第一章 绪论
1.1 研究背景与选题意义
1.1.1 研究背
玉米别称包谷、包米、棒子等，它是生活中不可或缺的饲料作物和粮食作物。玉米是全球三大农作物之一，是重要的粮食作物和油料作物，从全球的播种面积和总产量的角度来看，玉米是不可或缺的主要粮食作物[1]。中国的农业发展水平在全世界来说是领先的，我国拥有的农作物数量极其庞大，玉米作为众多农产品之一，它的种植面积是最大的，同时产量也最多的。2006年至2016年来，我国玉米的播种面积持续扩大，总产量虽有波动，但仍然是我国播种面积最大的粮食作物。随之而来的玉米产量21955.4万吨也成为了所有谷物中产量最高的作物。2018年起，我国将以进一步转换增长方式和调优品种结构为核心要领，督促农民重视农作物自身的品种结构，提质增效，而不能一个劲儿加大播种面积，从而实现农业的可持续发展。玉米品种调优的前提工作是挑选优质品种，目前采取的是人工分级挑选等方法，该方法耗费人力、物力较多，需要采用智能方法来改进。
1.1.2 选题意义
此前，农业生产与科学研究方面大多都是由工作人员依靠肉眼来进行基本的辨识的，但是近年来计算机信息技术的发展趋势较为迅猛，人工智能技术也得以应用于农产品品质检测和分类中，被称为提高农业生产效率和质量的新工具。人工神经网络是一门由多种学科集成而来的学科，其中包括神经科学、计算机科学、信息科学、工程科学等学科[2]。人工神经网络在处理信息时，模仿的是人类大脑处理信息的活动过程，它能灵活高效地完成信息处理过程。人工神经网络可以应用于农业产物品质的检测分级，通过对农业产物种子的各质量指标评价，从而达到正确分级的目的。相对于传统的人工分类方法，利用神经网络的智能分类具有两个有点：（1）可以实现多个项目同时进行检测的要求，实现快速、精准分类的要求；（2）能够规避人的疲劳程度等主观因素对分类精度的不良影响，利于实现自动化，为解决农作物质量分级问题提供科学决策依据，从而为智慧农业的发展做出贡献。
.........................
1.2 研究现状综述
目前，农作物质量分级大多是先采集农作物的各项质量指标，然后按照国家标准进行人工分级，但这种方法在质量指标繁多的时候比较耗费人力物力，同时也会因为人为的因素而影响分级的正确率。
如今，人工神经网络的发展和应用得到了迅速的提升，因为它相对于传统网络来说，它的自适应、鲁棒性、非线性映射等特性都比较出色[3]，所以说人工神经网络具有更好的分类能力，是解决复杂分类问题的有效途径和办法。
神经网络虽然能解决各类复杂问题的求解、分类等，但是它也不是完美的，比如说神经网络训练时，它的各项参数没有严谨的数学理论或者公式，只能靠前人大量的实验经验来选取，也就是所谓的经验公式；初始连接权值和阈值是计算机随机选取的，增加了网络的训练时长，也可能使得网络陷入局部最优的情况等等[4]，也正是因为这些不足的存在，使得人工神经网络在分类问题中的推广以及应用受到了制约。
1.2.1 国内研究现状
现如今，神经网络已经成为了信息科学和神经生物学新的研究方法，而且已经与其他学科相结合，并且得到了广泛应用。从农业角度来看，神经网络在我国已被用于农业技术管理、识别、分类、预测等方面，一些学者进行研究并且得出了研究结果，其中包括： 2007年，白穆等人[5]在研究土地评价方法时，提出人工神经网络与土地评价相结合的方法，经过多次实验验证之后，发表了《人工神经网络在农用地分级因素权重确定中的应用研究》一文，文章提出了人工神经网络与农用地分级相结合的方式，将神经网络理论实践于模型建立、土地分级工作中。
.........................
第二章 人工神经网络概述
2.1 人工神经网络
人工神经网络（ Artificial Neural Networks，简写为 ANNs）也简称为神经网络（NNs）或称作连接模型（Connectionist Model）[26]，人工神经网络的发展是有依据的，它是按照生物神经网络（biological neural network,BNN）为基础逐渐产生的，它是简化模拟人脑的思维和结构的信息处理器。Hecht—Nielsen[27]从事了多年神经网络的研究工作，他认为人工神经网络是人类建立的一种动态系统，该系统的拓扑结构是有向图，它的主要作用是对信息进行相应的处理，Hecht—Nielsen 的这种看法在实际应用中是非常合理的。
2.1.1 人工神经网络的发展
人工神经网络的发展并不是畅通无阻的，而是在多次的跌跌撞撞中逐渐发展起来的[28]。
人工神经网络的起始点在于神经元模型的提出，是由西方心理学家 Mcculloch 和数学家 Pitts [29]在 20 世纪 40 年代初提出的，他们还从中发现了神经元能相互连接这个特性。随后就有学者 Hebb 在神经元相互连接这个特性上深入研究，增加了连接强度，并且将这一规则命名为 Hebb 规则[30]。1958 年，Rosenblatt错误!未找到引用源。提出了构造感知器结构的想法，这一想法使得神经网络逐渐发展起来。1962 年，Widrow[31]挑战了当时的权威也就是采用顺序离散符号推理的 AI 方法，该方法为自适应系统创新了一种元件。
之后几年，对于神经网络的研究都是在平缓发展中进行的。Minsky 和 Papert[33]是两位进行神经网络研究工作的西方学者，经过他们多年的论证和推理，于 1969 年提出了神经网络的一些性质。他们还提出了一些模型具有局限性，例如不能解决异或问题。之后，神经元网络陷入了发展缓慢期。难能可贵的是，即使神经网络的研究极度困难，仍然有学者进行了持之以恒的研究。例如，Silverstein 错误!未找到引用源。打破了神经元网络的瓶颈期，在神经元的研究过程中有了新发现，提出了几种具有新特征的非线性动态系统结；Anderson[34]创建了 BSB 模型；Webos 总结出了 BP 理论等。
...........................
2.2 BP神经网络模型
20 世纪 70 年代中期，西方学者Werbos错误!未找到引用源。提出了一个适合多层网络的学习算法，但却无人问津，以至于对该算法的应用也是寥寥无几。直到 1986 年，来自美国加利福尼亚PDP小组的Rumelhart和Mcclelland[38]共同发表了《Parallel Distributed Processing》一书，书中提出了轰动当时学术界的一种算法，该算法是一种误差反向传播的学习算法，成功解决了多层网络的学习问题，这也使得它成为一时间被人们所熟知的算法，人们将它简称为BP算法，BP神经网络也因此得名。
2.2.1 BP神经网络的模型结构
从图 2-4 中可以看出，神经元模型由输入、连接权、传递函数 f 和输出组成。对于每个输入信息来说，通过连接权值 w 后都有相对应的输出，输出可以通过以下公式表现出来：
..........................
3.1 遗传算法的定义 .................................... 20
3.2 遗传算法的特点 ..................................... 20
3.3 遗传算法基本要素 ........................................ 21
第四章 基于BP神经网络的玉米种子质量检测 .................................. 27
4.1 研究指标的选取 ........................................ 27
4.2 BP神经网络模型的建立 ............................. 27
第五章 总结与展望 .............................................. 43
5.1 本论文的主要工作总结 .............................................. 43
5.2 进一步的工作 .................................... 44
第四章 基于BP神经网络的玉米种子质量检测
4.1 研究指标的选取
我国玉米国家质量指标分为基础的玉米国标、饲料用玉米国标和工业用玉米国标，在某些方面这三个质量指标是有共性的，只是侧重点不同。基础玉米国家标准GB1353—2018 中，将玉米质量按照以下指标进行分级：容重、不完善粒含量、霉变粒含量、杂质含量、水分含量、色泽气味。本文结合玉米国家标准 GB1353—2018 以及 MATLAB 中数据处理的要求，本文将容重、不完善粒含量、霉变粒含量、杂质含量、水分含量这五个因素作为评价指标，以此来对玉米进行等级分类。
神经网络检测农作物种子质量的步骤如下：
（1）导入 200 组玉米质量数据，给定输入向量与目标输出；
（2）设定网络中各参数的值，例如学习速率、训练方法等、误差精度等；
（3）从 200 组玉米数据中随机选取 120 组数据作为训练样本，剩余 80 组数据作为测试样本，开始训练网络。当网络实际输出与目标值的误差符合预设精度时结束训练，如果没有达到预设精度范围内则开始 BP 网络的误差反向传播，以此修改各节点的连接权值和阈值；
（4）网络仿真，用经过训练的网络对新数据进行网络仿真，以实现玉米质量的检测分级。
.........................
第五章 总结与展望
5.1 本论文的主要工作总结
本文通过对山东省收获玉米分级的评价工作，在 MATLAB 平台的支持下，利用GA 算法的优点来优化 BP 算法的缺陷，两者结合之下建立了 GA-BP 神经网络的玉米质量分级模型，通过两种模型的实验结果可知，GA-BP 神经网络模型在输出精度上比简单的 BP 神经网络模型精度要高 15%。
（1）详细阐述了 BP 神经网络算法和遗传算法基本原理。深入研究了 BP 神经网络相关的知识等，并针对 BP 算法的局 限性，例如效率低下、容易陷入局部极小、各项参数的设定没有完善的数学理论支撑和统一的标准等问题提出改进方法。详细描述了遗传算法的基本要素、应用以及优化 BP 神经网络的意义、步骤等，为下文实验提供理论依据。
（2）根据玉米质量分级的技术要求，对山东省收获玉进行了质量指标的评价。根据山东省玉米质量评价工作要求和玉米通用国家标准 GB1353—2018，选取参与此次实验的 200 组数据的 5 个质量指标分别为容重、不完善粒含量、霉变粒含量、杂质含量、水分含量，并且将 200 组样本数据按照要求分为 5 个等级，形成玉米质量检测评价体系。（3）本文将山东省收获玉米会检结果中的 200 组玉米质量数据导入，将这些样本分为训练样本和测试样本两部分，前者随机选取 120 组，后者为剩下的 80 组，给定输入向量与目标输出；设定网络中各参数的值，例如学习速率、训练方法等、误差精度等；然后开始训练网络；用经过训练的网络对测试数据进行网络仿真。当网络实际输出与目标值的误差符合预设精度时结束训练，如果没有达到预设精度范围内则开始 BP 网络的误差反向传播，以此修改各节点的连接权值和阈值。最终，本次实验的BP 神经网络输出准确率为 73.75%。本文为玉米质量等级的工作提供了一种人工智能的新方法。与传统的方法相比，该方法能够快速获得玉米质量输入指标与玉米质量等级判定之间的非线性关系，并且能够使模型根据环境的变化做出相应的改变。