基于智能算法的鲜切花质量等级评价系统研究

钱晔 彭琳 杨婷娜 沈颖鸣 韦翌 孙吉红

摘要：针对不同等级的鲜切花价格差别较大且同一地区、相同种植面积的种植户种植收入差距较大的现象，设计基于智能算法的云南省鲜切花质量等级评价系统。首先采用GRNN神经网络算法构建基于智能算法的鲜切花质量等级评价模型，然后构建包括用户层、展示层、应用层、支撑服务层、数据层在内的鲜切花质量等级系统模型架构，将智能预测模型引入框架中，设计了基于智能算法的鲜切花质量等级评价系统。该系统的实施将为鲜切花种植企业、花农等提供种植优质鲜切花的模型，为科研人员提供对鲜切花质量等级的研究提供重要依据。

关键词：智能算法;质量;等级;评价

中图分类号：S68         文献标识码：A

文章编号：0439-8114（2018）22-0132-04

DOI：10.14088/j.cnki.issn0439-8114.2018.22.036           开放科学（资源服务）标识码（OSID）：

Abstract： Prices of different grades of fresh cut flowers are quite different，resulting in the income gap among planting households in the same area and with the same planting area. This paper designs a quality evaluation system for fresh cut flowers in Yunnan based on intelligent algorithms：Using GRNN neural network algorithm to construct a fresh cut flower quality level assessment model based on intelligent algorithms，and then to construct a fresh cut flower quality level systematic model including user layer，presentation layer，application layer，support service layer，and data layer. Within the framework of the fresh cut flower quality level system model，the intelligent forecasting model was introduced into the framework，and a fresh cut flower quality rating system based on intelligent algorithms was designed. The implementation of such system will provide models for quality fresh cut flowers for fresh-cut flower planters and farmers，providing scientific research personnel with an important basis for the study of quality grades of fresh cut flowers.

Key words： intelligent algorithm; quality; grade; evaluation

随着经济社会的不断发展，人们的物质生活水平不断提高，对鲜切花的需求量增加，更加追求视觉和心灵的享受。然而，在鲜切花进入千家万户的同时，关于鲜切花质量问题已成为花农、鲜切花生产企业最为关心和关注的问题，其直接影响了花农及鲜切花生产企业的生存。目前，世界多个国家和地区已经建立了相对规范的食品质量安全追溯体系，但中国在这方面着手较晚[1-4]。鲜切花属于特殊的农产品，由于鲜切花不用于食用而是观赏，并未受到各地政府的重视。无论是政府、企业、科研院所对鲜切花质量、品质问题的重视程度都远远低于食用性农产品的程度。云南省鲜切花的年产量已经超过了80亿枝，成为亚洲最大的鲜切花生产基地，面对如此巨大的数量，仅靠内销将远远不能满足巨大的生产量，出口成为了云南鲜切花产业面临的机遇及挑战，仅日本每年的菊花进口就达到了1亿枝，并不断地增长。虽然，云南省鲜切花产业具有巨大的市场，但出口的鲜切花在质量、品质等方面的要求更高。若生产的鲜切花品质不够好，将面临滞销、生产相对过剩等问题。因此，保证鲜切花品质成为了现今鲜切花产业的重中之重。

1  多层次的分布式体系架构设计

从保证鲜切花品质的角度出发，对云南省鲜切花生产环节进行解剖，考虑到鲜切花的生产链具有多个角色参与，并且各个角色分布在不同地域，为增强鲜切花质量评价体系的实用性，系统采用面向服务的体系架构[5]，将系统分为用户层、展示层、应用层、支撑服务层、数據层，具体架构如图1所示。

1.1  用户层

指对云南省鲜切花质量等级系统具有明确需求的用户类型，主要包括花农、鲜切花生产企业、买家、管理员及其他用户，系统根据不同的用户，设置不同的用户权限。

1.2  展示层

主要是构建基于智能算法的鲜切花质量等级评价系统的门户网站。作为一个具有强大人机交互功能的信息系统，对不同用户设置了不同的权限。管理员作为一级管理权限的用户，可以查看所有的信息、删除信息、添加用户、发布信息。花农、企业作为二级用户，只要其提供足够信息量，将获得管理的部分权限，可以根据自己种植的鲜切花品种，在系统中测试一定量的施肥、浇水、喷洒农药量，种植出的鲜切花，在不同等级的数量。买家作为第三级用户，根据具体的需求定制、具体的方案，缴付一定金额的费用可以得到相关的数据。其他用户可以浏览网站公开展示的部分信息，以便成为二级或三级用户。

1.3  应用层

针对云南省鲜切花质量等级评价系统的关键节点和关键性内容，按照鲜切花种植的全流程，将系统划分为4个模块，主要包括了种植管理、品质管理、交易管理、智能预测管理4个模块。种植管理模块，以云南省鲜切花市场为主要研究对象，针对云南省鲜切花种植品种多、种植量大的特点，分别构建月季、菊花、香石竹、唐菖蒲、非洲菊、百合、菊花、彩玫的质量等级预测模型，然后构建鲜切花质量等级评价信息系统，系统中花农（鲜切花生产商）提供种植过程中鲜切花施肥、浇水、喷洒农药量以及种植后可采摘的鲜切花的不同等级的数量，作为数据收集的主要功能模块。品质管理模块主要是由花农、企业将种植的鲜切花根据不同种类鲜切花的分类要求进行分类，统计不同等级鲜切花的数量和所占的比例，并提交系统。交易管理模块，管理员收集昆明斗南国际花卉市场中各类鲜切花每天拍卖的最低价、最高价及平均价格，以价格曲线的形式展示，免费向二级用户开放。智能预测管理模块，从花农（鲜切花生产商）的需求出发，以鲜切花质量等级预测精度为切入点，以鲜切花种植过程中的施肥、浇水、喷洒农药量为主线，通过GRNN人工神经网络算法对鲜切花种植阶段的流程进行剖析，构建基于智能算法的鲜切花质量等级预测模型，然后搭建鲜切花质量等级预测的信息系统，为花农、企业、买家以及其他用户提供精准的信息。

1.4  支撑服务层

主要是通过SOA整合整个平台，为设计基于智能算法的鲜切花质量等级评价系统提供技术服务支撑，主要技术包括面向对象的构架、组件服务、数据同步、Matlab平台、网络通讯能力服务、工作流引擎、权限管理、神经网络算法等。

1.5  数据层

数据是支撑整个信息系统运行的基础，通过花农和鲜切花生产商提供的数据，作为智能预测模型的测试数据，构建鲜切花质量等级评价系统，服务于花农和鲜切花生产商。当花农（鲜切花生产商）提供的数据不断增加，直接效果就是鲜切花质量等级评价模型的预测准确率不断提高。数据层主要是数据的存储，数据信息包括各类鲜切花种植过程中提供的浇水量、施肥量、喷洒农药量、各类鲜切花每日的成交量以及成交的价格。

2  系统的设计

2.1  鲜切花质量等级评价系统的业务流程设计

系统设计了种植管理、品质管理、交易管理、智能预测管理4个模块，全面覆盖鲜切花种植阶段及质量等级预测等方面的需求，以此满足花农（鲜切花生产商）种植的需求;同时，根据花农、鲜切花生产商提供的数据，不断增加智能模型的测试数据，将不断提高模型的预测率，形成一个功能互补的信息系统，为建立云南省鲜切花大数据中心提供参考依据，具有实用价值。

2.1.1  构建基于智能算法的鲜切花质量等级评价模型  整个系统主要是建立在基于GRNN人工神经网络算法构建鲜切花质量等级预测模型的基础上。首先，通过筛选人工神经网络中多种不同的算法，确定最适合的算法;然后，根据试验数据及选择的人工神经网络算法，在Matlab平台下构建智能预测模型。

2.1.2  构建管理信息系统  首先，根据已经建立的智能模型进行预测，将预测结果作为构建管理信息系统的基础;然后，搭建基于智能算法的鲜切花质量等级评价系统，该信息系统构建主要的目的就是收集数据，然后向数据提供方提供服务（主要是通过智能预测模型预测的结果提供给数据提供方进行参考）。而整个项目的运行费用是将鲜切花质量等级评价模型的评估结果，通过信息系统销售给需求方支撑整个系统的运行。

2.2  鲜切花质量等级评价模型的设计

信息系统的核心部分就是鲜切花质量等级评价模型的设计及运行。收集数据，对数据进行分析处理，最后采用智能算法构建质量等级评价模型。

2.2.1  核心技术的选择  大数据时代的来临，将人工神经网络算法重新推向了运用研究的高峰，采用Matlab平台对已有数据进行分析整理，采用数据分析算法将已有数据进行归一化、剔除异常数据处理，保证数据的准确性及低冗余性，采用神经网络算法构建智能预测模型。

GRNN人工神经网络算法作为弥补BP人工神经网络算法在模型预测中会出现锯齿形现象，使得BP算法预测准确率较低的现象;而且GRNN人工神经网络算法是一种高度并行径向基网络，是一种训练速度快、预测结果准确度高的算法，包括了输入层、模式层、求和层、输出层的4层网路结构，对于构建质量等级评价模型具有可行性、实用性。具体算法如下[5-11]：

一是输入层。输入层中神经元的数量与学习样本中的输入向量的维数相同，并且输入变量直接传输至模式层中。

二是模式层。模式层中学习样本的数量与输入层中输入的神经元数量相同，输入的不同神经元与不同样本一一对应。

三是求和层。求和层中将计算输入样本与对应神经元之间的距离。

四是输出层。输出层中学习样本与神经元数量相等，同时将上一层中神经元加权求和除以神经元输出求和，得出网络输出值。

2.2.2  模块的设计  基于GRNN人工神经网络算法的鲜切花质量等级评价模型，主要针对花农（鲜切花生产商）从种植鲜切花到鲜切花采收阶段，分阶段统计，每天给一定种植面积的鲜切花施肥、浇水、喷洒农药量，然后将统计的数据进行归一化处理，剔除异常數据，得到试验一组的数据，采摘鲜切花后，根据鲜切花的质量等级标准，将鲜切花进行分类，统计一级花、二级花、三级花、四级花的数量，以上数据作为试验一组数据;在温度、湿度、种植面积不变的情况下，增加、减少鲜切花施肥、浇水、喷洒农药量，统计得到第二、三组试验数据。以此类推，得到第四、五、六…二十组数据。

通过GRNN人工神经网络算法构建鲜切花质量评价模型，将二十组数据作为测试数据输入模型中，构建鲜切花质量等级评价模型。模型构建完成之后，花农（鲜切花生产商）在种植鲜切花的过程中，将预计的施肥、浇水、喷洒农药量输入模型中，模型的输出结果将较为准确地预测该批鲜切花在种植面积一定的情况下，收获不同等级的鲜切花数量。该模型在数据输入阶段采用的鲜切花品种，决定了该质量等级评价模型的实用范围。技术路线如图2所示。因此，针对基于智能算法的鲜切花质量等级评价系统，必须针对市场中常用的鲜切花品种，构建不同鲜切花的质量等级评价系统，便于网站的应用及用户的需求。

3  小结

人工神经网络算法作为智能算法的重要组成部分，随着大数据的发展重新成为业界关注的重点。目前，主要将传统的BP人工神经网络算法进行改进，避开其缺陷，提供预测的准确率;在实际应用方面，将人工神经网络算法与农业生产生活相结合，已成为农业信息技术，可为农业生产提供准确的参考依据。

鲜切花质量的高低将成为云南鲜花是否能立足于全国乃至全亚洲鲜切花市场的主要依据。随着云南省鲜切花出口量不断增加以及冬季全国稀缺鲜切花的现状，采用智能算法构建鲜切花质量等级评价系统，为鲜切花生产商、花农提供一个种植高等级鲜切花的可靠依据，为科研人员研究提供参考，实现农业信息化、产业化奠定基础。

参考文献：

[1] 张  强，郁寅良，王春生，等.苏州市蔬菜质量安全追溯系统构建及应用[J].上海农业科技，2011（1）：25-26.

[2] 于海军.北京市农产品质量追溯系统的实现与研究[D].天津：天津大学，2011.

[3] 杨信廷，钱建平，孙传恒.蔬菜安全生产管理及质量追溯系统设计与实现[J].农业工程学报，2008，24（3）：162-166.

[4] 刘雪梅，章海亮，刘燕德.农产品质量安全可追溯系统建设探析[J].湖北农业科学，2009，48（8）：2001-2003.

[5] 李偲钰.基于物联网的乳制品追溯系统研究与开发[J].农业网络信息，2014（5）：21-24，29.

[6] 张德丰.MATLAB神经网络应用设计[M].北京：机械工业出版社，2009.

[7] 董长虹.Matlab神经网络与应用[M].北京：国防工业出版社，2005.

[8] 丛  爽.面向MATLAB工具箱的神经网络理论与应用[M].合肥：中国科学技术大学出版社，2009.

[9] 杨淑莹.模式识别与智能计算Matlab技術实现[M].北京：电子工业出版社，2008.

[10] 张良均，曹  晶，蒋世忠.神经网络实用教程[M].北京：机械工业出版社，2008.

[11] MATLAB中文论坛.MATLAB神经网络30个案例分析[M].北京：北京航空航天大学出版社，2010.