基于BP神經網絡的地基壓實度測量方法

李細榮,林碩

摘要：組建BP神經網絡檢測地基壓實度系統裝置，利用灰度梯度共生矩陣方法提取激光圖像的特征值，用其訓練BP神經網絡模型，預測地基壓實度.結果表明：BP神經網絡經過4次學習后達到要求的誤差，模型的輸出值和目標值的相關系數為0.976 99.BP神經網絡檢測方法與傳統環刀法檢測結果對比結果表明，平均絕對誤差為0.049，平均相對誤差為7.16%，BP神經網絡檢測方法可以用于檢測地基壓實度.

關鍵詞：激光成像;神經網絡;地基

[中圖分類號]U416.1[文獻標志碼]A

Detection Method of Foundation Compactness

Based on BP Neural Network

LI Xirong，LIN Shuo

（College of physics and Information Engineering，Minnan Normal University，Zhangzhou 363000，China）

Abstract：The BP neural network system device for detecting foundation compactness is established.The gray gradient cooccurrence matrix method is used to extract the eigenvalues of the laser image，and these eigenvalues are used to train the BP neural network model to predict the foundation compactness.The results show that the BP neural network has achieved the required error after four times of learning，and the correlation coefficient between the output value of the model and the target value is 0.97699.The results show that the average absolute error is 0.049 and the average relative error is 7.16%，BP neural network detection method can be used to detect the compactness of foundation.

Key words： laser imaging;neural network;foundation

工程建設地基的質量影響著整個工程的質量.工程上通過檢測地基壓實度評價地基的質量，壓實度是檢驗地基是否達到密實標準的一個重要評價指標，主要用環刀法和核子密度儀法檢測工程地基的壓實度.核子密度儀的射線影響檢測健康，環刀法需要現場隨機采樣測量壓實度，效率較低且需破壞基礎，這兩種方法都有一定的弊端.激光成像和BP神經網絡檢測方法在生物醫學領域應用較多，如李晨曦[1]等用漫反射光譜測量組織光學參數，蔡健榮[2]等用激光散斑圖像檢測冷鮮豬肉新鮮度，王成[3]等對生物組織非接觸光聲層析成像，朱瑤迪[4]等用高光譜圖像和激光共聚焦顯微鏡技術快速測定豬肉嫩度.地基土由10%的水分和氣體、90%土壤顆粒構成，生物組織由20%氣體和有機化合物、80%水分構成，地基組織和生物組織都表現出離散特征，具有相似的構造.所以，可以借鑒生物組織和激光的相互作用過程.地基土組織在與激光相互作用中，土壤顆粒會吸收一些激光光子，與一些激光光子發生碰撞使光子散射，壓實度大的地基土組織發生的碰撞概率大些，散射出來的光也多些;壓實度小的地基土組織發生的碰撞概率小些，散射出來的光也少些.因此，激光在與地基土組織相互碰撞，土的壓實度不同，散射出的光也有所區別.運用激光光束垂直照射不同壓實度的地基土組織成像，用圖像分析處理方法提取特征參數，用BP神經網絡建立模型，可以預測地基的壓實度.筆者組建BP神經網絡檢測地基壓實度系統裝置，利用灰度梯度共生矩陣方法提取激光圖像的15個特征，用這些特征訓練BP神經網絡模型，預測地基壓實度，實現無損連續測量土的壓實度.

1檢測系統的構成

檢測系統裝置由型號為TECM55的CCD相機、功率35 mW波長632.8 nm的HeNe激光器、透鏡和戴爾筆記本構成.為了避免外環境的影響，樣品放入木箱中，激光器和相機固定在木箱上，如圖1所示.激光器的光束盡可能垂直入射到地基土組織表面，采集到的激光圖像使用Matlab軟件處理.

2檢測方法

2.1采集激光圖像

根據地基土樣品的壓實度大小編號，順序進行激光圖像采集.為了避免外部環境影響，晚上實驗并關掉其他光源.

2.2特征參數提取

由于地基壓實度不同，與激光光子發生的散射和吸收的概率也不一樣，所以激光與地基土壤顆粒作用后在地基組織表面形成的激光圖像灰度和灰度梯度也不同.因此，可以用激光圖像的灰度紋理特征來關聯土壤的壓實度.圖像的灰度共生矩陣是分析圖像的排列規則和局部模式的基礎，它可以把圖像灰度關于變化幅度、相鄰間隔和方向的綜合信息反映出來.本文采用基于灰度梯度共生矩陣方法提取地基樣品激光圖像的紋理，對每個圖像分別提取大梯度優勢、能量、灰度平均、灰度分析不均勻性、小梯度優勢、梯度分析不均勻性、梯度平均、灰度方差、逆差距、梯度方差、梯度熵、慣性、相關、灰度熵和混合熵15個特征參數.[58]公式115是所對應的特征模型，作為預測模型的輸入參數.

大梯度優勢T1=∑L-1i=0∑Lg-1j=0j2Pij.（1）

能量T2=∑L-1i=0∑Lg-1j=0P2ij.（2）

灰度平均T3=∑L-1i=0i∑Lg-1j=0Pij.（3）

灰度分布的不均勻性

T4=∑L-1i=0∑Lg-1j=0Hij2∑L-1i=0∑Lg-1j=0Hij.（4）

小梯度優勢T5=∑L-1i=0∑Lg-1j=0Pij（j+1）2.（5）

梯度分析不均勻性

T6=∑Lg-1j=0∑Lg-1i=0Hij2∑L-1i=0∑Lg-1j=0Hij.（6）

梯度平均T7=∑Lg-1j=0j∑L-1i=0Pij.（7）

灰度方差T28=∑L-1i=0（i-T6）2∑Lg-1j=0Pij.（8）

逆差距T9=∑L-1i=0∑Lg-1j=0Pij1+（i-j）2.（9）

梯度方差T210=∑Lg-1j=0（i-T7）2∑L-1i=0Pij.（10）

梯度熵

T11=-∑Lg-1j=0∑L-1i=0Pijlog2∑L-1i=0Pij.（11）

慣性T12=∑L-1i=0∑Lg-1j=0（i-j）2Pij.（12）

相關T13=∑L-1i=0∑Lg-1j=0（i-T6）（j-T7）Pij.（13）

灰度熵T14=-∑L-1i=0∑Lg-1j=0Pijlog2∑Lg-1j=0Pij.（14）

混合熵T15=-∑L-1i=0∑Lg-1j=0Pijlog2Pij.（15）

其中，Pij=Hij∑L-1i=0∑L-1j=0Hij，Pij表示共生矩陣中第i行j列的元素，Hij定義為集合中（x，y）|f（x，y）=i，G（x，y）=j元素折數目，L是灰度.

2.3BP神經網絡預測

BP神經網絡模型輸入節點數為15個，輸出節點數1個.隱含層節點數為輸入層節點數的2倍多一個，隱含層節點數為31個.如訓練的最大次數設置為1 000次，學習速率設置為0.05，期望誤差設置為0.001，隱含函數選取tansig，輸出函數選取logsig.[910]提取的特征數據分為兩部分，一部分為訓練模型數據，另一部分為模型預測數據.

3試驗結果與分析

試驗的地基土質選用黏土，通過擊實試驗的標準規程獲得100個不同壓實度的地基土樣品.選擇其中80個訓練樣本數據作為訓練樣本集，余下的20個樣本數據作為預測數據.BP網絡模型訓練過程如圖2所示，達到預定的各項指標.經過4步模型，達到了誤差要求.用20個數據預測出其對應的地基土壓實度，將預測的結果與環刀法比較分析，平均相對誤差為7.16%，平均絕對誤差為0.049，誤差的范圍基本上可以用于地基壓實度的測量.

4結論

組建BP神經網絡檢測地基壓實度系統裝置，提取激光圖像的大梯度優勢、能量、灰度平均、灰度分析不均勻性、小梯度優勢、梯度分析不均勻性、梯度平均、灰度方差、逆差距、梯度方差、梯度熵、慣性、相關、灰度熵和混合熵15個特征為BP神經網絡的輸入參數作為訓練模型，預測地基壓實度.模型的預測結果與環刀法比較，平均絕對誤差為0.049，平均相對誤差為7.16%.結果表明，利用BP神經網絡檢測方法檢測地基壓實度是可行的.

參考文獻

[1]李晨曦，孫哲，韓蕾，等.基于漫反射光譜的組織光學參數測量系統與方法研究[J].光譜學與光譜分析，2016，36（5）：15321536.

[2]蔡健榮，劉夢雷，孫力等.基于改進慣性矩算法的冷鮮豬肉新鮮度激光散斑圖像檢測[J].農業工程學報，2017，33（7）：268274.

[3]王成，蔡干，董肖娜，等.生物組織非接觸光聲層析成像[J].生物醫學工程學雜志，2017，34（3）：439444.

[4]朱瑤迪，申婷婷，趙改名，等.基于高光譜圖像和激光共聚焦顯微鏡技術快速測定豬肉嫩度[J].中國食品學報，2017（11）：239244.

[5]李細榮，徐東輝.壓實土壤組織中激光傳輸的蒙特卡羅仿真[J].牡丹江師范學院學報：自然科學版，2015，3：2728.

[6]張鵬程，劉瑾，楊海馬等.基于PSD的非均勻激光光斑中心定位研究[J].激光與紅外，2020，（8）：941947.

[7]萬思蘭，李細榮，林碩.激光圖像在壓實土密度檢測中的應用[J].牡丹江師范學院學報：自然科學版，2019，（2）：2527.

[8]秦運柏，徐汶菊，朱君.基于激光光斑中心檢測的改進算法[J].實驗技術與管理，2018，35（5）：6063，67.

[9]王孟濤，李岳陽，杜帥，等.基于灰度梯度共生矩陣和SVDD的織物疵點檢測[J].絲綢，2018，55（12）：5056.

[10]趙文清，嚴海，周震東，等.基于殘差BP神經網絡的變壓器故障診斷[J].電力自動化設備，2020，40（2）：143148.

編輯：琳莉