GA-BP神經(jīng)網(wǎng)絡(luò)對(duì)片煙結(jié)構(gòu)的預(yù)測(cè)研究

張崇崇，黃亞宇

(昆明理工大學(xué) 機(jī)電工程學(xué)院，云南 昆明 650500)

煙葉打葉過(guò)程是一個(gè)復(fù)雜、具有隨機(jī)性、不確定性、高度非線性等特征的時(shí)變過(guò)程。片煙結(jié)構(gòu)是衡量打葉質(zhì)量的重要指標(biāo)。準(zhǔn)確預(yù)測(cè)并控制其關(guān)鍵打葉設(shè)備工藝參數(shù)是得到理想煙葉片型的重要前提。目前，數(shù)字圖像處理技術(shù)在煙草領(lǐng)域有了很大的發(fā)展，但是對(duì)于片煙結(jié)構(gòu)的預(yù)測(cè)問(wèn)題仍以定性和經(jīng)驗(yàn)為指導(dǎo)，不僅需要消耗大量人力、財(cái)力，且對(duì)于片煙結(jié)構(gòu)的預(yù)測(cè)具有主觀性與試湊性。因此，目前急需建立一個(gè)精確、可靠的片煙結(jié)構(gòu)預(yù)測(cè)模型來(lái)對(duì)煙葉的片型結(jié)構(gòu)進(jìn)行控制。

針對(duì)以上問(wèn)題，本文以煙葉片型為研究對(duì)象，將開(kāi)發(fā)工具M(jìn)ATLAB與神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出了一種基于MATLAB圖像處理的GA-BP神經(jīng)網(wǎng)絡(luò)模型。該模型以實(shí)際拍攝的多批次煙葉圖片作為基礎(chǔ)，通過(guò)GA-BP神經(jīng)網(wǎng)絡(luò)模型對(duì)開(kāi)發(fā)工具M(jìn)ATLAB提取的面積、周長(zhǎng)、內(nèi)圓度等外觀特征快速構(gòu)造高精度、高可靠性、高穩(wěn)定度的非線性系統(tǒng)網(wǎng)絡(luò)，實(shí)現(xiàn)對(duì)一級(jí)打葉片煙結(jié)構(gòu)的預(yù)測(cè)與控制。

1 MATLAB圖像處理與BP神經(jīng)網(wǎng)絡(luò)算法

1.1 MATLAB與圖像處理

MATLAB軟件中圖像處理工具箱由一系列支持圖像處理操作的函數(shù)組成，可以進(jìn)行諸如幾何操作、濾波和濾波器設(shè)計(jì)、圖像轉(zhuǎn)換、圖像分析與圖像增強(qiáng)、圖像編碼、圖像復(fù)原及形態(tài)學(xué)處理等圖像處理操作[1]。

1.2 BP神經(jīng)網(wǎng)絡(luò)

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，信號(hào)前向傳遞和誤差反向傳播是該網(wǎng)絡(luò)的主要特點(diǎn)。在前向傳遞中，輸入信號(hào)從輸入層經(jīng)隱含層逐層處理，直至輸出層。每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài)。如果輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測(cè)誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出不斷逼近期望輸出[2]。BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1中，X1，X2，…，Xn是該網(wǎng)絡(luò)的輸入值，Y1，Y2，…，Ym是該網(wǎng)絡(luò)的預(yù)測(cè)值，ωij和ωjk為神經(jīng)網(wǎng)絡(luò)權(quán)值。從圖中可以看出，BP神經(jīng)網(wǎng)絡(luò)可以看作一個(gè)非線性函數(shù)，網(wǎng)絡(luò)輸入值和預(yù)測(cè)值分別為該函數(shù)的自變量和因變量。當(dāng)輸入節(jié)點(diǎn)數(shù)為n，輸出節(jié)點(diǎn)數(shù)為m時(shí)，BP神經(jīng)網(wǎng)絡(luò)就表達(dá)了從n個(gè)自變量到m個(gè)因變量的函數(shù)映射關(guān)系[3]。

圖1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖Figure 1. Topological structure of BP neural network

2 基于MATLAB圖像處理的GA-BP網(wǎng)絡(luò)模型

2.1 圖像獲取

本文以某復(fù)烤廠生產(chǎn)加工車間實(shí)際作業(yè)過(guò)程中的片煙為研究對(duì)象，以隨機(jī)采樣為依據(jù)，按正常生產(chǎn)參數(shù)設(shè)定了5411(5個(gè)框欄開(kāi)口梯度、4個(gè)打滾轉(zhuǎn)速梯度、1個(gè)進(jìn)料量梯度、1個(gè)溫濕度梯度)的采樣方案，共獲取了20個(gè)批次的采集樣本作為圖像數(shù)據(jù)庫(kù)。

2.2 圖像處理與特征提取

采集裝置在采集煙葉數(shù)字圖像的過(guò)程中，光照分布不均勻和攝像頭的光學(xué)特性不穩(wěn)定等因素可能會(huì)導(dǎo)致獲取的煙葉數(shù)字圖像和原始煙葉存在一定程度的差異，出現(xiàn)顏色退化、圖像夾雜噪聲點(diǎn)等圖像失真的現(xiàn)象。因此，本文利用工具軟件MATLAB對(duì)煙葉圖像進(jìn)行了加強(qiáng)處理。圖像處理法的測(cè)試操作流程如圖2所示[4]。

圖2 圖像處理法的測(cè)試步驟Figure 2. Test steps of image processing

2.2.1 圖像初步處理

圖3為初步處理后的片煙樣本圖像。圖3(a)是片煙原始圖像。為了減少系統(tǒng)運(yùn)算量，提高運(yùn)算速度，便于后續(xù)處理，本文通過(guò)借助工具箱函數(shù)rgb2gray得到原始圖片的灰度圖像[5]，如圖3(b)所示。由于獲取圖片時(shí)拍到了片煙樣本之外的圖像，因此需利用imcrop 函數(shù)對(duì)原始區(qū)域進(jìn)行剪裁[6]，獲取片煙樣本區(qū)域，如圖3(c)所示。進(jìn)行剪切操作時(shí)，由于煙葉背景板的位置為人工放置，故本實(shí)驗(yàn)采取手動(dòng)剪切操作。而以往的實(shí)驗(yàn)者普遍利用 imcrop 函數(shù)的信息返還功能將首次剪切區(qū)域的坐標(biāo)信息返還到函數(shù)中，利用循環(huán)功能對(duì)后續(xù)圖片進(jìn)行相同區(qū)域的剪切操作，這種方法往往會(huì)造成提取數(shù)據(jù)與實(shí)際值之間存在較大誤差。因此，本實(shí)驗(yàn)方法獲取的煙葉樣本數(shù)據(jù)可信度更高，也更加準(zhǔn)確。剪切時(shí)要在煙葉樣本周圍留有余量，尤其是片煙與采樣板邊緣之間的區(qū)域。

(a) (b) (c) 圖3 片煙原始圖像及初步處理圖像(a)原始圖像 (b)灰度圖像 (c)剪裁后的圖像Figure 3. The original image and preliminary processed image of tobacco(a)Original image (b)Grayscale image (c)Clipped image

2.2.2 圖像增強(qiáng)改進(jìn)

在本實(shí)驗(yàn)中，由于受光線影響，拍照時(shí)樣本角落的煙葉亮度與背景亮度較為相似。采用imadjust函數(shù)進(jìn)行實(shí)驗(yàn)后發(fā)現(xiàn)圖片識(shí)別效果不理想，故本文在研究中未采用傳統(tǒng)的imadjust函數(shù)圖像增強(qiáng)方法。針對(duì)這一問(wèn)題，本文提出先利用imadd函數(shù)為圖像增加亮度，然后再利用imsubtract函數(shù)，去掉樣本背景。這樣操作可以克服背景對(duì)煙片識(shí)別的影響，樣品主體在圖片中得到明顯加強(qiáng)，避免了光線不同對(duì)識(shí)別帶來(lái)的影響，提高了圖像識(shí)別效果與精度。

圖像增強(qiáng)時(shí)會(huì)涉及有用信息增強(qiáng)及無(wú)用信息過(guò)濾，通過(guò)濾波功能可濾掉拍攝或光線帶來(lái)的圖像噪聲。通常采用非線性濾波方式如自適應(yīng)維納濾波(wiener2)和二維中值濾波(medfilt2)等方法實(shí)現(xiàn)圖像噪聲濾波。二維中值濾波適用于具有椒鹽噪聲的圖像，維納濾波則根據(jù)局部方差來(lái)調(diào)整濾波輸出[7]。本文根據(jù)片煙結(jié)構(gòu)特點(diǎn)采用二維中值濾波。

2.2.3 圖像分割

圖像分割是將一幅數(shù)字圖像分割成不同的區(qū)域。較為經(jīng)典的算法有邊緣檢測(cè)算法、閾值分割法和區(qū)域分割技術(shù)[8]。其中，閾值分割技術(shù)是經(jīng)典的圖像分割方法之一，也是最簡(jiǎn)單的一種圖像分割方法。閾值分割技術(shù)適用于目標(biāo)和背景處于不同灰度級(jí)范圍的圖像。由于本研究中已將背景去掉，即樣本背景為純黑色，像素值為0，所以更適合使用閾值分割技術(shù)。具體計(jì)算式為

(1)

其中，f(x，y)為點(diǎn)(x，y)的像素值；g(x，y)為分割后的圖像；T為全局閾值。

本文中采用的閾值分割技術(shù)為最大類間方差法，又稱Otsu算法。該算法在基于灰度直方圖的基礎(chǔ)上采用最小二乘法原理推導(dǎo)得到，具有統(tǒng)計(jì)意義上的最佳分割。它的基本原理是通過(guò)最佳閾值將圖像的灰度值分割成兩部分，使兩部分之間方差最大，即具有最大分離性。

在經(jīng)Otsu算法確定閾值后，往往在圖像二值化過(guò)程中得不到最理想的分割效果。針對(duì)這一問(wèn)題，本實(shí)驗(yàn)在對(duì)圖像二值化時(shí)通過(guò)不斷在已得到的閾值附近取值對(duì)閾值進(jìn)行了微調(diào)，最終選定了最理想的閾值。本文閾值的確定和灰度圖像的二值化分別通過(guò)MATLAB工具箱中的graythresh函數(shù)和im2bw函數(shù)進(jìn)行計(jì)算，結(jié)果如圖4(a)所示。

2.2.4 形態(tài)學(xué)圖像處理

形態(tài)學(xué)是一種適用于模式識(shí)別和圖像處理領(lǐng)域的新方法，其主要研究對(duì)象為圖像的形態(tài)特征。膨脹運(yùn)算和腐蝕運(yùn)算是數(shù)學(xué)形態(tài)學(xué)的兩個(gè)基本變換。膨脹運(yùn)算是將與目標(biāo)物體接觸的所有背景點(diǎn)合并到該物體中，使邊界向外部擴(kuò)張的過(guò)程。通過(guò)膨脹操作，可以填充圖像中的小孔及在圖像邊緣處的凹陷問(wèn)題。腐蝕運(yùn)算是一種消除邊界點(diǎn)，使邊界向內(nèi)部收縮的過(guò)程。利用腐蝕，可以消除小且沒(méi)有意義的物體。結(jié)構(gòu)元素B對(duì)圖像A的膨脹，記作A⊕B，定義為

(2)

集合A被結(jié)構(gòu)元素B腐蝕，記作AΘB，定義如式(3)所示。

AΘB={x:Bx?A}

(3)

本文對(duì)煙葉二值化處理后，煙葉邊緣輪廓有許多凹陷部分，而且采樣板局部邊界處存在一些小且沒(méi)意義的片煙圖像。針對(duì)這兩點(diǎn)問(wèn)題，本實(shí)驗(yàn)首先對(duì)圖像做了膨脹處理，解決了片煙輪廓邊緣凹陷問(wèn)題，使圖像更加逼近實(shí)際；其次選用腐蝕操作對(duì)圖像中出現(xiàn)的小且沒(méi)有意義的片煙圖像進(jìn)行了清除。本文的膨脹運(yùn)算與腐蝕運(yùn)算分別通過(guò)MATLAB工具箱中的imdilate函數(shù)和imerode函數(shù)進(jìn)行操作。在經(jīng)過(guò)膨脹與腐蝕操作之后，本文針對(duì)二值化圖像片煙內(nèi)部出現(xiàn)的小孔對(duì)其進(jìn)行了填充操作，如圖4(b)所示。最后本文利用輪廓線上像素點(diǎn)的個(gè)數(shù)之和與圖像中煙葉區(qū)域的像素點(diǎn)數(shù)之和分別表示煙葉的周長(zhǎng)(C)和面積(A)的計(jì)算方法[9]，通過(guò)regionprops函數(shù)與bwboundaries函數(shù)對(duì)樣本中每片煙葉的周長(zhǎng)和面積進(jìn)行了特征提取。周長(zhǎng)及面積計(jì)算式分別如式(4)、式(5)所示。

(4)

式中，煙葉輪廓線二值化圖像f(i，j)中背景區(qū)域像素為0，即f(i，j)=0；輪廓線為1，即f(i，j)=1；(i，j)表示像素點(diǎn)坐標(biāo)；M×N表示煙葉圖像的長(zhǎng)寬。

(5)

式中，煙葉輪廓線二值化圖像g(i，j)中背景區(qū)域像素為0，即g(i，j)=0；煙葉區(qū)域?yàn)?，即g(i，j)=1；(i，j)表示像素點(diǎn)坐標(biāo)；M×N表示煙葉圖像的長(zhǎng)寬。

煙絲的等級(jí)也是對(duì)打葉過(guò)程進(jìn)行評(píng)價(jià)的關(guān)鍵指標(biāo)。為了得到優(yōu)質(zhì)的煙絲，本文選取片煙的圓形度作為衡量標(biāo)準(zhǔn)。圓形度描述為面積乘上4π與周長(zhǎng)平方的比值

(6)

式中，A為煙葉面積；P為煙葉周長(zhǎng)；當(dāng)E=1時(shí)，圖形為圓形，E逐漸減小，圖形與圓形差距逐漸增大。

(a) (b)圖4 片煙二值化處理與形態(tài)學(xué)處理后的圖像(a)二值化圖像 (b)形態(tài)學(xué)處理后圖像Figure 4. Image after binary processing and morphological processing of tobacco(a)Image after binarization (b)Image after morphological processing

2.3 數(shù)據(jù)準(zhǔn)備

2.3.1 數(shù)據(jù)轉(zhuǎn)換與清理

本文以提取的面積、周長(zhǎng)、圓形度特征作為數(shù)據(jù)庫(kù)。提取過(guò)程中的數(shù)據(jù)以像素點(diǎn)的形式存在，與實(shí)際衡量標(biāo)準(zhǔn)不同，所以需要對(duì)數(shù)據(jù)進(jìn)行轉(zhuǎn)換。一般而言，數(shù)據(jù)轉(zhuǎn)換有兩種形式：將實(shí)際衡量標(biāo)準(zhǔn)轉(zhuǎn)換為像素值或?qū)⑾袼刂缔D(zhuǎn)換為實(shí)際值。由于在數(shù)據(jù)轉(zhuǎn)換過(guò)程中必然會(huì)出現(xiàn)各種計(jì)算誤差，針對(duì)這一問(wèn)題，本文采用將實(shí)際的衡量標(biāo)準(zhǔn)轉(zhuǎn)換為像素值的方法，這樣可減少受影響的數(shù)據(jù)，也更有利于確保分析數(shù)據(jù)的質(zhì)量和分析結(jié)果的正確性。

獲取的數(shù)據(jù)往往會(huì)存在一些不符合要求的異常值，所以首先需要對(duì)這些數(shù)據(jù)進(jìn)行剔除。本文根據(jù)片煙分類行業(yè)標(biāo)準(zhǔn)基于面積的評(píng)判對(duì)無(wú)用數(shù)據(jù)進(jìn)行剔除。依據(jù)片煙面積分類標(biāo)準(zhǔn)，本文主要研究大葉、中葉和小葉在一級(jí)打葉后的占比，其分類標(biāo)準(zhǔn)如表1所示，故對(duì)面積小于6.35 mm×6.35 mm的片煙面積予以剔除。

表1 煙葉片型分類標(biāo)準(zhǔn)表

2.3.2 聚類

聚類是根據(jù)相似度將數(shù)據(jù)區(qū)分為不同聚類，使同一聚類內(nèi)的個(gè)體距離較近或變異較小，不同聚類間的個(gè)體距離較遠(yuǎn)或變異較大。其中，相似度可以利用不同的距離或相關(guān)來(lái)定義[10]。

本文分別對(duì)提取的面積、周長(zhǎng)和圓形度特征數(shù)據(jù)進(jìn)行了聚類。由于片煙面積有具體的行業(yè)標(biāo)準(zhǔn)，故面積特征數(shù)據(jù)按表1的準(zhǔn)則分為大、中、小3類。目前還沒(méi)有明確的關(guān)于片煙周長(zhǎng)的分類標(biāo)準(zhǔn)，但由于周長(zhǎng)是和面積密切相關(guān)的一種衡量標(biāo)準(zhǔn)，因此本文提出基于片煙面積的分類標(biāo)準(zhǔn)，通過(guò)式(4)與式(5)推理出片煙周長(zhǎng)分類標(biāo)準(zhǔn)。最后，本文采用K-means聚類分析算法對(duì)片煙的內(nèi)圓度進(jìn)行了優(yōu)、良、差3種分類，聚類結(jié)果如圖5所示。

圖5 K-means算法聚類后的數(shù)據(jù)分類結(jié)果Figure 5. Data classification results after K-means algorithm clustering

2.3.3 交叉驗(yàn)證

根據(jù)本文獲取的數(shù)據(jù)特點(diǎn)，文中首先采用了留一交叉驗(yàn)證法對(duì)獲取的20批數(shù)據(jù)進(jìn)行了處理。留一交叉驗(yàn)證，其折數(shù)就是樣本的個(gè)數(shù)。設(shè)樣本個(gè)數(shù)為m，需要重復(fù)m次，最后取平均值。該方法每一回合幾乎所有的樣本皆用于訓(xùn)練模型，因此最接近原始樣本的分布，這樣評(píng)估所得的結(jié)果比較可靠，并且實(shí)驗(yàn)過(guò)程中沒(méi)有隨機(jī)因素影響實(shí)驗(yàn)數(shù)據(jù)。

2.4 GA-BP神經(jīng)網(wǎng)絡(luò)模型

由于BP神經(jīng)網(wǎng)絡(luò)算法具有簡(jiǎn)單、易行、計(jì)算量小、并行性強(qiáng)等優(yōu)點(diǎn)，文中用該網(wǎng)絡(luò)來(lái)構(gòu)建子模型[11]。對(duì)輸入樣本x，出現(xiàn)在神經(jīng)元j輸出處的函數(shù)信號(hào)計(jì)算為

yj(n)=φ(vj(n))

(7)

式中，vj(n)是神經(jīng)元j的誘導(dǎo)局部域，由式(8)定義

(8)

其中，m是神經(jīng)元j的所有輸入的數(shù)量(不包括偏置)；ωij(n)是連接神經(jīng)元i和神經(jīng)元j的突觸權(quán)值；yi(n)是指神經(jīng)元j的輸入信號(hào)或是出現(xiàn)在神經(jīng)元i的輸出端的函數(shù)信號(hào)[12]。

研究和應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的關(guān)鍵在于：在解決相關(guān)問(wèn)題時(shí)， 如何尋找最優(yōu)的初始權(quán)值和閾值，從而使BP神經(jīng)網(wǎng)絡(luò)能夠更好地預(yù)測(cè)函數(shù)輸出[13]。目前，很多研究中對(duì)于初始權(quán)值與閾值的選取是憑借經(jīng)驗(yàn)來(lái)進(jìn)行的。本文選用遺傳算法對(duì)BP網(wǎng)絡(luò)進(jìn)行優(yōu)化，從而得到最優(yōu)個(gè)體對(duì)網(wǎng)絡(luò)初始權(quán)值和閾值賦值，所構(gòu)建的GA-BP神經(jīng)網(wǎng)絡(luò)能以精簡(jiǎn)的結(jié)構(gòu)獲取較好的非線性映射能力。

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)分為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定、遺傳算法優(yōu)化和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)3個(gè)部分[14]。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定根據(jù)擬合函數(shù)輸入輸出參數(shù)個(gè)數(shù)確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)而確定遺傳算法個(gè)體的長(zhǎng)度[15]。遺傳算法優(yōu)化部分使用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，其種群中的每個(gè)個(gè)體都包含了一個(gè)網(wǎng)絡(luò)的所有權(quán)值和閾值。個(gè)體通過(guò)適應(yīng)度函數(shù)計(jì)算個(gè)體適應(yīng)度值。遺傳算法通過(guò)選擇、交叉和變異操作找到最優(yōu)適應(yīng)度值對(duì)應(yīng)個(gè)體[16]。

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的要素包括種群初始化、適應(yīng)度函數(shù)、選擇操作、交叉操作和變異操作[17]。

本文采用留一交叉驗(yàn)證法對(duì)提取的20批數(shù)據(jù)進(jìn)行處理生成初始種群，編碼方式選用二進(jìn)制編碼，以輪盤(pán)賭方案為選擇算法。交叉操作方法采用實(shí)數(shù)交叉法，交叉概率為 0.4，變異算子的變異概率為0.1，以預(yù)測(cè)輸出和期望輸出之間的誤差絕對(duì)值和全局誤差E作為個(gè)體適應(yīng)度值F，進(jìn)化代數(shù)設(shè)定為100。優(yōu)化后得到了BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值，再進(jìn)行網(wǎng)絡(luò)訓(xùn)練，得到最終的傳感器解析冗余網(wǎng)絡(luò)。在實(shí)際生產(chǎn)中，為了生產(chǎn)出質(zhì)量較高的煙絲，往往趨于得到面積與周長(zhǎng)符合大葉標(biāo)準(zhǔn)且圓形度較高的片煙結(jié)構(gòu)。針對(duì)上述現(xiàn)象，文中基于GA-BP神經(jīng)網(wǎng)絡(luò)對(duì)實(shí)際生產(chǎn)中的理想片煙結(jié)構(gòu)參數(shù)進(jìn)行了預(yù)測(cè)與優(yōu)化。

3 仿真實(shí)驗(yàn)與結(jié)果分析

本文實(shí)驗(yàn)分為兩部分：第1部分僅利用BP神經(jīng)網(wǎng)絡(luò)算法對(duì)片煙結(jié)構(gòu)進(jìn)行預(yù)測(cè)；第2部分基于GA-BP神經(jīng)網(wǎng)絡(luò)算法對(duì)片煙結(jié)構(gòu)預(yù)測(cè)模型進(jìn)行優(yōu)化。

3.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

本文基于某煙葉復(fù)烤廠實(shí)際生產(chǎn)中的片煙以隨機(jī)采樣為依據(jù)進(jìn)行工業(yè)試驗(yàn)， 按正常生產(chǎn)參數(shù)設(shè)定采樣方案，總共獲取了20個(gè)批次的采集樣本作為圖像數(shù)據(jù)庫(kù)。然后，將得到的數(shù)據(jù)經(jīng)留一交叉驗(yàn)證法處理組成一個(gè)400組數(shù)據(jù)的數(shù)據(jù)庫(kù)。本文以這400組數(shù)據(jù)作為依據(jù)進(jìn)行驗(yàn)證并將其分為兩組：280組作為訓(xùn)練樣本；120組作為測(cè)試樣本，并選用決定系數(shù)R和預(yù)測(cè)曲線極差評(píng)價(jià)模型精度。

(9)

其中，Ns為樣本的數(shù)量；c為一個(gè)常數(shù)，通常選擇個(gè)位數(shù)[18-19]。本文為了更精確的得到隱含層中的節(jié)點(diǎn)數(shù)，將Nx與Ny之間的節(jié)點(diǎn)數(shù)一一驗(yàn)證，最終選定隱含層的節(jié)點(diǎn)數(shù)為9。經(jīng)測(cè)試，圖6(a)為神經(jīng)網(wǎng)絡(luò)打葉效果預(yù)測(cè)模型，圖6(c)為BP網(wǎng)絡(luò)預(yù)測(cè)誤差曲線。圖7(a)為基于理想片煙結(jié)構(gòu)建立的打葉效果預(yù)測(cè)模型，圖7(c)為BP網(wǎng)絡(luò)預(yù)測(cè)誤差曲線。

由圖可得，在基于BP神經(jīng)網(wǎng)絡(luò)對(duì)所有參數(shù)與理想特征的預(yù)測(cè)中，所有特征的測(cè)試集精度達(dá)到了97.126%，極差為0.059；理想特征的精度達(dá)到了98.973%，極差為17.461×10-3。由此得出，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)本模型有較好的適用性，且隨著所選特征的精確化模型精度不斷提高，極差不斷減小。

3.2 GA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

在實(shí)際生產(chǎn)應(yīng)用中需要采用打葉效果最優(yōu)的工藝參數(shù)組進(jìn)行生產(chǎn)，以保證工藝的質(zhì)量最優(yōu)。因此本文采用遺傳算法對(duì)打葉效果預(yù)測(cè)模型的最優(yōu)工藝參數(shù)進(jìn)行求解?；谒O(shè)計(jì)的模型進(jìn)行優(yōu)化后，圖6(b)為GA-BP網(wǎng)絡(luò)打葉效果預(yù)測(cè)模型，圖6(d)為GA-BP網(wǎng)絡(luò)預(yù)測(cè)誤差曲線。圖7(b)為基于理想片煙結(jié)構(gòu)優(yōu)化后的打葉效果預(yù)測(cè)模型，圖7(d)為GA-BP網(wǎng)絡(luò)預(yù)測(cè)誤差曲線。

由圖可知，在基于GA-BP神經(jīng)網(wǎng)絡(luò)模型對(duì)所有特征與理想特征的預(yù)測(cè)中，所有特征的測(cè)試集精度達(dá)到了98.753%，極差為0.040 6；理想特征的精度達(dá)到了99.836%，極差為4.733×10-3。由此得出，GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)本模型同樣有良好的適用性，且隨著參數(shù)的精確化模型精度不斷提高，極差不斷減小。相較于未優(yōu)化的模型架構(gòu)， 基于GA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型得到的打葉片型的預(yù)測(cè)值能更好地?cái)M合實(shí)際值的變化趨勢(shì)， 具有更高的建模精度。

表2所示為上述神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型主要評(píng)價(jià)參數(shù)對(duì)比。由表可以看出，測(cè)試集的精確度及極差主要由預(yù)測(cè)特征和預(yù)測(cè)算法有關(guān)，當(dāng)預(yù)測(cè)算法相同時(shí)，預(yù)測(cè)特征為理想特征的模型精度均比預(yù)測(cè)所有特征精度高，且極差更小。當(dāng)預(yù)測(cè)特征相同時(shí)，GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型精度更高，極差更小。因此，當(dāng)預(yù)測(cè)理想特征與GA-BP神經(jīng)網(wǎng)絡(luò)算法相結(jié)合時(shí)，預(yù)測(cè)模型將取得最佳效果，精度最高。

表2 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型主要評(píng)價(jià)參數(shù)對(duì)比

(a)

(b)

(d)

(a)

4 結(jié)束語(yǔ)

本文通過(guò)對(duì)一級(jí)打葉后的片煙結(jié)構(gòu)進(jìn)行研究，得出如下結(jié)論：(1)本文以數(shù)字圖像處理技術(shù)為出發(fā)點(diǎn)，借助MATLAB軟件的圖像處理功能，對(duì)一級(jí)打葉后煙葉片型的面積、周長(zhǎng)、內(nèi)圓度等特征進(jìn)行了提取，保證了進(jìn)行煙葉片型分類的精度和準(zhǔn)確性；(2)基于聚類分析算法將煙片圓形度特征分為了優(yōu)、良、差3類，采用留一交叉驗(yàn)證法對(duì)初始數(shù)據(jù)進(jìn)行運(yùn)算，得到了最終的初始種群數(shù)據(jù)庫(kù)；(3)本文提出的GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型確定了更加優(yōu)異的初始權(quán)值和閾值參數(shù)。仿真實(shí)驗(yàn)結(jié)果體現(xiàn)出了該算法在實(shí)際應(yīng)用中的可靠性，其可明顯減小神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差，提高網(wǎng)絡(luò)精度?；诒疚奶岢龅纳窠?jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)了對(duì)片煙結(jié)構(gòu)準(zhǔn)確且可靠的預(yù)測(cè)，可以有效解決打葉過(guò)程中片煙結(jié)構(gòu)以定性和經(jīng)驗(yàn)為指導(dǎo)的難以預(yù)測(cè)的問(wèn)題。研究團(tuán)隊(duì)也將在今后的研究中致力于實(shí)現(xiàn)對(duì)整個(gè)打葉過(guò)程的控制與預(yù)測(cè)。