GA-SVM在木材缺陷識別中的應用

徐梓敬 ， 賈 培， 吳 楠， 徐凱宏

(1.東北大學 資源與土木工程學院,遼寧 沈陽 110006; 2.東北林業大學 機電工程學院,黑龍江 哈爾濱 150040；3.南通醋酸纖維有限公司，江蘇 南通 226100)

0 引 言

目前,在我國最具木材生產價值的原始森林中,珍貴樹種覆蓋率比重很小,資源不足,在生長期間易受到腐朽和微生物侵害的影響,導致珍貴樹種內部存在節子、腐朽和裂紋等缺陷造成其使用價值偏低,木材需求量大[1]。在木材內部缺陷的識別中,國內很多的研究人員運用數字圖像處理技術、計算機視覺技術和神經網絡等方法進行研究[2～6]。宋小燕[7]通過照明系統獲取特征明顯的目標圖像,采用具有自適應能力的最大類間方差聚類法,確定分類閾值,并通過閾值判別法對木材缺陷進行識別。王世偉[8]基于缺陷區域和其他區域對X射線的吸收衰減率不同獲取缺陷圖像,并通過特征的提取,進行擬牛頓算法的缺陷識別。Gu I Y H[9]等人提出一種新的支持向量機方法,以樹形結構為基礎對不同種類的結子進行分類。王再超等人[10]采用支持向量機對多特征的木材缺陷進行識別。但木材內部缺陷識別的研究還有待探索和研究。

本研究為達到準確的識別木材缺陷,以帶有孔洞、腐朽和節子缺陷的木材為研究對象,利用電阻層析(electrical resistance tomography,ERT)技術對缺陷木材進行內部數據的獲取,得到的木材電壓數據進行主成分分析,構造12個缺陷特征向量。由于SVM算法識別存在的長時間參數尋優、低的識別率等缺陷問題,本文建立GA優化SVM神經網絡的識別模型,對參數進行優化,將處理后的電壓數據組成的特征向量作為輸入,以木材缺陷識別類別作為系統的輸出。

1 材料與方法

1.1 試驗對象和測量方法

選用帶有孔洞、腐朽和節子缺陷的木材為實驗樣本,其中孔洞、腐朽和節子試樣各9個。圓盤試樣規格為:直徑約200 mm,厚度500 mm。實驗設備主要有:實驗采用具有電學信號采集和測量功能的PXI平臺,作為立木孔洞缺陷木材的測量裝置。該木材電壓采集平臺是由PXI控制器、高速數據采集板卡NIPXI—6251、多路復用器矩陣開關板卡PXI—2532組成,其數據采集框圖如圖1所示。

圖1 PXI平臺的數據采集框圖

將16電極陣列與矩陣開關板卡2532的r0-r15端子連接后,通過PXI總線連接到計算機,并由計算機在激勵電源與r0,r1接通前提下進行激勵,板卡6251依次對r2-r3,r3-r4,…,r14-r15上的電壓進行采集,并用板卡2532對不同的激勵電極和相應的采集電極進行切換,再次進行立木電壓數據采集,利用PXI總線將采集的木材電壓值傳給計算機。

本文的ERT激勵源電路是由STC89C52單片機,DAC0832將數字信號轉換到模擬信號的轉換電路,組成的正弦電流信號發生器,并利用LM324進行信號的放大,其中,放大電路由±12 V雙電源供電,LM324的4引腳和11引腳分別接+12 V和-12 V電源。圖2為激勵源電路的原理圖。

1.2 木材的無損檢測

ERT技術的物理依據是根據所在場域介質電導率的不同,來決定對象內部各介質的分布[11]。其組成包括:電流激勵測量的電極傳感器、數據采集處理單元和立木內部孔洞缺陷圖像重建與顯示。其中,測量電壓數據的傳感器是由一組或多組電極陣列組成,并且這些陣列是等間距放置在被測木材周圍。主控PC用其對電壓采集單元施加激勵,建立內部場域的敏感場,此時,激勵后電導率分布發生變化的同時,電勢分布情況也隨之改變,而測量場域邊界上電壓的變化使得電導率分布情況發生變化,并采集到各個電極對所對應的多組電壓值。再利用反映電導率分布信息的電壓值來進行重建,通過重建算法得出木材內部缺陷二維重建圖像。

圖2 激勵源電路

1.3 ERT技術的檢測結果

本研究采用模式簡單且應用廣泛的相鄰激勵、且在非均勻場中測得的數據量最多的相鄰測量方式獲取數據。應用PXI平臺進行立木內部電壓數據的采集及測量,以STC8052為主控單元、DAC0832為信號發生器的單片機系統,通過電阻層析技術進行立木孔洞的無損測量,首先將16個電極傳感器均勻等距離插在被測試樣周圍,給立木四周布置兩個相鄰的電極傳感器并施加10 kHz,0.5 mA的交變、正弦波激勵信號,且該信號的恒流源內阻很大,采集除激勵電極外的相鄰電極的電壓,再依次切換下一組相鄰電極傳感器,施加激勵并采集除激勵電極外的其他相鄰電極傳感器上的電壓[12],重復至所有相鄰電極都充當激勵電極為止,收集采集的所有獨立測量的立木內部電壓。其中,N只傳感器可采集到N×(N-3)個測量數據,本研究中,每個斷層共采集16×(16-3)=208個電壓數據。LabVIEW程序的電壓值采集、分析和顯示,完成ERT技術的正問題。其中,PXI平臺自帶的對應于板卡6251和2532的LabVIEW程序,對板卡進行控制,完成數據采集板卡6251對數據的采集,并以Excel表格形式存儲帶有孔洞缺陷的立木電壓信號值。

2 本文方法

采用ERT系統采集每個斷層的電壓數據,并對數據進行PCA處理,提取貢獻率大的數據,并利用GA優化SVM算法對木材孔洞、腐朽和節子缺陷進行識別。

2.1 主成分分析

對于ERT獲取的每個斷層電壓數據,采用SPSS軟件進行PCA處理。主成分分析法降維步驟如下:

1)輸入22個特征參數作為樣本值X(Xij)n×p；

2)計算均值和方差

j=1,2,…,p

(1)

3)對樣本值Xij進行標準化,計算其相關矩陣,得到標準化數據Y

(2)

i=1,2,…,p

(3)

4)求R的特征值和特征向量。

5)建立主成分。

6)計算前k個主成分的樣本值

(4)

用得到的新特征參數樣本值(Zij)n×k代替原特征參數樣本值(Xij)n×p。

通過以上步驟,求得貢獻率最大的前12個特征參數作為網絡模型的輸入特征量,其特征值和貢獻率結果如表1所示。

表1 SPSS降維斷層數據結果

2.2 GA-SVM神經網絡識別

基于GA-SVM算法的木材內部缺陷識別,具體操作是在MATLAB軟件中利用LISBVM3.14工具包中gaSVMcgForClass.m函數,并找到最佳參數c和g,實現用GA優化SVM參數和木材內部缺陷識別,具體步驟如下:

1)實驗共采用165組優化過的電壓數據,對于每種缺陷的木材,隨機選取120個樣本作為訓練集,45個樣本作為測試集,完成電壓數據的提取工作。

2)對木材缺陷訓練集和測試集進行[0,1]區間的歸一化預處理

(5)

式中x,y∈Rn,yi∈[0,1],i=1,2,…,n。

在MATLAB中用mapminmax函數實現其歸一化

(6)

式中 min(x)和max(x)為x的最大、最小值,min(y)和max(y)為映射范圍,默認為0和1；

3)設置木材內部缺陷的識別算法,SVM中參數的取值范圍,利用GA對參數c和g進行優化；

4)將木材內部缺陷的識別參數進行編碼,并利用最佳的參數進行SVM網絡訓練,依據適應度函數,計算每個個體的適應度值。識別得到的適應度曲線如圖3所示,GA-SVM算法的最優參數c=4.354 1,g=3.492 5,獲取適應度函數準確率達到97.744 4 %。

5)執行選擇、交叉和變異算子,形成木材內部缺陷的新子代種群,并用相應的參數組合代替最優個體。

6)設置終止條件,若滿足,進行解碼,輸出最優參數組合,若不滿足,則繼續第(4)步,直至滿足。

7)利用得到的最優參數,建立木材內部缺陷的SVM模型,完成其網絡預測并進行木材內部缺陷識別結果的分析。

圖3 GA尋找最優參數的適應度曲線

3 結果與分析

GA-SVM算法識別得到3種木材缺陷識別正確個數圖4所示。

利用GA算法優化了SVM算法,進行了木材內部孔洞、腐朽和節子缺陷的識別。采用帶有孔洞、腐朽和節子缺陷的木材斷層優化數據各40組作為訓練集,各15組作為測試集。GA-SVM算法的最優參數c=4.354 1,g=3.492 5,獲取適應度函數準確率達到97.744 4 %,木材3種缺陷的識別結果如表2所示。

GA-SVM算法對木材孔洞、腐朽和節子的識別率為94.55 %,96.36 %,92.73 %,總體病害識別率達到94.55 %。

4 結 論

實驗測試結果表明:遺傳算法對SVM參數的優化過程,解決了SVM算法識別存在的長時間參數尋優、低的識別率等缺陷問題,對木材缺陷的預測誤差較小,識別率高,識別效果佳,克服了SVM算法識別的缺陷。將該識別方法應用于ERT木材無損檢測領域,設計木材無損測量裝置,能有效提高木材的利用率。