基于无线视觉传感器结合BP神经网络模型的枝干状态特征检测算法

陈美红

(上海城建职业学院 图文信息中心， 上海 201415)

0 引言

在大规模木材存储领域，如何实时高效地监督木材枝干氧化度、破损等异常特征，始终是一个难题[1]。相关学者研究的树木枝干特征识别方法有，谢忠红等[2]提出基于梯度相位编组的树枝识别算法，改进平方梯度法计算树木枝干边缘梯度相位角，并归类相位角的边缘点，利用两点表决Hough变换算法识别枝干特征。Costa等[3]提出利用近红外光谱法识别并预测干叶和枝条的功能性状，结合傅里叶变换近红外光谱及偏最小二乘回归法检测植物枝条及干叶的水分及植物碳等特征的分布频率值，具有大规模应用的潜力。李艳文等[4]提出基于RGB颜色分量的枝干图像分割方法，分析RGB三个颜色分量的关系，获得两两颜色的线性表达式，根据枝干彩色图像分割阈值范围公式参数实现枝干识别及分类。

无线传感器网络在国防军事、道路交通运输管理、环境监测与保护、医疗卫生、工农业生产等领域应用广泛[5]。为此，本文提出基于无线视觉传感器结合BP神经网络模型的枝干状态特征检测算法。结合无线视觉传感器，建立三层BP神经网络模型，将木材枝干的各种数据输入至模型输入层节点后，依次传递至下一层节点进行处理，并从输出节点输出。为尽量减小模型输出结果的误差，对模型的各组训练样本进行迭代记忆训练，将待检测数据进行预处理，再将得到的预处理矩阵输入到BP神经网络模型中，检测枝干各种异常状态特征。

1 枝干状态特征检测算法设计

1.1 基于BP神经网络的木材图像数据训练

BP神经网络具有较强的泛化、容错能力，有高度自学习自适应能力，其非线性映射能力适合求解内部机制复杂的问题[6]。该方法适合应用于枝干状态特征检测中。基于BP神经网络模型的枝干采集图像训练与监督学习内容包括以下四个主要部分：(1) 输入模式正向传输；(2) 输出误差反向传输；(3) 迭代记忆训练；(4) 学习结果判定。

(1)

式中，j=1,2,…,q，q代表隐含层单元数量；Wj代表模型输入层至隐含层单元的传输匹配权重；θj代表隐含层单元阈值。利用计算得到的激活值，即可得到隐含层单元j的输出值bj,如式(2)。

(2)

式中，f(Sj)表示隐含层各单元的激活函数。在上述学习过程中，需要不断地调整隐含层单元阈值θj，其作用可看作对输出结果的位置调节，调节量约θj个单位[7]。根据相同的原理，可得到输出层的激活值与输出值，输出层单元t的激活值Lt及实际输出值ct的求算式,如式(3)、式(4)。

(3)

(4)

式中，t=1,2,…,n；f(Lt)表示输出层各单元的激活函数；Vjt代表模型隐含层至输出层单元的传输匹配权重；γt代表输出层单元阈值。

1.2 基于无线视觉传感器的枝干状态异常数据区域定位

异常数据区域定位是指将采集的木材枝干图像经过计算，消除图像背景干扰区域，对可能存在异常特征的区域进行定位的行为[8-9]。对木材枝干的异常区域定位，可以保证可识别特征集中在一个较小的区域里，大幅度降低计算难度，提高计算效率。

对于图像F，在(x,y)处的梯度[10-11],如式(5)。

(5)

梯度具有大小和方向特征，计算结果,如式(6)。

(6)

对传感器采集的木材数字图像而言，式(6)可转换,如式(7)。

(7)

式中，(i,j)为木材枝干图像中的像素坐标。为了增加计算精准程度，结合上文BP神经网络，判断图像每一点f(x,y)的像素特征值是否为关键区域，进一步处理图像G，如式(8)。

G(x,y)=dk=Fmax{di|i=0,1,…,7} 其中dk>ε

(8)

式中，di为无线视觉传感器采集的木材枝干图像F在点(x,y)处的差分值；ε为约束过滤阈值。

在利用BP神经网络检测木材枝干图像中的边缘点[12-13]，输入到模型中，其各像素值的计算，如式(9)。

(9)

依据像素值，构建木材枝干图像的异常特征目标，如图1所示。

图1 棒材图像的感兴趣区域

其特点如下。

(a) 保证异常特征在区域下方[14-15]；

(b) 在一些棒状木材存在干扰的情况下可以得到很好排除[16-17]；

(c) 有利于进一步完成识别[18-20]。

由于木材枝干断面在无线视觉传感器下，具有较为明显的亮度特征[21-22]，可利用这一点，结合亮度特征提取枝干区域的横切面特征[23-25]。

不同层次木材枝干的结果对应的峰值也不同，如图2所示。

a 单层木材

b 多层木材

在现有的亮度特征曲线中，通过判断波峰波谷出现的位置和频率[26-27]，整理出木材枝干的特征。然后对木材异常特征相关区域进行定位和分割[28-30]。图2中(a)、(b)分别的切割效果，如图3所示。

a

b

经过定位，可完成各种需要的木材状态异常特征目标识别。

2 实验结果与分析

2.1 实验条件与参数设置

为检验所提方法性能，进行实验，实验平台PC机的性能参数为：Intel core i5处理器，主频2.16 GHz，内存4 GB，操作系统为Windows 10系统。实验过程中，选取加州理工学院的Caltech图像数据库中30组木材枝干区域图像数据进行实验。以其中10组作为训练样本，训练样本中正常数据与异常数据各5组，每组中包含25个数据；剩余20组为测试样本，正常数据与异常数据各10组，数据含量分别为20个/组和30个/组。训练参数，如表1所示。

表1 训练参数

表1中,S代表神经网络训练步数；L代表神经网络的学习速率；E代表神经网络最大训练步数；G代表目标精度。

2.2 实验结果获取

将数据输入到检测界面中，如图4—图6所示。

图4 原始木材枝干图像例图

图5 木材枝干的开裂异常检测

图6 木材枝干的氧化异常检测

图4是原始木材枝干状况图，由该图可以很明显看出，图像中的木材枝干部分发生了氧化、破损等现象。利用本文提出的检测算法对原始木材图像进行异常检测，具体的检测结果如图5、图6所示，发现木材枝干存在一定的开裂和氧化异常现象，且多数棒木均存在裂纹，甚至存在断面；同时，大多数棒木均已被氧化，发生了不同程度的氧化。故针对其开裂或断面和氧化细节进行了进一步的检测。具体检测结果，如图7、图8所示。

图7 木材枝干开裂及断面图像检测结果

a 木材实际氧化图

c 400次迭代结果

图7中的第一排图像为木材的正视图，第二排图像为木材的开裂特征感兴趣区域提取结果，第三排为木材断面灰度剖面结果。由图7看出，本文方法检测木材枝干的异常状态，可有效检查出不同木材的开裂与断面状况，为木材的存储提供参考。图8是本文方法检测下的不同木材氧化情况的迭代结果，由图8可以看出，在经过600次迭代后，本文方法的氧化检测结果与实际结果基本相同。但依然可以发现，本文方法可能存在一定的噪声干扰，使检测结果与实际状况无法100%吻合，故去除噪声干扰将是未来研究中的首要任务。

2.3 实验结果对比统计

通过对比不同方法，得到检测结果统计，如图9所示。

图9 木材枝干异常数据检测的误差曲线

根据图9可知，本文方法对木材枝干异常特征识别的误差曲线波动较小，波动范围在0附近。说明本文方法的检测精度较高。为进一步验证上述算法的检测精度，将木材枝干的一些异常数据检测精度PAD作为测试指标，设测试样本中包含待检测数据总数为NAD，准确检测出的异常数据数量为CAD，如式(10)。

(10)

分别对本文方法与文献[2-4]算法的异常数据检测精度进行对比，得到的实验对比结果，如图10所示。

图10 异常数据检测精度

分析图10可知，本文方法对木材枝干异常检测后，一些异常特征检测精度在85%～97%区间；文献[2]算法的异常特征检测精度在35%～80%区间；文献[3]算法的异常特征检测精度在50%以下；文献[4]算法的异常特征检测精度在25%～65%区间，在多次迭代中本文方法的检测精度均高于文献算法。由于本文方法在进行样本训练时，进行持续循环训练，由此提高了本文方法的检测精度。

对木材枝干异常数据监测的可用度进行衡量。可用度指若任意时刻需要继续使用数据执行规定任务时，数据处于可直接使用状态的概率。为进一步验证本文方法的有效性，对本文方法、文献[2-4]算法数据的可用度进行对比分析，如图11所示。

图11 不同方法的数据可用度对比图

根据图11可知，随着木材枝干区域的数据量增加，本文方法的数据可用度呈直线上升的趋势，最高可达99%；而文献[2]算法的数据可用度范围在25%～70%之间；文献[3]算法的数据可用度在26%～73%之间；文献[4]算法的数据可用度在29%～79%之间。本文方法的数据可用度比文献方法的数据可用度高，由于本文方法在预处理时，转换了数据格式，进而提高数据可用度。

为了验证本文方法的有效性，采用本文方法、文献[2]算法-文献[4]算法对运行时间进行对比分析，如表2所示。

表2 各算法的运行时间比较

分析表2数据可知，本文方法的样本训练时间与测试时间均短于文献对比算法，说明提出的基于BP神经网络的异常数据检测算法的运行时间较短。

3 总结

随着无线传感器网络应用领域的不断延伸，以及网络攻击与干扰因素的增加，无线传感器异常数据检测是当前信息安全领域的重要研究课题之一。由于无线传感器受环境等因素影响，在进行数据监测时，会出现数据异常现象，致使采集到的数据可用性较差，网络监测结果的精度较低，由此，无线传感器枝干识别网络异常数据检测受到广泛关注。为满足无线传感器枝干识别网络的数据精准度需求，在现有研究的基础上，提出基于BP神经网络的无线传感器枝干识别网络异常数据检测算法，并通过仿真实验，与传统算法进行对比，本文算法在对无线传感器枝干识别网络异常数据进行检测时，数据可用度最高可达99%，平均量化误差值为0.05，检测精度达到了97%，验证了本文算法的综合有效性。

针对本文研究的网络异常数据检测算法，以及对该算法进行了性能分析，与此同时，无线传感器枝干识别网络异常数据检测研究是一个长期而又十分复杂的课题，针对本文的研究，提出以下几点展望。

(1) 本文未考虑神经网络节点在工作过程中的同步性，在对参数优化时，如何延长网络使用寿命。

(2) 将该算法应用到更大领域的监测区域内，进一步完成网络异常数据检测。