基于BP和RBF神經(jīng)網(wǎng)絡(luò)的木材缺陷檢測(cè)研究.pdf

1、木材無損檢測(cè)是一門綜合性的、非破壞性的木材缺陷的檢測(cè)方法。在不損壞木材表面和結(jié)構(gòu)的前提下,準(zhǔn)確地檢測(cè)出木材的缺陷。能夠確保合理選材、科學(xué)用材,提高木材的使用率和經(jīng)濟(jì)價(jià)值,有效節(jié)約木材資源。本課題以北方典型的兩種樹種:落葉松和樺木(它們分別屬于針葉材和闊葉材)為研究對(duì)象,對(duì)它們中的節(jié)子、腐朽、蟲害三種典型木材缺陷類型進(jìn)行了具體的研究。
　　 研制了木材X射線的無損檢測(cè)系統(tǒng)和木材缺陷圖像的采集系統(tǒng)的硬件平臺(tái)。采用X射線作為檢測(cè)手段,

2、對(duì)木材進(jìn)行無損檢測(cè)。通過檢測(cè)透過被檢物體后的射線差異,來判斷被檢測(cè)木材是否有缺陷存在。不僅可以檢測(cè)木材的表面缺陷,還可以檢測(cè)木材的內(nèi)部缺陷。在木材的另一端利用圖像增強(qiáng)器進(jìn)行接收,再經(jīng)過微光攝像機(jī)送入A/D轉(zhuǎn)換器,將木材X射線模擬圖像轉(zhuǎn)換成一數(shù)字圖像存入計(jì)算機(jī)中,完成木材的缺陷圖像的采集工作。
　　 應(yīng)用數(shù)字圖像處理技術(shù)對(duì)采集到的木材缺陷圖像進(jìn)行預(yù)處理。對(duì)三種木材缺陷圖像分別進(jìn)行了灰度變換增強(qiáng)、改進(jìn)的加權(quán)均值濾波處理、中值濾波處理

3、。處理后的圖像對(duì)比度明顯增強(qiáng),沒有出現(xiàn)傳統(tǒng)均值濾波加寬的現(xiàn)象,最大程度地保留了圖像的缺陷細(xì)節(jié),易于后續(xù)的圖像特征提取。運(yùn)用常用的幾個(gè)邊緣檢測(cè)算子:Roberts算子、Sobel算子、Prewitt算子、Log算子、Canny算子對(duì)木材缺陷圖像進(jìn)行邊緣檢測(cè),檢測(cè)結(jié)果表明Sobel算子檢測(cè)效果較好,速度較快。為了提高邊緣提取的效果,對(duì)木材缺陷的原始圖像、灰度變換增強(qiáng)后的圖像、加權(quán)均值濾波后的圖像、中值濾波后的圖像分別進(jìn)行二值化處理,對(duì)加權(quán)均

4、值濾波后的圖像的二值化處理效果最佳,對(duì)該二值圖像缺陷區(qū)域進(jìn)行填充處理。應(yīng)用Sobel算子對(duì)填充后的二值圖像進(jìn)行邊緣提取,提取出清晰的木材缺陷邊緣。
　　 提出了一種通過對(duì)圖像實(shí)現(xiàn)木材缺陷圖像分割的新方法。首先對(duì)效果最佳的木材缺陷的二值圖像進(jìn)行圖像翻轉(zhuǎn),將其數(shù)組轉(zhuǎn)化為uint8類型,然后將翻轉(zhuǎn)后得到的圖像與中值濾波后的木材缺陷圖像進(jìn)行,木材缺陷圖像的結(jié)果使缺陷區(qū)域完全從背景中分離,完成了圖像分割,同時(shí)并沒有改變?nèi)毕輩^(qū)域的灰度、結(jié)構(gòu)

5、等特征。
　　 木材缺陷在特征的選擇上具有四個(gè)特點(diǎn):可區(qū)別性,對(duì)不同類別的對(duì)象,特征要具有明顯的差異性:可靠性,對(duì)同類別的對(duì)象,特征具有相近性;獨(dú)立性,所用的特征之間互不干涉,互不相關(guān);數(shù)量少,數(shù)量多雖然能更好的區(qū)別不同的對(duì)象,但是計(jì)算量增大,運(yùn)算時(shí)間增長(zhǎng),同樣會(huì)使識(shí)別準(zhǔn)確率下降。根據(jù)節(jié)子、腐朽、蟲害的缺陷特征差異,主要提取木材缺陷圖像的灰度特征和形狀特征。首先對(duì)邊緣提取后的木材缺陷圖像進(jìn)行掃描,記錄缺陷區(qū)域的邊緣的坐標(biāo),確定了

6、木材缺陷的位置和尺寸,再根據(jù)確定的位置和尺寸分別對(duì)三種木材缺陷的二值圖像和分割后的圖像進(jìn)行特征提取,提取了木材缺陷長(zhǎng)寬比、圓形度、灰度均值、灰度方差4個(gè)特征量。結(jié)合節(jié)子、腐朽、蟲害各自的結(jié)構(gòu)特點(diǎn),引入了矩及幾何中心矩,通過對(duì)幾何矩的非線性組合,得到一組對(duì)于圖像平移、旋轉(zhuǎn)和比例不變的矩-Hu不變矩。根據(jù)Hu不變矩的物理意義,對(duì)原有的Hu不變矩進(jìn)行抽象,由原來的7個(gè)特征抽象為10個(gè)特征,滿足了圖像的平移、縮放和旋轉(zhuǎn)不變性。提取出了10個(gè)木材

7、缺陷的結(jié)構(gòu)特征值。這樣對(duì)三種典型缺陷各提取了14個(gè)木材缺陷的特征值,對(duì)這14個(gè)特征進(jìn)行歸一化處理,歸一化后的特征值將作為神經(jīng)網(wǎng)絡(luò)輸入的特征向量。
　　 設(shè)計(jì)了BP神經(jīng)網(wǎng)絡(luò)模型,確定BP網(wǎng)絡(luò)的層數(shù)及各層神經(jīng)元數(shù)目,隱層和輸出層選擇S型函數(shù)作為激勵(lì)(傳遞)函數(shù),通過對(duì)BP各種算法的比較,得出Levenberg-Marquardt學(xué)習(xí)算法是最優(yōu)的算法,用已知樣本對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí),將訓(xùn)練成熟的網(wǎng)絡(luò)對(duì)未知樣本進(jìn)行仿真,BP神經(jīng)網(wǎng)絡(luò)對(duì)

8、木材缺陷的識(shí)別準(zhǔn)確率達(dá)到90％。
　　 構(gòu)建了RBF神經(jīng)網(wǎng)絡(luò)模型,RBF神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)具有較好的逼近能力。RBF神經(jīng)網(wǎng)絡(luò)為三層網(wǎng)絡(luò),確定了各層的節(jié)點(diǎn)數(shù),隱層傳遞函數(shù)為高斯函數(shù),輸出層傳遞函數(shù)為線性函數(shù),經(jīng)過反復(fù)試驗(yàn)確定了徑向基分布常數(shù)spread,用已知樣本對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,訓(xùn)練完成后,對(duì)未知樣本進(jìn)行仿真試驗(yàn),對(duì)木材缺陷的識(shí)別準(zhǔn)確率達(dá)到92％。
　　 組建了BP-RBF混合神經(jīng)網(wǎng)絡(luò)模型。BP神經(jīng)網(wǎng)絡(luò)具有較好的數(shù)據(jù)

9、壓縮能力,RBF神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)具有較好的逼近效果,將BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)串聯(lián)。BP-RBF混合神經(jīng)網(wǎng)絡(luò)中的BP神經(jīng)網(wǎng)絡(luò)部分的輸出作為RBF神經(jīng)網(wǎng)絡(luò)的輸入,采用分布訓(xùn)練的方法,先對(duì)BP神經(jīng)網(wǎng)絡(luò)部分進(jìn)行訓(xùn)練,然后再對(duì)RBF網(wǎng)絡(luò)進(jìn)行訓(xùn)練。由于BP-RBF混合神經(jīng)網(wǎng)絡(luò)中的BP網(wǎng)絡(luò)部分與前面構(gòu)建的BP網(wǎng)絡(luò)結(jié)構(gòu)相同,已訓(xùn)練成熟,不需要再進(jìn)行訓(xùn)練,但混合神經(jīng)網(wǎng)絡(luò)中的RBF網(wǎng)絡(luò)部分與前面的RBF神經(jīng)網(wǎng)絡(luò)有所不同,對(duì)RBF網(wǎng)絡(luò)部分進(jìn)行訓(xùn)練,重新確

10、定了徑向基分布常數(shù)spread,待RBF網(wǎng)絡(luò)部分訓(xùn)練達(dá)到精度要求后,整個(gè)BP-RBF混合神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成,對(duì)未知樣本進(jìn)行識(shí)別。對(duì)樣本的識(shí)別準(zhǔn)確率達(dá)到96％。三種神經(jīng)網(wǎng)絡(luò)的木材缺陷識(shí)別率進(jìn)行比較,BP-RBF混合神經(jīng)網(wǎng)絡(luò)識(shí)別準(zhǔn)確率最高,而且實(shí)際輸出值更接近于目標(biāo)輸出值。
　　 實(shí)驗(yàn)結(jié)果表明,應(yīng)用BP和RBF神經(jīng)網(wǎng)絡(luò)方法可以成功地對(duì)木材的三種典型缺陷進(jìn)行無損檢測(cè),木材缺陷的識(shí)別率都在90％以上,組建的BP-RBF混合神經(jīng)網(wǎng)絡(luò)模型對(duì)木