本文作者：仇阿根、熊利榮、趙陽陽 單位：中國測繪科學研究院、武漢大學資源與環境科學學院、華中農業大學工學院

花生仁的外衣完整性檢測是一種模式識別。根據影響花生仁外衣完整性的顏色特征參數，對花生仁外衣完整性進行識別。在神經網絡運用領域里，算法的確定無法用一個完全標準，主要是靠經驗來選擇的?；谝陨显?，花生仁外衣完整性檢測神經網絡的設計算法選擇BP算法［9］，該算法能實現輸入與輸出之間的非線性映射，對于樣本數量有限的情況也同樣適用。一個典型的BP網絡結構如圖3所示。BP神經網絡通常具有多個隱含層。本文中，隱層神經元采用Sigmoid型傳遞函數，輸出層采用logsig型傳遞函數?；ㄉ实耐庖峦暾詸z測是一種模式識別。根據影響花生仁外衣完整性的顏色特征參數，對花生仁外衣完整性進行識別。在神經網絡運用領域里算法的確定無法用一個完全標準的算法確定，主要是靠經驗來選擇的?；谝陨显?，花生仁外衣完整性檢測神經網絡的設計算法選擇BP算法。一個典型的BP網絡結構(如圖3所示)通常具有一個或多個隱層。其中，隱層神經元通常采用Sigmoid型傳遞函數，而輸出層神經元則采用logsig型傳遞函數。

BP識別系統是以BP神經網絡分類器［10］為核心的系統，系統設計如圖4所示。BP神經網絡分類器由一個BP網絡訓練子系統生成得到，圖像由CCD攝像頭獲得后，由圖像采集卡數字化輸入計算機，提取特征區域獲得顏色特征參數，這些參數輸入BP網絡即可得到分類結果。影響花生完整性的顏色特征參數為H，I和S，因此輸入層節點數等于3;網絡的輸出有兩種情況，即完好與破損，因此輸出層有2個節點;對應于完整和破損這兩種判斷結果，分別用2位二進制編碼為10和01。隱含層的節點數的確定非常重要，數目過少，網絡將不能建立正確的判斷界，使網絡訓練不出來或不能識別以前沒有的樣本，且容錯性差;而節點數目過多，學習時間長，使網絡的泛化能力降低。本文通過多次反復訓練網絡，確定隱含層節點數目為40。本研究采用Matlab軟件及其神經網絡工具箱來實現網絡建模。在神經網絡工具箱中，對神經網絡的名稱、類型、結構和訓練函數等參數進行設置，如表1所示。

建立了BP神經網絡并對網絡進行初始化后，就可對網絡進行訓練了。將訓練步數設為500步，將訓練目標誤差goal參數設置為0．01，結果如圖5所示。圖5中，橫坐標表示本網絡的預置訓練步數，縱向坐標表示本網絡的預置訓練誤差，水平橫線表示期望的目標誤差，誤差變化曲線如圖5所示。由圖5可知，當網絡訓練到170步時，網絡誤差已經達到期望的目標值0．01，訓練即可停止。

本文采用BP神經網絡與計算機視覺技術相結合的手段，建立了一個花生外衣完整性判別系統。實驗證明，判別準確率達到87．1%。此系統很容易推廣在其他農產品的檢測中，只需要改變輸入和輸出樣本數據，重新訓練一下BP網絡，即可投入使用。因此，將BP神經網絡運用到農產品的品質檢測過程中，具有巨大的潛力和廣闊的應用前景。但必須指出的是，此方法高效可行，整個訓練過程只用了6s，且本研究建立在靜態實驗環境下，生產效率依然很低。如果要將此實驗結果運用生產實際，必須設計出配套的硬件分級設備，這將是后續研究的重點。