基于卷积神经网络的花生种子筛选识别算法

0 引言

种子对农业生产的重要性不言而喻。为了增加花生生产的丰收率和提高其种植效率,有必要准确、快速地识别出完好和破损两类花生种子。

韩仲志等研究了基于外观特征识别不同品种、品质的花生种子,采用图像识别法,识别率和准确率分别达91.2%和93.0%[1]。王润涛等曾提出了基于机器视觉、图像处理、神经网络法的大豆籽粒精选技术,测试准确率为92%,筛选效率每分钟300粒[2]。赵吉文等学者根据西瓜籽的特征,用灰度带比例作为分类特征参数的方法,分选出合格的瓜籽,该分选技术能使识别率达95%[3]。Dan Mn等研究使用1个彩色VGA传感器检测和去除单个具有小局部缺陷或缺陷的谷粒,斑点检测是由颜色信息和一个简单的非线性空间滤波器的组合来完成的,该滤波器可以检测沿图像线的像素强度的微小下降,系统准确率为89%,每秒筛选180粒[4]。赵志衡等用实测结果证明采用卷积神经网络识别算法的色选系统较为稳定,该方法对花生分类的准确率达到98.18%,平均检测1幅单粒花生图像的时间为18 ms[5]。

本文提出了基于卷积神经网络(convolutional neural network, CNN)的花生种子筛选方法,根据实际需求,只要筛选出花生是否适合作为种子,剔除不适合作为种子的破损(果皮受损、果仁受损等)种子,使花生种子筛选分类简单、准确率高、速度快。

1 CNN对图像的处理

CNN的独特优势在于通过局部感知野和权值共享两种途径,可以极大地减少参数的数目，从而简化复杂的问题。神经元对图像进行局部感知,并且在高层中将局部信息进行综合性处理,故为局部感知野,其原理是局部像素间空间距离近则相关性强;在卷积操作中将权重参数看作提取特征值的方式,且与位置无关,故称为权值共享,其原理是图像中不同部分的局部特征值统计特性一致[6]。

CNN的核心结构由卷积层、池化层和全连接层构成[7],其中卷积层是用于对CNN特征值的提取。卷积操作方法为上一层的局部感受野和卷积层中每个神经元进行像素相连的加权求和,其计算公式为：

式(1)中：Xjl代表第l层中的第j特征图;f(x)表示激活函数;Xil-1为图像的输入;Wjli是卷积核的权值;bjl是偏置。

卷积核中Wjli的初始值一般为随机生成；bjl的初始值一般为0,然后通过反向传播的方式进行训练调整。卷积核的尺寸为运算的区域大小,而其中权值的大小表明了与特征提取的相关性大小。

池化层的主要作用是对输入进来的特征图像进行浓缩,减小特征图像的尺寸，满足提取主要特征值的目的，从而简化处理复杂度；通常用平均值采样和最大值采样两种方式提取。本文的网络结构采用最大值采样方式。

2 基于CNN的花生筛选识别算法构建

2.1 数据采集及预处理

本文以花生种子作为研究对象,根据是否完好将花生分为2类：完好的花生、破损花生。采集700张花生图像,每粒花生图像的分辨率为28×28像素,学习速率η=0.1。按上述特征进行分类并手工添加标签,然后将这些图像分为训练图像和测试图像,占比分别为80%和20%,即分别为560张和140张,且训练集和测试集花生图像按上述2类(完好花生、破损花生)呈均匀分布。训练集里部分花生图像如图1所示。

由于花生种皮的颜色特征不同,果肉和果皮的颜色特征也不同,纹理特征也各有差异,根据人类视觉特性,故引入了Gabor滤波器,Gabor变换已被证明是在2D测不准的情况下,对信号空间域和频域的最好的说明[8]。由Gabor函数形成的二维Gabor滤波器具有优异的过滤性能,并且具有类似于生物视觉系统的特性。它具有易于调整方向和径向的频带宽,并且容易调节在时域和频率的中心频率。此域能获得最佳分辨率[9]。

图1 完好花生和破损花生的图像

对完好花生和破损花生分别采用颜色特征提取和纹理特征提取进行预处理。由试验显示可知,完好花生和破损花生的颜色特征和纹理特征均存在较大的差异,故综合多方面的特征特性对种子进行筛选。

2.2 CNN的构建

CNN的总体结构包含输入层、卷积层、池化层、全连接层和输出层[10]。建立如图2所示的两层卷积CNN,网络中各层参数如表1所示。

卷积运算处理的图像数据通常都是以矩阵形式有序储存的,且这些图像之间耦合性低,卷积运算部分对硬件设备要求高,故需选运算速度快、图像吞吐量大、数据存储空间大的硬件设备。在此基础上采用Matlab R2018b脚本语言进行深度学习编程。

2.3 评价指标

使用准确率(accuracy)指标来评价所提出分类算法的性能,定义如下：

文章来源：《种子科技》 网址: http://www.zzkjzz.cn/qikandaodu/2020/1008/663.html