基于PSO-BP神經網絡的水果成熟度/糖度預測系統

程艷燕 宋家俊 孫士保 張藝馨 楊春坤 王欣怡

摘要：水果成熟度的準確預測對于農業生產和供應鏈管理至關重要。傳統方法在水果預測領域被廣泛采用，但難以捕捉復雜的成熟特征無法實現高精度的預測模型。為應對這一挑戰，文章采用了PSO-BP神經網絡，其強大的非線性建模能力使得預測結果更為準確。文章設計了一個多層前饋神經網絡模型，通過學習復雜的成熟度特征來進行預測。使用真實的水果數據進行訓練和測試，結果顯示該文的模型在預測水果成熟度方面表現出色，相較于傳統方法，具有更高的準確性。訓練得到的這款模型可達到98%以上的預測率。

關鍵詞：深度學習；PSO-BP神經網絡模型；PaddleX框架；果然共知

中圖分類號：TP18? ? ? 文獻標識碼：A

文章編號：1009-3044（2023）34-0016-04

開放科學（資源服務）標識碼（OSID）

0 引言

我國是世界水果生產大國，隨著水果市場對蘋果的需求不斷增加，消費者對蘋果的質量要求越來越高，然而有的果農因無法準確地預測蘋果成熟度而造成了大量蘋果浪費[1]。傳統的預測蘋果成熟度的技術存在著一些缺陷，果農無法快速并且準確預測蘋果的成熟度，本項目彌補了當代檢測技術的漏洞，采用了近紅外光譜檢測技術，PSO-BP神經網絡等算法以及定量預測模型，能夠更高效、方便、準確地預測蘋果的成熟度，并且能夠讓果農通過手機更方便、迅速了解蘋果的成熟度。本項目通過近紅外光譜檢測出水果的信息，高效地傳遞給手機移動端通過PSO-BP人工神經網絡等算法以及定量預測模型來預測蘋果成熟度的小程序——果然共知。

1 系統實現

系統的前端基于微信小程序開發工具構建，而后端項目則采用IDEA技術進行開發。本文根據各功能模塊的設計思路在開發工具上進行實現，主要通過小程序的開發工具來呈現系統的效果。

1.1 系統云數據庫的實現

云端服務器中存放著云數據庫，這一布局有效地減輕了本地資源的壓力。在設計數據庫集合時，本文針對每個功能模塊都進行了相應的數據庫表單劃分。以歷史記錄數據庫集合為例，它存儲了水果成熟度預測結果和歷史數據，包括用戶的用戶名（userid） 、成熟度預測結果、記錄的時間（time） 等詳細信息。

1.2 頁面設計

進入“果然共知”小程序的，如圖1所示首頁的頁面設計色彩以綠色為主調其他顏色為配調，登錄之前可以看到點擊“+”有掃一掃、搜索附近設備、資訊案例、歷史記錄等功能。點擊登錄之后，中間組件為上一次掃描水果后得到的水果糖度、水分、成熟度預測情況，旨在讓用戶打開登錄之后就能夠了解到最近一次的水果生長預測情況。

點擊“掃一掃”綁定設備之后，用戶可以看到經過系統得出的數據以及對蘋果成熟度的預測報告，通過直方圖可視化顯示了預測結果，檢測的數據傳輸到后端，后端通過PSO-BP神經網絡預測模型預測出蘋果成熟度，對蘋果成熟度做出等級判斷，如圖2所示。

在預測蘋果成熟報告中后端算法通過智能分析得出問題的解決方案如圖3所示，并且給出用戶合理化的建議及措施，大大方便了果農對蘋果成熟度的了解，用戶采用給出的建議之后也通過后端PSO-BP神經網絡算法得出預測的結果。用戶通過“保存結果”按鈕保存本次預測結果，以便用戶進行下一次分析蘋果成熟度并且對檢測數據進行對比，檢驗了預測檢測的準確性和效率，用戶可以更好地計劃采摘時間、優化儲存和運輸過程。

1.3 果實識別預測功能的實現

路線設計的過程如下所示：從圖4可以看出，小程序前端上傳待識別預測的圖片包括了圖片文件、位置信息以及用戶的文本輸入。這些文本信息、圖片文件以及圖片的識別結果都需要存儲在數據庫中，因此在后端需要對這兩種不同類型的文件進行區分處理。

其中后端部分，圖片文件會被傳送到用于識別算法的讀取文件夾路徑。然后，后端將此文件夾路徑名與圖片名結合，保存為圖片的最終絕對路徑。將這些識別結果、圖片路徑以及用戶輸入的文本信息傳送回前端展示給用戶。

2 算法實現與流程

2.1 BP神經網絡

在20世紀80年代，Rumelhart和McClelland提出了一種神經網絡訓練算法，即誤差反向傳播（Back-Propagation） 算法，常稱為BP神經網絡（Back-Propagation Network） 。該算法如今已經發展成為應用廣泛的神經網絡模型之一。該模型采用梯度下降的優化算法，通過反向傳播的方式來調整神經網絡的權重和閾值，以最小化輸出值與期望輸出值之間的均方根誤差。這一過程賦予了該模型卓越的容錯性和泛化能力。BP神經網絡模型具有3層拓撲結構，包括輸入層（Input Layer） 、隱含層（Hidden Layer） 和輸出層（Output Layer） 。大量研究表明含有一個隱含層的神經網絡可以實現對任何函數的逼近，為避免模型過于復雜而引起計算量過大或預測結果不可靠的問題，構造單隱含層的BP神經網絡，其結構如圖5所示。

然而，在處理復雜任務時，BP神經網絡也面臨著訓練時間長、過擬合等問題。這導致研究人員在后續發展中不斷尋求更好的算法和架構。

2.2 PSO算法

粒子群優化算法（Particle Swarm Optimization， PSO） 是一種基于仿生學原理的進化算法，其靈感來自鳥類群體覓食行為。由Eberhart和Kennedy提出，PSO通過模擬群體中個體之間的競爭與協同行為，尋求最優解。該算法通過不斷調整粒子（個體）的位置和速度，使其朝著目標函數的最優值進行搜索。其核心思想是通過個體間信息傳遞與更新機制，實現群體在解空間中的迭代搜索與優化。

一個種群由眾多粒子構成，每個粒子所攜帶的基本信息包括其位置和速度。假定種群規模為n，目標搜索空間的維數為D。在這種情況下，第i個粒子在D維空間中的位置可以表示為Xi =（xi1，xi2，...，xiD） ，速度可以表示為Vi =（vi1，vi2，...，viD） ，其中i的取值范圍為1到n。在迭代過程中，粒子會根據一定的規則修正其自身的位置和速度，直至找到全局范圍內的最優位置。在此過程中，每個粒子的個體最優位置被定義為Pibest，而粒子群的全局最優位置則被表示為Pgbest。粒子的位置和速度更新是基于以下原則進行的：

[Vk+1i=ωVki+c1r1（Pkibest-Xki）+c2r2（Pkgbest-Xki）] （1）

[Xk+1i=Xki+Vk+1i] （2）

在上述描述中，Vik和 Xik分別表示第i個粒子在D維空間中經過第k次迭代時的速度和位置。Pibestk和Pgbestk分別代表第i個粒子在第k次迭代中獲得的個體最優值和全局最優值。在此上下文中，c1和c2作為學習因子參與，r1和r2為服從區間[0，1]的隨機數。此外，慣性權重ω也發揮著重要作用。需要強調的是，速度V的幅度受限于預先設定的最大速度值Vmax，以確保搜索過程的穩定性與收斂性。

2.3 PSO優化BP算法

BP神經網絡在預測過程中常常受到收斂速度緩慢、容易陷入局部極值和學習過程中的振蕩等問題的影響。為了克服這些問題，研究者們選擇將PSO算法與BP神經網絡相結合進行優化[2]。在這種方法中，通過PSO算法對BP神經網絡的閾值和權值進行調整，以期提高網絡的運行速度和泛化能力。這一融合策略的過程被呈現在圖6中。

3 實驗數據處理

3.1 近紅外光譜數據的獲取及預處理

在項目的運行過程中，本文配備了相應的硬件設備近紅外光譜儀，以便對水果進行掃描。為了確保數據模型在測試中的準確性和適用性，本文進行了多次實驗，涵蓋了不同生長階段的水果樣本。

在PSO-BP神經網絡中，針對水果近紅外光譜數據進行了訓練，以確保實驗的順利開展。本文使用經過預訓練的PSO-BP神經網絡來分析獲取的近紅外光譜數據。通過將掃描得到的近紅外光譜數據分為訓練集和測試集，本文將已訓練的模型與測試時使用的近紅外光譜數據進行匹配和對比。這樣，本文可以使用測試集中的數據來評估模型的準確性，并確保其達到了預期的精度水平。

在模型構建的過程中，針對原始的近紅外光譜，預處理步驟扮演著定量分析和定性分析的關鍵角色，如圖6所呈現。由于光譜儀所采集的數據除了樣品信息外，還可能含有背景信息或噪聲成分。

鑒于此，對光譜數據進行預處理，以確立準確且穩健的校準模型，顯得尤為必要[3]。

多重散射校正（MSC） 的功能類似于減少樣品之間因物理變異引起的散射和基線偏移的影響。

MSC的主要目標在于解決顆粒分布不均和顆粒大小差異導致的散射問題，以提升數據質量（Isaksson和Naes，1988年）。MSC的計算公式如公式（1） 所示。首先，首要計算校準集樣本的平均光譜X，緊接著，針對特定的樣本光譜x，本文進行了線性回歸操作，得到了方程x=aX+β，并從中推導出了參數a和β的具體數值。通過運用這些參數a和β，對原始光譜進行了校準處理。通過持續的參數a和β的微調，能夠極大地減少光譜之間的差異，并盡最大可能地保留了原始光譜中的有效信息。

[XMSC=x-βa] ? （3）

3.2 實驗結果

在本項目中，使用經過訓練的神經網絡模型進行了多次實驗。圖7展示了網絡訓練過程中均方誤差隨迭代次數的變化情況。從圖中可以觀察到，隨著迭代次數的增加，均方誤差逐漸減小，表明所訓練的神經網絡輸出值迅速逼近實際值[4]。通過對比兩幅圖的結果，可以明顯看出，經過PSO優化的BP神經網絡在迭代次數超過11次后，均方誤差的輸出值逐漸穩定，標志著訓練完成[5]。與原始的BP神經網絡相比，經過PSO優化的網絡在學習效率上有了顯著提升，為項目帶來了更高的效率和準確性。

通過實驗過程中測試集數據的驗證，結果表明訓練集與測試集的匹配率超過98%，遠超過同類型水果成熟度預測產品的表現。傳統BP神經網絡在訓練過程中容易受局部極值影響而導致收斂速度慢。引入了粒子群優化（PSO） 算法的PSO-BP神經網絡充分利用了粒子之間的競爭與協同尋找最優解的機制，加速了網絡的收斂過程，從而使網絡更快地達到穩定狀態[5]。該網絡模型將PSO粒子群優化與BP神經網絡相結合，解決了傳統BP神經網絡中收斂速度慢和易陷入局部極值的問題，同時在實驗過程中減輕了過擬合現象的出現，提升了測試精準度。在預測過程中，本項目選取了處于不同生長階段的水果作為測試對象，通過網絡模型進行成熟度預測。經過訓練后，觀察結果顯示測試的準確性達到98%以上，具體測試結果見圖8所示。

4 結束語

在本論文中，通過研究基于PSO-BP神經網絡預測模型對測試蘋果成熟度的方法和技術進行了詳細的研究和討論。通過收集大量的數據和實施實證研究，得出了一些重要的結論，并為果農和相關產業提供了有價值的信息。首先，回顧了現有的蘋果成熟度測試方法和工具，并對其優缺點進行了評估。本文提出了一種基于PSO-BP神經網絡預測模型的新方法。通過實驗證明，該方法在準確性、可行性和成本效益方面都具有顯著的優勢。其次，詳細介紹了設計和實施的實驗，并分析了實驗結果。這些結果都驗證了基于PSO-BP神經網絡預測模型測試方法的有效性，從而為果農的決策提供了重要依據。通過近紅外光譜檢測將檢測數據傳輸進小程序“果然共知”中，小程序會基于傳輸的數據進行可視化以及生成蘋果成熟度的報告分析并且給出相應的合理化建議，更方便果農采取應對措施。最后，基于PSO-BP神經網絡預測模型方法準確評估蘋果的成熟度，果農可以更好地計劃采摘時間、優化儲存和運輸過程，并提高產品質量和市場競爭力?？傊?，本文的研究為測試蘋果成熟度的方法和技術提供了新的視角和解決方案。本文的實證研究結果表明，基于PSO-BP神經網絡預測模型的方法在準確性和效率方面具有顯著優勢。鼓勵更多的果農和研究者采用本文的方法，并在此基礎上進行進一步的研究和改進，以推動果農和蘋果產業的發展和創新。

參考文獻：

[1] 孫慧英，李亮，李敏生，等.蘋果產業發展障礙因素及對策分析[J].吉林農業，2018（16）：82.

[2] 史亞朋.基于PSO-BP神經網絡的船舶結構優化[D].大連：大連海事大學，2015.

[3] 張猛勝.基于可見/近紅外光譜的蘋果成熟度無損檢測方法和便攜式儀器研發[D].楊凌：西北農林科技大學，2021.

[4] 王得成，陳向寧，趙峰，等.基于卷積神經網絡和RGB-D圖像的車輛檢測算法[J].激光與光電子學進展，2019，56（18）：119-126.

[5] 王杰，鄭楊艷，凌祥.基于PSO-BP神經網絡的小沖孔蠕變壽命預測模型[J].化工機械，2023，50（3）：348-353，387.

【通聯編輯：謝媛媛】