基于灰度共生矩阵和模糊BP神经网络的木材缺陷识别

牟洪波，王世伟，戚大伟，倪海明

(东北林业大学 理学院，哈尔滨 150040)

基于灰度共生矩阵和模糊BP神经网络的木材缺陷识别

牟洪波，王世伟，戚大伟*，倪海明

(东北林业大学 理学院，哈尔滨 150040)

针对当前木材资源紧缺的严重形势，提高木材缺陷检测的准确率显得尤为重要。利用X射线无损检测技术获取木材缺陷的图像，并且通过灰度共生矩阵的方法能够有效地提取图像的主要特征值即特征向量，同时将模糊数学与BP神经网络相结合设计出模糊BP神经网络(FBP)，并采用最大隶属度方法对特征向量进行模式识别，从而实现木材缺陷的自动识别和分类。经多次学习训练，结果表明FBP网络的平均识别成功率在90%以上。因此，FBP神经网络对木材缺陷有较高的识别准确率，可以为缺陷识别提供重要的理论依据。

木材缺陷；灰度共生矩阵；特征提取；模糊BP神经网络

0 引言

虽然我国森林资源丰富，但与其他国家相比人均占比很少，而且木材的需求量又日益增加，因此在生产和制造过程中提高木材的利用率正在成为迫在眉睫的问题[1]。而在这个过程中木材的缺陷是造成木材利用率降低的主要原因之一，如何在加工之前准确预测缺陷位置成为首要问题[2]。传统的人工缺陷检验依赖检测人员的经验以及检测员的注意力，同一缺陷不同经验的检测员可能得到不同的结论，另外检测员疲劳也会影响检验结果[3]。近年来，牟洪波、戚大伟等国内科研工作者也一直致力于木材缺陷的智能识别领域，虽然已经取得了很大的进步，但至今这个领域依然没有达到成熟的工业化程度，高精度的智能检测方法是解决木材缺陷识别的关键，也是木材加工行业亟需解决的问题，具有很高的生产实用价值，值得长期研究[4-5]。本文主要针对落叶松、水曲柳两种树木的木材缺陷展开研究，落叶松、水曲柳在家居产品等领域应用广泛，并且样本易于采集，具有一定的代表性，应用灰度共生矩阵提取特征值，并且将模糊理论与BP神经网络相结合的方法对木材缺陷中3种典型缺陷(裂纹、节子、腐朽)实现自动检测识别。

1 木材缺陷图像采集

整个缺陷图像采集系统主要以计算机为中心，应用国产工业X光机(2005)照射木材表面，荧光屏成像，采用微光摄像机做为图像输入传感器传送模拟图像信号，传送的信号经自制A/D转换电路变为离散状态的数字信号并存入图像存储器中。缺陷图像采集系统如图1所示。

图1 木材缺陷采集系统Fig.1 Acquisition system of wood defect

2 木材缺陷图像特征值提取

将木材缺陷图像灰度化，并生成灰度共生矩阵提取木材缺陷特征值，灰度图像(灰度级为Ng，像

素Nx×Ny)中任意一点(x，y)及偏离它距离为d的另一点(x+dsinα，y+dcosα)，设这两点组成的灰度值对为(i，j)，其中两点的灰度值之和；取值范围为i，j∈{1，2，…Ng}。令点(x，y)在整个画面上移动，则会得到各种(i，j)的值进而得到灰度共生矩阵GLCM，GLCM中第i行第j列元素G(i，j)表示灰度值对(i，j)出现的次数；若通过灰度级数为Ng的图像生成灰度共生矩阵中同时包含出现和未出现的灰度值对，则GLCM是Ng×Ng的方阵[6]。通过灰度共生矩阵可以分析图像的排列规则与局部模式等特征，但一般并不直接应用得到的共生矩阵GLCM，而是在其基础上进行二次统计，获取二次统计量[7]。

(1)

式中：R是所有灰度对出现的总次数，是归一化常数；矩阵P中第i行第j列元素P(i，j)表示灰度值对(i，j)出现的概率，即P为归一化的概率矩阵，并用联合概率矩阵P代替原灰度共生矩阵GLCM做特征值提取。这样，两个像素灰度级同时发生的概率，就将(x，y)的空间坐标转化为灰度对(i，j)的描述，形成了联合概率灰度共生矩阵[8-9]。

26个学习训练样本(编号1-26，1-15为裂纹图像，16-23为节子图像，24-26为腐朽图像)中部分样本特征值见表1。

表1 部分木材缺陷图像特征值

3 模糊BP神经网络的设计

(2)

4 FBP网络的木材缺陷识别训练

4.1 网络学习

网络的参数(权重和阈值)的学习修正算法参照Hebb学习率设计。Hebb学习率：两个相连接的神经元同时兴奋(即同时被激活)时，它们之间的突出连接最强(即学习效率最高)[17-18]。最简单的Hebb学习率为：

(3)

本文按照有监督的Hebb学习率对参数进行学习、修正。

4.2 网络训练

(4)

作为网络的训练目标，当E≤ε0时，停止网络的学习训练[19]。经对比，虽然L-M算法在FBP网络的学习、训练中对木材缺陷的识别效果优于拟牛顿算法(Quasi-Newton)，但是当网络中输入新的木材缺陷样本数据时，识别效果不如拟牛顿算法，即此时L-M算法的FBP出现了学习过度的现象[20]。故选取拟牛顿算法作为FBP的识别训练算法。

5 木材缺陷识别的FBP网络测试

对利用木材缺陷特征样本训练好的FBP网络的识别能力进行测试，神经网络的设计、训练和测试是得到一个成功的神经网络必不可少的3个步骤。其中，神经网络的测试更是重中之重，只有顺利通过了此检验才能证明所设计和训练的网络是可以在实际中运用的。部分测试样本如图2所示。

图2 部分测试样本Fig.2 Part of the test sample

表2 部分测试样本识别结果

测试样本在FBP网络中的输出与期望输出值见表2，其之间的线性回归关系如图3所示。

图3 测试样本输出与期望输出线性回归关系Fig.3 Test sample output and desired output linear regression relation

线性相关系数R=0.999 28，表明网络输出与期望输出之间线性相关非常好；纵坐标左侧是网络输出与期望输出之间的最小二乘线性回归关系函数；两者都表明该FBP网络对于测试样本的精度非常好。

6 结果与分析

FBP网络将模糊数学与BP神经网络平滑的结合在一起，运用灰度共生矩阵提取木材缺陷图像的特征值对网络进行训练，经多次学习训练，FBP网络对木材缺陷测试样本的平均识别率可以达到90%以上，测试样本的网络输出隶属程度与期望输出隶属程度之间的线性回归分析效果理想(平均线性相关系数大于0.93，T轴截距到原点平均距离小于0.05)。而且部分FBP网络对测试样本的平均识别率为100%，缺陷测试样本的网络输出隶属程度与期望隶属程度之间的线性回归分析效果极佳(线性相关系数大于0.99，T轴截距到原点平均距离小于0.01)。

木材缺陷训练样本的输出与测试样本的结果均表明FBP网络对木材缺陷具有很好的识别效果。但学习训练好的网络往往对新样本的适应性较差，增加训练样本数量可以有效提高网络的识别效果，然而这无疑会增加网络的计算量，甚至使网络在学习训练时难以收敛，达不到预期目标。网络的初值有时对网络影响较大，网络学习训练结果有时收敛于局部极小值，而非全局最优解。这些问题均值得进一步研究与探讨。

7 结论

本文设计的模糊BP神经网络(FBP)将模糊数学与BP神经网络相结合，将木材缺陷图像的特征向量作为FBP网络的输入，通过有监督的Hebb学习率和BFGS拟牛顿算法对FBP网络进行学习和训练，当网络达到预期误差目标时，对木材缺陷识别能力达到预期，停止网络的学习与训练，保存此时的网络。再将整个FBP网络作为特征向量的隶属函数，FBP网络的输出作为特征向量对各个类别的隶属程度，采用最大隶属度方法对木材缺陷进行模式识别。然后将测试样本的特征向量输入到该网络中，若测试结果理想，则选取该网络，若测试结果不理想，则重新建立网络，重新测试，直至选择出测试结果理想的网络。最后选择识别精度和网络输出最好的网络作为木材缺陷识别的最终网络。经过多次尝试，得到了具有理想的精度(对学习训练样本和测试样本的识别率均为90%以上，网络输出与期望输出非常接近)的识别网络。因此，模糊BP神经网络在对木材缺陷识别上有良好的效果，同时结合灰度共生矩阵更能达到很高的识别准确率，能够为此后木材机械的生产制造以及相关研究提供相应的理论参考。

[1]吴东洋.基于聚类分析的木材缺陷识别研究[D].南京：南京林业大学，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]谢永华，陈庆为.木材缺陷的阈值分割算法研究[J].森林工程，2014，30(2)：38-42.

[4]朱蕾.木材表面缺陷图像识别的算法研究[D].南京：南京林业大学，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]吴东洋，业宁，苏小青.基于灰度共生矩阵和聚类方法的木材缺陷识别[J].计算机与数字工程，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]郭静静.模糊数学与BP神经网络的高层建筑施工安全评价研究[D].邯郸：河北工程大学，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神经网络的木材缺陷检测研究[D].哈尔滨：东北林业大学，2010.

[13]任重昕，毕剑华，谢琳，等.采用图像分割方法进行木材表面缺陷的定量检测[J].液晶与显示，2014，29(5)：785-792.

[14]戚大伟，牟洪波.基于Hu不变矩和BP神经网络的木材缺陷检测[J].东南大学学报：自然科学版，2013，43(S1)：63-66.

[15]宋小燕.木材表面灰度缺陷识别中图像分析方法研究[D].呼和浩特：内蒙古工业大学，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]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.

[18]戚大伟，牟洪波.人工神经网络在木材缺陷检测中的应用 [J].森林工程，2006，22(1)：21-23.

[19]Wong W K，Yuen C W M，Fan 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]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.

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，FBP 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

国家自然科学基金项目(31570712)；黑龙江省自然科学基金项目(C201338)

牟洪波，博士，副教授。研究方向：图像处理与模式识别

*通信作者：戚大伟，博士，教授。研究方向：图像处理与模式识别。E-mail：mhb-506 @163.com

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.

S 781.5

A

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