花生外衣识别技术思考论文

花生外衣识别技术思考论文

花生仁的外衣完整性检测是一种模式识别。根据影响花生仁外衣完整性的颜色特征参数，对花生仁外衣完整性进行识别。在神经网络运用领域里，算法的确定无法用一个完全标准，主要是靠经验来选择的。基于以上原因，花生仁外衣完整性检测神经网络的设计算法选择BP算法［9］，该算法能实现输入与输出之间的非线性映射，对于样本数量有限的情况也同样适用。一个典型的BP网络结构如图3所示。BP神经网络通常具有多个隐含层。本文中，隐层神经元采用Sigmoid型传递函数，输出层采用logsig型传递函数。花生仁的外衣完整性检测是一种模式识别。根据影响花生仁外衣完整性的颜色特征参数，对花生仁外衣完整性进行识别。在神经网络运用领域里算法的"确定无法用一个完全标准的算法确定，主要是靠经验来选择的。基于以上原因，花生仁外衣完整性检测神经网络的设计算法选择BP算法。一个典型的BP网络结构(如图3所示)通常具有一个或多个隐层。其中，隐层神经元通常采用Sigmoid型传递函数，而输出层神经元则采用logsig型传递函数。

BP识别系统是以BP神经网络分类器［10］为核心的系统，系统设计如图4所示。BP神经网络分类器由一个BP网络训练子系统生成得到，图像由CCD摄像头获得后，由图像采集卡数字化输入计算机，提取特征区域获得颜色特征参数，这些参数输入BP网络即可得到分类结果。影响花生完整性的颜色特征参数为H，I和S，因此输入层节点数等于3;网络的输出有两种情况，即完好与破损，因此输出层有2个节点;对应于完整和破损这两种判断结果，分别用2位二进制编码为10和01。隐含层的节点数的确定非常重要，数目过少，网络将不能建立正确的判断界，使网络训练不出来或不能识别以前没有的样本，且容错性差;而节点数目过多，学习时间长，使网络的泛化能力降低。本文通过多次反复训练网络，确定隐含层节点数目为40。本研究采用Matlab软件及其神经网络工具箱来实现网络建模。在神经网络工具箱中，对神经网络的名称、类型、结构和训练函数等参数进行设置，如表1所示。

建立了BP神经网络并对网络进行初始化后，就可对网络进行训练了。将训练步数设为500步，将训练目标误差goal参数设置为0．01，结果如图5所示。图5中，横坐标表示本网络的预置训练步数，纵向坐标表示本网络的预置训练误差，水平横线表示期望的目标误差，误差变化曲线如图5所示。由图5可知，当网络训练到170步时，网络误差已经达到期望的目标值0．01，训练即可停止。

本文采用BP神经网络与计算机视觉技术相结合的手段，建立了一个花生外衣完整性判别系统。实验证明，判别准确率达到87．1%。此系统很容易推广在其他农产品的检测中，只需要改变输入和输出样本数据，重新训练一下BP网络，即可投入使用。因此，将BP神经网络运用到农产品的品质检测过程中，具有巨大的潜力和广阔的应用前景。但必须指出的是，此方法高效可行，整个训练过程只用了6s，且本研究建立在静态实验环境下，生产效率依然很低。如果要将此实验结果运用生产实际，必须设计出配套的硬件分级设备，这将是后续研究的重点。