摘要：小麦在贮藏阶段因为各种灾祸导致丢失巨大，并降低了面粉质量，及时检测并别离小麦的受损颗粒火烧眉毛。文章以提取4类小麦磕碰声信号为根底，运用数字信号处理办法对小麦无缺粒、虫灾粒、霉变粒及发芽粒的磕碰声信号提取有用特征，最终运用BP神经网络进行分类，关于3类小麦类型的辨认获得了较好的辨认率。运用成果表明BP神经网络能够较好地完结区别受损小麦颗粒与无缺小麦颗粒。
关键词：检测办法；磕碰声信号；BP神经网络
粮食收成后，因为各种虫灾或自然灾祸导致的丢失十分巨大。只要精确地检测出受损颗粒，才干做到有意图的防治，所以开展和进步对小麦受损颗粒的检测办法及成果，至关重要。传统的储粮害虫检测法有取样法和诱集法，跟着检测技能的开展，又呈现了声测法、近红外光谱法、X射线法、电导法、微波雷达法、图画辨认法和电子鼻法等，这些办法各有其优势和必定的局限性。根据声特征的储粮害虫检测办法因为其无损、便利、价格低廉、快速等长处正逐渐被广泛运用，在各种储粮害虫声检测办法中，根据磕碰声信号的检测办法正开端被运用于各种害虫检测和粮食受损颗粒的分类中。
人工神经网络的实质类似于人脑神经结构，并运用其神经元进行信息处理的数学模型，它能够模仿生物神经网络对实在国际物体所做出的交互反映。人工神经网络的研讨始于20世纪40年代，因为其具有散布并行处理、非线性迫临才能、自适应学习和较好的容错性，经过70多年的开展，遭到很多范畴专家学者的重视，并已运用于模式辨认、人工智能范畴、控制工程范畴、优化核算和联想回忆和信号处理等范畴。
文章运用磕碰声检测体系录制小麦无缺粒、虫灾粒、霉变粒以及发芽粒的磕碰声信号，运用数字信号处理办法对声响信号进行预处理、特征提取，并运用BP神经网络对4类声响进行分类辨认，对其间3类小麦颗粒的分类获得了令人满意的作用。试验成果显现：BP神经网络具有运算速度快、辨认率高、算法简略等长处。
1 小麦磕碰声辨认体系的根本结构
图1为根据BP神经网络的小麦磕碰声辨认体系的结构。将小麦无缺粒、虫灾粒、霉变粒以及发芽粒别离逐粒经过磕碰声设备，一起麦克风扩大磕碰声响，核算机录制磕碰声信号，并对原始信号进行一系列预处理操作，包括对原始声响信号进行去噪、截取等处理。随后运用恰当的特征提取办法别离提取4类麦粒的特征参数，运用BP神经网络分类得到辨认成果，最终输出成果。
2 BP神经网络的原理
BP神经网络一般为多层前向神经网络的结构办法，其神经网络算法也叫差错反向传达算法，归于有导师的学习算法。BP神经网络的拓扑结构包括3层，别离是：输入层、躲藏层和输出层。输入层接纳输入向量，输入层神经元获取外部输入的信息传送至中间层即躲藏层，躲藏层至少包括1层，也可包括2层或3层等，输出层接纳躲藏层传送的信息，并输出仿真成果。图2显现了一个典型的3层BP网络的拓扑结构。
BP神经网络信息的传达进程分为正向传达和反向传达2个进程，其根本思想是：输入层神经元获取外部输入的信息，将其传送给中间层各神经元，中间层各神经元将接纳到的信息进行改换处理，再由最终一个中间层将信息传送给输出层各神经元，完结信息的一次正向传达进程；将输出层的实践输出与希望的输出值进行比较，假如二者的差错值不在预期的差错规模内，则进行差错反向传达，由输出层经过梯度下降办法调整各层的联接权值和阈值，向中间层和输入层逐层反传差错；不断循环正向传达和反向传达，即神经网络的学习练习进程，直到实践输出值和希望输出值的差错到达预先设定的要求。
3 试验办法
3．1 声响数据
运用BP神经网络对小麦颗粒进行分类时，首要需求足够的样本，即足够的小麦颗粒信号样本，试验所需样本均来自西安市长安区大居安村某农户粮仓。一起还需求从样本中尽可能多地提取相应的有用特征数据。为了监控练习进程避免网络产生“过拟合”，一起进步所树立的网络模型的推行、辨认才能，需将试验数据随机分为练习样本和验证样本。本试验共录制小麦磕碰声信号600个，其间小麦无缺粒、虫灾粒、霉变粒和发芽粒的磕碰声样本各150个，每类小麦样本取100个作为练习样本，剩下未参加练习的50个样本作为验证样本。
3．2 网络结构
BP神经网络的输入变量数目要根据专业知识及经历来确认。先选用2至3个特征测验对样本进行分类，假如辨认作用不抱负，可持续寻觅有用的特征直至到达抱负的辨认率停止。输出变量可所以一个，也可所以多个。
因为BP神经网络的隐层一般选用Sigmoid传递函数，为了进步练习速度、灵敏性和便利核算，而且有用避开Sigmoid函数的饱满区，避免部分神经元到达过饱满状况，一般情况下，要求输入数据的值介于。因而在练习网络前，对输入数据进行预处理。Matlab中自带多个归一化函数：premnmx、prestd等。还可编写归一化公式，例如：
X=(x(i)-xmin)／(xmax-xmin) (1)
其间，x(i)表明第i个作为输入特征向量，xmin=min(x(i))，xmax=max(x(i))，得到X的规模为[0，1]。文中选用公式(1)对输入特征向量进行归一化处理。
3．3 网络练习
本试验选用具有2个隐层的神经网络，躲藏层的节点数目别离设置为20，10。在输入层用线性函数作为传递函数，在隐层和输出层用非线性双曲正切函数作为传递函数，网络学习率为0．000 1。
不同的输出数据类型决议了网络的输出层节点数目，因为试验中包括小麦无缺粒、虫灾粒、霉变粒和发芽粒，因而待分类的样本品种为4，对应的输出层的节点数也相应确认为4。文中选用二进制办法表明4类小麦磕碰声信号的仿真成果，令小麦无缺粒的对应输出为000 1，虫灾粒的对应输出为0010，霉变粒的对应输出为0100，发芽粒的对应输出为1000。
3．4 试验成果
关于4品种型小麦颗粒，BP神经网络的分类辨认成果如表1所示，能够看出，分类作用较差，关于试验提取的特征，运用BP神经网络无法得到较好的辨认率。
从头挑选试验目标，提取小麦无缺粒、虫灾粒和霉变粒这3类小麦的磕碰声特征，并练习BP神经网络如4．3，得到的辨认成果如表2所示。能够看出，此刻能够较好地辨认同品种小麦的3种不同类型，而且辨认率可到达80％以上。说明晰经过对小麦磕碰声信号运用恰当数字信号处理办法进行特征提取，并凭借BP神经网络能够得到较好的辨认率。
4 定论
文中选用小麦磕碰声设备录制小麦无缺粒、虫灾粒、霉变粒和发芽粒4类麦粒类型的磕碰声信号，结合恰当的数字信号处理办法提取信号特征，选用BP神经网络别离对4类麦粒和3类麦粒进行分类辨认，由表1和表2能够看出，关于4类麦粒，此办法的辨认成果较差。而关于小麦无缺粒、虫灾粒和霉变粒的磕碰声信号，能够获得令人满意的辨认作用，证明此办法可行且有用。
未来能够从以下几个方面对此办法进行改善，以进步辨认作用：进一步研讨特征提取办法和分类办法；针对辨认率较低的四类麦粒类型，考虑结合图画辨认办法进步对小麦发芽粒的辨认作用；考虑将此办法运用于小麦之外的其他粮食品种，进步多种储粮害虫的辨认率。
