基于BP神經網絡的木材質量評價

劉貝貝++朱波++宋揚揚++萬育微

摘要： 目前木材家具的生產過程在逐步向批量化、機械化趨近，但木材的質量一直是家具產業需要關注的問題，因此對木材的質量評價一直是家具制造業研究的重點。本文利用BP神經網絡建立木材的質量評價模型，選擇合適的評價指標，并通過案例的樣本數據進行驗證。測試結果與加權平均法比較，得出構建的3層BP神經網絡模型應用于木材質量評價中具有一定的可行性與現實意義。

Abstract： At present， the production process of furniture is gradually approaching to batching and mechanization. However， the quality of mahogany wood has always been a concern for the furniture industry. Therefore， the quality evaluation of wood has always been the focus of furniture manufacturing research. In this paper， the quality evaluation model of mahogany wood is established by BP neural network， and the appropriate evaluation index is selected and verified by the sample data of the case. Compared with the weighted average method， the results show that the proposed three-layer BP neural network model has a certain feasibility and practical significance in the quality evaluation of wood.

關鍵詞： 木材；質量評價；BP神經網絡；評價指標

Key words： wood；quality evaluation；BP neural network；evaluation index

中圖分類號：TS664.1 文獻標識碼：A 文章編號：1006-4311（2018）02-0061-03

0 引言

隨著社會經濟的不斷發展和人民生活水平的提高，人們對木材家具的關注和使用程度不斷增加。然而木材家具的質量問題時有發生，嚴重影響了我國家具行業的健康發展。家具的質量問題的產生不僅源于制造環節中，而且還會源于木材的質量評價不當。在家具生產流通過程中，如何對其木材質量進行評價，是保障家具質量的關鍵。因此，從木材質量評價的角度把控家具質量是本文的研究內容。

目前，國內關于家具木材的相關理論與應用展開了大量研究。楊鐵濱等人建立了基于BP神經網絡的分類器實現木材機械加工表面質量自動評價，這保證木制品質量，提升其價值有重要意義[1]。張秋龍分析了家具不合格產品產生的原因，其次系統地分析了當前家具存在的質量問題及相應的維護方法[2]。白雪冰等人利用BP神經網絡對特征參數進行分類，并驗證了提取的特征參數的有效性[3]。吳茜應用層次分析法等對民用實木家具設計指標結構體系中相同階層的各元素指標進行權重分析，為民用實木家具的設計評價研究提供一個參考標準[4]。

國外學者關于家具木材的相關理論與應用也做了大量研究。Jozef Gáborík通過將壓制木材表面獲得的結果與未經受壓制的木材表面獲得的結果進行比較，使用接觸法測量壓制前后的粗糙度，從而確定表面質量掃描區域內的裂紋等缺陷，這項研究論證了壓實后白楊木表面質量的變化[5]。Milan Gaff提出通過3D成型修飾的表面，基于宏觀鑒定評估的目的是為了開發和測試適當的方法對表面質量進行評估和質量的確定與量化[6]。

本文選擇以木材為質量評價對象，選擇合格的制造家具原材料，從根本上控制家具的質量，文章選擇BP神經網絡為評價方法，確定合理的評價指標，構建出木材的質量評價模型，并且通過案例樣本數據檢驗所建模型的評價性能。

1 BP神經網絡

1.1 神經網絡的定義

神經網絡是多層前饋神經網絡，該網絡的主要特征是在傳輸之前對信號，反向傳播錯誤。在傳輸前，輸出層的輸入會逐層通過隱含層輸入的信號。每一層的神經狀況僅影響下一層的緊張狀態。如果輸出層被釋放，然后轉移到反向傳播，根據預測誤差來調整權值和閾值，從而使輸出預測神經網絡更接近期望輸出。

1.2 神經網絡模型及原理

BP神經網絡的拓撲結構如圖1所示。

圖1中，M1，M2，…Mn是BP神經網絡的輸入值，N1，N2，…Nm是BP神經網絡的預測值，Dij和Djk為BP神經網絡權值。BP神經網絡可以看成一個非線性函數，網絡輸入值和預測值分別為該函數的自變量和因變量。當輸入節點數為n，輸出節點數為m時，BP神經網絡表達了從n個自變量到m個因變量的函數映射關系。

2 產品質量評價體系的構建

2.1 指標的選擇

家具是企業使用一定的技術將木材加工成可以滿足人們日常生活需要的商品。因此，家具質量評價就要考慮家具原材料的質量問題，因此對于木材性質這方面的特性對家具質量有著很大的影響。

通過查閱文獻和案例分析可知，木材的物理性質對木材的整體質量有非常大的影響，本文選擇了5個指標進行分析分別為：抗彎強度、彈性模量、抗壓強度、沖擊韌性、天然耐久。

抗彎強度：表示木材受橫向靜力載荷作用時所產生的最大彎曲應力。

彈性模量：表示木材抵抗外力而產生的變形或保持原有形狀的性質，又稱勁度或剛度。endprint

抗壓強度：表示木材受壓力作用所產生的最大應力。

沖擊韌性：表示木材對外來沖擊負荷的抵抗能力。

天然耐久：表示木材對木腐菌、木材害蟲以及各種氣候變化因子損害的天然抵抗能力。

通過以上說明可以將質量評價體系選取指標列為：抗彎強度、彈性模量、抗壓強度、沖擊韌性、天然耐久。

通過上述指標分析，確定的輸入輸出變量如表1所示。

2.2 創建BP神經網絡

網絡構建是質量評價模型的關鍵環節，影響BP神經網絡的性能有多種因素，其中包括網絡層的確定，輸入節點和輸出節點的設定，隱層節點數的選擇。

2.2.1 網絡層數的選擇

網絡層數影響網絡的測試性能。單個網絡的隱含層，適合于相對簡單的設計，反而會降低所述測試網絡的準確性。隱含層的網絡是合適的映射更多面的，但它在提高網絡預測的性能的同時，更是增加了網絡訓練的時長，從而會增加網絡的復雜性。所以網絡層數要根據實際研究對象確定。

2.2.2 引入時，輸出節點的選擇

輸入神經元的數量取決于特性提取指標的個數，按照本次研究提取的指標的個數，BP網絡中輸入節點的個數為5。輸出層的節點數為1。

2.2.3 節點的隱含層選擇

神經網絡的隱含節點的數量對預測精度會產生作用。節點的數量非常少的時候，要增多網絡訓練的次數，但是這樣也不能滿足訓練對精度的要求。會增加訓練時間。當節點的數目太大，網絡會出現更多的問題，訓練時長也會相應增加。可以通過下面的公式來確定隱含層：

式中Q——隱含層的節點數目；

F——輸入層的節點數目；

h——輸出層的節點數目；

i——1～10。

根據在輸入層和輸出層的節點的數目，對BP神經網絡通過隱含節點的數量進行處理，然后對隱含節點的數目逐漸增加。

3 評價體系的驗證

本文通過數值實驗驗證所提模型的可行性和有效性。實驗的基本思路是，首先創建模型，再針對具體案例，確定模型的評價性能。

3.1 驗證環境

實驗在計算機上進行，其硬件配置為：CPU 2.50GHz，內存8.00GB；軟件環境為MATLAB R2015b，采用MATLAB神經網絡工具箱創建BP神經網絡，其它通過編程實現。

3.2 原始數據

實驗的原始數據為家具木材材料物理性質數據，部分數據如表2所示。

為了統一變量的量綱，對原始數據（包括輸入值和目標輸出值）進行了歸一化處理，處理后的數據再劃分為訓練樣本集、驗證樣本集和測試樣本集。

3.3 相關參數

如表3所示，神經網絡訓練的相關參數。

利用MATLAB神經網絡工具箱中的newff （ ）函數構建網絡，其中，期望誤差為10-3。為了確定出性能更好的網絡結構，本文進行對不同的隱含層神經元數目（節點數）的網絡進行了試驗，結果如表4所示。

表4顯示，經過6000次對BP網絡隱神經元的訓練，神經元為9的函數逼近了良好目的作用。神經元節點數為5、8和12的時候，在網絡中具有相對小的誤差，但時長比較大。考慮到網絡的性能和速率等問題，在網絡的隱含層神經元的節點數被預設為9。

3.4 驗證結果

通過對模型進行驗證，結果表明訓練達到5000次時表現出最佳訓練能力0.008695，如圖2所示。

訓練得到的擬合公式如圖3所示，擬合度達到0.97987。

本文中將樣本集劃分為訓練樣本集120個，驗證樣本集35個，測試樣本集5個。其中對5個樣本進行測試得出結果如表5所示。表中分別計算了預測結果的絕對誤差和相對誤差。計算得出均方誤差為0.08485。

從表5可知，每次實驗中模型的目標值與輸出值誤差很小，樣本實驗的絕對誤差均值和相對誤差平均值分別約為9186和37.8%，明顯小于最優候選網絡的絕對誤差平均值11726和相對誤差平均值47.4%，證明了本文所提基于BP神經網絡的家具質量評價模型能夠很好地評價預測精度。

3.5 與加權平均評價方法比較

為了驗證所建基于BP神經網絡的木材質量評價模型性能，本文將實驗結果與加權平均評價方法進行比較，其中加權平均法中的權值設置為{？棕1=0.2，？棕2=0.1，？棕3=0.3，？棕4=0.2，？棕5=0.2}得到的輸出結果如表6所示，對比結果如圖4所示。

圖4中描述的是BP神經網絡和加權平均法對木材的質量評價的相對誤差的對比，結果顯示本文構建的BP神經網絡對木材的質量預測評價能力要比加權平均法能力強，進一步驗證了所建模型的可行性。

4 結論

提高木材的質量評價，有效促進家具制造業的良性發展，關鍵是尋求一種精確度強的評價體系。常用的傳統評價方法具有復雜、參數多、難以調適的問題，在實際應用中要直接在“黑箱”模式下進行質量評價，很大程度上依賴于使用者的經驗，具有相當難度。

本文提出了基于BP神經網絡的木材質量評價體系，建立了相應模型。模型為個3層結構的BP神經網絡，每個網絡的隱含層單元數確定，將原始數據劃分為訓練集、驗證集、測試集，并進行了歸一化處理。經數值實驗驗證，該模型具有更好的評價精度，且與加權平均評價方法比較具有更高的精確度，因此將BP神經網絡應用于材質量評價是一種有效途徑。

參考文獻：

[1]楊鐵濱，侯玉婷，劉一星，等.基于圖像的木材機械加工表面質量評價研究[J].森林工程，2015，31（1）：59-62。

[2]張秋龍.家具產品質量控制措施探討[J].輕工標準與質量，2015（1）：27-28.

[3]白雪冰，王克奇，王業琴，等.基于BP神經網絡的木材表面顏色特征分類的研究[J].森林工程，2007，23（1）：24-26.

[4]吳茜.方案設計階段的民用實木家具設計評價體系研究[D].四川：四川農業大學，2016.

[5]Jozef Gáborík， Milan Gaff， Daniel Ruman， et al. Quality of the Surface of Aspen Wood after Pressing. bioresources， 2017.

[6]Milan Gaff， Jozef Gáborík. Evaluation of Wood Surface Quality after 3D Molding of Wood by Pressing. bioresources， 2014.endprint