现代农机导航系统设计——基于极限学习机图像智能分类算法

余 华，吴文全

(1.武汉东湖学院 电子信息工程学院，武汉 430212；2.海军工程大学 电子工程学院，武汉 430033)

0 引言

在现代农机导航系统中，机器视觉部分是导航系统的核心。为了实现农机的自主导航，机器视觉部分一般采用图像分割识别技术，对农作物的果实进行自主识别，为了实现这个过程，需要借助相关的智能学习算法。神经网络算法是一种最常用的机器学习方法，其计算精度受到输入输出层和隐含层的权值的影响较大。为了提高神经网络学习算法的计算精度，需要引入极限学习机算法，通过改变权值的设定方式，达到提高计算精度的目的。

1 基于极限学习机算法的定位导航流程

图像识别技术是农机导航视觉设计的核心。与定位导航原理不同，采用机器视觉进行导航时需要对大量图像进行实时处理，以获得果实或者果树的位置坐标。特别是成熟果实的识别，在进行定位时采摘农机需要对成熟度较高的果实进行优先采摘，因此还需要根据颜色特征对图像进行处理，最后根据对成熟果实图像的位置识别实现自主定位。

在农机导航系统中，成熟果实图像的识别是定位导航的核心部分，因此在定位之前首先需要对采集的果实和果树图像进行处理。图像处理可采用极限学习机算法，通过对图像的处理达到图像智能分类的目的，确定成熟果实图像的坐标位置，然后通过采摘农机的路径规划实现农机采摘过程自主定位功能，如图1所示。

图1 基于极限学习机的果实图像识别流程

extreme learning machine

2 极限学习机神经网络算法及其精度测试

神经网络算法是目前最常用的机器学习算法，其效率和精度主要与输入输出层和隐含层之间的权值相关。权值的选取往往需要根据经验来选取，计算精度较低，效率差。如果能实现权值的随机选取，将输入输出层和隐含层的权值计算转换为最小二乘最优解问题，可以有效提高神经网络泛化能力及神经网络学习速度。

图2为基于极限学习机的神经网络算法基本模型。神经网络算法是图像分割识别的重要算法，假设在进行神经网络训练时有N幅图像数据样本，输入和输出样本数据分为

xi=[xi1,xi2,…xin]T∈Rn,t=[ti1,ti2,…tim]T∈Rm

i=1,2,…,N

(1)

隐藏层节点数为L，则标准单隐含层神经网络可表示为

(2)

由公式(2)可知：阈值在输出层位置是缺失的，因此输入的权值和隐含层的偏置就不需要再调整，可以直接利用输出层的权值，建立神经网络驱动模型。其表达式为

Hβ=T

(3)

其中，H为隐藏层输出矩阵；β为输出权值矩阵；T为输出矩阵。在ω和b固定时，经过激活函数将H在高维呈现线性关系，利用最小二乘法可得

(4)

其中，(H+)T表示样本输入层经过隐藏层后的输出矩阵的Moore-Penrose广义逆矩阵。为了验证极限学习机神经网络算法的计算速度和精度，对一组坐标数据进行处理，以得到定位数据，计算机结果如下：

ELM('diabetes_train', 'diabetes_test', 1, 20, 'sig')

TrainingTime =

0.0568

TestingTime =

0

TrainingAccuracy =

0.9796

TestingAccuracy =

0.9868

图2 极限学习机神经网络算法模型Fig.2 The neural network algorithm model of extreme learning machine

由实验结果可得，极限学习机方法具有耗时短、效率高等优点。将不同学习算法的计算结果进行了统计，结果如表1所示。

表1 不同学习算法精度测试

计算结果表明：相对于其他两种算法，基于极限学习机的BP神经网络算法计算精度更高。

3 基于极限学习机的农机导航系统测试

为了验证方案的可行性，对其图像处理能力进行测试。要想实现农机的自动导航功能，首先需要对待作业的果树进行识别，结果如图3所示。

图3 果树采集识别图像

工作时，首先对传感器采集得到的果树图像进行处理，通过灰度值的改变提取果树的基本轮廓，然后对某个成熟度范围内的果实进行定位。定位结果如图4所示。

图4 果实阈值分割图像

在果树特征提取后，基于极限学习机的神经网络算法可以成功地实行果实特征的提取。为了验证其测量和提取的精度，将计算得到的果实面积和实际果实面积进行了对比，结果如表2所示。

表2 果实面积图像计算值和实际值对比

Table 2 Comparison of fruit area image calculation value and actual value

测试编号实际面积/cm2计算面积/cm21162.1158.32163.2152.83159.1156.24158.3155.35156.2158.96176.3179.2

由表2可知：计算得到的果实面积和实际测量面积基本吻合，从而验证了计算的可靠性。

通过摄像机采集果实和果树特征图像后，需要对图像进行处理，提取图像主要特征，建立图像坐标系，然后组建相机空间坐标系，从而获得像素点的相机空间坐标，实现三维重构；最后根据果实和果树的方位和坐标，实现快速导航功能。对快速导航所耗时间进行了统计，得到了如表3所示的计算结果。为了验证极限学习机算法计算的快速性，对定位导航所需时间进行了统计，结果表明：采用极限学习机算法后定位时间有了明显缩短，定位效率有所提高。

对基于极限学习机的农机定位精度进行了测试，结果如表4所示。由表4可以看出：在农机导航系统中使用极限学习定位算法后，定位精度有了明显提升，可以满足农机定位导航系统的设计需求。

表3 快速定位时间测试

表4 导航精度测试

续表4 %

4 结论

为了提高采摘机械导航系统的效率和精度，在视觉导航图像处理系统中引入了基于极限学习机的神经网络算法，通过对成熟果实图像的快速识别，得到果实图像的坐标，达到了快速定位的目的。为了验证方案的可行性，对基于极限学习机的定位导航所需时间和定位精度进行了测试，结果表明：采用机械学习机后明显地提高了导航效率，定位导航耗时少、精度高，可以满足农机定位导航系统的设计需求。