林业科学  2006, Vol. 42 Issue (8): 63-68   PDF    
0

文章信息

齐巍, 王立海.
Qi Wei, Wang Lihai.
基于小波神经网络的木材内部缺陷类型识别的研究
Identifying the Patterns of Defects in Timber Using Ultrasonic Test Based on Wavelet Neural Networks
林业科学, 2006, 42(8): 63-68.
Scientia Silvae Sinicae, 2006, 42(8): 63-68.

文章历史

收稿日期:2005-07-25

作者相关文章

齐巍
王立海

基于小波神经网络的木材内部缺陷类型识别的研究
齐巍, 王立海     
东北林业大学 哈尔滨 150040
摘要: 利用榆木标准试件,在实验室内用超声波检测仪器对试件进行缺陷分类检测,检测信号作为原始信息。各类试件的原始信号用小波包分解,计算缺陷试件与完好试件在小波包第5层各结点的信号能量变化值。试验发现:木材缺陷引起能量的变化值主要由木材缺陷的大小或严重程度来决定,亦即木材的缺陷程度越严重,能量的变化幅度就越大;对小波包5层分解后各信号结点的能量变化值进行分析,发现在32个结点中,(5, 0)结点在各类缺陷试件中能量值变化最大;使用经小波压缩后的信号作为神经网络的输入,形成应用频带能量变化值和应用(5, 0)结点小波包系数的2个不同输入特征的人工神经网络。对比分析2个网络识别木材缺陷类型的能力,(5, 0)结点小波包系数作为特征训练得到的神经网络检测精度更高。
关键词: 木材缺陷    超声检测    小波分析    人工神经网络    
Identifying the Patterns of Defects in Timber Using Ultrasonic Test Based on Wavelet Neural Networks
Qi Wei, Wang Lihai     
Northeast Forestry University Harbin 150040
Abstract: Nondestructive testing(NDT) for wood inner-defect detecting, combined with wood sciences, electronics, signal procurement and processing, and pattern diagnosing, are very important for timber production, wood processing, evaluation of standing trees and assessment of wooden structures. This paper carried out the indoor experiments for NDT of Elm wooden test samples using ultrasonic instrument in order to identify the inner-defect patterns. Wavelet transform and wavelet packet analysis was employed to identify the characteristic values of defect signals. The original signals were decomposed, and then the energy varieties of traveling signals for different layers were calculated. The energy spectrum variety of ultrasonic signals at layer 5 were taken as the eigenvalues of transform matrix. The results of test showed that :1) The energy spectrum changes of a ultrasonic signal is proportional to the degree of defects in wood; 2) Energy spectrum changes at crunode 32 of layer 5 are the mostly significant compared with those at other crunodes; 3) Taking the energy varieties of signals at crunode 32 of layer 5 and the (5, 0) crunode's wavelet radix as the character inputs of the artificial neural network respectively, the latter network for identifying the defect patterns works more efficiently than the former one with accuracy rate over 90%.
Key words: wood inner-defect detecting    ultrasonic testing    wavelet analysis    artificial neural network    

应用超声波检测木材已有50多年的历史,关于超声波在木材中传播的弹性模量和速度方面国内外学者做了大量研究(王立海,2002),主要是运用超声波首波法提取超声波在木材中传播的时间和速度,即传播路径中如有缺陷,超声波的传播路径就会改变,可以根据超声波波速的变化来检测木材缺陷(Wikox, 1988)。尽管超声波检测木材内部缺陷得到了比较广泛的应用,但由于以波速为处理参数本身的局限性,使其在缺陷定性和定量方面的可靠性和灵敏度并不是很高,需要新的处理方法的介入(李坚,1994林文树等,2005)。

小波分析方法在信号处理方面具有得天独厚的优越性。它具有良好的时频局部化特性,可以聚焦到信号的任意细节,因此被誉为分析信号的数学显微镜。小波分析由于其基函数的自动伸缩和平移特性而成为信号分析的重要工具(张晓春,1997)。神经网络可以有效地实现输入和输出之间的非线性映射,具有学习和模式识别能力,适合于无损检测的自动化。而小波分析和神经网络相结合,一方面可以使经小波压缩后的信号作为神经网络的输入,压缩后的信号不仅提取了原信号中的特征信息, 而且网络输入的数据点数大幅度下降,大大提高了网络的运算速度;另一方面由于选用了较高次分解所得的高频部分作为网络输入,从而即使在原始信号中含有较高的嗓音时也能获得较高的预测准确度(Onsay, 1994)。小波分析和神经网络的结合类型有2种:1)松散型结合,即小波分析作为神经网络的前置处理手段,为神经网络提供输入特征向量; 2)紧致型结合,小波和神经网络直接融合,即小波函数和尺度函数形成神经元(虞和济,2000)。目前小波神经网络在土木工程、复合材料等领域有一定的研究,但运用此技术于木材缺陷检测在国内尚属首次。

木材缺陷检测中,由于木材本身的特性使采集到的超声信号受干扰比较严重,因此当木材中出现裂纹、内腐、虫眼时特征信号不明显(杨学春等,2002)。此时,如果能探测到微弱特征信号的出现,将大大提高对木材缺陷的诊断,对木材鉴定承重力、活立木等有重大的实用价值。所以,通过适当分析方法将复杂信号中夹杂的微弱特征信号提取出来,是诊断过程迫切需要解决的问题。本文通过小波神经网络的松散型结合,应用超声波对不同缺陷类型木材试件进行无损检测。

1 仪器、材料及方法 1.1 仪器

采用中国科学院武汉岩土力学研究所智能仪器研究室研制的RSM-SY5非金属超声波检测仪。综合试件及试验要求选取声波换能器的直径为50 mm,超声频率为30 kHz。参数设定:增益值1 000;高通滤波频率10 kHz,低通滤波频率1 000 kHz;记录长度2 048个点;采样周期设定为1 μs;发射脉宽设定为100 μs。超声换能器的位置如图 1所示。

图 1 超声换能器的位置 Fig. 1 The position of ultrasonic sensors
1.2 材料

试验采用榆木试件,规格为300 mm×40 mm×40 mm,总件数为150个,分为标准试件(完好)、单孔试件、双孔试件、三孔试件、裂纹试件、节子试件。各类试件数分别为25个。其中孔径为20 mm并且分别沿轴向均匀分布,裂纹试件的裂纹长度为150 mm、宽度2 mm、平均深度10 mm。

1.3 方法 1.3.1 木材超声检测信号特征量的提取

为了提取出异常的信号,用小波包分析方法(WPA)将信号分解成各种频段下的多个子信号。用S00(t)表示超声检测的原始信号,其表达式为(胡昌华等,2004)

(1)

其中:Skj(t)是正交频段的子信号,k表示小波分解树结构的层数(分解层数)。

db5小波基的紧支区间、消失矩阶数适中,因此信号的分辨能力高、可微性较好。分析比较不同小波基在本试验的应用效果,选择db5小波基作为处理超声波检测信号的首选小波基。试验应用MATLAB软件的小波工具箱进行特征量的提取与分析(胡昌华等,2004徐东等,2002),小波包分解采用MATLAB函数T=wpdec(a, 5′,db5′),其中a表示原始信号,5表示分解层数,db5表示分解所采用的小波类型,分解后第5层结点数为32。则分解层数k=5,结点数j=0, 1, 2, Λ, 31。对小波包分解系数重构,提取各频带范围的信号。重构系数可由MATLAB函数S5j=wprcoef(T, [5, j])得到,其中T为被重构信号,[5, j]表示第5层第j个结点,相应得S5j表示第5层第j个结点的重构系数。

S5j(j=0, 1, Λ, 31)对应得能量为E5j(j=0, 1, Λ, 31),则有

(2)

其中:xjk(j=0, 1, Λ, 31;k=1, 2, Λ, 2 048)表示重构信号S5j的离散点的幅值。各结点能量可由MATLAB函数E5j=norm(S5jnorm(S5j)求得。E5j0E5j(j=0, 1, Λ 31)构成一个指标向量,即

(3)

其中

(4)

E5j0E5j分别为完好试件和缺陷试件的子信号能量,Aj表示第5层第j个结点子信号能量变化值。

1.3.2 应用BP神经网络对木材缺陷进行识别

神经网络提供了一个从输入到输出的广义上的、非线性的参数化映像;一个带S型函数(Sigmoid函数)的3层网络可以近似任何平滑的映像。BP神经网络是一种典型的多层反馈神经网络(崔锦泰,1995),在本试验中BP神经网络由3层组成:1)输入层,接受木材缺陷信号数据;2)隐藏层,用来处理数据;3)输出层,预测木材缺陷形式。

应用BP神经网络对木材缺陷进行识别的步骤如下:1)训练样本数据选取与预处理  网络训练的全部样本数据是由32×45的矩阵构成,32为输入的结点数,45为选取的样本试件数量。为提高神经网络的训练效率,对样本数据进行预处理,首先利用Prestd函数对样本数据做归一化处理,使得归一化后的训练数据和目标数据均服从正态分布;然后利用Prepca函数对归一化后的训练数据进行主元分析,保留了变化不小于0.01的数据,从而消除样本数据中的冗余成分,主元分析后训练数据维数由32降为16,即输入层结点为16。2)样本的划分  为了提高网络的推广能力和识别能力,训练中采用“提前停止”方法。因此在训练之前,需将样本数据分成训练样本、验证样本和测试样本几个部分,分别用于训练、确证和测试。将数据的1/5用于确证,1/5用于测试,剩下的3/5用于训练网络。3)建立网络  BP神经网络的隐层层数和每层神经元个数的确定没有确切的规律,神经元个数越多,网络越稳定,最终网络性越好,但网络规模也随之增大,建立网络的时间和网络运行时间呈指数级递增(Liu, 1996),所以要选择合适的网络进行训练。此网络使用2层的网络,在隐层中使用传递函数为Logsig函数,在输出层使用的传递函数也为Logsig。在隐层中设计的神经元个数为30,由于需要得到5个目标,所以需要5个输出。网络结构见图 2。4)网络仿真  将单孔试件、双孔试件、三孔试件、裂纹试件、节子试件中训练后的剩余数据作为仿真数据,应用Sim函数对每个试件进行仿真分析,将获得的仿真结果与目标输出做线性回归分析,得到两者的相关系数,作为判断网络训练结果优劣的依据。

图 2 16个输入5个输出的BP神经网络结构 Fig. 2 BP artificial neural network structure with 16 inputs and 5 outputs
2 结果与分析 2.1 5类试件各结点处平均能量变化值 2.1.1 试验结果

分别取标准试件(完好)、单孔试件、双孔试件、三孔试件、裂纹试件、节子试件各10个,试件各个结点处平均能量变化值见表 1

表 1 各试件各结点处平均能量变化值 Tab.1 Average values of energy variety at every crunode of specimens

神经网络的建立是在MATLAB的支持下完成的,程序经编译后即可执行。当通过网络训练、学习获取到各神经元的网络权植和阈值后,木材缺陷神经网络系统就建立了。经过23个训练单位后,由于验证误差的增加,训练停止。最终均方误差为0.000 325 253,网络是在验证集发现“过度训练”后被强行停止,从而避免“过度训练”现象的发生。仿真结果及与目标输出的相关系数如表 2

表 2 应用频带能量变化值的木材缺陷仿真结果与目标输出的相关系数 Tab.2 Correlation coefficients between identifying results and objective outputs
2.1.2 分析与讨论

表 1各试件各结点处平均能量变化值可得到单孔、双孔、三孔、裂纹、节子能量的变化值较大的结点,如表 3所示。

表 3 不同试件能量变化值大的结点 Tab.3 Crunodes of larger energy variety in different specimens

三孔试件能量变化值较大,结点在各类试件中存在比较广泛,具备一定的代表性,因此选择三孔试件能量较大结点的小波包系数与完好试件的小波包系数做比较分析,见图 3。由图 3可以看出三孔试件的小波包系数较完好试件的小波包系数的幅值均有较大的变化,尤其是(5, 0)结点,说明此结点包含的有用信息较多,同时通过小波包变换后将数据点数压缩为原来的1/25,即由原来的2 048个数据压缩至72个,压缩后的数据作为人工神经网络的原始信号输入,既提取了有用的信息,又压缩了数据,将会提高网络的运算速度,改善预测结果。

图 3 完好试件与三孔试件在能量变化值突出结点处的小波包系数的对比 Fig. 3 Contrasts of wavelet-packets coefficient between larger energy variety crunode in perfect specimen and three holes specimen a.完好试件(5,0)结点小波包系数Wavelet-packets coefficient of perfect specimen (5, 0) crunode;b.三孔试件(5,0)结点小波包系数Wavelet-packets coefficient of three holes specimen (5, 0) crunode;c.完好试件(5,2)结点小波包系数Wavelet-packets coefficient of perfect specimen (5, 2) crunode;d.三孔试件(5,2)结点小波包系数Wavelet-packets coefficient of three holes specimen (5, 2) crunode;e.完好试件(5,6)结点小波包系数Wavelet-packets coefficient of perfect specimen (5, 6) crunode;f.三孔试件(5,6)结点小波包系数Wavelet-packets coefficient of three holes specimen (5, 6) crunode;g.完好试件(5,12)结点小波包系数Wavelet-packets coefficient of perfect specimen (5, 12) crunode;h.三孔试件(15,12)结点小波包系数Wavelet-packets coefficient of three holes specimen (15, 12) crunode;i.完好试件(5,19)结点小波包系数Wavelet-packets coefficient of perfect speciment (5, 19) crunode;j.三孔试件(5,19)结点小波包系数Wavelet-packets coefficient of three holes specimen (5, 19) crunode.
2.2 5类试件(5, 0)结点处小波包系数

网络训练的全部样本数据是由72×45的矩阵构成,72为输入的结点数,45为选取的样本试件数量。主元分析后训练数据维数由72降为30,即输入层结点为30。此网络使用2层的网络,在隐层中使用传递函数为Logsig函数,在输出层使用线性传递函数Purelin。在隐层中设计的神经元个数为100,由于需要得到5个目标,所以需要5个输出。网络结构见图 4

图 4 30个输入5个输出的BP神经网络结构图 Fig. 4 BP artificial neural network structure with 30 inputs and 5 outputs

对训练样本、验证样本和测试样本的划分及网络仿真与上述相同。经过339个训练单位后,由于验证误差的增加,训练停止。最终均方误差为0.003 621 36,网络也是在验证集发现“过度训练”后被强行停止,从而避免“过度训练”现象发生。将经小波分析后得到各试件(5, 0)结点的小波包系数(仿真数据)输入训练得到的网络中,用训练后的系统检测另一组新的带有缺陷的试件,其检测结果及与目标输出的相关系数如表 4

表 4 应用小波包系数的木材缺陷检测结果及与目标输出的相关系数 Tab.4 Correlation coefficients between detecting results and outputs under applying wavelet packets
2.3 2种输入特征训练结果的对比分析

表 2可以看出,应用频带能量变化值的信号特征训练网络仿真值与目标输出(实际值)有一定的误差,由仿真结果及与目标输出的回归相关系数可以看出,单孔试件与双孔试件的相关系数相对偏低,分别为0.748和0.890;裂纹试件的检测结果单值较小,但与目标输出值的相关系数为0.973,说明相关性尚可;其余类型试件的检测结果较理想。

表 4可以看出,应用(5, 0)结点小波包系数作为特征训练得到的神经网络仿真值与目标值十分接近,单孔、双孔、三孔、节子试件的仿真结果与目标输出的相关系数大部分为1,说明检测结果十分理想。

从频带能量变化值的信号特征训练网络的检测结果与(5, 0)结点小波包系数作为特征训练得到的神经网络检测结果对比分析可知,(5, 0)结点小波包系数作为特征训练得到的神经网络检测结果优于前者。在标准试件的试验中表明,用小波包系数作为特征训练的方法能够完全识别木材内部缺陷(孔洞、裂纹、节子)类型。

3 结论

本文通过小波变换与人工神经网络模式识别技术相结合,对木材缺陷超声无损检测进行了系统的研究和试验,得出如下结论:

1) 与正常试件相比,缺陷试件的超声信号能量在特定的频带有很大差异。木材的缺陷部位将衰减或增强特定频带内信号的一些成分,即缺陷部位能引起超声信号分量的能量在一些频率带内增加,或在另一些频率带内减少。因此,不同频带的超声检测信号的能量包含了足够的木材缺陷信息,信号中一个或一些频带的能量变化暗示木材的一种缺陷类型,揭示了基于小波神经网络的木材缺陷类型超声检测机理,试验识别、验证试件缺陷类型的精度达到90%以上。

2) 对小波包5层分解后各信号结点的能量变化值进行分析,发现在32个结点中,(5, 0)结点在各类缺陷试件中能量变化值最大,说明其涵盖的缺陷特征信息最多,因此针对(5, 0)结点进行分析,提取此结点的小波包系数作为神经元网络的输入。

3) 从结点能量变化值作为特征训练的网络仿真结果与(5, 0)结点小波包系数作为特征训练的网络仿真结果对比分析可知,(5, 0)结点小波包系数作为特征训练得到的神经网络检测结果更为理想。

参考文献(References)
崔锦泰. 1995. 小波分析导论. 西安: 西安交通大学出版社, 29-33.
胡昌华, 李国华. 2004. 基于MATLAB6.X的系统分析与设计——小波分析. 西安: 西安电子科技大学出版社, 341-345.
李坚, 陆文达, 刘一星, 等. 1994. 木材科学. 哈尔滨: 东北林业大学出版社, 140-141.
林文树, 杨慧敏, 王立海. 2005. 超声波与应力波在木材内部缺陷检测中的对比研究. 林业科技, 30(2): 39-41.
王立海, 杨学春, 徐凯宏. 2002. 木材缺陷无损检测技术研究现状. 林业科技, 27(3): 35-38.
徐东, 吴征. 2002. 基于MATLAB6.X的系统分析与设计——神经网络. 西安: 西安电子科技大学出版社, 216-219.
杨学春, 王立海. 2002. 应力波技术在木材性质检测中的研究进展. 森林工程, 18(6): 11-12. DOI:10.3969/j.issn.1001-005X.2002.06.006
虞和济. 2000. 基于神经网络的智能诊断. 北京: 冶金工业出版社, 90-93.
张晓春. 1997. 小波变换及其在无损检测中的应用. 无损检测, 19(3): 61-63.
Liu L F. 1996. Stress wave matching by neural network. Proceeding of the 5th International Conference on the Application of Stress-Wave Theory to Piles, Orlando, 420-434
Onsay T H. 1994. Wavelet transform analysis of transient wave propagation in a dispersive medium. Journal of Acoustical Society of America, 95(3): 1441-1449. DOI:10.1121/1.408586
Wikox W W. 1998. Detection of early stages of wood decay with ultrasonic pulse velocity. Forest Products Journal, 38(5): 68-73.