基于深度学习BP人工神经网络的农产品质量检测.pdf
- 文档编号:14657310
- 上传时间:2023-06-25
- 格式:PDF
- 页数:4
- 大小:1.11MB
基于深度学习BP人工神经网络的农产品质量检测.pdf
《基于深度学习BP人工神经网络的农产品质量检测.pdf》由会员分享,可在线阅读,更多相关《基于深度学习BP人工神经网络的农产品质量检测.pdf(4页珍藏版)》请在冰点文库上搜索。
金华职业技术学院学报第16卷第3期2016年5月Vol.16No.3May.2016摘要:
农产品质量检测涉及到农产品加工、品质控制以及成分分析等非稳态系统,可以采用不同分析技术获取农产品质量相关的参数,通过数据分析实现对农产品质量的检测。
现代农产品质量检测要求快速、准确,但根据检测获得的参数构建农产品质量信息的分析模型是研究的难题和关键。
BP神经网络是人工神经网络中常用的一种模型,它以误差的反向传播不断地训练和调整网络,使结果最优;为确保模型有效性,利用深度学习的人工神经网络建立农产品生产、加工过程中农产品质量检测分析的模型,进而提高农产品的质量检测。
关键词:
BP人工神经网络;深度学习;农产品品质检测中图分类号:
TP274S126文献标识码:
A文章编号:
1671-3699(2016)03-0073-04DOI:
10.3969/j.issn.1671-3699.2016.03.017基于深度学习BP人工神经网络的农产品质量检测方孝荣(金华职业技术学院,浙江金华321007)人工神经网络(ArtificialNeuralNetwork,ANN)是对人脑的一种抽象和模拟,是模仿人的大脑神经系统信息处理功能的一个信息处理系统。
它是从数学、物理、信息处理等角度对人脑神经网络进行抽象,运用一批关联数据进行训练,进而构建相应的神经元关联模型,模仿人脑结构进行信息处理,对建立探索非线性相关性模型起到较好的归类建模作用1。
一般的人工神经网络模拟人脑分析处理信息的过程包含有3个部分。
这3个部分分别为输入层,即信息的输入和感知;隐含层,即信息处理部分,人工神经网络中,隐含层往往分为单隐含层(只有1个隐含层)和多隐含层(多个隐含层);输出层,即输出对获取信号处理的结果。
图1为一个典型的人工神经网络模型的工作结构图2。
图1中,x表示神经元i的输入信号,w表示连接权重,b为外部刺激,f为激励函数,y为神经元的输出,其输入输出关系是yi=fj=1Nwijxj+b
(1)建立神经元模型后,将各个神经元进行相关连接即可建立人工神经网络模型。
随着机器学习和人工神经网络研究的发展和深入,提出了多种人工神经网络,其中误差反向传播神经网络(Backpropagationneuralnetwork,BP)是较为常见的神经网络。
本文以BP人工神经网络结构为例,其拓扑结构如图2所示。
投稿日期:
2016-01-13基金项目:
国家高技术研究发展计划(863计划)“多尺度农田信息获取与融合技术”(2013AA102301)子课题“农田信息快速感知技术与装备开发与示范应用”(2013AA10230108)作者简介:
方孝荣(1963-),男,浙江金华人,金华职业技术学院副教授,研究方向为农业智能装备。
图1典型人工神经网络的工作结构图2BP人工神经网络拓扑结构图73金华职业技术学院学报2016年BP人工神经网络在人工智能领域应用广泛,但在农业、食品等领域的应用相对较少。
本文将简单介绍深度学习的BP人工神经网络的基本原理,探讨其在农产品质量检测研究领域应用的最新进展,并简要介绍改进型深度学习的BP人工神经网络在农产品品质检测方面的应用。
1基于深度学习的BP人工神经网络基本原理1.1BP人工神经网络的基本原理BP人工神经网络包含有用来获取样本数据的输入层(Inputlayer)、用于处理输入样本数据的隐含层(Hiddenlayer),以及用于输出处理结果的输出层(Outputlayer)3个部分。
BP人工神经网络的基本结构如图3所示。
输入层神经元节点获取输入样本数据的基本信息,根据随机产生的输入权值以及阈值将信息传递给隐含层的神经元节点;隐含层神经元对传送进入隐含层的数据通过激活函数进行处理,隐含层可以是单层,也可以是多层,隐含层层数的选择需要通过不断地训练确认;通过隐含层处理过的数据,通过激活函数输出到输出层,此时BP人工神经网络的学习完成。
由于一次学习输出的结果与实际结果之间可能存在较大的误差,基于输出值与实际值之间的误差对输入层和隐含层之间的权值进行修正,重新进行学习,在不断的学习过程中直到输出值与实际值之间的误差满足最初设定的BP人工神经网络最大允许误差。
因此,BP人工神经网络通过误差不断地由输出层向输入层反向传播,达到调整权值和阈值,从而减少训练误差的目的。
BP人工神经网络中隐含层层数的确定、隐含层每一层节点数的确定和激活函数的确定十分重要,目前尚未有较好的方法去确定这些因素,主要还是以尝试和比较结果为主。
当BP人工神经网络样本数据较小时运算速度较快,但当样本数据较大时,对硬件的计算能力要求较高。
BP人工神经网络处理非线性问题能力极强,这是BP人工神经网络的主要优点。
1.2深度学习的研究BP算法存在的问题在于梯度越来越稀疏:
从顶层越往下误差校正信号越小,当收敛到局部最小值时,一般只能用有标签的数据来训练3。
但在农产品品质检测过程中大部分的数据没标签,深度学习(DeepLearning,简称DL)的神经网络可以从没有标签的数据中学习。
深度学习是一种自动学习要建模的数据潜在(隐含)分布的多层(复杂)表达的算法4。
深度学习的训练过程有非监督学习和监督学习。
(1)非监督学习是自下而上的学习。
通常采用无标定或有标定的数据对各层的参数进行分层训练。
在训练时,先训练第一层的网络,得到第一层网络的参数使输入和输出差别最小,并将第一层网络的输出作为下一层网络的输入,直到训练到最后一层(第n层),最后分别得到各层的参数。
(2)监督学习是自顶向下的学习。
经过非监督学习得到每一层的参数之后,基于这些参数不断调整整个多层模型的参数,使输出最佳。
因此非监督学习中的特征学习过程的优劣决定了深度学习最终效果的优劣56。
2深度学习神经网络在农产品品质检测中的应用农产品种类繁多,产品质量信息统一标准化困难,质量信息相关的关联性差等,导致农产品在品质检测过程中比较困难。
展慧7等研究了一种基于BP人工神经网络的板栗图像特征的分级方法。
试验以罗田板栗为研究对象,提取了颜色、纹理等特征值,再通过主成分分析提取相应主成分得分向量,并将其作为模式识别的输入,利用BP人工神经网络模型建立了板栗分级模型。
试验结果表明,在图像信息主成分因子数为3,中间层节点数为12时,建立的模型为最佳状态,其训练时的回判率达100%,预测时识别率为图3BP人工神经网络结构图输入层隐层输出层74第3期91.67%。
实验结果验证了基于机器视觉技术的针对缺陷板栗分级检测方法是可行的。
谭克竹8采用光谱信息和图像信息相结合的方法,综合利用高光谱成像、机器视觉、图像处理、光谱分析、模式识别、化学计量学和大豆科学等诸多领域的知识,开展大豆外观品质和内在品质快速、无损检测方法的研究,建立了BP网络检测模型,并在BP网络模型上改进深度学习算法,以此建立大豆品质快速检测模型,将深度学习优化算法的人工神经网络引进到大豆外观品质检测中去,运用寻优能力更强的粒子群优化算法对BP人工神经网络模型参数进行优化。
实验结果表明,利用基于粒子群优化算法优化的神经网络对大豆外观品质进行检测,可以取得更快的收敛速度和更高的预测精度。
孔彦龙9等提出了基于图像综合特征参数的马铃薯分选方法。
以马铃薯为研究对象,通过提取马铃薯侧视图的周长和面积参数,结合马铃薯质量建立回归分析模型,实现对马铃薯质量的预测,从而实现了基于机器视觉的马铃薯质量的筛选;然后基于马铃薯俯视图像提取出6个不变矩参数结合形状等级训练BP人工神经网络,并基于BP人工神经网络预测未知马铃薯样本的形状等级,从而实现基于机器视觉的马铃薯的形状分选。
通过深度学习试验后表明,该方法可以有效地检测马铃薯的质量并区分其形状,质量分选准确率为95.3,薯形分选准确率为96。
可满足实际应用的要求。
应义斌10等人建立了柑橘成熟度机器视觉检测系统,采用表面色泽与固酸比作为柑橘成熟度指标,实现对柑橘的质量分选。
以色度值在系统图像中出现的频率作为柑橘成熟度的依据,采用神经网络映射柑橘是否成熟的正确判断率为77.80%;通过深度学习的BP网络算法,检测到柑橘成熟度的判别准确率达到91.67%。
AkbariFard11等人采用ImageNet数据库中选择的49626幅图像对水果和蔬菜的卡路里进行预测研究。
以80%的图像为训练集,剩余20%的图像为预测集,建立基于深度学习的BP人工神经网络模型,预测图像中水果或者蔬菜的种类,从而推导出摄入的卡路里。
将图像大小调整为217217以作为网络的输入,图像中总共包含了超过43种不同的水果和蔬菜标签。
基于选择的图像建立了一个包含有3个卷积层和3个池层的神经网络,第一个卷积层包含了48个1111的滤波器,第二个卷积层包含了128个55的滤波器,而最后一个卷积层则包含了128个33的滤波器。
基于建立的神经网络发现,一次训练中得到的预测准确率平均高达35%,而五次预测中的预测准确率达到75%。
研究发现,基于深度学习的BP人工神经网络可以准确地对图像中的水果、蔬菜等进行识别和预测,从而预测人体摄入的卡路里。
当对单个人进行的食谱预测时,发现预测准确率能达到95%以上。
在研究中,采用了超过30000张图片进行训练,但训练图片的选择对模型的效果会有影响,并且网络的参数也对模型具有较大的影响,在以后的研究中需从这两个方面对模型进行修改和提高。
3结语BP神经网络是以误差的反向传播不断地训练和调整网络,最终收敛于局部最小值。
由于BP算法从顶层越往下误差校正信号越小,梯度也越来越稀疏,为了得到最优结果,一般只能用有标签的数据来训练。
然而,大部分农产品表征品质的数据是没标签的,用常规BP神经网络方法难以获得有效的数学模型。
深度学习是一种能自动学习所建模型隐含多层分布与数据复杂表达的算法,它可以从没有标签的数据中学习,能为农产品品质检测提供了良好的算法,确保模型有效性,因此是一种适用于农产品质量检测分析,提高检测质量的有效方法。
深度学习的神经网络算法在农产品品质检测过程中的应用,为农产品品质检测提供了良好的算法与模型基础。
参考文献:
1BaughmanDR,LiuYA.NeuralnetworksinbioprocessingandchemicalengineeringM.NewYork:
Academicpress,2014.2MarenAJ,HarstonCT,PapRM.HandbookofneuralcomputingapplicationsM.NewYork:
AcademicPress,2014.3KarpathyA,TodericiG,ShettyS,etal.Large-scalevideoclassificationwithconvolutionalneuralnetworksC/ComputerVisionandPatternRecognition(CVPR),2014IEEEConferenceon.IEEE,2014:
1725-1732.方孝荣:
基于深度学习BP人工神经网络的农产品质量检测75金华职业技术学院学报2016年4RumelhartDE,HintonGEandWilliamsRJ.LearningrepresentationsBybackPropagationerrorsJ.Nature,1986,323:
533-536.5ParkerDB.Learning-logic:
CastingthecortexofthehumanbraininsiliconC/TechnicalReportTr-47,CambridgeMA:
CenterforComputationalResearchinEconomicsandManagementScience.MIT,1985.6SchmidhuberJ.Deeplearninginneuralnetworks:
AnoverviewJ.NeuralNetworks,2015,61:
85-117.7展慧,李小昱,王为,等.基于机器视觉的板栗分级检测方法J.农业工程学报,2010,26(4):
327-331.8谭克竹.基于高光谱图像和机器视觉技术的大豆品质检测研究D.哈尔滨:
东北农业大学,2014.9孔彦龙,高晓阳,李红玲,等.基于机器视觉的马铃薯质量和形状分选方法J.农业工程学报,2012,28(17):
143-14810应义斌,饶秀勤,马俊福.柑橘成熟度机器视觉无损检测方法研究J.农业工程学报,2004,20
(2):
144-147.11AkbariFardM,HadadiH,TavakoliTarghiA.FruitsandvegetablescaloriecounterusingconvolutionalneuralnetworksC/Proceedingsofthe6thInternationalConferenceonDigitalHealthConference.ACM,2016:
121-122.QualityDeterminingofAgriculturalProductsBasedonDeepLearningofBPNeuralNetworkFANGXiaorong(JinhuaPolytechnic,Jinhua321007,China)Abstract:
Detectionofagriculturalproductsqualityconsistsofagriculturalproductsprocessing,qualitycontrolandcompositionanalysis,whichisanon-steadystatesystem.Agriculturalproductqualityparameterscanbeobtainedbydifferentanalyticalinstruments,andthequalitycouldbedeterminedthroughanalyzingtheacquiredparameters.Modernagriculturalproductqualityrequiresfastandaccuratedetection,andhowtousethemeasuredparameterstobuildpredictionmodelsforqualitydetectionisessentialandimportant.BP(backpropagation)neuralnetworkisakindoferrorinversepropagationtrainingalgorithmforthemultilayerfeedforwardnetwork,andiscurrentlythemostwidelyusedmodelofneuralnetwork.Throughdeeplearning,artificialneuralnetworkcanbeusedtoestablishamodelfordetectionanalysisintheprocessofmanufacturingandprocessingagriculturalproducts,whichwillpromotethefurtherdevelopmentoftheagriculturalindustry.Thispapermainlyintroducesthestructureofneuralnetworkbasedondeeplearninganditsapplicationinagriculturalindustry.Keywords:
BPneuralnetwork,deeplearning,qualitydeterminingofagriculturalproducts责任编辑:
傅美贞76
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 深度 学习 BP 人工 神经网络 农产品 质量 检测