GA-SVM在木材缺陷识别中的应用

徐梓敬 ， 贾 培， 吴 楠， 徐凯宏

(1.东北大学 资源与土木工程学院,辽宁 沈阳 110006; 2.东北林业大学 机电工程学院,黑龙江 哈尔滨 150040；3.南通醋酸纤维有限公司，江苏 南通 226100)

0 引 言

目前,在我国最具木材生产价值的原始森林中,珍贵树种覆盖率比重很小,资源不足,在生长期间易受到腐朽和微生物侵害的影响,导致珍贵树种内部存在节子、腐朽和裂纹等缺陷造成其使用价值偏低,木材需求量大[1]。在木材内部缺陷的识别中,国内很多的研究人员运用数字图像处理技术、计算机视觉技术和神经网络等方法进行研究[2～6]。宋小燕[7]通过照明系统获取特征明显的目标图像,采用具有自适应能力的最大类间方差聚类法,确定分类阈值,并通过阈值判别法对木材缺陷进行识别。王世伟[8]基于缺陷区域和其他区域对X射线的吸收衰减率不同获取缺陷图像,并通过特征的提取,进行拟牛顿算法的缺陷识别。Gu I Y H[9]等人提出一种新的支持向量机方法,以树形结构为基础对不同种类的结子进行分类。王再超等人[10]采用支持向量机对多特征的木材缺陷进行识别。但木材内部缺陷识别的研究还有待探索和研究。

本研究为达到准确的识别木材缺陷,以带有孔洞、腐朽和节子缺陷的木材为研究对象,利用电阻层析(electrical resistance tomography,ERT)技术对缺陷木材进行内部数据的获取,得到的木材电压数据进行主成分分析,构造12个缺陷特征向量。由于SVM算法识别存在的长时间参数寻优、低的识别率等缺陷问题,本文建立GA优化SVM神经网络的识别模型,对参数进行优化,将处理后的电压数据组成的特征向量作为输入,以木材缺陷识别类别作为系统的输出。

1 材料与方法

1.1 试验对象和测量方法

选用带有孔洞、腐朽和节子缺陷的木材为实验样本,其中孔洞、腐朽和节子试样各9个。圆盘试样规格为:直径约200 mm,厚度500 mm。实验设备主要有:实验采用具有电学信号采集和测量功能的PXI平台,作为立木孔洞缺陷木材的测量装置。该木材电压采集平台是由PXI控制器、高速数据采集板卡NIPXI—6251、多路复用器矩阵开关板卡PXI—2532组成,其数据采集框图如图1所示。

图1 PXI平台的数据采集框图

将16电极阵列与矩阵开关板卡2532的r0-r15端子连接后,通过PXI总线连接到计算机,并由计算机在激励电源与r0,r1接通前提下进行激励,板卡6251依次对r2-r3,r3-r4,…,r14-r15上的电压进行采集,并用板卡2532对不同的激励电极和相应的采集电极进行切换,再次进行立木电压数据采集,利用PXI总线将采集的木材电压值传给计算机。

本文的ERT激励源电路是由STC89C52单片机,DAC0832将数字信号转换到模拟信号的转换电路,组成的正弦电流信号发生器,并利用LM324进行信号的放大,其中,放大电路由±12 V双电源供电,LM324的4引脚和11引脚分别接+12 V和-12 V电源。图2为激励源电路的原理图。

1.2 木材的无损检测

ERT技术的物理依据是根据所在场域介质电导率的不同,来决定对象内部各介质的分布[11]。其组成包括:电流激励测量的电极传感器、数据采集处理单元和立木内部孔洞缺陷图像重建与显示。其中,测量电压数据的传感器是由一组或多组电极阵列组成,并且这些阵列是等间距放置在被测木材周围。主控PC用其对电压采集单元施加激励,建立内部场域的敏感场,此时,激励后电导率分布发生变化的同时,电势分布情况也随之改变,而测量场域边界上电压的变化使得电导率分布情况发生变化,并采集到各个电极对所对应的多组电压值。再利用反映电导率分布信息的电压值来进行重建,通过重建算法得出木材内部缺陷二维重建图像。

图2 激励源电路

1.3 ERT技术的检测结果

本研究采用模式简单且应用广泛的相邻激励、且在非均匀场中测得的数据量最多的相邻测量方式获取数据。应用PXI平台进行立木内部电压数据的采集及测量,以STC8052为主控单元、DAC0832为信号发生器的单片机系统,通过电阻层析技术进行立木孔洞的无损测量,首先将16个电极传感器均匀等距离插在被测试样周围,给立木四周布置两个相邻的电极传感器并施加10 kHz,0.5 mA的交变、正弦波激励信号,且该信号的恒流源内阻很大,采集除激励电极外的相邻电极的电压,再依次切换下一组相邻电极传感器,施加激励并采集除激励电极外的其他相邻电极传感器上的电压[12],重复至所有相邻电极都充当激励电极为止,收集采集的所有独立测量的立木内部电压。其中,N只传感器可采集到N×(N-3)个测量数据,本研究中,每个断层共采集16×(16-3)=208个电压数据。LabVIEW程序的电压值采集、分析和显示,完成ERT技术的正问题。其中,PXI平台自带的对应于板卡6251和2532的LabVIEW程序,对板卡进行控制,完成数据采集板卡6251对数据的采集,并以Excel表格形式存储带有孔洞缺陷的立木电压信号值。

2 本文方法

采用ERT系统采集每个断层的电压数据,并对数据进行PCA处理,提取贡献率大的数据,并利用GA优化SVM算法对木材孔洞、腐朽和节子缺陷进行识别。

2.1 主成分分析

对于ERT获取的每个断层电压数据,采用SPSS软件进行PCA处理。主成分分析法降维步骤如下:

1)输入22个特征参数作为样本值X(Xij)n×p；

2)计算均值和方差

j=1,2,…,p

(1)

3)对样本值Xij进行标准化,计算其相关矩阵,得到标准化数据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)计算前k个主成分的样本值

(4)

用得到的新特征参数样本值(Zij)n×k代替原特征参数样本值(Xij)n×p。

通过以上步骤,求得贡献率最大的前12个特征参数作为网络模型的输入特征量,其特征值和贡献率结果如表1所示。

表1 SPSS降维断层数据结果

2.2 GA-SVM神经网络识别

基于GA-SVM算法的木材内部缺陷识别,具体操作是在MATLAB软件中利用LISBVM3.14工具包中gaSVMcgForClass.m函数,并找到最佳参数c和g,实现用GA优化SVM参数和木材内部缺陷识别,具体步骤如下:

1)实验共采用165组优化过的电压数据,对于每种缺陷的木材,随机选取120个样本作为训练集,45个样本作为测试集,完成电压数据的提取工作。

2)对木材缺陷训练集和测试集进行[0,1]区间的归一化预处理

(5)

式中x,y∈Rn,yi∈[0,1],i=1,2,…,n。

在MATLAB中用mapminmax函数实现其归一化

(6)

式中 min(x)和max(x)为x的最大、最小值,min(y)和max(y)为映射范围,默认为0和1；

3)设置木材内部缺陷的识别算法,SVM中参数的取值范围,利用GA对参数c和g进行优化；

4)将木材内部缺陷的识别参数进行编码,并利用最佳的参数进行SVM网络训练,依据适应度函数,计算每个个体的适应度值。识别得到的适应度曲线如图3所示,GA-SVM算法的最优参数c=4.354 1,g=3.492 5,获取适应度函数准确率达到97.744 4 %。

5)执行选择、交叉和变异算子,形成木材内部缺陷的新子代种群,并用相应的参数组合代替最优个体。

6)设置终止条件,若满足,进行解码,输出最优参数组合,若不满足,则继续第(4)步,直至满足。

7)利用得到的最优参数,建立木材内部缺陷的SVM模型,完成其网络预测并进行木材内部缺陷识别结果的分析。

图3 GA寻找最优参数的适应度曲线

3 结果与分析

GA-SVM算法识别得到3种木材缺陷识别正确个数图4所示。

利用GA算法优化了SVM算法,进行了木材内部孔洞、腐朽和节子缺陷的识别。采用带有孔洞、腐朽和节子缺陷的木材断层优化数据各40组作为训练集,各15组作为测试集。GA-SVM算法的最优参数c=4.354 1,g=3.492 5,获取适应度函数准确率达到97.744 4 %,木材3种缺陷的识别结果如表2所示。

GA-SVM算法对木材孔洞、腐朽和节子的识别率为94.55 %,96.36 %,92.73 %,总体病害识别率达到94.55 %。

4 结 论

实验测试结果表明:遗传算法对SVM参数的优化过程,解决了SVM算法识别存在的长时间参数寻优、低的识别率等缺陷问题,对木材缺陷的预测误差较小,识别率高,识别效果佳,克服了SVM算法识别的缺陷。将该识别方法应用于ERT木材无损检测领域,设计木材无损测量装置,能有效提高木材的利用率。