模糊神經網絡在飛機蒙皮缺陷檢測中的算法研究*

潘 甜，田慶敏，李 宇

(江蘇航空職業技術學院，江蘇 鎮江 212134)

0 引言

模糊邏輯是1965年由Zadeh教授提出的，類似于人腦的邏輯思維，能夠對信息不明確的模糊問題進行有效處理，將模糊邏輯推理應用于模式識別領域是未來的研究方向。但模糊邏輯的缺點之一是模糊規則通常依據經驗建立，難以建立穩定的數學模型，其本身也無法自主學習，極大地降低了推理效率。BP神經網絡類似于人類大腦的神經元，可以通過建立數學模型映射出輸入與輸出的關系，具有自學習和自適應能力強等優點，利用BP神經網絡進行模式識別已經成為一種成熟的模式識別手段。然而當輸入信息的維度增加時，將大大延長BP神經網絡的在線學習時間，導致實時性下降。因此思考如何將模糊控制與BP神經網絡兩者優勢互補，已經成為模式識別與人工智能領域研究的重點和難點之一。

國內外學者針對無損檢測缺陷識別技術開展了很多研究，盛敏等利用機器視覺技術實現了飛機蒙皮損傷的檢測研究，利用支持向量機技術實現缺陷的模式識別，具有一定的研究價值，但缺陷識別準確率偏低，識別效率有待提高。美國西屋電氣公司使用智能高精度線陣CCD攝像對蒙皮表面缺陷進行了檢測研究，采用傳統BP神經網絡對缺陷圖像進行分類識別，但該系統存在識別缺陷種類單一、無固定規律性等問題。

國內外學者將模糊控制與神經網絡相結合，并開展了一系列的研究，如司景萍等提出基于模糊控制的智能故障診斷專家系統，有效提高了發動機故障檢測的準確率；Tang qi等對比了傳統的BP神經網絡和基于ANFIS模型的模糊神經網絡，發現后者在動力電池故障診斷方面的準確性更高；王笑笑等將模糊綜合評價與人工神經網絡相結合，對大數據價值進行評估研究，具有一定的實用價值。

上述研究表明，模糊神經網絡多用于特定的控制領域，而少有學者將其運用于模式識別領域。為此本課題以飛機蒙皮缺陷檢測為背景，創新性地運用基于模糊控制的BP神經網絡分類識別技術(FBP)實現飛機蒙皮表面缺陷的快速準確識別和判斷，為我國無損檢測領域提供新的研究方向。

1 基于模糊神經網絡的飛機蒙皮缺陷檢測

隨著科學技術和經濟的發展，飛機在軍事、交通運輸、農業等各個領域都發揮著關鍵的作用，然而在飛機長時間飛行過程中，飛機結構的重要組成部分蒙皮表面會受到大氣環境的侵蝕以及各種沖擊載荷的作用，會出現裂紋、撞擊和腐蝕等缺陷，如圖1所示。表面缺陷不僅影響飛機蒙皮表面的美觀，更會影響飛機的整體使用壽命，從而導致空難事故的頻發，所以生產企業對蒙皮表面缺陷的檢測非常重視。

圖1 飛機蒙皮表面缺陷

本文通過搭建視覺檢測系統，利用基于模糊神經網絡技術實現飛機蒙皮表面缺陷的識別和檢測。運用MATLAB仿真實驗對不同缺陷類型的表面圖像進行特征提取，選用不同方向的對比度、相關性、能量和同質性4種特征值構建灰度共生矩陣，通過將特征參數輸出到模糊神經網絡中進行參數訓練得到訓練模型。部分飛機蒙皮缺陷圖像特征值如表1所示，其中序號1～5為飛機蒙皮裂紋樣本，序號6～10為飛機蒙皮腐蝕樣本。基于模糊神經網絡的飛機蒙皮缺陷檢測流程如圖2所示。

圖2 飛機蒙皮缺陷檢測流程

表1 部分飛機蒙皮缺陷圖像特征值

1.1 模糊神經網絡算法

(1)

其中：N為維度；m為樣本數。

為了達到理想的訓練目標，當E

1.2 模糊神經網絡分類器設計

本文搭建的基于模糊神經網絡的模式分類器系統結構如圖3所示，主要分為4層：第一層為特征提取層，其功能是提取飛機蒙皮表面的缺陷圖像；第二層為模糊化處理層，其功能是對輸入的特征數據進行模糊化處理；第三層為BP神經網絡分類層，其充分結合BP神經網絡的自學習和自適應功能，實時調整模糊神經網絡分類器的權值，從而提高在線分類性能，并實時將分類精度顯示在計算機上；第四層為輸出層，將缺陷圖像的分類識別結果顯示出來。

圖3 模糊神經網絡分類器系統結構

2 仿真實驗及結果分析

通過網絡訓練構建基于模糊BP神經網絡的蒙皮表面缺陷預測模型，首先選用4種特征參數作為輸入層節點參數，選用2種缺陷類型(裂紋和腐蝕)作為輸出層的節點數，期望輸出如表2所示。本次構建的模糊BP神經網絡預測模型中隱含層為一層，其節點數n的計算公式為：

表2 期望輸出

(2)

其中：n1為輸入層節點數；n2為輸出層節點數；a為1～10之間的常數，本文取a=5。

本文選取100組裂紋缺陷和100組腐蝕缺陷共200組樣本分為4個組(每組50個樣本)進行網絡測試，經過526次訓練后設定誤差值δ=0.01，將拍攝獲取的缺陷圖像經預處理和特征提取后融入模糊神經網絡預測模型進行訓練。測試樣本在模糊神經網絡中的實際輸出和期望輸出如表3所示，實際輸出和期望輸出的仿真結果如圖4所示，缺陷圖像識別結果如表4所示。實驗結果表明：飛機蒙皮裂紋和腐蝕的缺陷檢測率高達93.5%，能夠很好地滿足實際檢測要求。

表3 測試樣本實際輸出和期望輸出

圖4 仿真實驗結果

表4 缺陷圖像識別結果

仿真實驗結果表明：基于模糊控制的BP神經網絡與傳統的神經網絡模式識別分類器相比，分類檢測次數由1 086次降低到526次，檢測精度提高到93.5%，較傳統的BP網絡分類識別精度提高了3.3%，檢測對比如表5所示。基于模糊控制的BP神經網絡分類器的實時檢測精度得到了明顯提高。

表5 BP神經網絡與模糊BP神經網絡分類器對比

3 結束語

本文以飛機蒙皮表面產生的裂紋、腐蝕等缺陷為背景，將模糊控制的不確定推理能力和神經網絡的自學習能力充分結合，提出了一種模糊神經網絡算法(FBP)，并構建了基于模糊神經網絡的模式識別分類器，可以快速準確地判斷并識別出飛機蒙皮表面的幾種常見缺陷類型。實驗結果表明：缺陷檢測的準確率達到93.5%，訓練次數下降到526次，從而能夠大大減少因蒙皮裂紋、腐蝕等缺陷而導致的飛機空難事故。