì)量檢驗》（YC/T147-2010）中規(guī)定，長度大于20mm 的煙梗為長梗，長度小于等于20mm 的煙梗為短梗［14］。長短梗識別結(jié)果如圖4 所示。

Fig.4 The results of long and short stem identification圖4 長短梗識別結(jié)果

2 煙梗質(zhì)量擬合及長短梗率檢測

2.1 BP 模型基本原理

BP 神經(jīng)網(wǎng)絡實際為多層感知器，通常由3 層及以上網(wǎng)絡構(gòu)成，一個典型的三層BP 神經(jīng)網(wǎng)絡結(jié)構(gòu)為輸入層、隱含層和輸出層［15-17］，其拓撲結(jié)構(gòu)如圖5 所示。

Fig.5 Three layer BP neural network structure圖5 三層BP 神經(jīng)網(wǎng)絡結(jié)構(gòu)

BP 神經(jīng)網(wǎng)絡的訓練過程分為信號前向傳播和誤差反向傳播兩個過程［18-19］。輸入層信號經(jīng)神經(jīng)元傳遞到隱含層，通過各神經(jīng)元間的權(quán)值和激活函數(shù)的相關(guān)計算將結(jié)果傳遞到輸出層。若輸出結(jié)果與期望值間誤差較大則進入誤差反向傳播過程，利用梯度下降法不斷調(diào)整網(wǎng)絡權(quán)值與偏置，進而使網(wǎng)絡預測輸出值不斷逼近期望值，最終達到預期效果并停止訓練［20］。具體步驟如下：

（1）構(gòu)建一個神經(jīng)網(wǎng)絡，輸入隱含層個數(shù)及每層神經(jīng)元個數(shù)。

（2）初始化網(wǎng)絡權(quán)重和偏置參數(shù)，設置最高迭代次數(shù)、誤差函數(shù)及收斂精度。

（3）分別計算隱含層和輸出層各神經(jīng)元的輸出Hj和Yk，Hj和Yk的表達式為：

（4）比較輸出值Yk與期望值Dk，誤差為Ok=Yk-Dk，Ok的表達式為：

（5）利用梯度下降法不斷更新權(quán)重和偏置參數(shù)。輸入層與隱含層之間的連接權(quán)值和偏置值的更新如式（6）、式（7），隱含層與輸出層之間的連接權(quán)值和偏置值的更新如式（8）、式（9）。

（6）判斷網(wǎng)絡誤差是否滿足要求，若不滿足，則轉(zhuǎn)到步驟（3）繼續(xù)調(diào)整參數(shù)；若滿足，則停止迭代。

2.2 預測模型構(gòu)建

2.2.1 網(wǎng)絡結(jié)構(gòu)設計

通過上述方法可得到煙梗圖像中長短梗的灰度值，將煙梗所在的灰度值范圍均分為十段，以灰度級在每一段范圍內(nèi)的占比作為網(wǎng)絡輸入，則輸入層節(jié)點個數(shù)為10；以煙梗的質(zhì)量（歸一化質(zhì)量）作為網(wǎng)絡輸出，則輸出層節(jié)點個數(shù)為1。隱含層的節(jié)點個數(shù)根據(jù)Kolmogorov 定理確定［21］，該定理計算公式如式（10）。

式中，h為隱含層的節(jié)點個數(shù)，m和n分別為輸入層和輸出層的節(jié)點個數(shù)，a為1～10 之間的調(diào)節(jié)整數(shù)。設置不同的網(wǎng)絡結(jié)構(gòu)對煙梗圖像進行質(zhì)量擬合實驗，得到不同網(wǎng)絡結(jié)構(gòu)下的煙梗質(zhì)量擬合結(jié)果如表1 所示。

Tabel 1 Fitting results of stem quality under different network structures表1 不同網(wǎng)絡結(jié)構(gòu)下煙梗質(zhì)量擬合結(jié)果

由表1 可以看出，第二組的網(wǎng)絡性能最好。因此，本文采用10-4-2-1 型的四層拓撲結(jié)構(gòu)構(gòu)建BP 神經(jīng)網(wǎng)絡結(jié)構(gòu)模型。

2.2.2 網(wǎng)絡參數(shù)設定

利用newff 函數(shù)構(gòu)建四層BP 神經(jīng)網(wǎng)絡模型，經(jīng)過多次實驗后，最終確定網(wǎng)絡參數(shù)。隱含層和輸出層神經(jīng)元傳遞函數(shù)分別為tansig、tansig 和purelin。最高迭代次數(shù)為12 000，收斂誤差為0.000 01，學習率為0.2，網(wǎng)絡訓練函數(shù)為trainscg 函數(shù)。

2.3 長短梗率計算

通過BP 神經(jīng)網(wǎng)絡質(zhì)量擬合模型分別得到煙梗圖像中長梗和短梗質(zhì)量，從而得到長梗率和短梗率，具體計算公式如式（11）、式（12）。

式中，M長為長梗率，M短為短梗率，m長為測試中的長梗質(zhì)量，m短為測試中的短梗質(zhì)量。

3 實驗結(jié)果與分析

分別稱取25 組不同質(zhì)量的長梗和短梗，從長梗和短梗中各取一組煙梗進行混合，同一質(zhì)量下的混合煙梗在設備上重復過料5 次進行采圖，以其中20 組混合煙梗圖像作為BP 網(wǎng)絡的訓練樣本集，其余5 組混合煙梗圖像作為BP 網(wǎng)絡的測試樣本集。利用上述神經(jīng)網(wǎng)絡模型進行實驗，模型訓練誤差變化曲線如圖6 所示，對不同質(zhì)量的煙梗擬合結(jié)果如表2 所示。

由圖6 可知，BP 神經(jīng)網(wǎng)絡達到預設收斂誤差自動停止訓練，此時網(wǎng)絡迭代189 次，收斂于9.674 2×10-6，并且收斂速度較快。

Fig.6 Neural network error curve圖6 神經(jīng)網(wǎng)絡誤差曲線

其中，擬合均值是指同一質(zhì)量下5 次過料的混合煙梗圖像擬合得到質(zhì)量的平均值。由表2 可以看出，本文設計的BP 神經(jīng)網(wǎng)絡模型的最大相對誤差為7.12%，最小相對誤差為1.92%，平均相對誤差為3.91%，對于煙梗質(zhì)量的擬合重復性與準確性均較好。

上述5 組實驗對應的長短梗率檢測結(jié)果如表3 所示。

由表3 可以看出，采用本文方法所得到的長短梗率與實際值較為接近，其中最大絕對誤差為1%，滿足實際生產(chǎn)要求。

Tabel 2 Fitting results of stem quality表2 煙梗質(zhì)量擬合結(jié)果

Tabel 3 Calculation results of long and short stem ratio表3 長短梗率計算結(jié)果

為了比較網(wǎng)絡模型中不同訓練函數(shù)對煙梗質(zhì)量擬合結(jié)果的影響，本文釆用訓練函數(shù)traingdx 和trainbfg 與上述實驗結(jié)果進行對比。模型訓練誤差變化曲線分別如圖7 和圖8 所示，煙梗質(zhì)量擬合結(jié)果的相對誤差值如表4 所示。

由圖7 和圖8 可以看出，這兩種網(wǎng)絡訓練模型迭代次數(shù)很高且收斂誤差遠高于預設值，對比分析可知，本文采用的訓練函數(shù)trainscg 訓練效果最優(yōu)。

對比表4 中不同訓練函數(shù)下煙梗質(zhì)量的擬合結(jié)果可以看出，本文選取的trainscg 訓練函數(shù)得到的質(zhì)量擬合結(jié)果相對誤差最小，并且相對誤差的波動性也較小。因此，無論是從訓練模型還是預測精度上都有較好效果。

Fig.7 Error curve when training function is traingdx圖7 訓練函數(shù)為traingdx 時的誤差曲線

Fig.8 Error curve when training function is trainbfg圖8 訓練函數(shù)為trainbfg 時的誤差曲線

Tabel 4 Comparison of fitting results of different training functions on tobacco stem quality表4 不同訓練函數(shù)對煙梗質(zhì)量擬合結(jié)果對比

4 結(jié)語

本文提出了一種基于BP 神經(jīng)網(wǎng)絡的煙梗長短梗率檢測方法，通過檢測多組不同質(zhì)量的煙梗進行對比實驗，驗證了該算法的準確性與穩(wěn)定性，并通過對比不同的神經(jīng)網(wǎng)絡訓練函數(shù)，找到了網(wǎng)絡的最佳擬合參數(shù)，實現(xiàn)了對煙梗質(zhì)量較為精準的預測。本文不僅為煙草企業(yè)準確高效地檢測長梗率和短梗率提供了一種新方法，也為相關(guān)領域的預測問題提供了一定參考。然而，該方法的檢測結(jié)果仍存在一定偏差，算法的普適性還需作進一步驗證，這些都是下一步需要解決的問題。