基于BP神經(jīng)網(wǎng)絡(luò)的小麥碰撞聲信號(hào)分類(lèi)

摘要：小麥在儲(chǔ)藏階段由于各種災(zāi)害導(dǎo)致?lián)p失巨大，并降低了面粉質(zhì)量，及時(shí)檢測(cè)并分離小麥的受損顆粒迫在眉睫。文章以提取4類(lèi)小麥碰撞聲信號(hào)為基礎(chǔ)，使用數(shù)字信號(hào)處理方法對(duì)小麥完好粒、蟲(chóng)害粒、霉變粒及發(fā)芽粒的碰撞聲信號(hào)提取有效特征，最后利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)，對(duì)于3類(lèi)小麥類(lèi)型的識(shí)別取得了較好的識(shí)別率。應(yīng)用結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)能夠較好地實(shí)現(xiàn)區(qū)分受損小麥顆粒與完好小麥顆粒。
關(guān)鍵詞：檢測(cè)方法；碰撞聲信號(hào)；BP神經(jīng)網(wǎng)絡(luò)

糧食收獲后，由于各種蟲(chóng)害或自然災(zāi)害導(dǎo)致的損失非常巨大。只有準(zhǔn)確地檢測(cè)出受損顆粒，才能做到有目的的防治，所以發(fā)展和提高對(duì)小麥?zhǔn)軗p顆粒的檢測(cè)方法及結(jié)果，至關(guān)重要。傳統(tǒng)的儲(chǔ)糧害蟲(chóng)檢測(cè)法有取樣法和誘集法，隨著檢測(cè)技術(shù)的發(fā)展，又出現(xiàn)了聲測(cè)法、近紅外光譜法、X射線法、電導(dǎo)法、微波雷達(dá)法、圖像識(shí)別法和電子鼻法等，這些方法各有其優(yōu)勢(shì)和一定的局限性。基于聲特征的儲(chǔ)糧害蟲(chóng)檢測(cè)方法由于其無(wú)損、方便、價(jià)格低廉、快速等優(yōu)點(diǎn)正逐漸被廣泛應(yīng)用，在各種儲(chǔ)糧害蟲(chóng)聲檢測(cè)方法中，基于碰撞聲信號(hào)的檢測(cè)方法正開(kāi)始被應(yīng)用于各種害蟲(chóng)檢測(cè)和糧食受損顆粒的分類(lèi)中。
人工神經(jīng)網(wǎng)絡(luò)的本質(zhì)類(lèi)似于人腦神經(jīng)結(jié)構(gòu)，并利用其神經(jīng)元進(jìn)行信息處理的數(shù)學(xué)模型，它能夠模擬生物神經(jīng)網(wǎng)絡(luò)對(duì)真實(shí)世界物體所做出的交互反映。人工神經(jīng)網(wǎng)絡(luò)的研究始于20世紀(jì)40年代，由于其具有分布并行處理、非線性逼近能力、自適應(yīng)學(xué)習(xí)和較好的容錯(cuò)性，經(jīng)過(guò)70多年的發(fā)展，受到眾多領(lǐng)域?qū)＜覍W(xué)者的關(guān)注，并已應(yīng)用于模式識(shí)別、人工智能領(lǐng)域、控制工程領(lǐng)域、優(yōu)化計(jì)算和聯(lián)想記憶和信號(hào)處理等領(lǐng)域。
文章使用碰撞聲檢測(cè)系統(tǒng)錄制小麥完好粒、蟲(chóng)害粒、霉變粒以及發(fā)芽粒的碰撞聲信號(hào)，使用數(shù)字信號(hào)處理方法對(duì)聲音信號(hào)進(jìn)行預(yù)處理、特征提取，并使用BP神經(jīng)網(wǎng)絡(luò)對(duì)4類(lèi)聲音進(jìn)行分類(lèi)識(shí)別，對(duì)其中3類(lèi)小麥顆粒的分類(lèi)取得了令人滿(mǎn)意的效果。實(shí)驗(yàn)結(jié)果顯示：BP神經(jīng)網(wǎng)絡(luò)具有運(yùn)算速度快、識(shí)別率高、算法簡(jiǎn)單等優(yōu)點(diǎn)。

1 小麥碰撞聲識(shí)別系統(tǒng)的基本結(jié)構(gòu)
圖1為基于BP神經(jīng)網(wǎng)絡(luò)的小麥碰撞聲識(shí)別系統(tǒng)的結(jié)構(gòu)。將小麥完好粒、蟲(chóng)害粒、霉變粒以及發(fā)芽粒分別逐粒通過(guò)碰撞聲裝置，同時(shí)麥克風(fēng)放大碰撞聲音，計(jì)算機(jī)錄制碰撞聲信號(hào)，并對(duì)原始信號(hào)進(jìn)行一系列預(yù)處理操作，包括對(duì)原始聲音信號(hào)進(jìn)行去噪、截取等處理。隨后使用適當(dāng)?shù)奶卣魈崛》椒ǚ謩e提取4類(lèi)麥粒的特征參數(shù)，使用BP神經(jīng)網(wǎng)絡(luò)分類(lèi)得到識(shí)別結(jié)果，最后輸出結(jié)果。

2 BP神經(jīng)網(wǎng)絡(luò)的原理
BP神經(jīng)網(wǎng)絡(luò)通常為多層前向神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)形式，其神經(jīng)網(wǎng)絡(luò)算法也叫誤差反向傳播算法，屬于有導(dǎo)師的學(xué)習(xí)算法。BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)包括3層，分別是：輸入層、隱藏層和輸出層。輸入層接收輸入向量，輸入層神經(jīng)元獲取外部輸入的信息傳送至中間層即隱藏層，隱藏層至少包含1層，也可包含2層或3層等，輸出層接收隱藏層傳送的信息，并輸出仿真結(jié)果。圖2顯示了一個(gè)典型的3層BP網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。

BP神經(jīng)網(wǎng)絡(luò)信息的傳播過(guò)程分為正向傳播和反向傳播2個(gè)過(guò)程，其基本思想是：輸入層神經(jīng)元獲取外部輸入的信息，將其傳送給中間層各神經(jīng)元，中間層各神經(jīng)元將接收到的信息進(jìn)行變換處理，再由最后一個(gè)中間層將信息傳送給輸出層各神經(jīng)元，完成信息的一次正向傳播過(guò)程；將輸出層的實(shí)際輸出與期望的輸出值進(jìn)行比較，如果二者的誤差值不在預(yù)期的誤差范圍內(nèi)，則進(jìn)行誤差反向傳播，由輸出層通過(guò)梯度下降方式調(diào)整各層的聯(lián)接權(quán)值和閾值，向中間層和輸入層逐層反傳誤差；不斷循環(huán)正向傳播和反向傳播，即神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過(guò)程，直到實(shí)際輸出值和期望輸出值的誤差達(dá)到預(yù)先設(shè)定的要求。

3 試驗(yàn)方法
3．1 聲音數(shù)據(jù)
利用BP神經(jīng)網(wǎng)絡(luò)對(duì)小麥顆粒進(jìn)行分類(lèi)時(shí)，首先需要充足的樣本，即充足的小麥顆粒信號(hào)樣本，實(shí)驗(yàn)所需樣本均來(lái)自西安市長(zhǎng)安區(qū)大居安村某農(nóng)戶(hù)糧倉(cāng)。同時(shí)還需要從樣本中盡可能多地提取相應(yīng)的有效特征數(shù)據(jù)。為了監(jiān)控訓(xùn)練過(guò)程避免網(wǎng)絡(luò)發(fā)生“過(guò)擬合”，同時(shí)提高所建立的網(wǎng)絡(luò)模型的推廣、識(shí)別能力，需將實(shí)驗(yàn)數(shù)據(jù)隨機(jī)分為訓(xùn)練樣本和驗(yàn)證樣本。本實(shí)驗(yàn)共錄制小麥碰撞聲信號(hào)600個(gè)，其中小麥完好粒、蟲(chóng)害粒、霉變粒和發(fā)芽粒的碰撞聲樣本各150個(gè)，每類(lèi)小麥樣本取100個(gè)作為訓(xùn)練樣本，剩余未參與訓(xùn)練的50個(gè)樣本作為驗(yàn)證樣本。
3．2 網(wǎng)絡(luò)結(jié)構(gòu)
BP神經(jīng)網(wǎng)絡(luò)的輸入變量數(shù)目要依據(jù)專(zhuān)業(yè)知識(shí)及經(jīng)驗(yàn)來(lái)確定。先選用2至3個(gè)特征嘗試對(duì)樣本進(jìn)行分類(lèi)，如果識(shí)別效果不理想，可繼續(xù)尋找有效的特征直至達(dá)到理想的識(shí)別率為止。輸出變量可以是一個(gè)，也可以是多個(gè)。
由于BP神經(jīng)網(wǎng)絡(luò)的隱層一般采用Sigmoid傳遞函數(shù)，為了提高訓(xùn)練速度、靈敏性和方便計(jì)算，并且有效避開(kāi)Sigmoid函數(shù)的飽和區(qū)，防止部分神經(jīng)元達(dá)到過(guò)飽和狀態(tài)，一般情況下，要求輸入數(shù)據(jù)的值介于。因此在訓(xùn)練網(wǎng)絡(luò)前，對(duì)輸入數(shù)據(jù)進(jìn)行預(yù)處理。Matlab中自帶多個(gè)歸一化函數(shù)：premnmx、prestd等。還可編寫(xiě)歸一化公式，例如：
X=(x(i)-xmin)／(xmax-xmin) (1)
其中，x(i)表示第i個(gè)作為輸入特征向量，xmin=min(x(i))，xmax=max(x(i))，得到X的范圍為[0，1]。文中采用公式(1)對(duì)輸入特征向量進(jìn)行歸一化處理。
3．3 網(wǎng)絡(luò)訓(xùn)練
本實(shí)驗(yàn)選用具有2個(gè)隱層的神經(jīng)網(wǎng)絡(luò)，隱藏層的節(jié)點(diǎn)數(shù)目分別設(shè)置為20，10。在輸入層用線性函數(shù)作為傳遞函數(shù)，在隱層和輸出層用非線性雙曲正切函數(shù)作為傳遞函數(shù)，網(wǎng)絡(luò)學(xué)習(xí)率為0．000 1。
不同的輸出數(shù)據(jù)類(lèi)型決定了網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)數(shù)目，由于實(shí)驗(yàn)中包含小麥完好粒、蟲(chóng)害粒、霉變粒和發(fā)芽粒，因此待分類(lèi)的樣本種類(lèi)為4，對(duì)應(yīng)的輸出層的節(jié)點(diǎn)數(shù)也相應(yīng)確定為4。文中采用二進(jìn)制形式表示4類(lèi)小麥碰撞聲信號(hào)的仿真結(jié)果，令小麥完好粒的對(duì)應(yīng)輸出為000 1，蟲(chóng)害粒的對(duì)應(yīng)輸出為0010，霉變粒的對(duì)應(yīng)輸出為0100，發(fā)芽粒的對(duì)應(yīng)輸出為1000。
3．4 實(shí)驗(yàn)結(jié)果
對(duì)于4種類(lèi)型小麥顆粒，BP神經(jīng)網(wǎng)絡(luò)的分類(lèi)識(shí)別結(jié)果如表1所示，可以看出，分類(lèi)效果較差，對(duì)于實(shí)驗(yàn)提取的特征，使用BP神經(jīng)網(wǎng)絡(luò)無(wú)法得到較好的識(shí)別率。

重新選擇實(shí)驗(yàn)對(duì)象，提取小麥完好粒、蟲(chóng)害粒和霉變粒這3類(lèi)小麥的碰撞聲特征，并訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)如4．3，得到的識(shí)別結(jié)果如表2所示。可以看出，此時(shí)可以較好地識(shí)別同種類(lèi)小麥的3種不同類(lèi)型，并且識(shí)別率可達(dá)到80％以上。說(shuō)明了通過(guò)對(duì)小麥碰撞聲信號(hào)使用恰當(dāng)數(shù)字信號(hào)處理方法進(jìn)行特征提取，并借助BP神經(jīng)網(wǎng)絡(luò)可以得到較好的識(shí)別率。

4 結(jié)論
文中采用小麥碰撞聲裝置錄制小麥完好粒、蟲(chóng)害粒、霉變粒和發(fā)芽粒4類(lèi)麥粒類(lèi)型的碰撞聲信號(hào)，結(jié)合適當(dāng)?shù)臄?shù)字信號(hào)處理方法提取信號(hào)特征，采用BP神經(jīng)網(wǎng)絡(luò)分別對(duì)4類(lèi)麥粒和3類(lèi)麥粒進(jìn)行分類(lèi)識(shí)別，由表1和表2可以看出，對(duì)于4類(lèi)麥粒，此方法的識(shí)別結(jié)果較差。而對(duì)于小麥完好粒、蟲(chóng)害粒和霉變粒的碰撞聲信號(hào)，可以取得令人滿(mǎn)意的識(shí)別效果，證明此方法可行且有效。
未來(lái)可以從以下幾個(gè)方面對(duì)此方法進(jìn)行改進(jìn)，以提高識(shí)別效果：進(jìn)一步研究特征提取方法和分類(lèi)方法；針對(duì)識(shí)別率較低的四類(lèi)麥粒類(lèi)型，考慮結(jié)合圖像識(shí)別方法提高對(duì)小麥發(fā)芽粒的識(shí)別效果；考慮將此方法應(yīng)用于小麥之外的其他糧食種類(lèi)，提高多種儲(chǔ)糧害蟲(chóng)的識(shí)別率。