浅谈神经网络方法在木材表面缺陷识别中应用.docVIP

浅谈神经网络方法在木材表面缺陷识别中应用 　　 摘要：从现在神经网络在模式识别中的发展来看，针对大型的网络结构的优化问题和网络学习问题还有待进一步的解决和提高。因此，研究各种神经网络在木材表面缺陷识别中的实用性和准确性，对推动木材表面缺陷识别方法的研究，有着十分重要的现实意义。 　　 关键字：木材表面缺陷,神经网络,BP网络 　　Abstract: from now neural network in pattern recognition of the development perspective, in large network structure optimization problem and network learning problems is still open to solve and improve. Therefore, to study various neural network in the wood surface defect recognition of the practicability and accuracy, wood surface defect recognition to promote the study of the method, has very important practical significance. 　　Key word: wood surface defect, neural network, and BP network 　　 　　 　　 中图分类号：F762.4 文献标识码：A 文章编号： 　　 随着科学技术的发展，神经网络理论作为一门新兴学科，近年来被广泛应用于木材表面缺陷的识别分类中，以达到神经网络具有的实时性、容错性以及学习性等特点。然而，由于木材表面缺陷种类繁多，随机性比较强，这些都给分类器提出了很高的要求。现阶段，人们普遍采用都是基于误差逆传播算法（BP）的神经网络，然而BP网络的缺点是对干扰量非常敏感、隐含层节点数需要经过多次尝试、学习速度慢且易陷入局部极小点。 　　 1．误差逆传播神经网络(BP网络) 　　 按照误差逆传播学习算法进行训练的多阶层神经网络被直接称为误差逆传播神经网络，即BP网络。BP网络是一种具有三层神经元的阶层神经网络，不同阶层神经元之间实现权重连接，而每层内各个神经元之间不连接。 　　 2．木材缺陷特征提取 　　 ⑴ 划分缺陷区域并确定缺陷的尺寸和位置 　　 在二值化图像中，相互连接的黑像素的集合称为一个区域。在这部分程序设计中，通过对图像内每个区域进行标记操作(标号)，求得这样区域的数目(也就是在这幅二值图像中存在的缺陷数)，进而计算每个缺陷的边界，再按照求得条件进行区域划分，把每个缺陷均划在一个区域中，使一幅图像分成多幅图像。然后分别对每个小幅图像进行计??，确定缺陷的位置及尺寸。 　　 ⑵ 根据缺陷位置及尺寸提取灰度特征 　　 根据M[][]数组中的缺陷位置数据，从二值化前的灰度图像中提取缺陷的灰度特征，由此依次地得到缺陷特征数组BB[Rmax-Rmin][Lmax-Lmin]。其中缺陷部分为具体的灰度值，其它均为0。 　　 3．BP网络设计 　　 BP神经网络是目前所有神经网络中算法最为成熟，应用最为广泛的一种神经网络，且具有简单、易于实现等特点。 　　 ⑴ 输入层和输出层的设计 　　 BP神经网络的输入，输出层维数完全根据使用者的要求来设计。本实验研究对象为木材缺陷图像，输入为表征木材图像缺陷特征的特征向量，在图像处理过程中，我们提取了缺陷的3个特征数据：缺陷灰度均值、缺陷灰度方差和缺陷形状。 　　 如果把它们作为网络的输入，则网络的输入层的单元个数便确定为3个，根据所达到的识别要求，对木材的十种缺陷进行有效识别，选择输出层单元的个数十个，即每个单元的输出代表一种缺陷类型，这样便确定了网络的输入和输出层单元数目，再根据这两个数据确定中间层(隐层)单元数。 　　 ⑵ 隐层的设计 　　 1989年，RobertHeeht-Nielson证明了对于任意在闭区间内的一个连续函数都可以用含一个隐层的BP神经网络来逼近，因而一个单隐层的BP神经网络可以完成任意的n维空间到m维空间的映射，隐层神经元数目选择是一个十分复杂的问题，往往需要根据设计者的经验和多次试验来确定，不存在一个理想的解析式来计算。 　　 ⑶ 初始值的选取 　　 由于系统是非线性的，初始值对于学习能否达到局部最小和是否能够收敛的结果关系很大。一个重要的要求是：初始值在输入累加时使每个神经元的状态值接近于零，权值一般取随机数，要比较小。输入样本也同样希望进行归一化处理，使那些比较大的输入仍落在传递函数