基于matlab的 ＢＰ 神经网络的水果识别研究

基于 ＢＰ 神经网络的水果识别研究

摘 要： 本文介绍了一种基于 ＢＰ 神经网络的水果识别方法。  随着模式识别技术不断的发展，图像识别作为最具代表性的应用，受到了众多学者的关注，尤其是在图像快速识别方面。  为了解决传统水果图像分类识别算法人工提取特征的缺陷，将经过训练的 ＢＰ 神经网络应用在水果的识别中。 本实验使用数字图像处理的方法，首先对采集到的图像进行预处理，并针对多种水果混合的图像进行提取和识别。 实验表明，基于 ＢＰ 神经网络的水果识别方法能够获得很高的识别率，能够有效地将同一幅图像中的不同水果识别出来。

关键词： 水果识别； 图像处理； ＢＰ 神经网络； ＭＡＴＬＡＢ

０ 引 言

在中国，通常采用人工方式进行水果分级，而人工分级往往效率低、劳动量大、有较大的人工误差等，难以实现标准分级［１］ 。 并且人工识别具有诸多的不稳定因素。 因此，研究和开发水果自动实时分级系统，对经济、农业的发展具有广阔的应用前景。从 ８０ 年代开始，国内外有许多学者研究水果分级的自动识别算法，近年来也出现了一些基于水果识别的算法，如郑小东等人［２］ 根据区域特征进行水果的自动识别。 项辉宇等人实现了对苹果大小、缺陷以及颜色特征的检测。 程荣花等人［３］ 对水果图像的主成分分析， 从而对其进行识别预测。 王水平等人［４］ 利用 ＳＶＭ 分类器，对水果进行分类预测。 这些方法虽然在水果识别中取得了一定效果，但对于同副图像中的多种水果识别还有欠缺。 针对这一问题，本文基于 ＢＰ 神经网络对水果图像进行识别。首先，根据水果的不同特征，对图像进行预处理；然

后，通过标签化处理将图像中各个连接成分进行分离，从而实现对水果特性的研究，再提取出不同水果的颜色、边界不规则、形状等基本特征，对得到的水果图像特征参数进行计算；最后，使用多幅图像训练

ＢＰ 神经网络，并完善水果特征库，以达到快速识别水果的目的。

１ 数字图像处理

首先，本文对不同水果图片进行数字图像处理。目的是为了提高图片的质量，得到理想的图像效果。图像处理的方法有：图像变化、图像编码压缩、图像增强和复原、分割、描述等。 本文采用图像识别方法的主要步骤为：首先，预处理图像；然后，对预处理的图像进行分割和特征提取；最后，对图像进行判断分类。 图像分类多数情况采用传统的识别模式。 传统识别模式分为 ２ 大类：统计模式分类和结构模式分类。 近几年研究中，模糊模式识别、人工神经网络模式识别，这２ 种新兴的图像识别方法颇受学术界的

本文图像预处理分为图像去噪、图像增强和图像二值化 ３ 个步骤。 本文采用中值滤波法对图像去噪，中值滤波法是一种去噪声的非线性平滑处理办

维矩阵分别表示各个像素的 ３ 种颜色分量，Ｒ、Ｇ、Ｂ

３ 个分量分别表示每一个像素的颜色，图像的行列数由 Ｍ、Ｎ 表示。

法。 本文采用反锐化掩模法［５］ 对图像增强，该方法是一种常用的图像锐化方法，先模糊处理图像，再与原图进行差值运算，再乘上一个修正因子，最后得到轮廓增强的图像。 该算法表达式如下：

ｇ（ ｘ，ｙ） ＝ ｆ（ ｘ，ｙ）  ＋  Ｃ［ ｆ（ ｘ，ｙ）  －  （ ｆ＇（ ｘ，ｙ）］． （１）

二值化是将图像呈现为黑白的对比效果的过程，该方法将图像像素的灰度值设为“ ０” 或“ ２５５”。图像阈值分割法是应用较普遍的图像分割技术，利用了图像的背景与对象之间的灰度差异。    本文采用

阈值分割法对图像进行二值化，从而得到效果更好

B

蓝(Blue)

黑(Black)

青(cyan)

品红

(Magenta)

G

绿(green)

红(red)

图 １ ＲＧＢ 色彩空间

Ｆｉｇ． １    ＲＧＢ ｃｏｌｏｒ ｓｐａｃｅ

白(white)

黄(yellow R

的二值化水果图像。

２ 水果图像特征提取

数字图像处理后， 水果和背景被明显的分开。下一步，需要对每种水果进行特征提取。 具有代表性的水果特征有：纹理、形状、颜色［６］ 等。 计算机视觉技术主要通过从图像或者视频中提取出的物体特征，经对比区别出不同物体。 在农业领域中应用的水果自动分类识别系统，也是通过提取所拍摄的水果图像中的特征参数，并以此为依据进行训练得到识别模型从而达到分类识别的目的。

２．１ 图像颜色模型

水果的颜色特征在图像方向、尺寸等特征发生改变时无明显变化，因此，在图像识别中常用到颜色特征。 颜色模型是用作精确标定且生成多种颜色的一种方法。 对于显示设备来说，可以用红色、绿色、蓝色发光量来描述 ＲＧＢ。 ＲＧＢ 又叫相加混色模型， 其在实际生活中主要用于光照、显示器等中。

（１） 颜色特征，包括彩色和灰度信息处理；对于彩色信息处理，主要采用几种常见的色彩空间；而对于灰度信息处理，主要采用直方图技术。

（２） 红绿蓝 ３ 色光按不同比例和强度混合可以用其表示近乎所有自然界的可见光，其颜色模型称之为 ＲＧＢ 色彩空间模型［７］ ，如图 １ 所示为 ＲＧＢ 色彩空间模型。 红绿蓝 ３ 色位于彩色立方体的 ３ 个顶角，其产生的点汇聚在彩色立方体的对角线上，即灰色线。 在使用 ＲＧＢ 模型时，由于任一基本色上无亮度，所有 ＲＧＢ 颜色显示黑色。 当 ３ 基色变为最高的高度，空间即会显现出白色。 其余较低高度但等量的 ３ 种基色就显示灰色。 ＲＧＢ 图像每一个像素的

２．２ 图像形状特征

图像的形状特征是指将图像经过边缘提取和图像分割，从而得到目标的形状。 形状的描述方法一般分为轮廓法和区域法 ２ 类。 本文采用轮廓法。 并对其结果进行美化，以达到更准确的识别。 图像的形状特征主要包括周长和形状参数。

（１） 周长为整个边界的长度。 周长通过计算物体边界上相邻像素的中心距的累加而得出。 通常， 面对倾斜方向，数据会产生一些误差，所以要用 ２ 倍的原有像素数进行计算修改。

（２） 物体的其中一个重要特征量是弧度， 弧度是用于计算物体形状复杂程度的参数。 将弧度进行比较，识别出不同的水果。 在数字图像中，可以通过物体所占有的像素点数来计算面积。

本文首先使用面积、周长、弧度等参数表示水果，再使用 ＲＧＢ 颜色模式对不同的水果图像进行特征提取，产生 ３ 幅不同通道的直方图。 通过直方图显示出的结果，提取不同水果中特有的特征，以达到 识别水果的目的。

３ ＢＰ 神经网络

ＢＰ 神经网络在上世纪八十年代年被首次提出［８］ 。 ＢＰ 神经网络是一种有效的神经学习方法， 是在误差反传算法的基础上产成的，并引入了反向传播原理，破传统网络结构，解决了非线性问题，是目前普遍应用的神经网络模型。

ＢＰ 神经网络通常由 ３ 个层次构成，分别是输入层、中间层、输出层［９］ 。 由传递函数将各层连接，通过特定的学习算法来训练网络、调节权重，使输出不断接近预期值。 输入层接受来自外部的输入信息，

ＢＰ 网络的结构如图 ２ 所示。

图 ２    ＢＰ 网络结构图

Ｆｉｇ． ２    ＢＰ ｎｅｔｗｏｒｋ ｓｔｒｕｃｔｕｒｅ

ＢＰ 网络具有非常强大的非线性映射能力， 因

ｖｊｔ 分别为输入层到隐层的连接权和中间层到输出层的连接权；

（３） 选取下一个输入模式再返回到（ ２） 中反复训练直到输出误差达到要求为止。

在 ＢＰ 网络的结构中， 输入层与输出层之间含有多层神经元（ 其模拟人类大脑神经元拥有的基本功能：加权、求和、传递）， 这些神经元被称为隐单元，隐单元与外界没有直接的联系， 但其状态的改变，会影响输入与输出之间的关系，每一层可以有无数个这样的节点。

４ 实验及结果分析

４．１ 实验框架

本文的水果识别框架是根据不同水果特征，把需要的水果从中识别出来，其总体框架如图 ４ 所示。

此，能够学习和大量关于存储输入与输出之间的映射关系。 ３ 层 ＢＰ 神经网络可以在不描述函数映射关系的情况下逼近任意非线性函数。 如图 ３ 示出了

ＢＰ 网络的向量图。

原始水果图像

水果识别

图像预处理

BP神经网络

图 ４ 总体框架图

图像标签化

水果特征提取

输入层 隐层 输出层

Ｆｉｇ． ４    Ｇｅｎｅｒａｌ ｆｒａｍｅｗｏｒｋ

p    LW1,1

a1

LW2,1 a2

本文实验的具体步骤如下：

2?1

4?2

4?1

3?4

2 3?1

（１） 输入水果图像；

n1

4?1

n

3?1

（２） 图像预处理；

1 b1 2 4?1

1 b2

4 3?1 3

（３） 图像标签化处理和图像特征参数计算， 把每个区域都分开，根据提取的图像特征，将水果进行

a1=tansig(TW1,1p+b1)  a2=purelin(LW2,1a1+b2)

图 ３   ＢＰ 网络的向量图

Ｆｉｇ． ３    Ｖｅｃｔｏｒ ｄｉａｇｒａｍ

ＢＰ 神经网络采用梯度下降算法，这种算法适用

区分；

（４） 建立水果特征库，把采集的特征数据用 ＢＰ

网络进行训练，区分同一图片中的不同水果；

（５） 完成水果的识别。

于非线性多层网络梯度的计算。 ＢＰ 神经网络算法的基本思路是：由前向神经网络实现正向传播，由递归神经网络（ 反馈神经网络） 实现误差反向传播。这 ２ 个进程交替完成，在权向量空间执行误差梯度下降算法，从而使误差降到最低。    其具体步骤如下：

（１） 初始化，给各连接权 ［ ｕ］，［ ｑ］ 和阈值 θｉ ， ｒｉ

各赋一个随机数；

（２） 由给定的计算方法，算出第一、第二层中各单元的输入和输出值。

算法如下：

ｂｊ  ＝ ｆ（ ｗｉｊ ａｉ  － θｊ ）， （２）

ｃｔ  ＝ ｆ（ ｖｊｔ ｂｊ  － ｒｔ ）． （３）

其中， ｂｊ  表示中间层第 ｊ 个神经元最终输出结果； ｃｔ 为输出层第 ｔ 个神经元的最终输出结果； ｗｉｊ ，

４．２ 实验结果与分析

本文实验环境中计算机系统为 Ｗｉｎｄｏｗｓ１０， 处理器为 Ｉｎｔｅｌ 酷睿 ｉ５３２１０Ｍ，主频为 ２．５  ＧＨｚ，内存为 ４ ＧＢ， 显存为 １ Ｇ， 硬盘是 ５００ ＧＢ， 实验是基于ＭＡＴＬＡＢ 开发工具。 本文主要以苹果、橙子、香蕉为例。 图 ５ 示出了水果图像处理结果图，依次为原始图像、边缘检测图像、ＯＲ 运算分割图像和彩色标签化图像。 从图中可以看出，通过一系列的图像处理可以将不同区域的像素分开，从而利于后续对图像特征的提取和图像特征参数的计算。

表 １ 为橙子、香蕉和苹果的特征参数数据表，从

中可以看出，与其它 ２ 种水果相比，香蕉的特征最为明显，周长最大、弧度最小，根据该特征能够把香蕉从水果中分离出来。

１９

（ ｂ

1. OR运算分割图像 (d)彩色标签化图像

1. 1. TheimageofOR operationdivide
   2. Theimageofcolor labeling

图 ５ 水果图像处理结果Ｆｉｇ． ５    Ｇｅｎｅｒａｌ ｆｒａｍｅ ｄｉａｇｒａｍ表 １ 不同水果特征参数数据表

Ｔａｂ． １    Ｄａｔａ ｔａｂｌｅ ｏｆ ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｐａｒａｍｅｔｅｒｓ ｏｆ ｄｉｆｆｅｒｅｎｔ ｆｒｕｉｔｓ

橙子 香蕉 苹果

面积 ３ ２７８ １１

周长 ３ ２２７ １１

弧度 ４．１８８ ８ ０．０６７ ８ １．１４２ ４

  颜色 １．２２０ ０ ０．７６０ ５ １．６０１ ０

图 ６ 所示为 ３ 种水果的 ＲＧＢ 通道图及其直方图，由图可知，与其它 ２ 种水果对比，苹果的 Ｒ 通道直方图中其固定区域内的像素数量（ ２００－３００） 与 Ｇ 通道和 Ｂ 通道像 素 和 的 比 值 为 ３ 水 果 中 最大的，可得到苹果的比值最大，可知苹果的红色信息量最多。

（ ａ） 香蕉颜色通道图及直方图

（ ａ）  Ｂａｎａｎａ ＲＧＢ ｃｏｌｏｒ ｃｈａｎｎｅｌ ｃｈａｒｔ ａｎｄ ｈｉｓｔｏｇｒａｍ

（ ｃ）  苹果 ＲＢＧ 颜色通道图及直方图

（ ｃ）  Ａｐｐｌｅ ＲＧＢ ｃｏｌｏｒ ｃｈａｎｎｅｌ ｃｈａｒｔ ａｎｄ ｈｉｓｔｏｇｒａｍ

图 ６ 不同水果 ＲＧＢ 颜色通道图及直方图

Ｆｉｇ． ６    Ｄｉｆｆｅｒｅｎｔ ｆｒｕｉｔ ＲＧＢ ｃｏｌｏｒ ｃｈａｎｎｅｌ ｃｈａｒｔ ａｎｄ ｈｉｓｔｏｇｒａｍ

图 ７ 为本文 ＢＰ 网络的训练性能，横坐标代表训练次数，纵坐标代表均方误差，该误差值越小，说明实验结果与原图之间差异程度越低。 从图中可以看出本文的 ＢＰ 网络经过 １０ 次训练，其均方误差为０．７×１０－３ ， 识别准确度较高， 可以直接进行水果识别。

BestTrainingPerformanceis0.00022057atepoch1

0 2 4 6 8 10

10Epochs

图 ７ ＢＰ 网络的训练性能

Ｆｉｇ． ７    Ｔｈｅ ｔｒａｉｎｉｎｇ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ＢＰ ｎｅｔｗｏｒｋ

图 ８ 为本文设计的神经网络及其运行结果。 测试结果表明，通过对不同测试样本的训练，对苹果的 识别近乎完全正确，橙子和香蕉的识别率均为 ９７％， 这个结果进而证实了采用特征提取和 ＢＰ 神经网络识别水果的有效性。 通过神经网络的不断训练，后期对图像的识别更加准确。 就像人的大脑一样，对图像的特征不断进行记忆，使识别更加智能化。

图 ８ 本文设计的神经网络及运行结果

Ｆｉｇ． ８    Ｔｈｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｎｄ ｉｔｓ ｏｐｅｒａｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ ｔｈｉｓ ｐａｐｅｒ

ＢＰ 神经的优点：高效、智能。 如果要更加准确，需要加入更多的特征，在颜色的准确性上需要改进。 因为水果很多颜色较为相像，且需要更大的数据库。 从实验结果中可以看出，ＢＰ 神经网络的图像识

别系统的自适应能力较强，且识别率也较高，是一种高效的检测方法。

（ 上接第 １８６ 页）

［ ６］  ＲＡＭＯＳ － ＭＥＲＩＮＯ  Ｍ，  ＳＡＮＴＯＳ － ＧＡＧＯ  Ｊ  Ｍ，  ÁＬＶＡＲＥＺ －

ＳＡＢＵＣＥＤＯ Ｌ Ｍ，ｅｔ  ａｌ．  ＢＰＭＮ－ Ｅ  ：  Ａ  ＢＰＭＮ  ｅｘｔｅｎｓｉｏｎ  ｆｏｒ  ａｎ ｅｎｈａｎｃｅｄ   ｗｏｒｋｆｌｏｗ   ｄｅｓｃｒｉｐｔｉｏｎ  ［ Ｊ ］．    Ｓｏｆｔｗａｒｅ   ａｎｄ   Ｓｙｓｔｅｍｓ Ｍｏｄｅｌｉｎｇ，２０１８：１－２１．

［ ７］  ＲＡＭＯＳ－ＭＥＲＩＮＯ Ｍ， ÁＬＡＶＲＥＺ－ＳＡＢＵＣＥＤＯ Ｌ Ｍ， ＳＡＮＴＯＳ

－ＧＡＧＯ Ｊ Ｍ， ｅｔ ａｌ． Ａ ＢＰＭＮ ｂａｓｅｄ ｎｏｔａｔｉｏｎ ｆｏｒ ｔｈｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｏｆ  ｗｏｒｋｆｌｏｗｓ   ｉｎ   ｈｏｓｐｉｔａｌ   ｐｒｏｔｏｃｏｌｓ  ［ Ｊ ］．   Ｊｏｕｒｎａｌ   ｏｆ   Ｍｅｄｉｃａｌ

５ 结束语

本文采用数字图像处理的方法，对原始水果图像进行预处理并对 ＲＧＢ 图像进行数据分析。 通过对 ＢＰ 神经网络架构设计构建了基于 ＭＡＴＬＡＢ 的水果图像识别系统。 通过实验对比，本文算法误差较小、实时性较好、正确率高，能够实现对水果特征数据的准确识别。 但是，本文提出的算法也存在不足， 由于水果种类繁多，重点选取的香蕉、苹果等比较有特点的水果，所以实验结果较理想，若参杂其它水果种类，如青苹果、火龙果等，则需要对算法进行改进。

参考文献

［ １］ 曾平平，李林升． 基于卷积神经网络的水果图像分类识别研究

［ Ｊ］．  机械设计与研究，２０１９，３５（ １）：２３－２６，３４．

王水平，唐振民， 范春年， 等． 基于 ＳＶＭ 的水果分类算法研究

［ Ｊ］．  武汉理工大学学报，２０１０，３２（ １６）：４４－４７．

程荣花，马飞，梁亚红． 形状相似水果自动化识别研究［ Ｊ］． 山东农业科学，２０１５，４７（ ８）：１１６－１１８．

郑小东，王晓洁，李印清． 自然环境下果实的自动识别技术［ Ｊ］．

计算机应用与软件，２００６（ １１）：９６－９７，１００．

项辉宇，薛真，冷崇杰，等．  基于 Ｈａｌｃｏｎ 的苹果品质视觉检测试验研究［ Ｊ］．  食品与机械，２０１６，３２（ １０）：１２３－１２６．

沈磊，苏建忠，郭肇敏，等． 基于反锐化掩模技术的红外图像增强算法设计［ Ｊ］．  南开大学学报（ 自然科学版），２０１９（ １）：２９－３５．

［ ７］  贺询． 水果识别中图像特征综述［Ｊ］． 河南科技，２０１７（２１）：３４－３５．

［ ８］  Ｈｕａｎｇ Ｚ， Ｚｈｕ Ｑ． Ｄｅｔｅｃｔｉｏｎ ｏｆ Ｒｅｄ Ｒｅｇｉｏｎ ｏｆ Ｆｕｊｉ Ａｐｐｌｅ Ｂａｓｅｄ ｏｎ ＲＧＢ Ｃｏｌｏｒ  Ｍｏｄｅｌ ［ Ｊ］．  Ｌａｓｅｒ  ＆ Ｏｐｔｏｅｌｅｃｔｒｏｎｉｃｓ  Ｐｒｏｇｒｅｓｓ，  ２０１６， ５３（ ４）： ０４１００１．

文周，林伟健． 基于 ＢＰ 神经网络的水果气调包装机械故障诊断方法［ Ｊ］．  包装与食品机械，２０１８，３６（ ５）：６９－７２．

模［ Ｊ］．  上海理工大学学报，２０１７，３９（ ３）：２６２－２６８，２９４．

［ １４ ］  Ｔｈｅ   Ｏｐｅｎ   Ｇｒｏｕｐ．   ＴＯＧＡＦ   Ｖｅｒｓｉｏｎ   ９． １ ［ Ｓ ］．   Ｚａｌｔｂｏｍｍｅｌ， Ｎｅｔｈｅｒｌａｎｄｓ： Ｖａｎ Ｈａｒｅｎ Ｐｕｂｌｉｓｈｉｎｇ，２０１１．

朱刚， 谭贤四， 王红， 等． 军事体系结构框架元模型发展趋势

［ Ｊ］．飞航导弹，２０１４（ ６）：６２－６７．

陈禹六．  ＩＤＥＦ 建模分析和设计方法 ［ Ｍ］． 北京： 清华大学出版社，２０００．

Ｓｙｓｔｅｍｓ， ２０１８，４２：１８１．

ＹＯＵＳＦＩ  Ａ，  ＨＥＷＥＬＴ  Ｍ，  ＢＡＵＥＲ  Ｃ，  ｅｔ  ａｌ．  Ｔｏｗａｒｄ  ｕＢＰＭＮ －

［ １７］ 孙玉全， 高展， 薛劲松． ＣＩＭＳ 设计过程中存在的一些问题及解决方案［ Ｊ］．  计算机集成制造系统－ＣＩＭＳ，１９９９，５（ ６）：５５－６１．