基于BP神经网络的小麦碰撞声信号分类

摘要：小麦在储藏阶段由于各种灾害导致损失巨大，并降低了面粉质量，及时检测并分离小麦的受损颗粒迫在眉睫。文章以提取4类小麦碰撞声信号为基础，使用数字信号处理方法对小麦完好粒、虫害粒、霉变粒及发芽粒的碰撞声信号提取有效特征，最后利用BP神经网络进行分类，对于3类小麦类型的识别取得了较好的识别率。应用结果表明BP神经网络能够较好地实现区分受损小麦颗粒与完好小麦颗粒。
关键词：检测方法；碰撞声信号；BP神经网络

粮食收获后，由于各种虫害或自然灾害导致的损失非常巨大。只有准确地检测出受损颗粒，才能做到有目的的防治，所以发展和提高对小麦受损颗粒的检测方法及结果，至关重要。传统的储粮害虫检测法有取样法和诱集法，随着检测技术的发展，又出现了声测法、近红外光谱法、X射线法、电导法、微波雷达法、图像识别法和电子鼻法等，这些方法各有其优势和一定的局限性。基于声特征的储粮害虫检测方法由于其无损、方便、价格低廉、快速等优点正逐渐被广泛应用，在各种储粮害虫声检测方法中，基于碰撞声信号的检测方法正开始被应用于各种害虫检测和粮食受损颗粒的分类中。
人工神经网络的本质类似于人脑神经结构，并利用其神经元进行信息处理的数学模型，它能够模拟生物神经网络对真实世界物体所做出的交互反映。人工神经网络的研究始于20世纪40年代，由于其具有分布并行处理、非线性逼近能力、自适应学习和较好的容错性，经过70多年的发展，受到众多领域专家学者的关注，并已应用于模式识别、人工智能领域、控制工程领域、优化计算和联想记忆和信号处理等领域。
文章使用碰撞声检测系统录制小麦完好粒、虫害粒、霉变粒以及发芽粒的碰撞声信号，使用数字信号处理方法对声音信号进行预处理、特征提取，并使用BP神经网络对4类声音进行分类识别，对其中3类小麦颗粒的分类取得了令人满意的效果。实验结果显示：BP神经网络具有运算速度快、识别率高、算法简单等优点。

1 小麦碰撞声识别系统的基本结构
图1为基于BP神经网络的小麦碰撞声识别系统的结构。将小麦完好粒、虫害粒、霉变粒以及发芽粒分别逐粒通过碰撞声装置，同时麦克风放大碰撞声音，计算机录制碰撞声信号，并对原始信号进行一系列预处理操作，包括对原始声音信号进行去噪、截取等处理。随后使用适当的特征提取方法分别提取4类麦粒的特征参数，使用BP神经网络分类得到识别结果，最后输出结果。

2 BP神经网络的原理
BP神经网络通常为多层前向神经网络的结构形式，其神经网络算法也叫误差反向传播算法，属于有导师的学习算法。BP神经网络的拓扑结构包括3层，分别是：输入层、隐藏层和输出层。输入层接收输入向量，输入层神经元获取外部输入的信息传送至中间层即隐藏层，隐藏层至少包含1层，也可包含2层或3层等，输出层接收隐藏层传送的信息，并输出仿真结果。图2显示了一个典型的3层BP网络的拓扑结构。

BP神经网络信息的传播过程分为正向传播和反向传播2个过程，其基本思想是：输入层神经元获取外部输入的信息，将其传送给中间层各神经元，中间层各神经元将接收到的信息进行变换处理，再由最后一个中间层将信息传送给输出层各神经元，完成信息的一次正向传播过程；将输出层的实际输出与期望的输出值进行比较，如果二者的误差值不在预期的误差范围内，则进行误差反向传播，由输出层通过梯度下降方式调整各层的联接权值和阈值，向中间层和输入层逐层反传误差；不断循环正向传播和反向传播，即神经网络的学习训练过程，直到实际输出值和期望输出值的误差达到预先设定的要求。

3 试验方法
3．1 声音数据
利用BP神经网络对小麦颗粒进行分类时，首先需要充足的样本，即充足的小麦颗粒信号样本，实验所需样本均来自西安市长安区大居安村某农户粮仓。同时还需要从样本中尽可能多地提取相应的有效特征数据。为了监控训练过程避免网络发生“过拟合”，同时提高所建立的网络模型的推广、识别能力，需将实验数据随机分为训练样本和验证样本。本实验共录制小麦碰撞声信号600个，其中小麦完好粒、虫害粒、霉变粒和发芽粒的碰撞声样本各150个，每类小麦样本取100个作为训练样本，剩余未参与训练的50个样本作为验证样本。
3．2 网络结构
BP神经网络的输入变量数目要依据专业知识及经验来确定。先选用2至3个特征尝试对样本进行分类，如果识别效果不理想，可继续寻找有效的特征直至达到理想的识别率为止。输出变量可以是一个，也可以是多个。
由于BP神经网络的隐层一般采用Sigmoid传递函数，为了提高训练速度、灵敏性和方便计算，并且有效避开Sigmoid函数的饱和区，防止部分神经元达到过饱和状态，一般情况下，要求输入数据的值介于。因此在训练网络前，对输入数据进行预处理。Matlab中自带多个归一化函数：premnmx、prestd等。还可编写归一化公式，例如：
X=(x(i)-xmin)／(xmax-xmin) (1)
其中，x(i)表示第i个作为输入特征向量，xmin=min(x(i))，xmax=max(x(i))，得到X的范围为[0，1]。文中采用公式(1)对输入特征向量进行归一化处理。
3．3 网络训练
本实验选用具有2个隐层的神经网络，隐藏层的节点数目分别设置为20，10。在输入层用线性函数作为传递函数，在隐层和输出层用非线性双曲正切函数作为传递函数，网络学习率为0．000 1。
不同的输出数据类型决定了网络的输出层节点数目，由于实验中包含小麦完好粒、虫害粒、霉变粒和发芽粒，因此待分类的样本种类为4，对应的输出层的节点数也相应确定为4。文中采用二进制形式表示4类小麦碰撞声信号的仿真结果，令小麦完好粒的对应输出为000 1，虫害粒的对应输出为0010，霉变粒的对应输出为0100，发芽粒的对应输出为1000。
3．4 实验结果
对于4种类型小麦颗粒，BP神经网络的分类识别结果如表1所示，可以看出，分类效果较差，对于实验提取的特征，使用BP神经网络无法得到较好的识别率。

重新选择实验对象，提取小麦完好粒、虫害粒和霉变粒这3类小麦的碰撞声特征，并训练BP神经网络如4．3，得到的识别结果如表2所示。可以看出，此时可以较好地识别同种类小麦的3种不同类型，并且识别率可达到80％以上。说明了通过对小麦碰撞声信号使用恰当数字信号处理方法进行特征提取，并借助BP神经网络可以得到较好的识别率。

4 结论
文中采用小麦碰撞声装置录制小麦完好粒、虫害粒、霉变粒和发芽粒4类麦粒类型的碰撞声信号，结合适当的数字信号处理方法提取信号特征，采用BP神经网络分别对4类麦粒和3类麦粒进行分类识别，由表1和表2可以看出，对于4类麦粒，此方法的识别结果较差。而对于小麦完好粒、虫害粒和霉变粒的碰撞声信号，可以取得令人满意的识别效果，证明此方法可行且有效。
未来可以从以下几个方面对此方法进行改进，以提高识别效果：进一步研究特征提取方法和分类方法；针对识别率较低的四类麦粒类型，考虑结合图像识别方法提高对小麦发芽粒的识别效果；考虑将此方法应用于小麦之外的其他粮食种类，提高多种储粮害虫的识别率。