基于BP神经网络的木材质量评价

刘贝贝++朱波++宋扬扬++万育微

摘要： 目前木材家具的生产过程在逐步向批量化、机械化趋近，但木材的质量一直是家具产业需要关注的问题，因此对木材的质量评价一直是家具制造业研究的重点。本文利用BP神经网络建立木材的质量评价模型，選择合适的评价指标，并通过案例的样本数据进行验证。测试结果与加权平均法比较，得出构建的3层BP神经网络模型应用于木材质量评价中具有一定的可行性与现实意义。

Abstract： At present， the production process of furniture is gradually approaching to batching and mechanization. However， the quality of mahogany wood has always been a concern for the furniture industry. Therefore， the quality evaluation of wood has always been the focus of furniture manufacturing research. In this paper， the quality evaluation model of mahogany wood is established by BP neural network， and the appropriate evaluation index is selected and verified by the sample data of the case. Compared with the weighted average method， the results show that the proposed three-layer BP neural network model has a certain feasibility and practical significance in the quality evaluation of wood.

关键词： 木材；质量评价；BP神经网络；评价指标

Key words： wood；quality evaluation；BP neural network；evaluation index

中图分类号：TS664.1 文献标识码：A 文章编号：1006-4311（2018）02-0061-03

0 引言

随着社会经济的不断发展和人民生活水平的提高，人们对木材家具的关注和使用程度不断增加。然而木材家具的质量问题时有发生，严重影响了我国家具行业的健康发展。家具的质量问题的产生不仅源于制造环节中，而且还会源于木材的质量评价不当。在家具生产流通过程中，如何对其木材质量进行评价，是保障家具质量的关键。因此，从木材质量评价的角度把控家具质量是本文的研究内容。

目前，国内关于家具木材的相关理论与应用展开了大量研究。杨铁滨等人建立了基于BP神经网络的分类器实现木材机械加工表面质量自动评价，这保证木制品质量，提升其价值有重要意义[1]。张秋龙分析了家具不合格产品产生的原因，其次系统地分析了当前家具存在的质量问题及相应的维护方法[2]。白雪冰等人利用BP神经网络对特征参数进行分类，并验证了提取的特征参数的有效性[3]。吴茜应用层次分析法等对民用实木家具设计指标结构体系中相同阶层的各元素指标进行权重分析，为民用实木家具的设计评价研究提供一个参考标准[4]。

国外学者关于家具木材的相关理论与应用也做了大量研究。Jozef Gáborík通过将压制木材表面获得的结果与未经受压制的木材表面获得的结果进行比较，使用接触法测量压制前后的粗糙度，从而确定表面质量扫描区域内的裂纹等缺陷，这项研究论证了压实后白杨木表面质量的变化[5]。Milan Gaff提出通过3D成型修饰的表面，基于宏观鉴定评估的目的是为了开发和测试适当的方法对表面质量进行评估和质量的确定与量化[6]。

本文选择以木材为质量评价对象，选择合格的制造家具原材料，从根本上控制家具的质量，文章选择BP神经网络为评价方法，确定合理的评价指标，构建出木材的质量评价模型，并且通过案例样本数据检验所建模型的评价性能。

1 BP神经网络

1.1 神经网络的定义

神经网络是多层前馈神经网络，该网络的主要特征是在传输之前对信号，反向传播错误。在传输前，输出层的输入会逐层通过隐含层输入的信号。每一层的神经状况仅影响下一层的紧张状态。如果输出层被释放，然后转移到反向传播，根据预测误差来调整权值和阈值，从而使输出预测神经网络更接近期望输出。

1.2 神经网络模型及原理

BP神经网络的拓扑结构如图1所示。

图1中，M1，M2，…Mn是BP神经网络的输入值，N1，N2，…Nm是BP神经网络的预测值，Dij和Djk为BP神经网络权值。BP神经网络可以看成一个非线性函数，网络输入值和预测值分别为该函数的自变量和因变量。当输入节点数为n，输出节点数为m时，BP神经网络表达了从n个自变量到m个因变量的函数映射关系。

2 产品质量评价体系的构建

2.1 指标的选择

家具是企业使用一定的技术将木材加工成可以满足人们日常生活需要的商品。因此，家具质量评价就要考虑家具原材料的质量问题，因此对于木材性质这方面的特性对家具质量有着很大的影响。

通过查阅文献和案例分析可知，木材的物理性质对木材的整体质量有非常大的影响，本文选择了5个指标进行分析分别为：抗弯强度、弹性模量、抗压强度、冲击韧性、天然耐久。

抗弯强度：表示木材受横向静力载荷作用时所产生的最大弯曲应力。

弹性模量：表示木材抵抗外力而产生的变形或保持原有形状的性质，又称劲度或刚度。endprint

抗压强度：表示木材受压力作用所产生的最大应力。

冲击韧性：表示木材对外来冲击负荷的抵抗能力。

天然耐久：表示木材对木腐菌、木材害虫以及各种气候变化因子损害的天然抵抗能力。

通过以上说明可以将质量评价体系选取指标列为：抗弯强度、弹性模量、抗压强度、冲击韧性、天然耐久。

通过上述指标分析，确定的输入输出变量如表1所示。

2.2 创建BP神经网络

网络构建是质量评价模型的关键环节，影响BP神经网络的性能有多种因素，其中包括网络层的确定，输入节点和输出节点的设定，隐层节点数的选择。

2.2.1 网络层数的选择

网络层数影响网络的测试性能。单个网络的隐含层，适合于相对简单的设计，反而会降低所述测试网络的准确性。隐含层的网络是合适的映射更多面的，但它在提高网络预测的性能的同时，更是增加了网络训练的时长，从而会增加网络的复杂性。所以网络层数要根据实际研究对象确定。

2.2.2 引入时，输出节点的选择

输入神经元的数量取决于特性提取指标的个数，按照本次研究提取的指标的个数，BP网络中输入节点的个数为5。输出层的节点数为1。

2.2.3 节点的隐含层选择

神经网络的隐含节点的数量对预测精度会产生作用。节点的数量非常少的时候，要增多网络训练的次数，但是这样也不能满足训练对精度的要求。会增加训练时间。当节点的数目太大，网络会出现更多的问题，训练时长也会相应增加。可以通過下面的公式来确定隐含层：

式中Q——隐含层的节点数目；

F——输入层的节点数目；

h——输出层的节点数目；

i——1～10。

根据在输入层和输出层的节点的数目，对BP神经网络通过隐含节点的数量进行处理，然后对隐含节点的数目逐渐增加。

3 评价体系的验证

本文通过数值实验验证所提模型的可行性和有效性。实验的基本思路是，首先创建模型，再针对具体案例，确定模型的评价性能。

3.1 验证环境

实验在计算机上进行，其硬件配置为：CPU 2.50GHz，内存8.00GB；软件环境为MATLAB R2015b，采用MATLAB神经网络工具箱创建BP神经网络，其它通过编程实现。

3.2 原始数据

实验的原始数据为家具木材材料物理性质数据，部分数据如表2所示。

为了统一变量的量纲，对原始数据（包括输入值和目标输出值）进行了归一化处理，处理后的数据再划分为训练样本集、验证样本集和测试样本集。

3.3 相关参数

如表3所示，神经网络训练的相关参数。

利用MATLAB神经网络工具箱中的newff （ ）函数构建网络，其中，期望误差为10-3。为了确定出性能更好的网络结构，本文进行对不同的隐含层神经元数目（节点数）的网络进行了试验，结果如表4所示。

表4显示，经过6000次对BP网络隐神经元的训练，神经元为9的函数逼近了良好目的作用。神经元节点数为5、8和12的时候，在网络中具有相对小的误差，但时长比较大。考虑到网络的性能和速率等问题，在网络的隐含层神经元的节点数被预设为9。

3.4 验证结果

通过对模型进行验证，结果表明训练达到5000次时表现出最佳训练能力0.008695，如图2所示。

训练得到的拟合公式如图3所示，拟合度达到0.97987。

本文中将样本集划分为训练样本集120个，验证样本集35个，测试样本集5个。其中对5个样本进行测试得出结果如表5所示。表中分别计算了预测结果的绝对误差和相对误差。计算得出均方误差为0.08485。

从表5可知，每次实验中模型的目标值与输出值误差很小，样本实验的绝对误差均值和相对误差平均值分别约为9186和37.8%，明显小于最优候选网络的绝对误差平均值11726和相对误差平均值47.4%，证明了本文所提基于BP神经网络的家具质量评价模型能够很好地评价预测精度。

3.5 与加权平均评价方法比较

为了验证所建基于BP神经网络的木材质量评价模型性能，本文将实验结果与加权平均评价方法进行比较，其中加权平均法中的权值设置为{？棕1=0.2，？棕2=0.1，？棕3=0.3，？棕4=0.2，？棕5=0.2}得到的输出结果如表6所示，对比结果如图4所示。

图4中描述的是BP神经网络和加权平均法对木材的质量评价的相对误差的对比，结果显示本文构建的BP神经网络对木材的质量预测评价能力要比加权平均法能力强，进一步验证了所建模型的可行性。

4 结论

提高木材的质量评价，有效促进家具制造业的良性发展，关键是寻求一种精确度强的评价体系。常用的传统评价方法具有复杂、参数多、难以调适的问题，在实际应用中要直接在“黑箱”模式下进行质量评价，很大程度上依赖于使用者的经验，具有相当难度。

本文提出了基于BP神经网络的木材质量评价体系，建立了相应模型。模型为个3层结构的BP神经网络，每个网络的隐含层单元数确定，将原始数据划分为训练集、验证集、测试集，并进行了归一化处理。经数值实验验证，该模型具有更好的评价精度，且与加权平均评价方法比较具有更高的精确度，因此将BP神经网络应用于材质量评价是一种有效途径。

参考文献：

[1]杨铁滨，侯玉婷，刘一星，等.基于图像的木材机械加工表面质量评价研究[J].森林工程，2015，31（1）：59-62。

[2]张秋龙.家具产品质量控制措施探讨[J].轻工标准与质量，2015（1）：27-28.

[3]白雪冰，王克奇，王业琴，等.基于BP神经网络的木材表面颜色特征分类的研究[J].森林工程，2007，23（1）：24-26.

[4]吴茜.方案设计阶段的民用实木家具设计评价体系研究[D].四川：四川农业大学，2016.

[5]Jozef Gáborík， Milan Gaff， Daniel Ruman， et al. Quality of the Surface of Aspen Wood after Pressing. bioresources， 2017.

[6]Milan Gaff， Jozef Gáborík. Evaluation of Wood Surface Quality after 3D Molding of Wood by Pressing. bioresources， 2014.endprint