基于Hu不變矩和BP神經(jīng)網(wǎng)絡(luò)的木材缺陷檢測(cè)

戚大偉 牟洪波

(東北林業(yè)大學(xué)理學(xué)院，哈爾濱 150040)

木材缺陷改變了木材性能，降低了木材質(zhì)量和使用價(jià)值［1］.本文基于現(xiàn)有的條件和研究?jī)?nèi)容的限制，選用代表了針葉材和闊葉材的落葉松和樺木2種樹種.選擇了木材中典型的蟲害、腐朽、節(jié)子3種缺陷進(jìn)行檢測(cè).首先對(duì)采集到的木材缺陷圖像進(jìn)行預(yù)處理，其次對(duì)木材的3種缺陷圖像進(jìn)行特征提取，將提取的特征值輸入BP神經(jīng)網(wǎng)絡(luò)，對(duì)木材3種典型缺陷模式進(jìn)行有效檢測(cè)，進(jìn)而對(duì)材料進(jìn)行評(píng)價(jià)，具有很重要的實(shí)際意義和經(jīng)濟(jì)價(jià)值.

1 不變矩理論及其擴(kuò)展

不變矩的方法是一種很好的特征提取方法.雖然單純的原點(diǎn)矩或中心矩可以表征平面物體的幾何形狀，但是它們都不具有不變性.但可以通過這些矩來構(gòu)造不變量.這種思想最初由Hu提出，利用中心矩構(gòu)造出了7個(gè)不變量，能夠?qū)^(qū)域形狀進(jìn)行描述［2］.由于具有平移、比例和旋轉(zhuǎn)不變性的特點(diǎn)，所以不變矩已成為重要的區(qū)域特征集，在圖像檢測(cè)領(lǐng)域應(yīng)用廣泛.

設(shè)f(x，y)是一個(gè)有界二維函數(shù)，其(p+q)階幾何矩用mpq表示為

當(dāng)f(x，y)在x-y平面的有限區(qū)域內(nèi)分段連續(xù)時(shí)，mpq序列與f(x，y)可互相唯一確定.

(p+q)階中心矩定義為

其中，(x0，y0)為質(zhì)心坐標(biāo).

對(duì)于m×n的數(shù)字圖像有

Hu在連續(xù)空間中(見式(5))有7個(gè)不變矩滿足圖像的平移、旋轉(zhuǎn)和縮旋不變性.但是在離散情況下，不變矩不滿足縮放不變性.為了使其滿足縮放不變性，再作如下擴(kuò)展:

Chen［3］證明已經(jīng)了 T1，T2，…，T10滿足結(jié)構(gòu)平移、旋轉(zhuǎn)和縮放不變性，是對(duì)Hu不變矩概念進(jìn)行擴(kuò)展而得到的特征公式，用來描述形狀特征.

2 木材缺陷圖像采集及處理

2.1 木材缺陷圖像的采集

選擇X射線作為檢測(cè)源，利用X射線的熒光成像效應(yīng)，可以通過檢測(cè)透過木材后的射線強(qiáng)度來斷定被檢測(cè)木材是否存在缺陷［4-5］.

根據(jù)實(shí)驗(yàn)條件，利用工業(yè)X光機(jī)透射木材，在涂有熒光物質(zhì)的吸收屏上成像，由微光攝像機(jī)進(jìn)行接收，再由A/D轉(zhuǎn)換電路、圖像采集及處理板，整個(gè)系統(tǒng)以計(jì)算機(jī)為中心完成各種操作和數(shù)字圖像處理工作.木材缺陷X射線無損檢測(cè)圖像采集系統(tǒng)如圖1所示.

圖1 木材缺陷無損檢測(cè)系統(tǒng)

2.2 木材缺陷圖像的處理

圖像處理就是用一系列特定的操作來“改造”圖像，達(dá)到特定的目標(biāo)［5］.木材缺陷圖像要達(dá)到的特定目標(biāo)就是能夠使圖像中的缺陷部位變得更加突出，便于下一步提取木材缺陷的特征.

將采集到的木材缺陷圖像(見圖2)對(duì)圖像進(jìn)行取樣，使木材缺陷圖像在空間上離散化，并對(duì)圖像進(jìn)行量化，這樣就完成了木材缺陷圖像的數(shù)字化.

圖2 木材腐朽原始圖像

令灰度數(shù)字圖像排列成M×N陣列，則相應(yīng)的陣列表示式為

在圖像處理過程中，首先將木材缺陷圖像轉(zhuǎn)化為灰度圖像，再把灰度圖像轉(zhuǎn)換為二值圖像.根據(jù)已有的經(jīng)驗(yàn)選擇相應(yīng)的閾值，把3種類型的木材缺陷突出出來，更好地體現(xiàn)出圖像的變化規(guī)律［6-10］.以木材缺陷腐朽類型圖像為例進(jìn)行處理得到的圖像如圖3所示.應(yīng)用Sobel邊緣檢測(cè)算子對(duì)得到的二值圖像進(jìn)行邊緣檢測(cè)，得到了清晰的缺陷邊緣，如圖4所示.

圖3 二值圖像

圖4 Sobel算子邊緣檢測(cè)

3 特征提取與檢測(cè)

應(yīng)用Matlab軟件對(duì)木材缺陷圖像邊緣檢測(cè)得到效果較好的圖像進(jìn)行特征提取，提取出T1，T2，…，T10，將提取的數(shù)據(jù)進(jìn)行歸一化處理，使其在［0，1］之間.將歸一化后的特征值作為BP神經(jīng)網(wǎng)絡(luò)的輸入向量.BP神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)選為S形函數(shù):

根據(jù)實(shí)際需要，一層隱層即三層網(wǎng)絡(luò)已經(jīng)足夠了［7］.輸入層神經(jīng)元個(gè)數(shù)為10個(gè)，對(duì)應(yīng)10個(gè)特征量(T1，T2，…，T10)，輸出層神經(jīng)元數(shù)為3個(gè)，根據(jù)經(jīng)驗(yàn)公式n2=2n1+1(n2為中間層神經(jīng)元個(gè)數(shù)，n1為輸入層神經(jīng)元個(gè)數(shù))，確定中間層神經(jīng)元數(shù)為21個(gè)，BP神經(jīng)網(wǎng)絡(luò)模型如圖5所示.學(xué)習(xí)的期望目標(biāo)值見表1.

表1 學(xué)習(xí)樣本對(duì)應(yīng)的期望輸出

圖5 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型

通過60個(gè)樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí).從未參加訓(xùn)練的木材缺陷樣本中各選擇10個(gè)樣本對(duì)已訓(xùn)練成熟的BP網(wǎng)絡(luò)進(jìn)行仿真.經(jīng)過學(xué)習(xí)之后，學(xué)習(xí)結(jié)果與目標(biāo)值接近，當(dāng)把限定閾值設(shè)為絕對(duì)值大于0.82，檢測(cè)結(jié)果輸出為1，學(xué)習(xí)結(jié)果的絕對(duì)值小于0.18，檢測(cè)結(jié)果輸出為0，學(xué)習(xí)結(jié)果的絕對(duì)值大于0.2，小于0.8，檢測(cè)結(jié)果輸出為2，這時(shí)不能確定缺陷類型.總的檢測(cè)準(zhǔn)確率達(dá)到86% 以上.

4 結(jié)語

在圖像處理過程中得到了清晰的木材缺陷邊緣，為特征提取提供了良好的基礎(chǔ).通過對(duì)Hu不變矩?cái)U(kuò)展得到的 T1，T2，…，T10，對(duì)幾何形狀進(jìn)行描述，由于它具有平移、縮放、旋轉(zhuǎn)不變和計(jì)算量相對(duì)較小的特點(diǎn)，因而比其他方法如傅里葉描述子、變換、不變矩等簡(jiǎn)便、快速.將 T1，T2，…，T10進(jìn)行歸一化后得到的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入特征量，待網(wǎng)絡(luò)訓(xùn)練成熟后，對(duì)未知樣本進(jìn)行檢測(cè)的準(zhǔn)確率達(dá)86%以上，實(shí)驗(yàn)結(jié)果表明實(shí)此方法在木材缺陷類型的定量檢測(cè)是可行的.也可將此方法推廣應(yīng)用到其他樹種，對(duì)其缺陷類型進(jìn)行有效檢測(cè).

References)

［1］李堅(jiān).木材科學(xué)［M］.北京:高等教育出版社，2002:136-141.

［2］Hu M K.Visual pattern recognition by moment invariant［J］.IEEE Transactions on Information Theory，1962，8(2):179-187.

［3］Chen C C.Improved moment invariant for shape discrimination［J］.Pattern Recognition，1993，26(5):683-686.

［4］戚大偉.木材無損檢測(cè)圖像處理系統(tǒng)的研究［J］.林業(yè)科學(xué)，2001，37(6):92-96.Qi Dawei.A study on image processing system of nondestructive log detection［J］.Scientia Silvae Sinicae，2011，37(6):92-96.(in Chinese)

［5］Wu Q W，Yuan F，Cao X W.Origin of the X-ray emission in the nuclei of FRIs［J］.J Phys-Conference Ser，2008，131(2):20-60.

［6］張毓晉.圖像工程［M］.北京:清華大學(xué)出版社，2002:32-39.

［7］Mu Hongbo，Qi Dawei，Zhang Mingming.Edge detection of wood image with rot based on BP neural network［J］.Journal of Convergence Information Technology，2013，8(2):506-513.

［8］Mu Hongbo，Qi Dawei，Zhang Mingming.Edge extraction of wood image with flaw based on BP neural network［J］.Journal of Convergence Information Technology，2013，8(1):307-315.

［9］Mu Hongbo，Qi Dawei，Zhang Mingming.Edge detection of wood image with rot based on gray transformation enhancement［J］.Advances in Information Sciences and Service Sciences，2012，4(18):306-313.

［10］戚大偉，牟洪波.人工神經(jīng)網(wǎng)絡(luò)在木材缺陷檢測(cè)中的應(yīng)用［J］.森林工程，2006，22(1):21-23.Qi Dawei，Mu Hongbo.Application of artificial neural networks in the testing of wood defects［J］.Forest Engineering，2006，22(1):21-23.(in Chinese)