基于PSO-BP神经网络的水果成熟度/糖度预测系统

程艳燕 宋家俊 孙士保 张艺馨 杨春坤 王欣怡

摘要：水果成熟度的准确预测对于农业生产和供应链管理至关重要。传统方法在水果预测领域被广泛采用，但难以捕捉复杂的成熟特征无法实现高精度的预测模型。为应对这一挑战，文章采用了PSO-BP神经网络，其强大的非线性建模能力使得预测结果更为准确。文章设计了一个多层前馈神经网络模型，通过学习复杂的成熟度特征来进行预测。使用真实的水果数据进行训练和测试，结果显示该文的模型在预测水果成熟度方面表现出色，相较于传统方法，具有更高的准确性。训练得到的这款模型可达到98%以上的预测率。

关键词：深度学习；PSO-BP神经网络模型；PaddleX框架；果然共知

中图分类号：TP18      文献标识码：A

文章编号：1009-3044（2023）34-0016-04

开放科学（资源服务）标识码（OSID）

0 引言

我国是世界水果生产大国，随着水果市场对苹果的需求不断增加，消费者对苹果的质量要求越来越高，然而有的果农因无法准确地预测苹果成熟度而造成了大量苹果浪费[1]。传统的预测苹果成熟度的技术存在着一些缺陷，果农无法快速并且准确预测苹果的成熟度，本项目弥补了当代检测技术的漏洞，采用了近红外光谱检测技术，PSO-BP神经网络等算法以及定量预测模型，能够更高效、方便、准确地预测苹果的成熟度，并且能够让果农通过手机更方便、迅速了解苹果的成熟度。本项目通过近红外光谱检测出水果的信息，高效地传递给手机移动端通过PSO-BP人工神经网络等算法以及定量预测模型来预测苹果成熟度的小程序——果然共知。

1 系统实现

系统的前端基于微信小程序开发工具构建，而后端项目则采用IDEA技术进行开发。本文根据各功能模块的设计思路在开发工具上进行实现，主要通过小程序的开发工具来呈现系统的效果。

1.1 系统云数据库的实现

云端服务器中存放着云数据库，这一布局有效地减轻了本地資源的压力。在设计数据库集合时，本文针对每个功能模块都进行了相应的数据库表单划分。以历史记录数据库集合为例，它存储了水果成熟度预测结果和历史数据，包括用户的用户名（userid） 、成熟度预测结果、记录的时间（time） 等详细信息。

1.2 页面设计

进入“果然共知”小程序的，如图1所示首页的页面设计色彩以绿色为主调其他颜色为配调，登录之前可以看到点击“+”有扫一扫、搜索附近设备、资讯案例、历史记录等功能。点击登录之后，中间组件为上一次扫描水果后得到的水果糖度、水分、成熟度预测情况，旨在让用户打开登录之后就能够了解到最近一次的水果生长预测情况。

点击“扫一扫”绑定设备之后，用户可以看到经过系统得出的数据以及对苹果成熟度的预测报告，通过直方图可视化显示了预测结果，检测的数据传输到后端，后端通过PSO-BP神经网络预测模型预测出苹果成熟度，对苹果成熟度做出等级判断，如图2所示。

在预测苹果成熟报告中后端算法通过智能分析得出问题的解决方案如图3所示，并且给出用户合理化的建议及措施，大大方便了果农对苹果成熟度的了解，用户采用给出的建议之后也通过后端PSO-BP神经网络算法得出预测的结果。用户通过“保存结果”按钮保存本次预测结果，以便用户进行下一次分析苹果成熟度并且对检测数据进行对比，检验了预测检测的准确性和效率，用户可以更好地计划采摘时间、优化储存和运输过程。

1.3 果实识别预测功能的实现

路线设计的过程如下所示：从图4可以看出，小程序前端上传待识别预测的图片包括了图片文件、位置信息以及用户的文本输入。这些文本信息、图片文件以及图片的识别结果都需要存储在数据库中，因此在后端需要对这两种不同类型的文件进行区分处理。

其中后端部分，图片文件会被传送到用于识别算法的读取文件夹路径。然后，后端将此文件夹路径名与图片名结合，保存为图片的最终绝对路径。将这些识别结果、图片路径以及用户输入的文本信息传送回前端展示给用户。

2 算法实现与流程

2.1 BP神经网络

在20世纪80年代，Rumelhart和McClelland提出了一种神经网络训练算法，即误差反向传播（Back-Propagation） 算法，常称为BP神经网络（Back-Propagation Network） 。该算法如今已经发展成为应用广泛的神经网络模型之一。该模型采用梯度下降的优化算法，通过反向传播的方式来调整神经网络的权重和阈值，以最小化输出值与期望输出值之间的均方根误差。这一过程赋予了该模型卓越的容错性和泛化能力。BP神经网络模型具有3层拓扑结构，包括输入层（Input Layer） 、隐含层（Hidden Layer） 和输出层（Output Layer） 。大量研究表明含有一个隐含层的神经网络可以实现对任何函数的逼近，为避免模型过于复杂而引起计算量过大或预测结果不可靠的问题，构造单隐含层的BP神经网络，其结构如图5所示。

然而，在处理复杂任务时，BP神经网络也面临着训练时间长、过拟合等问题。这导致研究人员在后续发展中不断寻求更好的算法和架构。

2.2 PSO算法

粒子群优化算法（Particle Swarm Optimization， PSO） 是一种基于仿生学原理的进化算法，其灵感来自鸟类群体觅食行为。由Eberhart和Kennedy提出，PSO通过模拟群体中个体之间的竞争与协同行为，寻求最优解。该算法通过不断调整粒子（个体）的位置和速度，使其朝着目标函数的最优值进行搜索。其核心思想是通过个体间信息传递与更新机制，实现群体在解空间中的迭代搜索与优化。

一个种群由众多粒子构成，每个粒子所携带的基本信息包括其位置和速度。假定种群规模为n，目标搜索空间的维数为D。在这种情况下，第i个粒子在D维空间中的位置可以表示为Xi =（xi1，xi2，...，xiD） ，速度可以表示为Vi =（vi1，vi2，...，viD） ，其中i的取值范围为1到n。在迭代过程中，粒子会根据一定的规则修正其自身的位置和速度，直至找到全局范围内的最优位置。在此过程中，每个粒子的个体最优位置被定义为Pibest，而粒子群的全局最优位置则被表示为Pgbest。粒子的位置和速度更新是基于以下原则进行的：

[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分别表示第i个粒子在D维空间中经过第k次迭代时的速度和位置。Pibestk和Pgbestk分别代表第i个粒子在第k次迭代中获得的个体最优值和全局最优值。在此上下文中，c1和c2作为学习因子参与，r1和r2为服从区间[0，1]的随机数。此外，惯性权重ω也发挥着重要作用。需要强调的是，速度V的幅度受限于预先设定的最大速度值Vmax，以确保搜索过程的稳定性与收敛性。

2.3 PSO优化BP算法

BP神经网络在预测过程中常常受到收敛速度缓慢、容易陷入局部极值和学习过程中的振荡等问题的影响。为了克服这些问题，研究者们选择将PSO算法与BP神经网络相结合进行优化[2]。在这种方法中，通过PSO算法对BP神经网络的阈值和权值进行调整，以期提高网络的运行速度和泛化能力。这一融合策略的过程被呈现在图6中。

3 实验数据处理

3.1 近红外光谱数据的获取及预处理

在项目的运行过程中，本文配备了相应的硬件设备近红外光谱仪，以便对水果进行扫描。为了确保数据模型在测试中的准确性和适用性，本文进行了多次实验，涵盖了不同生长阶段的水果样本。

在PSO-BP神经网络中，针对水果近红外光谱数据进行了训练，以确保实验的顺利开展。本文使用经过预训练的PSO-BP神经网络来分析获取的近红外光谱数据。通过将扫描得到的近红外光谱数据分为训练集和测试集，本文将已训练的模型与测试时使用的近红外光谱数据进行匹配和对比。这样，本文可以使用测试集中的数据来评估模型的准确性，并确保其达到了预期的精度水平。

在模型构建的过程中，针对原始的近红外光谱，预处理步骤扮演着定量分析和定性分析的关键角色，如图6所呈现。由于光谱仪所采集的数据除了样品信息外，还可能含有背景信息或噪声成分。

鉴于此，对光谱数据进行预处理，以确立准确且稳健的校准模型，显得尤为必要[3]。

多重散射校正（MSC） 的功能类似于减少样品之间因物理变异引起的散射和基线偏移的影响。

MSC的主要目标在于解决颗粒分布不均和颗粒大小差异导致的散射问题，以提升数据质量（Isaksson和Naes，1988年）。MSC的计算公式如公式（1） 所示。首先，首要计算校准集样本的平均光谱X，紧接着，针对特定的样本光谱x，本文进行了线性回归操作，得到了方程x=aX+β，并从中推导出了参数a和β的具体数值。通过运用这些参数a和β，对原始光谱进行了校准处理。通过持续的参数a和β的微调，能够极大地减少光谱之间的差异，并尽最大可能地保留了原始光谱中的有效信息。

[XMSC=x-βa]   （3）

3.2 实验结果

在本项目中，使用经过训练的神经网络模型进行了多次实验。图7展示了网络训练过程中均方误差随迭代次数的变化情况。从图中可以观察到，随着迭代次数的增加，均方误差逐渐减小，表明所训练的神经网络输出值迅速逼近实际值[4]。通过对比两幅图的结果，可以明显看出，经过PSO优化的BP神经网络在迭代次数超过11次后，均方误差的输出值逐渐稳定，标志着训练完成[5]。与原始的BP神经网络相比，经过PSO优化的网络在学习效率上有了显著提升，为项目带来了更高的效率和准确性。

通过实验过程中测试集数据的验证，结果表明训练集与测试集的匹配率超过98%，远超过同类型水果成熟度预测产品的表现。传统BP神经网络在训练过程中容易受局部极值影响而导致收敛速度慢。引入了粒子群优化（PSO） 算法的PSO-BP神经网络充分利用了粒子之间的竞争与协同寻找最优解的机制，加速了网络的收敛过程，从而使网络更快地达到稳定状态[5]。该网络模型将PSO粒子群优化与BP神经网络相结合，解决了传统BP神经网络中收敛速度慢和易陷入局部极值的问题，同时在实验过程中减轻了过拟合现象的出现，提升了测试精准度。在预测过程中，本项目选取了处于不同生长阶段的水果作为测试对象，通过网络模型进行成熟度预测。经过训练后，观察结果显示测试的准确性达到98%以上，具体测试结果见图8所示。

4 结束语

在本论文中，通过研究基于PSO-BP神经网络预测模型对测试苹果成熟度的方法和技術进行了详细的研究和讨论。通过收集大量的数据和实施实证研究，得出了一些重要的结论，并为果农和相关产业提供了有价值的信息。首先，回顾了现有的苹果成熟度测试方法和工具，并对其优缺点进行了评估。本文提出了一种基于PSO-BP神经网络预测模型的新方法。通过实验证明，该方法在准确性、可行性和成本效益方面都具有显著的优势。其次，详细介绍了设计和实施的实验，并分析了实验结果。这些结果都验证了基于PSO-BP神经网络预测模型测试方法的有效性，从而为果农的决策提供了重要依据。通过近红外光谱检测将检测数据传输进小程序“果然共知”中，小程序会基于传输的数据进行可视化以及生成苹果成熟度的报告分析并且给出相应的合理化建议，更方便果农采取应对措施。最后，基于PSO-BP神经网络预测模型方法准确评估苹果的成熟度，果农可以更好地计划采摘时间、优化储存和运输过程，并提高产品质量和市场竞争力。总之，本文的研究为测试苹果成熟度的方法和技术提供了新的视角和解决方案。本文的实证研究结果表明，基于PSO-BP神经网络预测模型的方法在准确性和效率方面具有显著优势。鼓励更多的果农和研究者采用本文的方法，并在此基础上进行进一步的研究和改进，以推动果农和苹果产业的发展和创新。

参考文献：

[1] 孙慧英，李亮，李敏生，等.苹果产业发展障碍因素及对策分析[J].吉林农业，2018（16）：82.

[2] 史亚朋.基于PSO-BP神经网络的船舶结构优化[D].大连：大连海事大学，2015.

[3] 张猛胜.基于可见/近红外光谱的苹果成熟度无损检测方法和便携式仪器研发[D].杨凌：西北农林科技大学，2021.

[4] 王得成，陈向宁，赵峰，等.基于卷积神经网络和RGB-D图像的车辆检测算法[J].激光与光电子学进展，2019，56（18）：119-126.

[5] 王杰，郑杨艳，凌祥.基于PSO-BP神经网络的小冲孔蠕变寿命预测模型[J].化工机械，2023，50（3）：348-353，387.

【通联编辑：谢媛媛】