基于生物光子学的小麦虫害识别模型

史卫亚 ，焦珂珂 ，王艳娜 ，宋红霞 ，梁义涛

（1.河南工业大学 信息科学与工程学院，河南 郑州 450001；2.河南工业大学 粮食信息处理与控制教育部重点实验室，河南 郑州 450001）

0 引言

小麦是我国重要的储备粮食品种，在产后储藏过程中，储粮害虫的为害十分严重，特别是对于隐蔽性害虫，由于其隐蔽性强，检测费时费力.目前，国内外都十分重视对粮食籽粒内隐蔽性害虫检测方法的研究.传统的储粮害虫检测技术大体上可分为3类，即感官检查、取样检查和仪器检查[1].然而这些方法都有各自的局限性：主观性强、操作繁琐、成本较高、测定标准不客观等.生物光子分析技术（BPAT）的出现，为储粮害虫的检测提供了一种新的思路[1].

生物超弱发光（Ultraweak Biolum Inescence）是任何有生命的物质都发射的一种超弱光子流，早在1923年前苏联生物学家G.Gurwith在著名的“洋葱实验”中就已发现了这种现象，并由Colli为首的意大利小组利用光电倍增检测到一些植物幼芽的超微弱发光现象，属于生物光子学的研究范畴[2].生物光子学的研究表明超微弱发光是活体生物的一种普遍生物物理现象，是生命活动状况的一种反应，并且对生命体内部的细微变化非常敏感.生命体处于逆境时，如病变、虫害或受伤等，其生物光子辐射都会发生显著变化[3]，作者就是在这一原理上展开小麦虫害识别研究的.

我国对超弱发光的研究起步较晚，20世纪70年代末期才逐渐活跃起来.主要应用研究包括：种子抗性的选择、粮食霉变检测、种子活性检测、粮食安全和质量检测等诸多方面[4].但在小麦虫害的检测方面研究的比较少，目前还处于尝试阶段.笔者把生物超弱发光与小麦虫害检测结合，提出一种新的小麦虫害检测模型.模型使用超微弱发光测量仪测量多组含虫小麦和正常小麦的自发光数据，通过测试提取数据的各项特征，利用BP神经网络模型对提取的数据向量进行分类，以分辨小麦是否含有害虫.

1 试验方法和模型建立

1.1 BP神经网络

神经网络（Neural Networks，NN）是由大量的处理单元（称为神经元）广泛地相互连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学系统.其主要功能之一就是分类与识别[5-6].基于BP神经网络具有很强的鲁棒性、容错性和自学能力，本文中对于小麦隐蔽性害虫检测模型的构建采用BP神经网络[7-8].

由于试验测得的数据有很大的随机性、复杂性、相关性和非线性等特征，难以对其建立有效的检测模型.BP神经网络通过对这些数据的训练和学习进而形成稳定的非线性检测模型[9]，很好地解决了这一难题.图1是一个典型的3层神经网络结构图.

图1 典型的三层神经网络结构

在图1中，x是神经元的输入，y是隐含层的输出，z是输出层的输出，f是传递函数.每一层都有它的权值矩阵W¯和它的阈值向量θ和r[10].BP网络结构主要由输入层节点数、隐含层节点数和输出层节点数确定[11-12].本试验中，选取3层BP神经网络，网络的传递函数分别采用purelin和logsigmoid型函数.这样可以把输出结果控制在[0，1]之间.

1.2 模型建立

神经网络最重要的一个方面是参数优化，即确定权重和阈值.对于一个3层BP神经网络模型，参数的确定取决于输出节点的平方误差.先计算最后一层的平方误差，然后通过网络的反向传播，利用链式法则，计算隐藏层的平方误差.

隐含层和输出层各节点的输出值为：

然后再求出输入层和隐含层的权值和阈值修正分别为：

最终建立的模型如图2所示.

图2 模型流程图

1.3 试验材料

试验的小麦种子品种为2012年6月收割的矮抗AK58，所染害虫为玉米象，染虫时间为（24～28）d之间.每次测量使用的小麦样品质量为（5.00±0.02）g.

测量仪器采用BPCL-ZL-TGC超微弱发光测量仪（北京建新力拓公司）.分别对含虫小麦和正常小麦进行测量.测量时，先将小麦放入25℃的暗室中处理30 min，以去掉环境光对试验的干扰，然后再放入测量仪中进行测量.测量包括正常小麦和含虫小麦两个测量阶段.测量时间间隔设置为1 s，时间长度为1 800 s，每次测量已减去本地噪声.室内温度为（25±2）℃，测量温度为（26±1）℃，室内湿度为（45±5）%.正常和含虫小麦各测得25组数据，共50组数据.然后把正常小麦和含虫小麦的前15组共30组作为训练样本，把正常小麦和含虫小麦的后10组共20组作为测试样本.图3是所测到的一组样品的自发光子数随时间变化图，从此图很难发现含虫小麦和正常小麦之间的区别.

图3 小麦自发光子数随时间变化图

2 特征提取和数据处理

在使用BPCL-ZL-TGC超微弱发光测量仪对正常小麦和含虫小麦光子数测量后，分别对所测光子数进行特征提取，生成反映小麦特性的特征向量，然后使用提出算法对特征向量进行分类识别.

2.1 特征提取

反映小麦特性的特征主要从3个方面进行测度和描述[13]，见表1.表1中各特征含义如下：位置特征是分布的集中趋势，反映各数据向其中心值靠拢或聚集的程度，包括众数（mode）、中位数（median）、均值（mean）；散布特征，即分布的离散程度，反映各数据远离其中心值的趋势，包括四分位差（quartile deviation）、平均差（mean deviation）、方差（variance）、离散系数（CV）；形态特征，即分布的形状，反映数据分布偏斜程度和峰度，包括偏度（skewness）、峰度（kurtosis）.

表1 反映小麦特性的特征

提取这些特征后，形成反映小麦特性的9组特征向量，因此BP神经网络的输入层节点确定为9个.输出网络节点个数是根据输入层样本集的分类结果来确定的，本试验要把样本小麦分为含虫和不含虫两类，因此输出层网络节点确定为2个.隐含层神经元节点个数参考经验公式——黄金分割法[14]：

式中：N为隐含层节点数，n为输入层节点数，m为输出层节点数.经过计算神经网络的隐藏层节点数设为13个，这样既能满足精度要求，又能尽量减少网络的训练时间.

2.2 分类识别

首先把提取的9组特征向量集归一化到[0，1]之间，设输入向量为 X=（X1，X2，……，X9），输出向量为 Z=（Z1，Z2）.并对输出结果进行二进制编码，含虫小麦编码为Z=[1，0]，正常小麦编码为Z=[0，1].

由于BP算法收敛速度慢，容易陷入局部极值等缺点，采用改进训练函数的方法加以克服.改进的方法主要可以归纳为两类：

a）基于标准梯度下降的改进方法，如自适应lr的梯度下降法（traingda），动量和自适应lr的梯度下降法（traingdx）.

b）另一类是基于标准数值优化的改进方法，如高斯-牛顿法 （trainbfg），Levenberg-Marquardt法（trainlm）.

试验中分别用不同训练函数进行训练，并比较其所用的时间及循环次数.表2是不同训练函数的训练时间及其循环次数.

表2 不同训练算法的时间比较

从表2可以看出，采用标准数值优化的改进方法（trainlm，trainbfg）要比采用标准梯度下降的改进方法（traingda，traingdx）收敛速度更快，更节省时间.图4是采用trainbfg算法的收敛结果，从图4可以看出，当训练循环次数达到第15次时其误差达到0.001以下，达到所要求精度，训练自动结束.

待神经网络训练稳定后，用30组训练样本对网络进行测试.经过测试后误差达为0.000 153，达到了BP神经网络所需的精度要求，说明经过训练的网络完全可以满足隐蔽性虫害检测的要求.载入20组测试样本，部分输出结果如表3所示，若样本输出与理想输出误差在1%内，则分类成功，试验的总正确率达到了95%，试验结果达到预期目标.

图4 采用trainbfg算法的收敛结果

表3 部分测试数据的输出结果

3 结论与展望

针对已有小麦隐蔽性害虫检测方法的不足，笔者对小麦隐蔽性害虫检测方法进行了深入的研究，提出了一种新的小麦隐蔽性害虫的检测方法，通过检测小麦辐射的生物光子，构建特征向量，并使用BP神经网络模型对特征向量进行分类.研究表明，利用生物超弱发光技术能够很好地区分正常小麦和含虫小麦，该方法操作简单，不需要破坏小麦，方法简易，有助于从新的角度了解小麦储藏过程中虫害发生的相关信息.

［1］ 白旭光.储粮害虫检测技术评述［J］.粮食储藏，2010，39（1）：6-9.

［2］ 聂继云，彭运生.生物超弱发光及其应用研究概述［J］.激光生物学报，1998，7（2）:124-130.

［3］ 陈胜，黄楚云，李默然.生物超微弱发光及其应用［J］.黄石理工学院学报，2006，22（4）:82-84.

［4］ 徐树来.不同成熟期番茄及其储藏过程中超弱发光特性的研究［J］.食品科学，2005，26（9）:539-541.

［5］ 樊超，夏旭，石小凤，等.基于图像处理的小麦品种分类研究［J］.河南工业大学学报：自然科学版，2011，32（5）:74-77.

［6］ 毕昆，姜盼，唐崇伟，等.基于麦穗特征的小麦品种BP分类器设计［J］.中国农学通报，2011，27（6）:464-468.

［7］ 曹剑峰，平建华.改进BP神经网络在地下水环境质量评价中的应用［J］.水利水电科技进展，2006，26（3）:21-23.

［8］ 董长虹.Matlab神经网络与应用［M］.第 2版.北京：国防工业出版社，2007：64-106.

［9］ 何胜美，李仲来，何中虎.基于图像识别的小麦品种分类研究［J］.中国农业科学，2005，38（9）:1869-1875.

［14］ 陈明，朱文婷，周汝雁，等.BP神经网络信息融合技术在水质监控中的应用［J］.微计算机信息，2010，26（4）:15-17.

［10］ Han WJ，Li J，Sun NL.A novel fast facerecognition method of two-dimensional principal component analysisbased on BPneural networks［C］//Pacific-Asia Workshop on Computational Intelligenceand Industrial Application，2008:44-48.

［11］ Han J H，Huang D S.A novel BP-based ima-ge retrieval system［C］//IEEE International Symposium on Circuits and Systems.Montreal:Institute of Electronics Engineers Inc，2005:1157-1160.

［12］ Zhao JY，Zheng R R ，Zhang L L，et al.Combined weighted eigenface and BP-based networks for face recognition［C］//5th International Conference on Visual Information Engineering.Xi'an:IEEE Computer Society Press，2008:298-320.

［13］贾俊平.统计学［M］.北京:中国人民大学出版社，2003.