模糊神经网络在飞机蒙皮缺陷检测中的算法研究*

潘 甜，田庆敏，李 宇

(江苏航空职业技术学院，江苏 镇江 212134)

0 引言

模糊逻辑是1965年由Zadeh教授提出的，类似于人脑的逻辑思维，能够对信息不明确的模糊问题进行有效处理，将模糊逻辑推理应用于模式识别领域是未来的研究方向。但模糊逻辑的缺点之一是模糊规则通常依据经验建立，难以建立稳定的数学模型，其本身也无法自主学习，极大地降低了推理效率。BP神经网络类似于人类大脑的神经元，可以通过建立数学模型映射出输入与输出的关系，具有自学习和自适应能力强等优点，利用BP神经网络进行模式识别已经成为一种成熟的模式识别手段。然而当输入信息的维度增加时，将大大延长BP神经网络的在线学习时间，导致实时性下降。因此思考如何将模糊控制与BP神经网络两者优势互补，已经成为模式识别与人工智能领域研究的重点和难点之一。

国内外学者针对无损检测缺陷识别技术开展了很多研究，盛敏等利用机器视觉技术实现了飞机蒙皮损伤的检测研究，利用支持向量机技术实现缺陷的模式识别，具有一定的研究价值，但缺陷识别准确率偏低，识别效率有待提高。美国西屋电气公司使用智能高精度线阵CCD摄像对蒙皮表面缺陷进行了检测研究，采用传统BP神经网络对缺陷图像进行分类识别，但该系统存在识别缺陷种类单一、无固定规律性等问题。

国内外学者将模糊控制与神经网络相结合，并开展了一系列的研究，如司景萍等提出基于模糊控制的智能故障诊断专家系统，有效提高了发动机故障检测的准确率；Tang qi等对比了传统的BP神经网络和基于ANFIS模型的模糊神经网络，发现后者在动力电池故障诊断方面的准确性更高；王笑笑等将模糊综合评价与人工神经网络相结合，对大数据价值进行评估研究，具有一定的实用价值。

上述研究表明，模糊神经网络多用于特定的控制领域，而少有学者将其运用于模式识别领域。为此本课题以飞机蒙皮缺陷检测为背景，创新性地运用基于模糊控制的BP神经网络分类识别技术(FBP)实现飞机蒙皮表面缺陷的快速准确识别和判断，为我国无损检测领域提供新的研究方向。

1 基于模糊神经网络的飞机蒙皮缺陷检测

随着科学技术和经济的发展，飞机在军事、交通运输、农业等各个领域都发挥着关键的作用，然而在飞机长时间飞行过程中，飞机结构的重要组成部分蒙皮表面会受到大气环境的侵蚀以及各种冲击载荷的作用，会出现裂纹、撞击和腐蚀等缺陷，如图1所示。表面缺陷不仅影响飞机蒙皮表面的美观，更会影响飞机的整体使用寿命，从而导致空难事故的频发，所以生产企业对蒙皮表面缺陷的检测非常重视。

图1 飞机蒙皮表面缺陷

本文通过搭建视觉检测系统，利用基于模糊神经网络技术实现飞机蒙皮表面缺陷的识别和检测。运用MATLAB仿真实验对不同缺陷类型的表面图像进行特征提取，选用不同方向的对比度、相关性、能量和同质性4种特征值构建灰度共生矩阵，通过将特征参数输出到模糊神经网络中进行参数训练得到训练模型。部分飞机蒙皮缺陷图像特征值如表1所示，其中序号1～5为飞机蒙皮裂纹样本，序号6～10为飞机蒙皮腐蚀样本。基于模糊神经网络的飞机蒙皮缺陷检测流程如图2所示。

图2 飞机蒙皮缺陷检测流程

表1 部分飞机蒙皮缺陷图像特征值

1.1 模糊神经网络算法

(1)

其中：N为维度；m为样本数。

为了达到理想的训练目标，当E

1.2 模糊神经网络分类器设计

本文搭建的基于模糊神经网络的模式分类器系统结构如图3所示，主要分为4层：第一层为特征提取层，其功能是提取飞机蒙皮表面的缺陷图像；第二层为模糊化处理层，其功能是对输入的特征数据进行模糊化处理；第三层为BP神经网络分类层，其充分结合BP神经网络的自学习和自适应功能，实时调整模糊神经网络分类器的权值，从而提高在线分类性能，并实时将分类精度显示在计算机上；第四层为输出层，将缺陷图像的分类识别结果显示出来。

图3 模糊神经网络分类器系统结构

2 仿真实验及结果分析

通过网络训练构建基于模糊BP神经网络的蒙皮表面缺陷预测模型，首先选用4种特征参数作为输入层节点参数，选用2种缺陷类型(裂纹和腐蚀)作为输出层的节点数，期望输出如表2所示。本次构建的模糊BP神经网络预测模型中隐含层为一层，其节点数n的计算公式为：

表2 期望输出

(2)

其中：n1为输入层节点数；n2为输出层节点数；a为1～10之间的常数，本文取a=5。

本文选取100组裂纹缺陷和100组腐蚀缺陷共200组样本分为4个组(每组50个样本)进行网络测试，经过526次训练后设定误差值δ=0.01，将拍摄获取的缺陷图像经预处理和特征提取后融入模糊神经网络预测模型进行训练。测试样本在模糊神经网络中的实际输出和期望输出如表3所示，实际输出和期望输出的仿真结果如图4所示，缺陷图像识别结果如表4所示。实验结果表明：飞机蒙皮裂纹和腐蚀的缺陷检测率高达93.5%，能够很好地满足实际检测要求。

表3 测试样本实际输出和期望输出

图4 仿真实验结果

表4 缺陷图像识别结果

仿真实验结果表明：基于模糊控制的BP神经网络与传统的神经网络模式识别分类器相比，分类检测次数由1 086次降低到526次，检测精度提高到93.5%，较传统的BP网络分类识别精度提高了3.3%，检测对比如表5所示。基于模糊控制的BP神经网络分类器的实时检测精度得到了明显提高。

表5 BP神经网络与模糊BP神经网络分类器对比

3 结束语

本文以飞机蒙皮表面产生的裂纹、腐蚀等缺陷为背景，将模糊控制的不确定推理能力和神经网络的自学习能力充分结合，提出了一种模糊神经网络算法(FBP)，并构建了基于模糊神经网络的模式识别分类器，可以快速准确地判断并识别出飞机蒙皮表面的几种常见缺陷类型。实验结果表明：缺陷检测的准确率达到93.5%，训练次数下降到526次，从而能够大大减少因蒙皮裂纹、腐蚀等缺陷而导致的飞机空难事故。