基于MEA-BP神经网络对木材内部缺陷诊断的研究

基于MEA-BP神经网络对木材内部缺陷诊断的研究
刘佳美;徐凯宏;王立海
【摘要】为了提高木材内部缺陷的自动识别率,采用电阻层析成像(ERT)的方法获取电导率波动信号,通过小波包变换对采集的数据进行3层小波包分析,对八维特征向量进行提取,利用思维进化算法(MEA)优化权值和阈值,孔洞、节子、腐朽试样各45组数据,进行BP神经网络训练,每种缺陷20组作为测试集,识别木材内部缺陷.结果
表明:MEA-BP神经网络对木材孔洞、节子和腐朽的识别率分别为96.92％、95.38％和92.31％,该模型解决了复杂组合的优化问题,提高了搜索效率,并且达到最佳的预测效果.%In order to improve the automatic recognition rate of wood internal defects,Electrical Resistance Tomography (ERT) method was used
to obtain the electrical conductivity fluctuation signal.Three-layer wavelet packet analysis is performed on the collected data by wavelet packet transform,and the 8 dimensional feature vector was extracted.The weight and threshold were optimized by using Mind Evolutionary Algorithm (MEA).Hole,knot and decay of the 45 groups of data for BP neural network training,20 sets for each defect was used as a test set,and the defects of wood were identified.The results showed that the recognition rates of MEABP neural network for wood holes,knots and decay were 96.92％,95.38％and 92.31％.The model solves the optimization problem of complex combination,improves the search efficiency and achieves the best prediction effect.
【期刊名称】《林产工业》
【年(卷),期】2018(045)002
【总页数】6页(P19-24)
【关键词】缺陷识别;小波包分析;MEA-BP神经网络;无损检测
【作者】刘佳美;徐凯宏;王立海
【作者单位】东北林业大学机电工程学院;东北林业大学机电工程学院
【正文语种】中文
【中图分类】S781.5
目前，我国的木材需求量大，资源不足，利用率偏低。

木材在生长、储存、使用和加工中都可能存在木材节子、腐朽和裂纹等缺陷现象，带有内部缺陷的木材影响其使用价值[1-2]。

在加工木材之前，快速准确地识别木材缺陷提高了木材资源的利用率。

现阶段，在木材缺陷图像的识别中，国内很多的研究人员运用数字图像处理技术、计算机视觉技术和人工神经网络理论等方法进行研究[3-6]。

芬兰拉彭兰塔大学Jouko Lampinen对木材表面几何特征进行提取，利用多层感知器对木材缺陷进行识别，识别正确率达到84%[7]。

Matti Niskanen领导机器视觉小组基于颜色和纹理特征提取，采用无监督的聚类方法对木材缺陷进行检测与识别[8]。

东北林业大学王再尚等人通过Markov随机场进行图像处理，并利用GMRF和BP 神经网络进行木材表面缺陷识别及分类[9]。

浙江农林大学王再超等人，采用支持向量机的方法对多特征的木材缺陷识别[10]等，但是还没有一种方法能够对木材缺陷进行全面、准确、高效的识别，木材内部缺陷识别技术还有待进一步的探索和研究。

该研究为达到木材缺陷的全面、准确、高效识别的目的，以松木木材为研究对象，利用小波包变换的方法对获取的木材电导率波动信号进行特征提取，构造8个缺
陷特征向量，建立思维进化算法优化BP神经网络的识别模型，对传统的权值和阈值进行优化，将缺陷的特征向量作为输入，以00、01、10作为系统的输出，其中，00、01、10分别为孔洞、腐朽、节子缺陷。

1 材料与方法
1.1 研究对象和设备
选用松木为实验样本，其中孔洞、节子、腐朽试样各20个。

圆盘试样规格为：直径200 mm，厚度100 mm。

实验设备主要有：PicusPicus Treetronic检测仪器、锤子、胸径尺、ACS30B型电子天平等。

1.2 木材无损检测
研究应用德国Argus公司生产的Picus Treetronic型仪器，通过电阻层析技术进
行无损测量，首先将16个电极传感器均匀等距离插在被测试样周围，对木材四周布置的相邻两个电极传感器施加电流激励，采集其他相邻电极传感器上的电压，然后依次切换到下一组相邻两个电极传感器上施加电流激励，并采集其他相邻电极传感器上的电压；重复上述过程直到所有相邻两个电极传感器都充当了激励电极，收集到了所有的独立测量电压[11-13]，由于采用的是相邻的激励模式，所以一幅图
像中，N个传感器可采集到N×(N-3)个测量数据，即16×(16-3)=208个，系统
工作原理图如图1所示。

实验通过该方法采集到电导率波动信号，其中，孔洞木
材的检测信号如图2所示。

图1 系统工作原理Fig.1 System working principle
2 研究方法
2.1 小波包数据分析
为解决高频信号再分解，采用MATLABR2014b软件结合小波包工具箱进行小波
包变换，对信号在全部分析频带内进行更细致的频率划分，将不同频率的分量分解到相应的频段上，进行数据分析及特征提取[14]。

图2 检测信号图Fig.2 Detection signal diagram
假设对信号进行n层小波包分解，信号的最高频率为fh，则信号的第n层的子频
带的个数为2n,小波包分解树如图3所示，小波包分解关系[15]为：
式中：X——信号；
A——低频部分；
D——高频部分；
序号——其分解层数。

图3 3层小波包树图Fig.3 3-layer wavelet tree diagram
2.2 缺陷特征提取
特征提取是后续对木材内部缺陷识别的基础，为减小识别过程网络模型的复杂性和提高网络的训练速度，该研究采用小波包方法进行特征提取，并通过构造的高质量特征向量，为识别提供训练集和测试集数据。

基于小波包分解的电导率特征量的提取方法是求取信号各频带的能量，构成信号的能量特征向量[16-18]。

提取特征向量的步骤如下：
1）对输入信号S，采用db6小波滤波器，shannon进行3层小波包分解，其中，db6为分解的小波类型，shannon为分解选取的熵值，从第三层中提取低频到高
频的8个信号特征。

得到小波包分解结果图，如图4所示。

图4 小波包分解结果图Fig.4 Wavelet packet decomposition results
2）获取小波包系数，通过公式（2）求出各个频段的能量。

式中：E3j——信号S3j所对应的能量；
Xjk——重构信号Sij的离散点幅值。

3）对获得的能量值归一化处理，公式为
4）在相同频带内，孔洞、节子、腐朽缺陷信号的能量是不同的。

因此，根据各频段内的能量可作为特征值来构造特征向量T，即T=[E30,E31,…,E37]T。

孔洞试件
构造的特征向量T见表1。

2.3 MEA-BP神经网络识别
研究采用了ERT系统采集电导率波动信号，并对数据进行小波包变换，提取特征量，并利用思维进化算法优化BP神经网络对木材孔洞、节子、腐朽缺陷的识别，其识别方法流程如图5所示。

图5 木材缺陷识别方法流程图Fig.5 Wood defect identification method flow chart
表1 孔洞试件特征向量Tab.1 The feature vectors of hole specimen样本组数
E30 E31 E32 E33 E34 E35 E36 E37 1 0.251 31 0.289 44 0.024 01 0.047 39
0.038 29 0.105 96 0.030 24 0.043 75 2 0.207 33 0.418 97 0.055 78 0.103 86 0.063 28 0.033 47 0.054 27 0.025 73 3 0.288 26 0.184 33 0.078 89 0.162 77 0.020 94 0.029 62 0.017 44 0.063 91 4 0.419 03 0.417 52 0.291 35 0.059 48 0.019 96 0.063 84 0.037 22 0.070 38... ... ... ... ... ... ... ... ...62 0.179 32 0.579 18 0.033 70 0.078 42 0.041 27 0.057 33 0.015 38 0.028 41 63 0.394 32 0.271 94 0.040 52 0.130 36 0.035 48 0.076 92 0.022 84 0.046 89 64 0.570 42 0.203 41 0.064 81 0.129 81 0.025 73 0.041 72 0.032 76 0.102 65 65 0.263 70 0.279 37 0.061 42 0.065 35 0.021 55 0.024 93 0.017 29 0.022 84
2.3.1 隐含层节点数的选择
隐含层节点个数的选取对MEA-BP神经网络模型识别缺陷准确度起到决定性作用。

在没有理论依据的前提下，该研究根据前人对隐含层节点数的研究，采用公式：
式中：l——隐含层个数；
n——输入层节点个数；
m——输出层节点个数；
α——[1,10]内的常数。

表2 不同隐含层节点下网络的训练误差Tab.2 Training error of network under different implicit layer隐含层节点个数 4 5 6 7 8 9 10 11 12 13平均误差
0.001 7 0.001 6 0.001 6 0.001 5 0.001 6 0.001 4 0.001 5 0.001 5 0.001 6 0.001 7
研究中n=8，m=1，由此得到隐含层的节点数在[4,13]内，根据表2测得的误差数据，选取隐含层节点数9进行缺陷预测。

2.3.2 网络结构的确定
研究采用三层BP网络，输入节点数为8，中间层节点数为9，输出节点数为1，输出层激活函数为pureline函数：f(x)=x，中间层激活函数为tansig函数：
根据该研究的测试集规模，设定种群大小popsize为100，为MEA算法实现对权值和阈值的优化，设置优胜子种群bestsize和临时子种群tempsize均为3，通过公式
得到子群体，迭代次数为100。

2.3.3 MEA-BP算法
MEA-BP算法的步骤如下：
1）与传统前馈神经网络相同，实验共采用195组数据，随机选取135个样本作
为训练集，60个样本作为测试集。

2）利用初始种群产生函数initpop_generate()和子种群产生函数
subpop_generate()，在解空间内随机产生个体，并通过得分高低获取初始种群，以其为中心及在其周围产生新个体，从而得到优胜子种群及临时子种群。

3）各个子种群进行趋同操作，通过ismature()函数判断种群是否成熟，若子群体未成熟，以其新的中心产生子种群；若成熟，不再产生新的胜者，子种群的趋同过程结束，计算其得分，并绘制趋同过程图，如图6所示。

图6 优胜子种群和临时子种群趋同图Fig.6 Consistent graphs of superior populations and temporary subpopulations
由图6（a）、（b）对比可知，子种群成熟后，临时子种群中存在子种群1、3，
其得分高于优胜子种群1、3，因此，接下来需进行2次异化操作和补充2个新的临时子种群。

4）执行2次异化操作，完成优胜子群体与临时子群体间的替换、去掉和子群体中个体释放的过程，计算全局最优个体和得分。

5）满足迭代停止条件时，MEA算法优化完毕，对最优个体进行解析，并获取权
值和阈值。

6）将5）得到的数值作为BP神经网络的初始权值和阈值，进行训练和仿真预测。

图7 MEA-BP运算流程图Fig.7 MEA-BP operation flow chart
3 结果与分析
研究利用思维进化算法优化BP神经网络和BP神经网络，进行木材内部孔洞、腐朽、节子缺陷的识别。

材料为电阻层析技术获取的内部缺陷图像，采用缺陷图像各65幅进行缺陷识别的测试。

木材三种缺陷的识别结果如表3所示，在MEA-BP和BP模型预测中，预测缺陷类别与实际缺陷类别如图8所示，其中，木材缺陷类别标签0、1、2分别对应松树的种类为孔洞、腐朽、节子缺陷。

图8 模型预测的缺陷类别Fig.8 The model predicted defect category
MEA-BP神经网络对木材缺陷的测试集识别率分别达到90%、85%、75%，总体测试集识别率达96.67%。

BP神经网络对木材缺陷的测试集识别率分别达到80%、65%、50%，总体测试集识别率为65%。

将所有数据输入进行识别，识别结果如
表4所示。

表3 木材测试集识别结果Tab.3 Wood test set identification results预测模型
木材缺陷种类样本数/个正确识别数/个正确识别率/%训练集测试集训练集测试集训练集测试集MEA-BP神经网络孔洞 45 20 45 18 100 90腐朽 45 20 45 17 100 85节子 45 20 45 15 100 75总计 135 60 135 58 100 96.67 BP神经网络孔洞 45 20 45 16 100 80腐朽 45 20 45 13 100 65节子 45 20 45 10 100 50总计135 60 135 39 100 65
表4 木材缺陷识别率Tab.4 Wood defect recognition rate预测模型板材缺陷类别待测板材数量/个正确识别数量/个识别率/%MEA-BP神经网络孔洞 65 63
96.92节子 65 62 95.38腐朽 65 60 92.31 BP神经网络孔洞 65 61 93.85节子
65 58 89.23腐朽 65 55 84.62
表4中的性能评价指标反映了MEA-BP神经网络预测模型的均方误差和平均绝对
误差小于BP 神经网络预测模型，所以，MEA-BP测试集的预测误差要比BP测试集的预测误差小。

综上，BP神经网络对松木的内部缺陷种类具有一定的预测能力，但其预测的种类误差较大，在经过思维进化算法优化后的BP神经网络，通过其搜索全局寻优的能力，弥补BP神经网络的不足，使松木内部缺陷的预测误差明显减小。

通过木材真实类别与BP神经网络和MEA-BP神经网络预测的类别分析，采用均
方误差(MSE)和平均绝对误差(MAE)来评价神经网络的预测模型的性能，其对比如表5所示。

表5 神经网络预测误差的对比Tab.5 Comparison of neural network prediction error预测模型 MSE MAE MEA-BP 0.031 5 0.040 2 BP 0.064 7 0.083 5
4 结论
该研究通过ERT技术获取电导率波动信号，应用小波包变换进行数据分析和特征提取，采用MEA-BP算法对195组木材样本的内部孔洞、节子和腐朽缺陷数据进行了识别，获取的8个特征向量作为输入，孔洞、节子和腐朽作为输出，缺陷识别率达到96.92%、95.38%和92.31%。

由此可见，利用思维进化算法优化了权值和阈值，BP神经网络的泛化性能变高，对木材缺陷的预测误差较小，识别率高，识别效果佳。

将该识别方法应用于ERT木材无损检测领域，设计无损检测仪器，能有效地提高木材的利用率。

参考文献
【相关文献】
[1]李军伟.浅谈21世纪我国木材工业的发展趋势[J]. 建筑人造板,2001 (1):12-13.
[2]Dickin F J, Wang M. Electrical resistance tomography for process application[J]. Measurement Science and Technolog,1996, 7(3):247-260.
[3]徐姗姗, 刘应安, 徐昇.基于卷积神经网络的木材缺陷识别[J]. 山东大学学报(工学版), 2013,
43(2):23-28.
[4]牟洪波, 王世伟, 戚大伟, 等. 基于灰度共生矩阵和模糊BP神经网络的木材缺陷识别[J]. 森林工程, 2017, 33(4):40-43.
[5]LAMPINEN J, SMOLANDER S, KORHONEN M. Wood surface inspection system based on generic visual Features[C]. International Conference on Artificial Neural Netw orks. Paris:IEEE, 1995:8-13.
[6]马翔宇, 王晓丰, 段文英. 落叶松木材干燥的BP神经网络模型研究[J].森林工程, 2015, 31(1):63-65.
[7]SILVEN O, NISKANEN M,KAUPPINEN H. Wood inspection with non-supervised
clustering[J]. Machine Vision and Applications, 2003 ,(13):275-285.
[8]业宁, 王厚立, 徐兆军, 等. 基于支持向量机的木材缺陷识别[J]. 计算机应用与软件, 2006, 23(4):3-5.
[9]王再尚. 基于Markov随机场的木材表面缺陷模式识别方法的研究[D].黑龙江:东北林业大学, 2012.
[10]王再超. 基于多特征的木材缺陷识别与影响因素的研究[D]. 临安:浙江农林大学, 2015.
[11]王兴龙, 王立海. 白桦模拟缺陷材的电阻层析成像规律探究[J]. 林业工程学报, 2016, 1(2):106-111.
[12]余金华. 电阻层析成像技术应用研究[D]. 杭州:浙江大学, 2005.
[13]董峰, 崔晓会. 电阻层析成像技术的发展[J]. 仪器仪表学报, 2003,24(4):3-705.
[14]朱波. 基于小波分析和神经网络的ERT系统流型辨识研究[D]. 哈尔滨:哈尔滨理工大学, 2008.
[15]牛晓东, 杨献勇. 基于小波包的快堆蒸汽发生器声学泄漏检测方法[J].清华大学学报(自然科学版), 2002, 42(12):1655-1658.
[16]刘嘉新, 刘立伟, 王克奇. 基于小波包和RBF神经网络的木材空洞诊断研究[J]. 西南林业大学学报, 2016, 36(6):137-142.
[17]吴彤, 刘嘉新, 丁全福. 木材缺陷重建图像的形态学处理研究[J]. 森林工程, 2016, 32(2):40-43.
[18]张华. DDAG支持向量机在ERT系统流型识别中的应用[J]. 长春理工大学学报(自然科学版), 2015 (4):159-162.。