神经网络在胶合板质检系统中的应用

摘要:在对神经网络特点分析基础上,提出了应用神经网络对木质胶合板进行质检的方法,设计了应用在木质 胶合板质检系统中的BP网络,研究了网络参数优化选取算法及优化试验设计方案,并对结果进行分析.仿真实验 表明方法有效.
 
关键词神经网络;胶合板•,参数优化;正交设计 中图分类号:TP278 文献标识码:A
 
输出的多层前馈神经元网络分类器,可区分12种缺 陷及无缺陷.经优化设计准确率为86.52%.但是, 其结构复杂,网络响应时间为0.16秒.
 
由于传统的线性分类器、近邻法等统计模式识 别都要用到阈值,因此对噪声和数据的微小变化敏 感.然而,由于神经网络的髙速并行处理、分布存储 信息等特征,符合人类视觉系统的基本工作原理,具 有很强的自学习性、自组织性、容错性、高度非线性、 鲁棒性、联想记忆和推理功能等,能够克服上述局 限,从而圆满地解决问题.
 
2 BP 网络设计(Design of BP networks)
 
近几年来,随着神经网络研究的深入,新的模型 不断涌现,其中可用于模式识别的网络有几十种,但 基于BP网络(back-propagation netwoik,又称反向传 播网络)是迄今为止应用最为广泛的网络,本文选用 BP网络对木质胶合板进行质检.
 
2.1训练样本和检验样本(Samples used for training and testing)
 
在本研究中,提取胶合板的17种特征作为网络
1 引言(Introduction)
 
在木材、瓷砖等大批量产品生产过程中,常常要 求所有组件和成品具有100%的质量保证.其中,最 困难的任务之一就是外观的检测,这一直是国内外 学术界研究的热点,也是工业生产线中的关键技术 问题之一.Huber等人[1]发现木材(板)缺陷人工检 测准确率为 68%,而由 Polzleitner 和 SchwingshalkE2] 所做的类似实验表明只有55%的准确率.这表明, 迫切需要有一种实用的自动检测系统来减轻工人检 测作业负担,提高分类准确率,进而提高木材加工厂 的劳动生产率及利润率.
 
合 计 185 47 232
 
2.2网络结构的初步确定(Preliminary design of the
structure of the neural networks)
 
在问题确定以后,输人层与输出层的神经元数也 就随之确定了,将网络结构初步确定为17— *一 13 , 具体结构如图1所示.其中,输出层对应胶合板的12 种缺陷和1种无缺陷;隐含层中层数及神经元的个 数待定;输入层对应胶合板的17种特征.
 
2.3 评价指标(Evaluating index)
 
评价、衡量模式识别系统的效果主要有两个指 标:准确率和可靠性.
 
输出层 隐含层
 
a :模式被正确分类的百分比,即准确率;
 
Qi:模式被错误分类的百分比;
 
Rt :识别器无法识别的百分比,即摒弃率;
 
Kt :正确分类的可靠程度,即可靠性.
 
由上式可知可靠性这一指标奖励正确分类,同时惩 罚错误分类.摒弃是有益的,因为它并不降低可靠 性.即使识别系统只能识别很少的模式,如果没有错 误分类,那么可靠性就为100%.当获得较高的识别 率时,在摒弃率为零的条件下,则可以得到较高的可 靠性,如果摒弃率增加,则可靠性还会提高.所以本 文只考虑分类准确率一个指标.
 
3网络参数优化设计(Optimal design for the parameters of the neural networks)
 
正交试验设计(简称正交设计或正交试验)是利 用“正交表”进行科学地安排与分析多因素试验的方 法.它的主要优点是能在很多试验方案中挑选出代 表性强的少数试验方案,并通过对少数试验方案的 试验结果分析,推断出最优方案,同时还可以作进一 步的分析,得到比试验结果本身给出的更多的有关 因素的信息.
 
在本研究中,采用正交试验设计中的直观分析 法对学习率、动量因子、隐层1的神经元数、隐层2 的神经元数四个网络参数进行优化设计.因为学习 率和动量项这两个参数的选取,以及网络结构的确 定对提高网络的学习速度,加快网络的收敛,避免网 络陷人局部极小等方面具有重要的作用.其中,将隐 层2作为网络参数之一进行优化设计,以考察增加 隐层层数对网络性能指标的影响.
 
3.1 制定因素水平表(Making the parameters level table)
 
学习率的选取范围在0.01 ~ 0.8之间,动量因 子取0.05左右.隐层1初始水平神经元数为输入层 (“17”)和输出层(“13”)神经元数的均值,这是隐层 1可接受的最小神经元数;相应的2水平、3水平分 别是其1水平神经元数的两倍、三倍.隐层2初始水 平神经元数为0,即没有隐层2,这时可以考察忽略 隐层2之后的神经网络的性能指标;隐层2的2水 平神经元数为1
 
规定的试验条件进行试验,结果如表3所示.
 
由表3可以看出,第5号试验的试验结果(分类 准确率)最好.由于是通过直接试验得到的,因此比 较可靠.但是这一方案是否是各因素水 平的最好搭配需要进行计算分析.
 
表3中列出了 mm以及i?,它 们的计算方法如下:
 
第1列/^,尤2,疋3分别表示因素4取1,2,3水平 相应的三次分类准确率之和;第1列h = ^i/3,*2 =K2/3,k3 = &/3分别表示因素4取1,2,3水平相 应的平均分类准确率;其余3列的miu k2,h的计算方法与第1列的计算方法相同.
 
极差R是h’h’h中各列的最大值与最小值 之差.极差K越大,说明这个因素的水平改变对试 验结果的影响越大,极差最大一列的因素是因素的 水平改变对试验结果影响最大的因素,也就是最主 要的因素.本试验各因素主次顺序为:
 
 
正交表是一种特别的表格,符号简记为 Lra( mA).其中:i为正交表代号;n为正交表行数(需 要做的试验次数为正交表列数(最多能安排的 因素个数为因素水平数.
 
选择什么样的正交表,要根据因素与水平的多 少以及试验工作量的大小来确定.表i9(34)最多能 安排四个三水平的因素,本参数优化试验有四个三 水平的因素.因此,用L9(34)正交表来安排试验是 恰到好处的,且可知网络参数优化只需做
本文地址:/xinwen/108.html

版权所有:费县磐石板材厂 技术支持:浩瀚网络

网站地图

123