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

摘要：小麥在儲藏階段由于各種災害導致?lián)p失巨大，并降低了面粉質(zhì)量，及時(shí)檢測并分離小麥的受損顆粒迫在眉睫。文章以提取4類(lèi)小麥碰撞聲信號為基礎，使用數字信號處理方法對小麥完好粒、蟲(chóng)害粒、霉變粒及發(fā)芽粒的碰撞聲信號提取有效特征，最后利用BP神經(jīng)網(wǎng)絡(luò )進(jìn)行分類(lèi)，對于3類(lèi)小麥類(lèi)型的識別取得了較好的識別率。應用結果表明BP神經(jīng)網(wǎng)絡(luò )能夠較好地實(shí)現區分受損小麥顆粒與完好小麥顆粒。
關(guān)鍵詞：檢測方法；碰撞聲信號；BP神經(jīng)網(wǎng)絡(luò )

糧食收獲后，由于各種蟲(chóng)害或自然災害導致的損失非常巨大。只有準確地檢測出受損顆粒，才能做到有目的的防治，所以發(fā)展和提高對小麥受損顆粒的檢測方法及結果，至關(guān)重要。傳統的儲糧害蟲(chóng)檢測法有取樣法和誘集法，隨著(zhù)檢測技術(shù)的發(fā)展，又出現了聲測法、近紅外光譜法、X射線(xiàn)法、電導法、微波雷達法、圖像識別法和電子鼻法等，這些方法各有其優(yōu)勢和一定的局限性?；诼曁卣鞯膬Z害蟲(chóng)檢測方法由于其無(wú)損、方便、價(jià)格低廉、快速等優(yōu)點(diǎn)正逐漸被廣泛應用，在各種儲糧害蟲(chóng)聲檢測方法中，基于碰撞聲信號的檢測方法正開(kāi)始被應用于各種害蟲(chóng)檢測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)結構，并利用其神經(jīng)元進(jìn)行信息處理的數學(xué)模型，它能夠模擬生物神經(jīng)網(wǎng)絡(luò )對真實(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40年代，由于其具有分布并行處理、非線(xiàn)性逼近能力、自適應學(xué)習和較好的容錯性，經(jīng)過(guò)70多年的發(fā)展，受到眾多領(lǐng)域專(zhuān)家學(xué)者的關(guān)注，并已應用于模式識別、人工智能領(lǐng)域、控制工程領(lǐng)域、優(yōu)化計算和聯(lián)想記憶和信號處理等領(lǐng)域。
文章使用碰撞聲檢測系統錄制小麥完好粒、蟲(chóng)害粒、霉變粒以及發(fā)芽粒的碰撞聲信號，使用數字信號處理方法對聲音信號進(jìn)行預處理、特征提取，并使用BP神經(jīng)網(wǎng)絡(luò )對4類(lèi)聲音進(jìn)行分類(lèi)識別，對其中3類(lèi)小麥顆粒的分類(lèi)取得了令人滿(mǎn)意的效果。實(shí)驗結果顯示：BP神經(jīng)網(wǎng)絡(luò )具有運算速度快、識別率高、算法簡(jiǎn)單等優(yōu)點(diǎn)。

1 小麥碰撞聲識別系統的基本結構
圖1為基于BP神經(jīng)網(wǎng)絡(luò )的小麥碰撞聲識別系統的結構。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，計算機錄制碰撞聲信號，并對原始信號進(jìn)行一系列預處理操作，包括對原始聲音信號進(jìn)行去噪、截取等處理。隨后使用適當的特征提取方法分別提取4類(lèi)麥粒的特征參數，使用BP神經(jīng)網(wǎng)絡(luò )分類(lèi)得到識別結果，最后輸出結果。

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 )的結構形式，其神經(jīng)網(wǎng)絡(luò )算法也叫誤差反向傳播算法，屬于有導師的學(xué)習算法。BP神經(jīng)網(wǎng)絡(luò )的拓撲結構包括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，并輸出仿真結果。圖2顯示了一個(gè)典型的3層BP網(wǎng)絡(luò )的拓撲結構。

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期的誤差范圍內，則進(jìn)行誤差反向傳播，由輸出層通過(guò)梯度下降方式調整各層的聯(lián)接權值和閾值，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)習訓練過(guò)程，直到實(shí)際輸出值和期望輸出值的誤差達到預先設定的要求。

3 試驗方法
3．1 聲音數據
利用BP神經(jīng)網(wǎng)絡(luò )對小麥顆粒進(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樣本，實(shí)驗所需樣本均來(lái)自西安市長(cháng)安區大居安村某農戶(hù)糧倉。同時(shí)還需要從樣本中盡可能多地提取相應的有效特征數據。為了監控訓練過(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、識別能力，需將實(shí)驗數據隨機分為訓練樣本和驗證樣本。本實(shí)驗共錄制小麥碰撞聲信號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)作為訓練樣本，剩余未參與訓練的50個(gè)樣本作為驗證樣本。
3．2 網(wǎng)絡(luò )結構
BP神經(jīng)網(wǎng)絡(luò )的輸入變量數目要依據專(zhuān)業(yè)知識及經(jīng)驗來(lái)確定。先選用2至3個(gè)特征嘗試對樣本進(jìn)行分類(lèi)，如果識別效果不理想，可繼續尋找有效的特征直至達到理想的識別率為止。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，為了提高訓練速度、靈敏性和方便計算，并且有效避開(kāi)Sigmoid函數的飽和區，防止部分神經(jīng)元達到過(guò)飽和狀態(tài)，一般情況下，要求輸入數據的值介于。因此在訓練網(wǎng)絡(luò )前，對輸入數據進(jìn)行預處理。Matlab中自帶多個(gè)歸一化函數：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)對輸入特征向量進(jìn)行歸一化處理。
3．3 網(wǎng)絡(luò )訓練
本實(shí)驗選用具有2個(gè)隱層的神經(jīng)網(wǎng)絡(luò )，隱藏層的節點(diǎn)數目分別設置為20，10。在輸入層用線(xiàn)性函數作為傳遞函數，在隱層和輸出層用非線(xiàn)性雙曲正切函數作為傳遞函數，網(wǎng)絡(luò )學(xué)習率為0．000 1。
不同的輸出數據類(lèi)型決定了網(wǎng)絡(luò )的輸出層節點(diǎn)數目，由于實(shí)驗中包含小麥完好粒、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，對應的輸出層的節點(diǎn)數也相應確定為4。文中采用二進(jìn)制形式表示4類(lèi)小麥碰撞聲信號的仿真結果，令小麥完好粒的對應輸出為000 1，蟲(chóng)害粒的對應輸出為0010，霉變粒的對應輸出為0100，發(fā)芽粒的對應輸出為1000。
3．4 實(shí)驗結果
對于4種類(lèi)型小麥顆粒，BP神經(jīng)網(wǎng)絡(luò )的分類(lèi)識別結果如表1所示，可以看出，分類(lèi)效果較差，對于實(shí)驗提取的特征，使用BP神經(jīng)網(wǎng)絡(luò )無(wú)法得到較好的識別率。

重新選擇實(shí)驗對象，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，并訓練BP神經(jīng)網(wǎng)絡(luò )如4．3，得到的識別結果如表2所示?？梢钥闯?，此時(shí)可以較好地識別同種類(lèi)小麥的3種不同類(lèi)型，并且識別率可達到80％以上。說(shuō)明了通過(guò)對小麥碰撞聲信號使用恰當數字信號處理方法進(jìn)行特征提取，并借助BP神經(jīng)網(wǎng)絡(luò )可以得到較好的識別率。

4 結論
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，結合適當的數字信號處理方法提取信號特征，采用BP神經(jīng)網(wǎng)絡(luò )分別對4類(lèi)麥粒和3類(lèi)麥粒進(jìn)行分類(lèi)識別，由表1和表2可以看出，對于4類(lèi)麥粒，此方法的識別結果較差。而對于小麥完好粒、蟲(chóng)害粒和霉變粒的碰撞聲信號，可以取得令人滿(mǎn)意的識別效果，證明此方法可行且有效。
未來(lái)可以從以下幾個(gè)方面對此方法進(jìn)行改進(jìn)，以提高識別效果：進(jìn)一步研究特征提取方法和分類(lèi)方法；針對識別率較低的四類(lèi)麥粒類(lèi)型，考慮結合圖像識別方法提高對小麥發(fā)芽粒的識別效果；考慮將此方法應用于小麥之外的其他糧食種類(lèi)，提高多種儲糧害蟲(chóng)的識別率。