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

1、木材無損檢測是一門綜合性的、非破壞性的木材缺陷的檢測方法。在不損壞木材表面和結(jié)構(gòu)的前提下,準確地檢測出木材的缺陷。能夠確保合理選材、科學(xué)用材,提高木材的使用率和經(jīng)濟價值,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)為研究對象,對它們中的節(jié)子、腐朽、蟲害三種典型木材缺陷類型進行了具體的研究。
　　 研制了木材X射線的無損檢測系統(tǒng)和木材缺陷圖像的采集系統(tǒng)的硬件平臺。采用X射線作為檢測手段,

2、對木材進行無損檢測。通過檢測透過被檢物體后的射線差異,來判斷被檢測木材是否有缺陷存在。不僅可以檢測木材的表面缺陷,還可以檢測木材的內(nèi)部缺陷。在木材的另一端利用圖像增強器進行接收,再經(jīng)過微光攝像機送入A/D轉(zhuǎn)換器,將木材X射線模擬圖像轉(zhuǎn)換成一數(shù)字圖像存入計算機中,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)對采集到的木材缺陷圖像進行預(yù)處理。對三種木材缺陷圖像分別進行了灰度變換增強、改進的加權(quán)均值濾波處理、中值濾波處理

3、。處理后的圖像對比度明顯增強,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節(jié),易于后續(xù)的圖像特征提取。運用常用的幾個邊緣檢測算子:Roberts算子、Sobel算子、Prewitt算子、Log算子、Canny算子對木材缺陷圖像進行邊緣檢測,檢測結(jié)果表明Sobel算子檢測效果較好,速度較快。為了提高邊緣提取的效果,對木材缺陷的原始圖像、灰度變換增強后的圖像、加權(quán)均值濾波后的圖像、中值濾波后的圖像分別進行二值化處理,對加權(quán)均

4、值濾波后的圖像的二值化處理效果最佳,對該二值圖像缺陷區(qū)域進行填充處理。應(yīng)用Sobel算子對填充后的二值圖像進行邊緣提取,提取出清晰的木材缺陷邊緣。
　　 提出了一種通過對圖像實現(xiàn)木材缺陷圖像分割的新方法。首先對效果最佳的木材缺陷的二值圖像進行圖像翻轉(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特點:可區(qū)別性,對不同類別的對象,特征要具有明顯的差異性:可靠性,對同類別的對象,特征具有相近性;獨立性,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)別不同的對象,但是計算量增大,運算時間增長,同樣會使識別準確率下降。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。首先對邊緣提取后的木材缺陷圖像進行掃描,記錄缺陷區(qū)域的邊緣的坐標,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三種木材缺陷的二值圖像和分割后的圖像進行特征提取,提取了木材缺陷長寬比、圓形度、灰度均值、灰度方差4個特征量。結(jié)合節(jié)子、腐朽、蟲害各自的結(jié)構(gòu)特點,引入了矩及幾何中心矩,通過對幾何矩的非線性組合,得到一組對于圖像平移、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,對原有的Hu不變矩進行抽象,由原來的7個特征抽象為10個特征,滿足了圖像的平移、縮放和旋轉(zhuǎn)不變性。提取出了10個木材

7、缺陷的結(jié)構(gòu)特征值。這樣對三種典型缺陷各提取了14個木材缺陷的特征值,對這14個特征進行歸一化處理,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(傳遞)函數(shù),通過對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BP神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí),將訓(xùn)練成熟的網(wǎng)絡(luò)對未知樣本進行仿真,BP神經(jīng)網(wǎng)絡(luò)對

8、木材缺陷的識別準確率達到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)試驗確定了徑向基分布常數(shù)spread,用已知樣本對RBF神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練,訓(xùn)練完成后,對未知樣本進行仿真試驗,對木材缺陷的識別準確率達到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BP神經(jīng)網(wǎng)絡(luò)部分進行訓(xùn)練,然后再對RBF網(wǎng)絡(luò)進行訓(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RBF網(wǎng)絡(luò)部分進行訓(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)練達到精度要求后,整個BP-RBF混合神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成,對未知樣本進行識別。對樣本的識別準確率達到96％。三種神經(jīng)網(wǎng)絡(luò)的木材缺陷識別率進行比較,BP-RBF混合神經(jīng)網(wǎng)絡(luò)識別準確率最高,而且實際輸出值更接近于目標輸出值。
　　 實驗結(jié)果表明,應(yīng)用BP和RBF神經(jīng)網(wǎng)絡(luò)方法可以成功地對木材的三種典型缺陷進行無損檢測,木材缺陷的識別率都在90％以上,組建的BP-RBF混合神經(jīng)網(wǎng)絡(luò)模型對木