牟洪波，王世偉，戚大偉，倪海明

(東北林業(yè)大學(xué) 理學(xué)院，哈爾濱 150040)

基于灰度共生矩陣和模糊BP神經(jīng)網(wǎng)絡(luò)的木材缺陷識別

牟洪波，王世偉，戚大偉*，倪海明

(東北林業(yè)大學(xué) 理學(xué)院，哈爾濱 150040)

針對當前木材資源緊缺的嚴重形勢，提高木材缺陷檢測的準確率顯得尤為重要。利用X射線無損檢測技術(shù)獲取木材缺陷的圖像，并且通過灰度共生矩陣的方法能夠有效地提取圖像的主要特征值即特征向量，同時將模糊數(shù)學(xué)與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合設(shè)計出模糊BP神經(jīng)網(wǎng)絡(luò)(FBP)，并采用最大隸屬度方法對特征向量進行模式識別，從而實現(xiàn)木材缺陷的自動識別和分類。經(jīng)多次學(xué)習(xí)訓(xùn)練，結(jié)果表明FBP網(wǎng)絡(luò)的平均識別成功率在90%以上。因此，F(xiàn)BP神經(jīng)網(wǎng)絡(luò)對木材缺陷有較高的識別準確率，可以為缺陷識別提供重要的理論依據(jù)。

木材缺陷；灰度共生矩陣；特征提??；模糊BP神經(jīng)網(wǎng)絡(luò)

0 引言

雖然我國森林資源豐富，但與其他國家相比人均占比很少，而且木材的需求量又日益增加，因此在生產(chǎn)和制造過程中提高木材的利用率正在成為迫在眉睫的問題[1]。而在這個過程中木材的缺陷是造成木材利用率降低的主要原因之一，如何在加工之前準確預(yù)測缺陷位置成為首要問題[2]。傳統(tǒng)的人工缺陷檢驗依賴檢測人員的經(jīng)驗以及檢測員的注意力，同一缺陷不同經(jīng)驗的檢測員可能得到不同的結(jié)論，另外檢測員疲勞也會影響檢驗結(jié)果[3]。近年來，牟洪波、戚大偉等國內(nèi)科研工作者也一直致力于木材缺陷的智能識別領(lǐng)域，雖然已經(jīng)取得了很大的進步，但至今這個領(lǐng)域依然沒有達到成熟的工業(yè)化程度，高精度的智能檢測方法是解決木材缺陷識別的關(guān)鍵，也是木材加工行業(yè)亟需解決的問題，具有很高的生產(chǎn)實用價值，值得長期研究[4-5]。本文主要針對落葉松、水曲柳兩種樹木的木材缺陷展開研究，落葉松、水曲柳在家居產(chǎn)品等領(lǐng)域應(yīng)用廣泛，并且樣本易于采集，具有一定的代表性，應(yīng)用灰度共生矩陣提取特征值，并且將模糊理論與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對木材缺陷中3種典型缺陷(裂紋、節(jié)子、腐朽)實現(xiàn)自動檢測識別。

1 木材缺陷圖像采集

整個缺陷圖像采集系統(tǒng)主要以計算機為中心，應(yīng)用國產(chǎn)工業(yè)X光機(2005)照射木材表面，熒光屏成像，采用微光攝像機做為圖像輸入傳感器傳送模擬圖像信號，傳送的信號經(jīng)自制A/D轉(zhuǎn)換電路變?yōu)殡x散狀態(tài)的數(shù)字信號并存入圖像存儲器中。缺陷圖像采集系統(tǒng)如圖1所示。

圖1 木材缺陷采集系統(tǒng)Fig.1 Acquisition system of wood defect

2 木材缺陷圖像特征值提取

將木材缺陷圖像灰度化，并生成灰度共生矩陣提取木材缺陷特征值，灰度圖像(灰度級為Ng，像

素Nx×Ny)中任意一點(x，y)及偏離它距離為d的另一點(x+dsinα，y+dcosα)，設(shè)這兩點組成的灰度值對為(i，j)，其中兩點的灰度值之和；取值范圍為i，j∈{1，2，…Ng}。令點(x，y)在整個畫面上移動，則會得到各種(i，j)的值進而得到灰度共生矩陣GLCM，GLCM中第i行第j列元素G(i，j)表示灰度值對(i，j)出現(xiàn)的次數(shù)；若通過灰度級數(shù)為Ng的圖像生成灰度共生矩陣中同時包含出現(xiàn)和未出現(xiàn)的灰度值對，則GLCM是Ng×Ng的方陣[6]。通過灰度共生矩陣可以分析圖像的排列規(guī)則與局部模式等特征，但一般并不直接應(yīng)用得到的共生矩陣GLCM，而是在其基礎(chǔ)上進行二次統(tǒng)計，獲取二次統(tǒng)計量[7]。

(1)

式中：R是所有灰度對出現(xiàn)的總次數(shù)，是歸一化常數(shù)；矩陣P中第i行第j列元素P(i，j)表示灰度值對(i，j)出現(xiàn)的概率，即P為歸一化的概率矩陣，并用聯(lián)合概率矩陣P代替原灰度共生矩陣GLCM做特征值提取。這樣，兩個像素灰度級同時發(fā)生的概率，就將(x，y)的空間坐標轉(zhuǎn)化為灰度對(i，j)的描述，形成了聯(lián)合概率灰度共生矩陣[8-9]。

26個學(xué)習(xí)訓(xùn)練樣本(編號1-26，1-15為裂紋圖像，16-23為節(jié)子圖像，24-26為腐朽圖像)中部分樣本特征值見表1。

表1 部分木材缺陷圖像特征值

3 模糊BP神經(jīng)網(wǎng)絡(luò)的設(shè)計

(2)

4 FBP網(wǎng)絡(luò)的木材缺陷識別訓(xùn)練

4.1 網(wǎng)絡(luò)學(xué)習(xí)

網(wǎng)絡(luò)的參數(shù)(權(quán)重和閾值)的學(xué)習(xí)修正算法參照Hebb學(xué)習(xí)率設(shè)計。Hebb學(xué)習(xí)率：兩個相連接的神經(jīng)元同時興奮(即同時被激活)時，它們之間的突出連接最強(即學(xué)習(xí)效率最高)[17-18]。最簡單的Hebb學(xué)習(xí)率為：

(3)

本文按照有監(jiān)督的Hebb學(xué)習(xí)率對參數(shù)進行學(xué)習(xí)、修正。

4.2 網(wǎng)絡(luò)訓(xùn)練

(4)

作為網(wǎng)絡(luò)的訓(xùn)練目標，當E≤ε0時，停止網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練[19]。經(jīng)對比，雖然L-M算法在FBP網(wǎng)絡(luò)的學(xué)習(xí)、訓(xùn)練中對木材缺陷的識別效果優(yōu)于擬牛頓算法(Quasi-Newton)，但是當網(wǎng)絡(luò)中輸入新的木材缺陷樣本數(shù)據(jù)時，識別效果不如擬牛頓算法，即此時L-M算法的FBP出現(xiàn)了學(xué)習(xí)過度的現(xiàn)象[20]。故選取擬牛頓算法作為FBP的識別訓(xùn)練算法。

5 木材缺陷識別的FBP網(wǎng)絡(luò)測試

對利用木材缺陷特征樣本訓(xùn)練好的FBP網(wǎng)絡(luò)的識別能力進行測試，神經(jīng)網(wǎng)絡(luò)的設(shè)計、訓(xùn)練和測試是得到一個成功的神經(jīng)網(wǎng)絡(luò)必不可少的3個步驟。其中，神經(jīng)網(wǎng)絡(luò)的測試更是重中之重，只有順利通過了此檢驗才能證明所設(shè)計和訓(xùn)練的網(wǎng)絡(luò)是可以在實際中運用的。部分測試樣本如圖2所示。

圖2 部分測試樣本Fig.2 Part of the test sample

表2 部分測試樣本識別結(jié)果

測試樣本在FBP網(wǎng)絡(luò)中的輸出與期望輸出值見表2，其之間的線性回歸關(guān)系如圖3所示。

圖3 測試樣本輸出與期望輸出線性回歸關(guān)系Fig.3 Test sample output and desired output linear regression relation

線性相關(guān)系數(shù)R=0.999 28，表明網(wǎng)絡(luò)輸出與期望輸出之間線性相關(guān)非常好；縱坐標左側(cè)是網(wǎng)絡(luò)輸出與期望輸出之間的最小二乘線性回歸關(guān)系函數(shù)；兩者都表明該FBP網(wǎng)絡(luò)對于測試樣本的精度非常好。

6 結(jié)果與分析

FBP網(wǎng)絡(luò)將模糊數(shù)學(xué)與BP神經(jīng)網(wǎng)絡(luò)平滑的結(jié)合在一起，運用灰度共生矩陣提取木材缺陷圖像的特征值對網(wǎng)絡(luò)進行訓(xùn)練，經(jīng)多次學(xué)習(xí)訓(xùn)練，F(xiàn)BP網(wǎng)絡(luò)對木材缺陷測試樣本的平均識別率可以達到90%以上，測試樣本的網(wǎng)絡(luò)輸出隸屬程度與期望輸出隸屬程度之間的線性回歸分析效果理想(平均線性相關(guān)系數(shù)大于0.93，T軸截距到原點平均距離小于0.05)。而且部分FBP網(wǎng)絡(luò)對測試樣本的平均識別率為100%，缺陷測試樣本的網(wǎng)絡(luò)輸出隸屬程度與期望隸屬程度之間的線性回歸分析效果極佳(線性相關(guān)系數(shù)大于0.99，T軸截距到原點平均距離小于0.01)。

木材缺陷訓(xùn)練樣本的輸出與測試樣本的結(jié)果均表明FBP網(wǎng)絡(luò)對木材缺陷具有很好的識別效果。但學(xué)習(xí)訓(xùn)練好的網(wǎng)絡(luò)往往對新樣本的適應(yīng)性較差，增加訓(xùn)練樣本數(shù)量可以有效提高網(wǎng)絡(luò)的識別效果，然而這無疑會增加網(wǎng)絡(luò)的計算量，甚至使網(wǎng)絡(luò)在學(xué)習(xí)訓(xùn)練時難以收斂，達不到預(yù)期目標。網(wǎng)絡(luò)的初值有時對網(wǎng)絡(luò)影響較大，網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練結(jié)果有時收斂于局部極小值，而非全局最優(yōu)解。這些問題均值得進一步研究與探討。

7 結(jié)論

本文設(shè)計的模糊BP神經(jīng)網(wǎng)絡(luò)(FBP)將模糊數(shù)學(xué)與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，將木材缺陷圖像的特征向量作為FBP網(wǎng)絡(luò)的輸入，通過有監(jiān)督的Hebb學(xué)習(xí)率和BFGS擬牛頓算法對FBP網(wǎng)絡(luò)進行學(xué)習(xí)和訓(xùn)練，當網(wǎng)絡(luò)達到預(yù)期誤差目標時，對木材缺陷識別能力達到預(yù)期，停止網(wǎng)絡(luò)的學(xué)習(xí)與訓(xùn)練，保存此時的網(wǎng)絡(luò)。再將整個FBP網(wǎng)絡(luò)作為特征向量的隸屬函數(shù)，F(xiàn)BP網(wǎng)絡(luò)的輸出作為特征向量對各個類別的隸屬程度，采用最大隸屬度方法對木材缺陷進行模式識別。然后將測試樣本的特征向量輸入到該網(wǎng)絡(luò)中，若測試結(jié)果理想，則選取該網(wǎng)絡(luò)，若測試結(jié)果不理想，則重新建立網(wǎng)絡(luò)，重新測試，直至選擇出測試結(jié)果理想的網(wǎng)絡(luò)。最后選擇識別精度和網(wǎng)絡(luò)輸出最好的網(wǎng)絡(luò)作為木材缺陷識別的最終網(wǎng)絡(luò)。經(jīng)過多次嘗試，得到了具有理想的精度(對學(xué)習(xí)訓(xùn)練樣本和測試樣本的識別率均為90%以上，網(wǎng)絡(luò)輸出與期望輸出非常接近)的識別網(wǎng)絡(luò)。因此，模糊BP神經(jīng)網(wǎng)絡(luò)在對木材缺陷識別上有良好的效果，同時結(jié)合灰度共生矩陣更能達到很高的識別準確率，能夠為此后木材機械的生產(chǎn)制造以及相關(guān)研究提供相應(yīng)的理論參考。

[1]吳東洋.基于聚類分析的木材缺陷識別研究[D].南京：南京林業(yè)大學(xué)，2011.

[2]Zhao P.Robust Wood Species Recognition Using Variable Color Information[J].Optik-International Journal for Light and Electron Optics，2013，124(17)：2833-2836.

[3]謝永華，陳慶為.木材缺陷的閾值分割算法研究[J].森林工程，2014，30(2)：38-42.

[4]朱蕾.木材表面缺陷圖像識別的算法研究[D].南京：南京林業(yè)大學(xué)，2011.

[5]Xie YH，W JC.Study on the Identification of the Wood Surface Defects Based on Texture Features[J].Optik-International Journal for Light and Electron Optics，2015，126(19)：2231-2235.

[6]吳東洋，業(yè)寧，蘇小青.基于灰度共生矩陣和聚類方法的木材缺陷識別[J].計算機與數(shù)字工程，2010，38(11)：38-41.

[7]Yang P，Yang GW.Feature Extraction Using Dual-tree Complex Wavelet Transform and Gray Level Co-occurrence Matrix[J].Neurocomputing，2016，197(C)：212-220.

[8]Yang D W，Wu H.Three-dimensional Temperature Uniformity Assessment Based on Gray Level Co-occurrence Matrix[J].Applied Thermal Engineering，2016，108：689-696.

[9]Mishra S，Majhi B，Sa PK，et al.Gray Level Co-occurrence Matrix and Random Forest Based Acute Lymphoblastic Leukemia Detection[J].Biomedical Signal Processing and Control，2017，33：272-280.

[10]郭靜靜.模糊數(shù)學(xué)與BP神經(jīng)網(wǎng)絡(luò)的高層建筑施工安全評價研究[D].邯鄲：河北工程大學(xué)，2015.

[11]Wang H J，Qi H N，Wang X F.A New Gabor Based Approach for Wood Recognition[J].Neurocomputing，2013，116(10)：192-200.

[12]牟洪波.基于BP和RBF神經(jīng)網(wǎng)絡(luò)的木材缺陷檢測研究[D].哈爾濱：東北林業(yè)大學(xué)，2010.

[13]任重昕，畢劍華，謝琳，等.采用圖像分割方法進行木材表面缺陷的定量檢測[J].液晶與顯示，2014，29(5)：785-792.

[14]戚大偉，牟洪波.基于Hu不變矩和BP神經(jīng)網(wǎng)絡(luò)的木材缺陷檢測[J].東南大學(xué)學(xué)報：自然科學(xué)版，2013，43(S1)：63-66.

[15]宋小燕.木材表面灰度缺陷識別中圖像分析方法研究[D].呼和浩特：內(nèi)蒙古工業(yè)大學(xué)，2015.

[16]Bombardier V，Schmitt V.Fuzzy Rule Classifier：Capability for Generalization in Wood Color Eecognition[J].Engineering Applications of Artificial Intelligence，2010，23(6)：978-988.

[17]馬翔宇，王曉豐，段文英.落葉松木材干燥的BP神經(jīng)網(wǎng)絡(luò)模型研究[J].森林工程，2015，31(1)：63-65.

[18]戚大偉，牟洪波.人工神經(jīng)網(wǎng)絡(luò)在木材缺陷檢測中的應(yīng)用 [J].森林工程，2006，22(1)：21-23.

[19]Wong W K，Yuen C W M，F(xiàn)an D D，et al.Stitching Defect Detection and Classification Using Wavelet Transform and BP Neural Network [J].Expert Systems with Applications，2009，36(2)：3845-3856.

[20]吳 彤，劉嘉新，丁全福.木材缺陷重建圖像的形態(tài)學(xué)處理研究 [J].森林工程，2016，32(2)：40-43.

Wood Defects Recognition Based on Gray-level Co-occurrence Matrix and Fuzzy BP Neural Network

Mu Hongbo，Wang Shiwei，Qi Dawei*，Ni Haiming

(College of Science，Northeast Forestry University，Harbin 150040)

It is important to enhance the accuracy in wood defects detection against the serious shortage of wood resources situation.Wood defects images were acquired by X-ray nondestructive testing technology.Feature vector which was the major characteristics of images could be effectively extracted by gray level co-occurrence matrix.At the same time，the fuzzy BP neural network(FBP)was designed by the combination of fuzzy mathematics and BP neural network.The maximum membership degree principle was used to do the pattern recognition of feature vectors，and then the automatic recognition and classification of wood defects could be realized.After a lot of training，results showed that the average recognition rate of FBP is above 90%.Therefore，F(xiàn)BP has a high recognition accuracy for wood defects，which can provide an important theoretical basis for defects identification.

Wood defects；GLCM；feature extraction；fuzzy BP neural network

2017-01-16

國家自然科學(xué)基金項目(31570712)；黑龍江省自然科學(xué)基金項目(C201338)

牟洪波，博士，副教授。研究方向：圖像處理與模式識別

*通信作者：戚大偉，博士，教授。研究方向：圖像處理與模式識別。E-mail：mhb-506 @163.com

牟洪波，王世偉，戚大偉，等.基于灰度共生矩陣和模糊BP神經(jīng)網(wǎng)絡(luò)的木材缺陷識別[J].森林工程，2017，33(4)：40-43.

S 781.5

A

1001-005X(2017)04-0040-04