基于改进神经网络算法的蔬菜图像识别

芦 范

(商丘职业技术学院，河南 商丘 476000)

蔬菜图像识别在食品生产中有着非常重要的地位[1-2]，不但有利于大规模化采购，还能按识别结果进行分类，大大减少人力成本。目前，蔬菜图像识别的方法主要有人工识别[3]、神经网络算法(NN)[4]、概率神经网络方法(PNN)[5]、层次聚类神经网络算法(HCNN)[6]、卷积神经网络模型(CNN)[7]、小波分析(WA)[8]、人工鱼群算法(AFS)[9]及支持向量机回归 (SVR) 预测模型[10]。人工识别存在主观性且效率较低；NN适合自适应学习及进行非线性拟合，但网络结构、神经元的初始权值和阈值随机设定使得最终结果易陷入局部极小值；PNN实现简单，同时识别结果较好，但提取蔬菜图像维度的同时对分类器要求较高；HCNN利用层次聚类结构融合神经网络解决蔬菜识别问题，但聚类的层次数无法自适应调整，且无法避免随机性权值矩阵时的死点问题；CNN的仿生结构较优越，但实现较复杂，训练所需时间较久；WA可提取蔬菜图像的纹理特征，但存在参数优化的难题；AFS由于初始参数设定以及步长因子对算法优化效果会产生较大影响，应用受限；SVR可避免维数灾难，但参数较难选择。

试验拟采用改进神经网络(Improved Neural Network，INN)算法，对神经网络的权值、隐函数中心值、核宽度参数值进行优化求解，同时对多余的神经元通过量子遗传算法删除处理，旨在提高算法的运行速度。

1 改进神经网络

1.1 径向基函数神经网络描述

径向基函数神经网络(RBFNN)具有多层结构[11]，假设第i个样本点所包含的输入向量为Xi(i=1,2,…,n)，n为单元数，第j个样本点的输出向量为Yj(j=1,2,…,m)，m为输出层单元个数，第j个径向基函数的中心向量为cj(j=1,2,…,nc)，则RBFNN输出为：