基于無線視覺傳感器結合BP神經網絡模型的枝干狀態特征檢測算法

陳美紅

(上海城建職業學院 圖文信息中心， 上海 201415)

0 引言

在大規模木材存儲領域，如何實時高效地監督木材枝干氧化度、破損等異常特征，始終是一個難題[1]。相關學者研究的樹木枝干特征識別方法有，謝忠紅等[2]提出基于梯度相位編組的樹枝識別算法，改進平方梯度法計算樹木枝干邊緣梯度相位角，并歸類相位角的邊緣點，利用兩點表決Hough變換算法識別枝干特征。Costa等[3]提出利用近紅外光譜法識別并預測干葉和枝條的功能性狀，結合傅里葉變換近紅外光譜及偏最小二乘回歸法檢測植物枝條及干葉的水分及植物碳等特征的分布頻率值，具有大規模應用的潛力。李艷文等[4]提出基于RGB顏色分量的枝干圖像分割方法，分析RGB三個顏色分量的關系，獲得兩兩顏色的線性表達式，根據枝干彩色圖像分割閾值范圍公式參數實現枝干識別及分類。

無線傳感器網絡在國防軍事、道路交通運輸管理、環境監測與保護、醫療衛生、工農業生產等領域應用廣泛[5]。為此，本文提出基于無線視覺傳感器結合BP神經網絡模型的枝干狀態特征檢測算法。結合無線視覺傳感器，建立三層BP神經網絡模型，將木材枝干的各種數據輸入至模型輸入層節點后，依次傳遞至下一層節點進行處理，并從輸出節點輸出。為盡量減小模型輸出結果的誤差，對模型的各組訓練樣本進行迭代記憶訓練，將待檢測數據進行預處理，再將得到的預處理矩陣輸入到BP神經網絡模型中，檢測枝干各種異常狀態特征。

1 枝干狀態特征檢測算法設計

1.1 基于BP神經網絡的木材圖像數據訓練

BP神經網絡具有較強的泛化、容錯能力，有高度自學習自適應能力，其非線性映射能力適合求解內部機制復雜的問題[6]。該方法適合應用于枝干狀態特征檢測中。基于BP神經網絡模型的枝干采集圖像訓練與監督學習內容包括以下四個主要部分：(1) 輸入模式正向傳輸；(2) 輸出誤差反向傳輸；(3) 迭代記憶訓練；(4) 學習結果判定。

(1)

式中，j=1,2,…,q，q代表隱含層單元數量；Wj代表模型輸入層至隱含層單元的傳輸匹配權重；θj代表隱含層單元閾值。利用計算得到的激活值，即可得到隱含層單元j的輸出值bj,如式(2)。

(2)

式中，f(Sj)表示隱含層各單元的激活函數。在上述學習過程中，需要不斷地調整隱含層單元閾值θj，其作用可看作對輸出結果的位置調節，調節量約θj個單位[7]。根據相同的原理，可得到輸出層的激活值與輸出值，輸出層單元t的激活值Lt及實際輸出值ct的求算式,如式(3)、式(4)。

(3)

(4)

式中，t=1,2,…,n；f(Lt)表示輸出層各單元的激活函數；Vjt代表模型隱含層至輸出層單元的傳輸匹配權重；γt代表輸出層單元閾值。

1.2 基于無線視覺傳感器的枝干狀態異常數據區域定位

異常數據區域定位是指將采集的木材枝干圖像經過計算，消除圖像背景干擾區域，對可能存在異常特征的區域進行定位的行為[8-9]。對木材枝干的異常區域定位，可以保證可識別特征集中在一個較小的區域里，大幅度降低計算難度，提高計算效率。

對于圖像F，在(x,y)處的梯度[10-11],如式(5)。

(5)

梯度具有大小和方向特征，計算結果,如式(6)。

(6)

對傳感器采集的木材數字圖像而言，式(6)可轉換,如式(7)。

(7)

式中，(i,j)為木材枝干圖像中的像素坐標。為了增加計算精準程度，結合上文BP神經網絡，判斷圖像每一點f(x,y)的像素特征值是否為關鍵區域，進一步處理圖像G，如式(8)。

G(x,y)=dk=Fmax{di|i=0,1,…,7} 其中dk>ε

(8)

式中，di為無線視覺傳感器采集的木材枝干圖像F在點(x,y)處的差分值；ε為約束過濾閾值。

在利用BP神經網絡檢測木材枝干圖像中的邊緣點[12-13]，輸入到模型中，其各像素值的計算，如式(9)。

(9)

依據像素值，構建木材枝干圖像的異常特征目標，如圖1所示。

圖1 棒材圖像的感興趣區域

其特點如下。

(a) 保證異常特征在區域下方[14-15]；

(b) 在一些棒狀木材存在干擾的情況下可以得到很好排除[16-17]；

(c) 有利于進一步完成識別[18-20]。

由于木材枝干斷面在無線視覺傳感器下，具有較為明顯的亮度特征[21-22]，可利用這一點，結合亮度特征提取枝干區域的橫切面特征[23-25]。

不同層次木材枝干的結果對應的峰值也不同，如圖2所示。

a 單層木材

b 多層木材

在現有的亮度特征曲線中，通過判斷波峰波谷出現的位置和頻率[26-27]，整理出木材枝干的特征。然后對木材異常特征相關區域進行定位和分割[28-30]。圖2中(a)、(b)分別的切割效果，如圖3所示。

a

b

經過定位，可完成各種需要的木材狀態異常特征目標識別。

2 實驗結果與分析

2.1 實驗條件與參數設置

為檢驗所提方法性能，進行實驗，實驗平臺PC機的性能參數為：Intel core i5處理器，主頻2.16 GHz，內存4 GB，操作系統為Windows 10系統。實驗過程中，選取加州理工學院的Caltech圖像數據庫中30組木材枝干區域圖像數據進行實驗。以其中10組作為訓練樣本，訓練樣本中正常數據與異常數據各5組，每組中包含25個數據；剩余20組為測試樣本，正常數據與異常數據各10組，數據含量分別為20個/組和30個/組。訓練參數，如表1所示。

表1 訓練參數

表1中,S代表神經網絡訓練步數；L代表神經網絡的學習速率；E代表神經網絡最大訓練步數；G代表目標精度。

2.2 實驗結果獲取

將數據輸入到檢測界面中，如圖4—圖6所示。

圖4 原始木材枝干圖像例圖

圖5 木材枝干的開裂異常檢測

圖6 木材枝干的氧化異常檢測

圖4是原始木材枝干狀況圖，由該圖可以很明顯看出，圖像中的木材枝干部分發生了氧化、破損等現象。利用本文提出的檢測算法對原始木材圖像進行異常檢測，具體的檢測結果如圖5、圖6所示，發現木材枝干存在一定的開裂和氧化異?，F象，且多數棒木均存在裂紋，甚至存在斷面；同時，大多數棒木均已被氧化，發生了不同程度的氧化。故針對其開裂或斷面和氧化細節進行了進一步的檢測。具體檢測結果，如圖7、圖8所示。

圖7 木材枝干開裂及斷面圖像檢測結果

a 木材實際氧化圖

c 400次迭代結果

圖7中的第一排圖像為木材的正視圖，第二排圖像為木材的開裂特征感興趣區域提取結果，第三排為木材斷面灰度剖面結果。由圖7看出，本文方法檢測木材枝干的異常狀態，可有效檢查出不同木材的開裂與斷面狀況，為木材的存儲提供參考。圖8是本文方法檢測下的不同木材氧化情況的迭代結果，由圖8可以看出，在經過600次迭代后，本文方法的氧化檢測結果與實際結果基本相同。但依然可以發現，本文方法可能存在一定的噪聲干擾，使檢測結果與實際狀況無法100%吻合，故去除噪聲干擾將是未來研究中的首要任務。

2.3 實驗結果對比統計

通過對比不同方法，得到檢測結果統計，如圖9所示。

圖9 木材枝干異常數據檢測的誤差曲線

根據圖9可知，本文方法對木材枝干異常特征識別的誤差曲線波動較小，波動范圍在0附近。說明本文方法的檢測精度較高。為進一步驗證上述算法的檢測精度，將木材枝干的一些異常數據檢測精度PAD作為測試指標，設測試樣本中包含待檢測數據總數為NAD，準確檢測出的異常數據數量為CAD，如式(10)。

(10)

分別對本文方法與文獻[2-4]算法的異常數據檢測精度進行對比，得到的實驗對比結果，如圖10所示。

圖10 異常數據檢測精度

分析圖10可知，本文方法對木材枝干異常檢測后，一些異常特征檢測精度在85%～97%區間；文獻[2]算法的異常特征檢測精度在35%～80%區間；文獻[3]算法的異常特征檢測精度在50%以下；文獻[4]算法的異常特征檢測精度在25%～65%區間，在多次迭代中本文方法的檢測精度均高于文獻算法。由于本文方法在進行樣本訓練時，進行持續循環訓練，由此提高了本文方法的檢測精度。

對木材枝干異常數據監測的可用度進行衡量?？捎枚戎溉羧我鈺r刻需要繼續使用數據執行規定任務時，數據處于可直接使用狀態的概率。為進一步驗證本文方法的有效性，對本文方法、文獻[2-4]算法數據的可用度進行對比分析，如圖11所示。

圖11 不同方法的數據可用度對比圖

根據圖11可知，隨著木材枝干區域的數據量增加，本文方法的數據可用度呈直線上升的趨勢，最高可達99%；而文獻[2]算法的數據可用度范圍在25%～70%之間；文獻[3]算法的數據可用度在26%～73%之間；文獻[4]算法的數據可用度在29%～79%之間。本文方法的數據可用度比文獻方法的數據可用度高，由于本文方法在預處理時，轉換了數據格式，進而提高數據可用度。

為了驗證本文方法的有效性，采用本文方法、文獻[2]算法-文獻[4]算法對運行時間進行對比分析，如表2所示。

表2 各算法的運行時間比較

分析表2數據可知，本文方法的樣本訓練時間與測試時間均短于文獻對比算法，說明提出的基于BP神經網絡的異常數據檢測算法的運行時間較短。

3 總結

隨著無線傳感器網絡應用領域的不斷延伸，以及網絡攻擊與干擾因素的增加，無線傳感器異常數據檢測是當前信息安全領域的重要研究課題之一。由于無線傳感器受環境等因素影響，在進行數據監測時，會出現數據異?，F象，致使采集到的數據可用性較差，網絡監測結果的精度較低，由此，無線傳感器枝干識別網絡異常數據檢測受到廣泛關注。為滿足無線傳感器枝干識別網絡的數據精準度需求，在現有研究的基礎上，提出基于BP神經網絡的無線傳感器枝干識別網絡異常數據檢測算法，并通過仿真實驗，與傳統算法進行對比，本文算法在對無線傳感器枝干識別網絡異常數據進行檢測時，數據可用度最高可達99%，平均量化誤差值為0.05，檢測精度達到了97%，驗證了本文算法的綜合有效性。

針對本文研究的網絡異常數據檢測算法，以及對該算法進行了性能分析，與此同時，無線傳感器枝干識別網絡異常數據檢測研究是一個長期而又十分復雜的課題，針對本文的研究，提出以下幾點展望。

(1) 本文未考慮神經網絡節點在工作過程中的同步性，在對參數優化時，如何延長網絡使用壽命。

(2) 將該算法應用到更大領域的監測區域內，進一步完成網絡異常數據檢測。