基于优化PSO-BP的多特征融合图像识别算法研究.docx

?

?

基于优化PSO-BP的多特征融合图像识别算法研究

?

?

摘要：?为提高水果种类识别的准确性，本文提出一种基于优化粒子群结合BP神经网络的识别算法。在算法初期，针对不同种类水果图像样本，借助K均值聚类分割算法，融合彩色信息和灰度信息，完成目标图像的准确分割，提取目标区域在HSV颜色空间下非均匀量化后的颜色特征，使用分块局部二值模式和灰度共生矩阵，分别提取局部和全局纹理特征，并对与粒子群算法（particleswarmoptimization，PSO）结合的BP神经网络进行优化，以获得最优的BP神经网络权值和阈值，同时使用分块的LBP算子和GLCM方法，采用Matlab2017b软件，对苹果、草莓、柠檬3种水果图像局部和整体纹理信息进行提取，并与传统的PSO-BP神经网络、IPSO-BP神经网络及单一BP神经网络训练之后对测试样本的识别相对误差进行比较。研究结果表明，虽然标准PSO-BP算法对图形的分割效率和识别能力不能与深度学习结果相媲美，但在优化后的PSO-BP中，将3种水果识别率与RCNN系列的优化结果相比并不逊色，且与结合ResNet的SSD算法的结果对比中表现出优异性。该算法保证了图像分割目标的完整性，有效控制了整体算法的时间性，提高了识别过程的精确性。该研究对水果识别精度的提高具有重要的应用价值。

关键词：?水果识别;K均值算法;粒子群算法;图像分割;神经网络

：TP391.413?：A

在落实“互联网+农业”战略和智慧农业改革的背景下，传统农业与高新技术融合已成为发展趋势。水果产业是农业重要组成部分，对水果实现高效快捷的智能识别分类具有深远意义，融入图像识别技术可减少劳动力消耗，且高识别率和短周期有利于水果分类储存与保鲜。通过模式识别技术进行水果分类，多是依据水果图像的颜色、局部纹理和形状等特征属性进行定量，然后训练分类器区分判决，但在实际应用中仍无法避免因纹理和形状相似而造成较高的误差。特征提取能力较强的机器学习，最初经历浅层机器学习阶段，该阶段主要采用支持向量机（supportvectormachine，SVM）、Boosting和最大熵方法等。近年来，一些学者对水果识别分类进行研究，李大华等人[1]采用SVM分类器对果蔬纹理特征进行分类;KuangHL等人[2]利用全局颜色直方图、局部二值模式（localbinarypatterns，LBP）、方向梯度直方图（histogramofgradient，HOG）和基于Gabor小波（GaborLBP）的LBP多特征融合，提高水果识别。根据交叉验证精度选择最优块，但也提升了计算的复杂难度。深度学习是建立类似大脑的神经网络，在大数据中自主提取特征，其中基于卷积神经网络（convolutionalneuralnetwork，CNN）模型和深度置信网络（deepbeliefnetwork，DBN）模型的水果识别算法取得很好的效果[34]。由于传统的浅层学习在训练方面受经验的限制，而深度学习模型的计算对硬件资源要求较高。因此，为避免对硬件资源较高的要求，同时追求高效、准确的效果，本研究引入一种基于粒子群优化算法优化的BP神经网络算法（improvedparticleswarmoptimization-backpropagation，IPSO-BP）的方法，实现水果识别中的评估。与传统方法相比，PSO优化的BP神经网络算法，具有更高的识别精度和更快的识别速度。该研究在果品质量、安全评估及消费和储藏中更具适用性。

1K均值图像分割

水果图像在进行目标体分割和特征提取过程中，易受噪声影响，进而带来误差，因此在对水果图像分割之前进行预处理，最大程度的保留有效信息。

图像分割是对整个图像内容中感兴趣的区域实现标记的过程，标记的完整性及准确性直接影响目标体的识别结果。K均值算法是基于距离相似性的聚类算法[5]，使用K均值算法的距离相似性原则，对图像像素点实现同类别划分，从而完成图像分割任务。相较于颜色分量之间存在高度相关性[67]的RGB（red，green，blue）颜色空间，选择HSV（hue，saturation，value）颜色空间作为图像信息源，可更大程度得到目标体的有效信息。HSV颜色分量直方图分布如图1所示。图中，H和S包含图像的彩色信息，V包含图像的亮度信息。

在对BP神经网络进行优化过程中，用粒子代表神经网络中的权值和阈值，以均方误差，即粒子适应度值最小作为寻优目标，在更新迭代中找到最优解。

使用Griewank基准测试函数，对标准的PSO和优化的PSO在迭代600次过程中最佳适应度值进行比较，Griewank函数测试结果如图8所示。由图8可以看出，IPSO在迭代前期，收敛速度加快;迭代后期，平