官 飛

（福建林業(yè)職業(yè)技術(shù)學(xué)院 自動(dòng)化工程系，福建 南平 353000）

珍貴木材識(shí)別的準(zhǔn)確率和權(quán)威性目前主要依靠存儲(chǔ)的樣本量和鑒定的經(jīng)驗(yàn)。實(shí)際中由于鑒定水平不同，存在鑒定結(jié)果不同的情況，不同檢測(cè)機(jī)構(gòu)使用的方法不同，也可能導(dǎo)致結(jié)果不同。這種傳統(tǒng)的依靠專業(yè)人員觀察、比較和分析木材的主要特征的鑒別手段，需要依靠扎實(shí)的木材解剖學(xué)知識(shí)以及豐富的實(shí)踐經(jīng)驗(yàn)來支撐，很大程度上限制了鑒別方法的使用。運(yùn)用數(shù)字圖像技術(shù)[1]提取珍貴木材圖像特征信息，并構(gòu)建BP神經(jīng)網(wǎng)絡(luò)架構(gòu)，保障了珍貴木材的識(shí)別速度和準(zhǔn)確率[2-3]。

1 珍貴木材圖像特征提取

顏色特征是區(qū)分木材的主要特征，在輸入神經(jīng)網(wǎng)絡(luò)[4]之前，需要提取目標(biāo)樣本的RGB（red,green,blue）值，但是RGB顏色模型和感知上的顏色模型很難建立關(guān)系，不能直接做為識(shí)別的重要特征。而感知上的模型顏色正是HSV的模型所符合的，適合基于顏色的圖像相似比較。因此，需要把目標(biāo)樣片的RGB顏色模型轉(zhuǎn)換成HSV值，再放入構(gòu)建好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行比對(duì)運(yùn)算。

1.1 木材圖像RGB特征

通過顏色來辨別木材以及它的特征是最為有效和簡(jiǎn)單的方法。可以描述平移，旋轉(zhuǎn)，縮放等，并且顏色沒有變形特性。RGB顏色模型是實(shí)際中使用最廣泛的模型之一?；谀静念伾卣鞯腞、G、B通道，我們可以得到9個(gè)新通道，包括R/G、R/B、B/G、G/R、B/R、G/B、（RG）/（R+G）、（RB）/（R+B）、（GB）/（G+B），然后計(jì)算均值、方差與每個(gè)像素值的總和，因此總共可以獲得24個(gè)珍貴木材的顏色特征。

1.2 木材圖像HSV特征

進(jìn)行顏色特征提取時(shí)，采用了HSV顏色空間[5]。該特征可以充分體現(xiàn)木材的色調(diào)h（hue）、飽和度s（saturation）和亮度v（value）3個(gè)重要特征，因此需要把木材圖像的RGB顏色特征轉(zhuǎn)換成HSV特征，提供給系統(tǒng)進(jìn)行分析計(jì)算。顏色特征RGB取值范圍在0～255之間，轉(zhuǎn)換成HSV顏色空間后H，S，V的值如下：

其中假設(shè)

1.3 木材圖像Gabor特征

Gabor濾波器[6]用于提取圖像的特征，該濾波器本質(zhì)上是一個(gè)2D Gaussian函數(shù)，可以調(diào)制目標(biāo)圖像波長(zhǎng)的正、余弦值，其實(shí)部和虛部的數(shù)學(xué)公式如下：

其中x'=x cosθ+y sinθ,y'=-x sinθ+y cosθ，λ為目標(biāo)圖像的正弦波波長(zhǎng)，γ為鋁箔函數(shù)形狀的橢圓率，δ為目標(biāo)圖像的尺度，θ為木材紋理方向特征。木材紋理尺度和方向特征是區(qū)分木材的重要依據(jù)。采用5個(gè)尺度和16個(gè)方向。不同方向和尺度的Gabor響應(yīng)，反映了木材圖像局部像素點(diǎn)處的差異性。

2 構(gòu)建BP神經(jīng)網(wǎng)絡(luò)

木材識(shí)別神經(jīng)網(wǎng)絡(luò)[7]的學(xué)習(xí)包含正向傳播和反向傳播的過程，通過反向傳播，可以連續(xù)改變神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)重，得到最小化網(wǎng)絡(luò)的平方誤差之和。在訓(xùn)練過程中，樣本在隱藏層中進(jìn)行數(shù)據(jù)處理，然后將數(shù)據(jù)輸送到對(duì)應(yīng)的輸出層。比較輸出層中的2個(gè)數(shù)據(jù)即實(shí)際的輸出值與預(yù)期所設(shè)定的輸出值如果數(shù)據(jù)不匹配，則過程將進(jìn)入錯(cuò)誤的反向傳播階段。在反方向傳播期間，輸出的數(shù)據(jù)將通過隱藏層的某種形式將數(shù)據(jù)傳輸回輸入層，獲得每一層的誤差信號(hào)，把該信號(hào)反饋給神經(jīng)網(wǎng)絡(luò)多次交替修正，使得網(wǎng)絡(luò)模型處于最優(yōu)的狀態(tài)。

2.1 BP神經(jīng)網(wǎng)絡(luò)模型

2.1.1 網(wǎng)絡(luò)模型

構(gòu)建的木材圖像特征神經(jīng)網(wǎng)絡(luò)包含隱藏層、輸入層和輸出層3個(gè)神經(jīng)元部分，把提取到的木材圖像顏色特征信號(hào)放入網(wǎng)絡(luò)模型經(jīng)過正向傳播與誤差反向傳播多次交替，通過閾值以及權(quán)值的不斷調(diào)整，讓網(wǎng)絡(luò)的誤差的平方和減至最小。

整個(gè)運(yùn)算過程模擬認(rèn)識(shí)事物的人類大腦過程，具體模型結(jié)構(gòu)如圖1所示。

圖1 BPNN模擬人腦認(rèn)知過程模型的結(jié)構(gòu)Fig.1 BPNN simulating the structure of human brain cognitive process model

簡(jiǎn)單的事物可以用一個(gè)向量來表達(dá)它的特征信息，針對(duì)復(fù)雜的木片圖像，那么紋理、色澤等信息就得用函數(shù)矩陣才能體現(xiàn)完全，也可以使用三階張量（tensor）來表達(dá)。構(gòu)建好木材圖像識(shí)別神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)后，就需要把提取到的HSV特征、Gabor特征放入神經(jīng)網(wǎng)絡(luò)進(jìn)行運(yùn)算，最終輸出測(cè)試的結(jié)果。整個(gè)木材分類神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如下所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 BPneural network structure

木材識(shí)別BP神經(jīng)網(wǎng)絡(luò)的輸入層是由木片特征樣本輸入向量x所構(gòu)成的，向量x與矩陣V（px（n+1））相乘后得出隱藏層向量s，向量z與矩陣W（mx（p+1））相乘后得出預(yù)測(cè)輸出層的輸入子層向量U，標(biāo)簽層y不屬于BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，該層是樣本木片的實(shí)際類別向量。

在隱藏層中，向量s經(jīng)過激活函數(shù)h(s)變換后，得到向量z；在輸出層中，向量u經(jīng)過輸出函數(shù)f(u)變換后，得到向量t。即有如下公式：

2.1.2 參數(shù)說明

（1）把輸入x設(shè)為n+1維列向量，特征數(shù)為n，公式變換（1）中加1變換：

T表示轉(zhuǎn)置，下同。使x0=1，將（1）公式中的偏移向量b放入數(shù)據(jù)的第一列將其放入權(quán)重矩陣v數(shù)據(jù)中，并將公式轉(zhuǎn)換為公式（2），這樣就可以同時(shí)訓(xùn)練權(quán)重值和偏移。

（2）把隱藏層輸入向量s設(shè)為p維的列向量，p為超參數(shù)，并人為設(shè)置：

（3）把神經(jīng)網(wǎng)絡(luò)隱藏層輸出子層向量z設(shè)為多一維的向量，具體變換公式如下：

令z0=1，將偏置向量b′放入矩陣中，變換公式為：

（4）把神經(jīng)網(wǎng)絡(luò)輸出層輸入向量u設(shè)為m維的列向量，i為分類數(shù)：

（5）使輸出層輸出向量t為m維的列向量，m為分類數(shù)：

（6）使權(quán)重矩陣v為輸入層的數(shù)據(jù)到隱藏層的數(shù)據(jù)矩陣px(n+1)：

（7）使權(quán)重矩陣w為隱藏層的數(shù)據(jù)到輸出層的數(shù)據(jù)矩陣mx(p+1)：

（8）使標(biāo)簽層y向量變成維度為m的列向量：

第1類：[(1),(0),(0),(0),(0)]T

第2類：[(0),(1),(0),(0),(0)]T

第3類：[(0),(0),(1),(0),(0)]T

第m類：[(0),(0),(0),(0),(1)]T

（9）木片樣本的總數(shù)設(shè)置為Q，將整個(gè)木片樣本庫劃分成兩個(gè)部分：其中一部分作為訓(xùn)練集（trainset），比例占總數(shù)的80%，另一部分作為測(cè)試集（testset），比例占總數(shù)的20%。

2.2 運(yùn)行原理

2.2.1 訓(xùn)練說明

構(gòu)建成功后的BP神經(jīng)網(wǎng)絡(luò)是分批次進(jìn)行訓(xùn)練的，把設(shè)定好的木片樣本的總數(shù)Q，平均分為N個(gè)批次，每個(gè)批次的樣本數(shù)量為R（R=Q_train//N）。網(wǎng)絡(luò)運(yùn)算的時(shí)候把同一批次樣本逐個(gè)訓(xùn)練，本批次訓(xùn)練結(jié)束后轉(zhuǎn)入另一個(gè)批次再訓(xùn)練，直到樣本Q全部訓(xùn)練結(jié)束，不斷循環(huán)訓(xùn)練周期，使其滿足所需條件進(jìn)行誤差收斂。同一批次的樣本訓(xùn)練包含了正向傳播和反向傳播兩個(gè)過程，具體過程是用兩組不同的批次來回變換數(shù)據(jù)已進(jìn)行訓(xùn)練的所達(dá)到權(quán)重更新。

在正向傳播訓(xùn)練過程中，w和v的值是固定值不變的，每個(gè)木片特征樣本從輸入層到隱藏層，最后到達(dá)輸出層，每次訓(xùn)練結(jié)束后都會(huì)得出一個(gè)誤差值，而在同一批次的樣本誤差值在訓(xùn)練結(jié)束后會(huì)不斷的累加。產(chǎn)生的反饋到網(wǎng)絡(luò)模型中產(chǎn)生Δw和Δv的更新量，然后在下一輪樣本訓(xùn)練當(dāng)中采用新的權(quán)重矩陣w和v，重復(fù)循環(huán)訓(xùn)練，獲得誤差最小的權(quán)重矩陣，精確BP神經(jīng)網(wǎng)絡(luò)的運(yùn)算值。

（1）誤差損失函數(shù)

樣本x由神經(jīng)網(wǎng)絡(luò)訓(xùn)練以獲得預(yù)測(cè)的輸出向量t，t中的元素ti表示x樣本是屬于第i類（i=1,2，...，m）的估計(jì)概率。測(cè)量概率值和實(shí)際概率值的誤差用交叉熵來表示，其誤差值損失函數(shù)定義為：

（2）梯度下降算法

BP神經(jīng)網(wǎng)絡(luò)模型中向量y表示實(shí)際標(biāo)簽值，得出損失函數(shù)H(y,t)的值取決于變量t的值。當(dāng)變量值沿著導(dǎo)數(shù)(梯度)的反方向進(jìn)行變化時(shí)，可以使得損失函數(shù)H(y,t)在某個(gè)值時(shí)以最快速率下降，具體公式如下：

上述公式中Δt表示變量的改變值，常量a表示學(xué)習(xí)率。變量t和模型中的矩陣V（px（n+1））和矩陣W（mx（p+1））緊密關(guān)聯(lián)，它們之間的值互相影響，在訓(xùn)練過程的反向傳播中產(chǎn)生Δw和Δv，因此要先求出損失函數(shù)H(y,t)對(duì)上面兩個(gè)矩陣的偏導(dǎo)數(shù)，公式如下：

（3）BP神經(jīng)網(wǎng)絡(luò)正向傳播

正向傳播的計(jì)算過程為：輸入層x→隱藏層輸入子層s→隱藏層輸出子層z(z=h(s))→預(yù)測(cè)輸出層輸入子層u(u=w·z)→預(yù)測(cè)輸出層輸出子層t(t=f(u))→標(biāo)簽層H，在訓(xùn)練過程中矩陣V（px（n+1））和矩陣W（mx（p+1））不變，依次計(jì)算模型的各層向量。

（4）BP神經(jīng)網(wǎng)絡(luò)反向傳播

訓(xùn)練過程中矩陣V（px（n+1））和矩陣W（mx（p+1））保持不變，依次計(jì)算出模型的各層向量偏導(dǎo)數(shù)，再把誤差信號(hào)反饋給下一個(gè)樣本訓(xùn)練。

（5）權(quán)重更新

該部分運(yùn)用了小批量梯度下降算法，一個(gè)訓(xùn)練批次包含樣本數(shù)量為R（R=Q_train//N），當(dāng)每個(gè)樣本訓(xùn)練結(jié)束后v和w將會(huì)刷新成其他值（w=w+Δw jk；v=v+Δv jk），當(dāng)其所有訓(xùn)練完訓(xùn)練樣本后，得出的權(quán)重矩陣w和i，實(shí)驗(yàn)證明輸出效果較優(yōu)。

3 混淆矩陣

BP神經(jīng)網(wǎng)絡(luò)運(yùn)算之后，運(yùn)用混淆矩陣來分析分類效果。在混淆矩陣之中每一列的總數(shù)即是木片特征樣本的預(yù)測(cè)類別的總數(shù)，每一行的總數(shù)即是木片特征樣本的真實(shí)歸屬類別的總數(shù)。混淆矩陣結(jié)構(gòu)的第1類錯(cuò)誤中，TP表示positive的數(shù)量，F(xiàn)N表示negative的數(shù)量。第2類錯(cuò)誤中，F(xiàn)P表示positive的數(shù)量，TN表示negative的數(shù)量。預(yù)測(cè)性分類模型，為了讓輸出準(zhǔn)確率變得高，對(duì)應(yīng)到混淆矩陣中，就需要數(shù)量較大的TP（精準(zhǔn)率）與TN（召回率）。當(dāng)獲得混淆矩陣后，觀察矩陣中對(duì)應(yīng)象限中的TP和TN數(shù)量，可以得出木片特征樣本預(yù)測(cè)分類的識(shí)別率情況。

圖3 混淆矩陣的結(jié)構(gòu)Fig.3 Structure of the confusion matrix

本實(shí)驗(yàn)共479張數(shù)據(jù)，其中訓(xùn)練集80%，測(cè)試集20%。圖4為算法1：木材特征(RGB)+神經(jīng)網(wǎng)絡(luò)（BP）的實(shí)驗(yàn)結(jié)果，從圖4（a）中我們可以得到分類的準(zhǔn)確率為0.972，召回率為95.1%，精準(zhǔn)率為93.9%圖4（b）的曲線圖我們可以看出次模型訓(xùn)練良好（train曲線和validation曲線都平滑下降），圖5為算法2：木材特征(RGB)+木材特征(gabor)+神經(jīng)網(wǎng)絡(luò)（BP）的實(shí)驗(yàn)結(jié)果，從圖5（a）中我們可以得到分類的準(zhǔn)確率為0.986，召回率為97.1%，精準(zhǔn)率為97.4圖5（b）validation settrian曲線圖我們可以看出次模型訓(xùn)練良好（train曲線和validation曲線都平滑下降）。從實(shí)驗(yàn)結(jié)果我們可以看出，運(yùn)用本文提出的木材特征(RGB)+木材特征(gabor)+神經(jīng)網(wǎng)絡(luò)（BP）能很好的實(shí)現(xiàn)木材的分類。

圖4 第二、四象限Fig.4 Second and fourth quadrants

圖5 第一、三四象限Fig.5 First,third and fourth quadrants