張志強(qiáng)，張?zhí)t，2，刁 琦，董 巒，3

（1.新疆農(nóng)業(yè)大學(xué) 計(jì)算機(jī)與信息工程學(xué)院，新疆 烏魯木齊830052；2.中國農(nóng)業(yè)大學(xué) 信息與電氣工程學(xué)院，北京100083；3.河海大學(xué) 計(jì)算機(jī)與信息工程學(xué)院，江蘇 南京210098）

一種改進(jìn)GA神經(jīng)網(wǎng)絡(luò)棉花雜質(zhì)檢測算法

張志強(qiáng)1，張?zhí)t1，2，刁 琦1，董 巒1，3

（1.新疆農(nóng)業(yè)大學(xué) 計(jì)算機(jī)與信息工程學(xué)院，新疆 烏魯木齊830052；2.中國農(nóng)業(yè)大學(xué) 信息與電氣工程學(xué)院，北京100083；3.河海大學(xué) 計(jì)算機(jī)與信息工程學(xué)院，江蘇 南京210098）

棉花雜質(zhì)檢測是棉花加工產(chǎn)業(yè)的關(guān)鍵步驟，直接影響棉花的質(zhì)量及價(jià)格。為了有效地把雜質(zhì)從棉花中脫離出來，我們通過在YCbCr顏色空間下，基于雜質(zhì)與棉花的色調(diào)信息差，提取二者的樣本，采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練并輸出它的誤差，得到適應(yīng)度函數(shù)并進(jìn)行遺傳算法的選擇、交叉及變異操作，優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值、閾值，直至輸出誤差達(dá)到要求或達(dá)到預(yù)設(shè)迭代次數(shù)。最后我們根據(jù)所獲得的BP神經(jīng)網(wǎng)絡(luò)權(quán)值、閾值進(jìn)行棉花圖像分割。在這個(gè)基礎(chǔ)上，對(duì)遺傳算法的選擇算子、交叉算子和變異算子進(jìn)行改進(jìn)。分別對(duì)暗光、常光、強(qiáng)光3種情況下的進(jìn)行雜質(zhì)脫離，實(shí)驗(yàn)表明，本方法可實(shí)現(xiàn)準(zhǔn)確分割，檢測率達(dá)到92.3%。

YCbCr；遺傳算法；雜質(zhì)檢測；圖像分割

無論是人工還是用機(jī)器采摘棉花，都會(huì)混入雜質(zhì)。有效剔除棉花雜質(zhì)是有效提高棉紡行業(yè)質(zhì)量的關(guān)鍵。近年，工業(yè)領(lǐng)域?qū)C(jī)器視覺系統(tǒng)，光電感應(yīng)系統(tǒng)和超聲波檢測系統(tǒng)應(yīng)用在棉花雜質(zhì)檢測領(lǐng)域[1]。以圖像處理和模式識(shí)別為基礎(chǔ)的機(jī)器視覺系統(tǒng)，具有獲取信息快速準(zhǔn)確，特征提取和處理方法成熟的優(yōu)點(diǎn)，可以有效地結(jié)合模式分類方法。和其他方法相比，成本，精度和速度等因素，機(jī)器視覺系統(tǒng)更加適合棉花雜質(zhì)檢測。

迄今為止，棉花雜質(zhì)檢測的研究主要有：在HIS和Lab顏色模型下，田昊利用中值濾波，對(duì)圖像進(jìn)行自適應(yīng)閾值分割，可以有效檢測出常見雜質(zhì)[2]；馮志新等人采用RGB模型對(duì)圖像的3個(gè)通道進(jìn)行預(yù)處理，閾值分割和數(shù)學(xué)形態(tài)學(xué)處理，最后計(jì)算出含雜率[3]；郭彩霞等人在RGB顏色空間下，創(chuàng)建BP網(wǎng)絡(luò)識(shí)別模型，可有效識(shí)別出原棉中的異性纖維[4]；丁名曉等人提出Gabor濾波器的雜質(zhì)檢測算法，有效消除由于光照條件造成的干擾，可精確檢測出棉花中常見的雜質(zhì)[5]；高偉等人在HIS顏色空間下實(shí)現(xiàn)棉花雜質(zhì)高速實(shí)時(shí)的檢測方法，雜質(zhì)識(shí)別率較高[6]。

遺傳算法[7]在圖像分割上的應(yīng)用，使得圖像分割效果更加準(zhǔn)確，收斂速度更加快捷。由于易陷入局部最優(yōu)、迭代后期搜索速度較慢問題，學(xué)者提出了許多改進(jìn)算法，如自適應(yīng)遺傳算法[8]，改進(jìn)的精英遺傳算法[9]，粒子群算法結(jié)合遺傳算法[10]等。 文中是基于YCbCr顏色空間，用BP神經(jīng)網(wǎng)絡(luò)對(duì)棉花和雜質(zhì)進(jìn)行訓(xùn)練，通過遺傳算法優(yōu)化BP網(wǎng)絡(luò)的閾值進(jìn)行圖像的分割，并改進(jìn)了遺傳算法的選擇算子、交叉算子與變異算子，分別對(duì)弱光，常光及強(qiáng)光條件下圖像分割，可準(zhǔn)確檢測棉花雜質(zhì)，且收斂快。

1 研究方法

1.1 顏色空間選擇

在RGB顏色空間中，R（紅）、G（綠）、B（藍(lán)）3個(gè)顏色分量之間的相關(guān)性比較高，對(duì)于同一種顏色屬性，在不同的光照條件下，R（紅）、G（綠）、B（藍(lán)）三者的值易發(fā)散，很難確定某種特定顏色閾值以及在顏色空間的分布情況。HSV顏色空間是可分離亮度分量，但是從RGB顏色空間轉(zhuǎn)換到HSV顏色空間計(jì)算量大，而且在亮度值和飽和度較低的情況下，使用HIS或HSV顏色空間計(jì)算的H分量不可靠。在YCbCr顏色空間中，Y代表亮度分量，Cb代表藍(lán)色色度分量，Cr代表紅色色度分量。由RGB顏色空間到Y(jié)CbCr空間的轉(zhuǎn)換公式如式（1）所示：

由式（1）我們可以看出，YCbCr顏色空間與RGB顏色空間存在線性關(guān)系，色度分量與亮度分量相互獨(dú)立。在不同亮度下，YCbCr空間內(nèi)亮度范圍的變化很大，而色度范圍的變化很小，以上兩點(diǎn)有利于光照變化圖像處理。

1.2 基于GA優(yōu)化的BP算法

1.2.1 BP算法

BP算法是一種以梯度下降法為基礎(chǔ)的有監(jiān)督學(xué)習(xí)算法，而且具有學(xué)習(xí)能力[11]。它的思想是：輸入學(xué)習(xí)樣本，并選定網(wǎng)絡(luò)權(quán)值和閾值初始值，然后通過反向傳播算法對(duì)網(wǎng)絡(luò)的權(quán)值、閾值以及誤差進(jìn)行反復(fù)的調(diào)整修改，促使輸出向量逼近期望向量，當(dāng)網(wǎng)絡(luò)輸出層的均方誤差小于指定誤差或達(dá)到訓(xùn)練次數(shù)時(shí)結(jié)束訓(xùn)練，并保存網(wǎng)絡(luò)的權(quán)值和誤差。輸出誤差與權(quán)值的關(guān)系如下式：

1.2.2 遺傳算法

遺傳算法是一種借鑒進(jìn)化規(guī)律，模擬自然選擇，交叉和基因變異現(xiàn)象搜索最優(yōu)解的方法。遺傳算法的過程如下：

1）根據(jù)問題規(guī)模計(jì)算個(gè)體所需編碼長度L，隨機(jī)產(chǎn)生N*L大小初始化種群P，并計(jì)算所有個(gè)體適應(yīng)度值；

2）對(duì)種群P隨機(jī)選擇交叉?zhèn)€體，依據(jù)交叉概率pc在交叉點(diǎn)執(zhí)行交叉操作，得到新種群P1；

3）對(duì)種群P1個(gè)體依據(jù)概率pm執(zhí)行變異操作，得到新種群P2；

4）計(jì)算種群P1與P2中所有個(gè)體適應(yīng)度，從P1與P2中參照適應(yīng)度選出對(duì)應(yīng)的最優(yōu)個(gè)體作為下一代種群，然后重復(fù)以上步驟，直至滿足某種收斂。

1.2.3 遺傳優(yōu)化的BP算法

BP算法易陷入局部極小值，而且收斂速度比較慢。但是，通過遺傳算法優(yōu)化BP網(wǎng)絡(luò)的權(quán)值，一定程度上避免了局部極小值，有較好全局搜索能力，同時(shí)加快種群收斂速度，避免早熟現(xiàn)象。

采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)過程如下：

1）在暗光，常光以及弱光3種條件下拍攝棉花雜質(zhì)圖片，分辨率為400*500，提取目標(biāo)與背景的樣本數(shù)據(jù)，并建立BP神經(jīng)網(wǎng)絡(luò)；

2）隨機(jī)產(chǎn)生一組大小為N的種群，種群中的個(gè)體代表神經(jīng)網(wǎng)絡(luò)的初始權(quán)值，設(shè)定種群規(guī)模以及固定的交叉、變異概率；3）根據(jù)BP神經(jīng)網(wǎng)絡(luò)計(jì)算網(wǎng)絡(luò)輸出誤差Σ（dk-ok）2，建立適應(yīng)度函數(shù)f=1/（E+1），其中，dk、ok分別表示第k組數(shù)據(jù)的期望輸出和實(shí)際輸出；

4）根據(jù)選擇、交叉與變異算法對(duì)生成的種群進(jìn)行篩選生成新一代種群，直至達(dá)到最大遺傳迭代次數(shù)或網(wǎng)絡(luò)誤差最?。?/p>

5）提取網(wǎng)絡(luò)誤差最小時(shí)或適應(yīng)度函數(shù)輸出最大時(shí)對(duì)應(yīng)的BP權(quán)值與閾值，并根據(jù)其進(jìn)行棉花圖像分割。

2 改進(jìn)的遺傳算法

2.1 改進(jìn)的選擇算子

輪盤賭選擇方式是傳統(tǒng)遺傳算法經(jīng)常使用的方法，這種選擇方式直觀簡單，深受歡迎。但存在一些不足：在遺傳進(jìn)化初始階段，根據(jù)輪盤賭選擇方法，可能存在適應(yīng)度較高的個(gè)體被選中的機(jī)會(huì)就大，從而選擇復(fù)制出相當(dāng)數(shù)量子代，容易喪失種群的多樣性，同時(shí)很難搜索找出全局最優(yōu)解；在遺傳進(jìn)化的末了階段，種群中的所有個(gè)體差異不明顯，適應(yīng)度比較接近，輪盤賭算法失效，無法辨別種群中個(gè)體優(yōu)劣。

改進(jìn)的選擇算子：對(duì)種群中的全部個(gè)體進(jìn)行排序，保留適應(yīng)度較高個(gè)體，去除適應(yīng)度低個(gè)體。將全部個(gè)體分成四份，淘汰后1/4個(gè)體，拷貝前1/4個(gè)體兩份，保留中間2/4，選擇到下一代當(dāng)中。

2.2 改進(jìn)的交叉算子

交叉算子不但影響遺傳算法收斂性，同時(shí)也影響遺傳算法收斂速度。所以，合理有效的交叉因子可提高遺傳算法的性能。對(duì)交叉算子進(jìn)行改進(jìn)，有利于保護(hù)親代個(gè)體中的優(yōu)良基因，有利于提高遺傳算法性能[12]?？赏ㄟ^父代之間的相似度判斷是否進(jìn)行交換操作。

相似度：s=c/n，表示兩個(gè)父代個(gè)體間的相似度。其中，c表示兩個(gè)個(gè)體共同子串的長度，n代表種群中個(gè)體編碼長度。利用個(gè)體間的相似度判斷兩個(gè)個(gè)體是否進(jìn)行交叉操作，首先給出一個(gè)交叉臨界值，作為比較。臨界值的公式如（5）所示：

其中，g表示種群此時(shí)進(jìn)化的代數(shù)，G表示總的進(jìn)化代數(shù)。當(dāng)相似度大于或等于交叉臨界值時(shí)，不允許兩個(gè)父代進(jìn)行交叉操作；當(dāng)相似度小于臨界值時(shí)，允許兩個(gè)父代進(jìn)行交叉操作。本文采用兩點(diǎn)交叉方法進(jìn)行交叉互換。

2.3 改進(jìn)的變異算子

在遺傳進(jìn)化后期，固定的變異概率將導(dǎo)致遺傳進(jìn)化過程喪失競爭性，以致降低進(jìn)化的速度，減弱種群多樣性，容易造成局部收斂[13]。所以，變異概率應(yīng)隨著遺傳進(jìn)化過程進(jìn)行自適應(yīng)調(diào)整，可使得遺傳算法跳出局部收斂困境，改善和提高運(yùn)行效率和魯棒性。為了較少種群中已形成的優(yōu)秀模式的可能，同時(shí)盡可能多的生成較優(yōu)秀的模式，文中提出的變異概率隨個(gè)體適應(yīng)度作自適應(yīng)變化的變異算子。自適應(yīng)變異概率公式：

其中，Pm是即將變異個(gè)體的變異概率，Pm_max是最大變異概率，k是此時(shí)的進(jìn)化代數(shù)，f是將要變異個(gè)體的適應(yīng)度，fmax為種群中最大的適應(yīng)度，favg為每一代種群適應(yīng)度均值。此公式符合“優(yōu)勝劣汰，適者生存”的進(jìn)化規(guī)律。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 樣本提取

根據(jù)目標(biāo)與背景色差分類，將雜質(zhì)當(dāng)作目標(biāo)，標(biāo)記為第一類，其他作為第二類?；赮CbCr顏色空間，從10幅典型雜質(zhì)圖片中對(duì)每類提取20個(gè)各種環(huán)境（弱光、常光以及強(qiáng)光）的像素值，如表1所示。

表1 YCbCr顏色空間下雜質(zhì)圖像中各類的像素值

3.2 遺傳優(yōu)化BP的雜質(zhì)圖像分割

根據(jù)YCbCr空間的樣本像素，BP算法計(jì)算贗本的網(wǎng)絡(luò)輸出誤差，將誤差倒數(shù)作為適應(yīng)度函數(shù)，用遺傳算法優(yōu)化適應(yīng)度函數(shù)，根據(jù)最大適應(yīng)度函數(shù)值提取對(duì)應(yīng)的網(wǎng)絡(luò)權(quán)值與閾值并對(duì)雜質(zhì)圖像進(jìn)行分割。

圖1 原始圖像(常光)

圖2 BP算法分割

圖3 YcbCr&GA算法分割

圖5 原始圖像(強(qiáng)光)

圖6 BP算法分割

3.3 實(shí)驗(yàn)分析

采用YCbCr顏色空間與BP神經(jīng)網(wǎng)絡(luò)[16-19]減少光照影響。BP算法收斂速度慢[14]，分割后噪聲大，影響分割準(zhǔn)確率。遺傳優(yōu)化BP具有全局優(yōu)化功能，分割效果比BP算法略好。和文獻(xiàn)[15]算法相比，本算法對(duì)遺傳算法的選擇、交叉于變異算子進(jìn)行改進(jìn)，分割效果有所改善。將分割后的圖像去噪，含雜率分別為：5.90%、3.26%、10.16%。

圖7 YcbCr&GA算法分割

圖8 本文算法分割

圖9 原始圖像(弱光)

圖10 BP算法分割

圖11 YcbCr&GA算法分割

圖12 本文算法分割

4 結(jié)束語

文中從選擇算子、交叉算子及變異算子3個(gè)方面改進(jìn)，不但保全種群多樣性，而且保證遺傳算法收斂性。采用改進(jìn)算法在3種不同條件下對(duì)雜質(zhì)圖像進(jìn)行分割，避免陷入局部極小值，具有優(yōu)化全局能力。樣本合理情況下，可有效提高分割準(zhǔn)確率。

[1]俊先，應(yīng)義斌.皮棉中雜質(zhì)檢測技術(shù)與檢出裝備的研究進(jìn)展[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2008，39（7）:107-113.

[2]田昊，王維新，畢新勝，等.基于圖像處理的機(jī)采棉雜質(zhì)提取算法[J].江蘇農(nóng)業(yè)科學(xué)，2014，42（1）: 366-368.

[3]馮志新，安浩平，吳順麗.基于RGB模型棉花雜質(zhì)檢測算法[J].計(jì)算機(jī)與現(xiàn)代化，2013，212（4）:99-102.

[4]郭彩霞，袁建暢，金守峰.基于BP網(wǎng)絡(luò)的棉花中異性纖維的識(shí)別算法 [J].西安工程科技學(xué)院學(xué)報(bào)，2006，20（5）:542-544.

[5]丁名曉，王云寬，黃為.基于Gabor濾波器的棉花雜質(zhì)檢測算法 [J].中國圖像圖形學(xué)報(bào)，2011，16（4）:586-592.

[6]高偉，王志衡，趙訓(xùn)坡，等.基于HIS顏色空間的棉花雜質(zhì)高速實(shí)時(shí)檢測方法 [J].自動(dòng)化學(xué)報(bào)，2008，34（7）:729-735.

[7]Tong D L,Mintram R.Genetic algorithm-neural network （GANN）:A study ofneuralnetwork activation functions and depth of genetic algorithm search applied to feature selection[J].International Journal of Machine Learning and Cybernetics, 2010,1（1-4）:75-87.

[8]CHEN Shizhe,LIU Guo-dong,Pu Xin,et al.A daptive genetic algorithm based on superiority inheritance [J].Journal of Harbin institute of technology，2007，39（7）:1021-1024.

[9]MENG Wei，HAN Xue-dong，HONG Bing-rong. Bee evolutionary genetic algorithm [J].Journal of Electronics,2006,34（7）:1294-1300.

[10]Moradi M H,Abedini M.A combination of genetic algorithm and particle swarm optimization for optimal DG location DG location and sizing in distribution systems [J].Interantional Journal of Electrical Power&Energy Systems，2012，34（1）: 66-74.

[11]姚明海.改進(jìn)的遺傳算法在優(yōu)化BP神經(jīng)網(wǎng)絡(luò)權(quán)值中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2013，49（24）: 49-54.

[12]曹道友，程家興.基于改進(jìn)的選擇算子和交叉算子的遺傳算法 [J].計(jì)算機(jī)技術(shù)與發(fā)展，2010，20（2）:44-46.

[13]程敏，宋宇博，孫剛，等.改進(jìn)的自適應(yīng)遺傳算法及性能研究[J].計(jì)算機(jī)與數(shù)字工程，2014，42（3）: 355-358.

[14]周守軍，潘繼紅，王慶峰，等.城市集中供熱系統(tǒng)一次網(wǎng)運(yùn)行優(yōu)化及算法[J].北京工業(yè)大學(xué)學(xué)報(bào)，2012（4）：628-635.

[15]王星，賴惠成，任磊，等.基于YCbCr空間和GA神經(jīng)網(wǎng)絡(luò)的棉花圖像分割算法[J].計(jì)算機(jī)工程與應(yīng)用，2014，50（11）：176-179.

[16]張荷芳，王成才，張立廣.BP神經(jīng)網(wǎng)絡(luò)在熱處理控制系統(tǒng)中的應(yīng)用 [J].西安工業(yè)大學(xué)學(xué)報(bào)，2015（11）：898-902.

[17]曾泉，譚北海.基于SVM和BP神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別系統(tǒng)[J].電子科技，2016（1）：98-101.

[18]薛皓天，楊晶東，談凱德.一種改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)在手寫體識(shí)別上的應(yīng)用[J].電子科技，2015（5）：20-23.

[19]王晨輝，張曉亮，梁曉傳.云計(jì)算架構(gòu)下基于BP神經(jīng)網(wǎng)絡(luò)負(fù)載預(yù)測策略的研究[J].電力信息與通信技術(shù)，2016（11）：46-50.

A cotton impurity detection algorithm based on improved genetic algorithm

ZHANG Zhi-qiang1，ZHANG Tai-hong1，2，DIAO Qi1，DONG Luan1，3
（1.CollegeofComputer&InformationEngineering，Xinjiang AgriculturalUniversity，Urumqi830052，China；2.College of Information and Electrical Engineering，China Agricultural University，Beijing 100083，China；3.Computer and Information Engineering College，Hohai University，Nanjing 210098，China）

Cotton impurity detection is the key step in the cotton processing industry，directly affect the quality of cotton and prices.For effectively will departure from the impurities from cotton，under the YCbCr color space，the impurities and cotton based on color information，the two samples，using the BP neural network for training and its error is output，fitness function and genetic algorithm in the selection，crossover and mutation operation，optimize the neural network weights and threshold，until met the requirement of the output error or to the expected number of iterations.According to the obtained by BP neural network weights and threshold image segmentation for cotton.On this basis，the genetic algorithm selection operator，crossover operator and mutation operator to improve.Respectively to the dim light，run，light impurities from three cases，the experiment shows that this method can realize precise segmentation，detection rate of 92.3%.

YCbCr；GA；impurity detection；image segmentation

TN02

：A

：1674－6236（2017）01-0022-05

2016-11-02稿件編號(hào)：201512248

新疆農(nóng)業(yè)大學(xué)大學(xué)生創(chuàng)新項(xiàng)目（72013068）

張志強(qiáng)（1986—），男，河南項(xiàng)城人，碩士研究生。研究方向：數(shù)據(jù)庫技術(shù)。