基于Hu不變矩和BP神經(jīng)網(wǎng)絡的木材缺陷檢測

戚大偉 牟洪波

(東北林業(yè)大學理學院，哈爾濱 150040)

木材缺陷改變了木材性能，降低了木材質量和使用價值［1］.本文基于現(xiàn)有的條件和研究內容的限制，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種缺陷進行檢測.首先對采集到的木材缺陷圖像進行預處理，其次對木材的3種缺陷圖像進行特征提取，將提取的特征值輸入BP神經(jīng)網(wǎng)絡，對木材3種典型缺陷模式進行有效檢測，進而對材料進行評價，具有很重要的實際意義和經(jīng)濟價值.

1 不變矩理論及其擴展

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造不變量.這種思想最初由Hu提出，利用中心矩構造出了7個不變量，能夠對區(qū)域形狀進行描述［2］.由于具有平移、比例和旋轉不變性的特點，所以不變矩已成為重要的區(qū)域特征集，在圖像檢測領域應用廣泛.

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

當f(x，y)在x-y平面的有限區(qū)域內分段連續(xù)時，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)為質心坐標.

對于m×n的數(shù)字圖像有

Hu在連續(xù)空間中(見式(5))有7個不變矩滿足圖像的平移、旋轉和縮旋不變性.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，再作如下擴展:

Chen［3］證明已經(jīng)了 T1，T2，…，T10滿足結構平移、旋轉和縮放不變性，是對Hu不變矩概念進行擴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射線作為檢測源，利用X射線的熒光成像效應，可以通過檢測透過木材后的射線強度來斷定被檢測木材是否存在缺陷［4-5］.

根據(jù)實驗條件，利用工業(yè)X光機透射木材，在涂有熒光物質的吸收屏上成像，由微光攝像機進行接收，再由A/D轉換電路、圖像采集及處理板，整個系統(tǒng)以計算機為中心完成各種操作和數(shù)字圖像處理工作.木材缺陷X射線無損檢測圖像采集系統(tǒng)如圖1所示.

圖1 木材缺陷無損檢測系統(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，達到特定的目標［5］.木材缺陷圖像要達到的特定目標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)對圖像進行取樣，使木材缺陷圖像在空間上離散化，并對圖像進行量化，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化為灰度圖像，再把灰度圖像轉換為二值圖像.根據(jù)已有的經(jīng)驗選擇相應的閾值，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行處理得到的圖像如圖3所示.應用Sobel邊緣檢測算子對得到的二值圖像進行邊緣檢測，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

3 特征提取與檢測

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

根據(jù)實際需要，一層隱層即三層網(wǎng)絡已經(jīng)足夠了［7］.輸入層神經(jīng)元個數(shù)為10個，對應10個特征量(T1，T2，…，T10)，輸出層神經(jīng)元數(shù)為3個，根據(jù)經(jīng)驗公式n2=2n1+1(n2為中間層神經(jīng)元個數(shù)，n1為輸入層神經(jīng)元個數(shù))，確定中間層神經(jīng)元數(shù)為21個，BP神經(jīng)網(wǎng)絡模型如圖5所示.學習的期望目標值見表1.

表1 學習樣本對應的期望輸出

圖5 BP神經(jīng)網(wǎng)絡結構模型

通過60個樣本對神經(jīng)網(wǎng)絡進行學習.從未參加訓練的木材缺陷樣本中各選擇10個樣本對已訓練成熟的BP網(wǎng)絡進行仿真.經(jīng)過學習之后，學習結果與目標值接近，當把限定閾值設為絕對值大于0.82，檢測結果輸出為1，學習結果的絕對值小于0.18，檢測結果輸出為0，學習結果的絕對值大于0.2，小于0.8，檢測結果輸出為2，這時不能確定缺陷類型.總的檢測準確率達到86% 以上.

4 結語

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.通過對Hu不變矩擴展得到的 T1，T2，…，T10，對幾何形狀進行描述，由于它具有平移、縮放、旋轉不變和計算量相對較小的特點，因而比其他方法如傅里葉描述子、變換、不變矩等簡便、快速.將 T1，T2，…，T10進行歸一化后得到的數(shù)據(jù)作為神經(jīng)網(wǎng)絡的輸入特征量，待網(wǎng)絡訓練成熟后，對未知樣本進行檢測的準確率達86%以上，實驗結果表明實此方法在木材缺陷類型的定量檢測是可行的.也可將此方法推廣應用到其他樹種，對其缺陷類型進行有效檢測.

References)

［1］李堅.木材科學［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.木材無損檢測圖像處理系統(tǒng)的研究［J］.林業(yè)科學，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)絡在木材缺陷檢測中的應用［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)