基于极限学习与蜻蜓算法的小麦碰撞声信号检测与识别

马彧廷，郭敏

（陕西师范大学 计算机科学学院，陕西 西安　710062）

基于极限学习与蜻蜓算法的小麦碰撞声信号检测与识别

马彧廷，郭敏

（陕西师范大学 计算机科学学院，陕西 西安710062）

虫害损害大量储粮，长期食用虫蛀粒小麦会造成营养不良，甚至诱发疾病，因此对受损粒小麦的检测工作刻不容缓。本文提出一种新的基于碰撞声的方法结合极限学习机与蜻蜓优化算法检测小麦虫蛀粒与发芽粒。从时域频域两方面提取信号特征，包括：时域短时窗口最大幅值与方差、峭度、3阶Rényi熵、功率谱均方根。随后采用极限学习机进行分类，并用蜻蜓算法优化相应参数。实验结果显示，93%的完好粒、95%的虫蛀粒及87%的发芽粒被正确识别，表明了本文所提出算法对受损粒小麦检测的有效性。

碰撞声学；极限学习机；蜻蜓优化算法；受损麦粒；识别检测

小麦中存在一定数量的受损麦粒，其中主要包括虫蛀粒与发芽粒，这些受损麦粒将影响面粉质量。在麦粒收获季节，当含水量较高时，麦粒容易发芽，形成发芽粒。对于虫蛀麦粒，害虫会损害大量储存小麦［1］。长期食用受损粒小麦会造成营养不良，甚至诱发疾病。因此，对受损粒小麦的检测工作刻不容缓。先前研究者采用X射线成像、幼虫蠕动与咀嚼声检测、二氧化碳检测等方法来检测虫蛀粒小麦。然而，由于这些方法具有操作缓慢、设备昂贵、劳动密集等缺点，使之不能定量检测虫蛀粒小麦。2005年，Pearson等人率先采用基于碰撞声的方法检测虫蛀粒小麦，提取碰撞声信号的时域及频域特征，检测完好粒与虫蛀粒小麦的识别率分别为87.4%、85%［2］。为提高识别率，2007年，Pearson等人将之前的方法加以改进，采用四种不同方法提取碰撞声信号特征，获得完好粒与虫蛀粒小麦的识别率分别为98%、87%［3］。2008年，Ince等人采用一种新的时频分析方法处理小麦碰撞声信号，从虫蛀粒、蛹粒、结疤粒中分拣完好粒的识别率分别为96%、82%、94%［4］。基于碰撞声的方法除了用于小麦检测工作，也被用于检测开心果［5-7］、榛子［8］等农作物。

文中提取碰撞声信号的时域及频域特征，结合极限学习机与蜻蜓算法对完好粒、虫蛀粒与发芽粒小麦进行分类，较好地识别了受损粒小麦，为小麦及其他农作物分拣提供依据。

1　实验装置

图1为小麦碰撞声信号采集装置，该装置由振动给料机、碰撞钢板、麦克风和装有声卡的计算机组成。通过对比多次实验效果，最终确定麦粒的掉落高度为50 cm，碰撞钢板的规格为24×11×0.06 cm，为避免麦粒掉落碰撞钢板后发生反弹，设定碰撞钢板的倾角为60度。实验所用麦克风是SHUREBG 4.1，用于采集麦粒碰撞钢板后产生的碰撞声。900粒麦粒被用于实验，包含完好粒、虫蛀粒、发芽粒各300粒。通过振动给料机，一堆麦粒被转化为一纵行麦流，自由落下并撞击碰撞钢板，随后麦克风采集碰撞声信号并将其传输给带有声卡的计算机，声卡对采集的碰撞声信号进行模数转换，信号采样频率为48 kHz，模数转换为18 bits。经模数转换后的信号被保存在计算机内，用于后续处理。

图1　实验装置图解Fig.1　The schematic of experimental apparatus

2　方　法

2.1数据处理与特征提取

本文对每类小麦原始碰撞声信号，从最大幅值前20个采样点起，取连续的5 120个采样点作为预处理后信号。完好粒、虫蛀粒及发芽粒小麦碰撞声信号时域图及其Welch功率谱密度图如图2所示，从图中可以看出，完好粒小麦碰撞声信号的最大幅值相对较大，且与虫蛀粒和发芽粒相比，完好粒小麦碰撞声信号在衰减过程中具有更大波动，表现出更不平稳的衰减趋势，这与不同类小麦内部结构特性的差异及它们与碰撞钢板的共振效果不同有关。为更好描述上述特性，本文提取以下特征作为判别特征：1）时域短时窗口方差与最大幅值。选取短时窗口大小为512个采样点，相邻窗口间256个采样点重叠。因此，对每个信号提取19个短时幅值特征及19个短时方差特征。2）峭度。由于三类小麦碰撞声信号在衰减过程中表现出不同的波动特性，而峭度能很好表征信号的分布特性，故选取峭度作为判别特征之一。3）3阶Rényi熵。Williams等指出，3阶Rényi熵能够衡量信号的复杂度。相对于完好粒小麦而言，虫蛀粒小麦与发芽粒小麦的碰撞声信号表现出更平稳的衰减趋势，因此它们的信号复杂度较大，Rényi熵也较大。4）功率谱均方根，能够反映信号频域的能量特性。

图2　完好粒、虫蛀粒、发芽粒小麦碰撞声信号及其对应Welch功率谱密度展示Fig.2　Impact acoustical signals as well as the corresponding Welch power spectral density representations from an undamaged wheat kernel，an insect-damaged wheat kernel（IDK），and a sprouted-damaged wheat kernel

2.2极限学习机与蜻蜓算法理论

2.2.1极限学习机

2004年，黄等人证明了前向神经网络收敛缓慢，他们提出了一种新的算法称为极限学习机（ELM），它是一种基于单隐层的前向神经网络，通过随机选择单隐层前向神经网络的权值决定输出权值［9］。与传统学习算法如BP神经网络相比，极限学习机具有非常快的学习速率，与此同时拥有较好的泛化性能。ELM算法概括如下：

1）给定一个训练样本S=｛（x1，t1），…，（xN，tN）｝，激活函数G（x）以及隐层结点数L。

2）随机选取隐层结点参数ωi，bi（i=1，2，…，L）。

3）计算输出权值β。

这里，H是隐层输出矩阵，N为训练样本数，I是单位矩阵，T是目标向量。正值C加入对角阵HHT或HTH能够使之获得更好的泛化性能［10］。

表1　所提取判别特征及相应公式展示Tab.1 The extracted discriminant features with the corresponding equation representations

2.2.2蜻蜓算法

2015年，Mirjalili提出一种新的群智能优化算法，称为蜻蜓算法（DA）［11］。该算法来源于蜻蜓的静态和动态群智能行为，对蜻蜓的航行、寻找食物、逃避敌人等行为进行数学建模。Mirjalili证明了对于一个给定问题，蜻蜓算法能有效改善初始随机种群，能够收敛至全局最优解，与其他已知优化算法相比具有竞争优势。蜻蜓算法思想如下：

1）更新蜻蜓位置向量Si，Ai，Ci，Fi，Ei。这里Si，Ai，Ci，Fi，Ei分别表示分离、排队、结盟、接近食物及逃避敌人行为的位置向量。

2）计算步长向量

这里s，a，c，f，e，ω分别为对应权值。

3）更新位置向量

有邻居时，

无邻居时，

这里，t是当前迭代，d是位置向量维数。Le′vy函数为：

r1，r2分别是［0，1］内的随机数，β为常数。

3　实验结果

文中对每类小麦碰撞声信号提取41个特征作为判别特征，包括：19个时域短时窗口方差、19个时域短时窗口最大幅值、峭度、3阶Rényi熵及功率谱均方根。随后，采用极限学习机（ELM）进行分类识别。对于极限学习机，由于正值能够使之获得更好的泛化性能，故本文采用一种新的优化算法——蜻蜓算法对ELM中的参数C进行优化及对隐层结点数进行选择，蜻蜓算法参数设置如下：蜻蜓数为5，C值与隐层结点数下限为1，上限为400。本文采用5折交叉验证的整体识别率作为蜻蜓算法的适应度函数。图3分别展示了在50、100 和400次迭代次数下的适应度曲线及蜻蜓轨迹，可以看出，当迭代次数超过100时，算法基本收敛。根据最优交叉验证率下的C值与隐层结点数，本文选取C值及隐层结点数分别为324、296，选取sigmoid函数作为ELM激活函数。采用完好粒、虫蛀粒及发芽粒小麦各200粒训练、各100粒测试，实验结果如表2所示，从中可以看出，93%的完好粒、95%的虫蛀粒及87%的发芽粒被正确识别，表明文中所提出的方法可有效识别受损粒小麦。

为进一步探究本文所提出方法的有效性，实验对比了未经参数优化的ELM、经典的BP神经网络与支持向量机（SVM），实验结果表明，文中所提出方法能够获得更高平均识别率，这主要归因于所提取特征的有效性、ELM良好的泛化性能及蜻蜓算法在解目标优化问题方面的优势。

图3　不同迭代次数下适应度曲线及蜻蜓轨迹Fig.3　The fitness curve and the track of dragonflies in various iterations

4　结　论

文中提出一种新的基于碰撞声的方法结合极限学习机与蜻蜓优化算法检测受损粒小麦。从时域频域两方面提取信号判别特征，采用极限学习机进行分类，并用蜻蜓算法优化极限学习机参数。实验结果表明，本文所提出算法能有效检测受损粒小麦，为小麦或其他农作物分拣提供依据。

表2　本文所提出方法对三类小麦的分类结果Tab.2 Classification results for three types of wheat kernels by using the proposed method

表3　不同分类方法的实验结果Tab.3 Experimental results for various classification methods

［1］GUO Min，SHANG Zhi-yuan，SHI Huan-wen.Sound absorption measurements of various types of grain［J］.Acta Acustica united with Acustica，2005，91（5）:915-919.

［2］Pearson T C，Cetin A E，Tewfik A H.Detection of insect damaged wheat kernels by impact acoustics［C］//Proceedings of IEEE International Conference on Acoustics，Speech，and Signal Processing.Philadelphia:［s.n.］，2005:649-652.

［3］Pearson T C，Cetin A E，Tewfik A H，et al.Feasibility of impact-acoustic emissions for detection of damaged wheat kernels［J］.Digital Signal Processing，2007，17（3）:617-633.

［4］Ince N F，Onaran I，Pearson T C，et al.Identification of damaged wheat kernels and cracked-shell hazelnuts with impact acoustics time-frequency patterns［J］.Transactions of the ASABE，2008，51（4）:1461-1469.

［5］Omid M.Design of an expert system for sorting pistachio nuts through decision tree and fuzzy logic classifier［J］.Expert Systems with Applications，2011，38（4）:4339-4347.

［6］臧富瑶，冯涛，王晶，等.基于碰撞声的开心果分拣技术研究［J］.农产品加工，2014，1（11）:65-67.

［7］臧富瑶，冯涛，王晶，等.基于撞击声的开心果分拣模型研究［J］.食品与机械，2015，31（2）:157-160.

［8］Cetin A E，Pearson T C，Sevimli R A.System for removing shell pieces from hazelnut kernels using impact vibration analysis［J］.Computers and Electronics in Agriculture，2014 （101）:11-16.

［9］HUANG Guang-bin，ZHU Qin-Yu，Siew C K.Extreme learning machine:Theory and applications［J］.Neurocomputing，2006，70（1）:489-501.

［10］Hoerl A E，Kennard R W.Ridge regression:Biased estimation for nonorthogonal problems［J］.Technometrics，1970，12 （1）:55-67.

［11］Mirjalili S.Dragonfly algorithm:a new meta-heuristic optimization technique for solving single-objective，discrete，and multi-objective problems［J］.Neural Computing and Applications，2015：1-21.

Detection and classification of damaged wheat kernels based on extreme learning and dragonfly algorithm using impact acoustical signals

MA Yu-ting，GUO Min
（College of computer science in Shaanxi Normal University，Xi′an 710062，China）

Insects will destroy significant amounts of stored grain，and long-term feeding on damaged wheat kernels will result in malnutrition，even induce diseases，therefore，the work of detection of damaged wheat kernels is of great urgency.In this paper，a novel method based on impact acoustics combining extreme learning machine（ELM）with dragonfly algorithm was proposed for detection of insect-damaged wheat kernels（IDK）and sprout-damaged ones.Discriminant features，including the maximum amplitudes and variances in time-domain short-time windows，kurtosis，the third-order Rényi entropies and the mean square roots of power spectrum，were extracted both from the time-domain and frequency-domain.Subsequently，ELM was used for classification with dragonfly algorithm for parameter optimization.The experiment results demonstrated that 93.0% of undamaged wheat kernels，95.0%of insect-damaged wheat kernels and 87.0%of sprout-damaged ones were correctly detected，which indicated the effectiveness of the proposed algorithm for detection of damaged wheat kernels.

impact acoustics；extreme learning machine；damaged wheat kernels；detection

TN0

A

1674－6236（2016）05-0008-04

2015-11-01稿件编号：201511002

国家自然科学基金资助项目（10974130）

马彧廷（1990—），男，新疆北屯人，硕士研究生。研究方向：信号处理与模式识别。