全 文 ：第 wu卷 第 {期
u s s y年 { 月
林 业 科 学
≥≤Œ∞‘׌„ ≥Œ∂ „∞ ≥Œ‘Œ≤„∞
∂²¯1wu o‘²1{
㸻qou s s y
基于小波神经网络的木材内部缺陷类型识别的研究 3
齐 巍 王立海
k东北林业大学 哈尔滨 txsswsl
摘 要 } 利用榆木标准试件 o在实验室内用超声波检测仪器对试件进行缺陷分类检测 o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 o计算缺陷试件与完好试件在小波包第 x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 o亦即木材的缺陷程度越严重 o能量的变
化幅度就越大 ~对小波包 x层分解后各信号结点的能量变化值进行分析 o发现在 vu个结点中 okx osl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 o形成应用频带能量变化值和应用kx osl
结点小波包系数的 u个不同输入特征的人工神经网络 ∀对比分析 u个网络识别木材缺陷类型的能力 okx osl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
中图分类号 }≥z{t1x 文献标识码 }„ 文章编号 }tsst p zw{{kussyls{ p ssyv p sy
收稿日期 }ussx p sz p ux ∀
基金项目 }|w{项目/便携式木材智能无损探测仪的引进0资助kussu p v|ktll ∀
3 王立海为通讯作者 ∀
Ιδεντιφψινγ τηε Παττερνσ οφ ∆εφεχτσιν Τιµ βερ Υσινγ Υλτρασονιχ Τεστ
Βασεδ ον Ωαϖελετ Νευραλ Νετωορκσ
±¬• ¬¨ • ¤±ª¬«¤¬
k Νορτηεαστ Φορεστρψ Υνιϖερσιτψ Ηαρβιν txsswsl
Αβστραχτ } ‘²±§¨¶·µ∏¦·¬√¨ ·¨¶·¬±ªk‘⁄×l ©²µº²²§¬±±¨ µp§¨©¨¦·§¨·¨¦·¬±ªo¦²°¥¬±¨ § º¬·« º²²§¶¦¬¨±¦¨¶o¨¯ ¦¨·µ²±¬¦¶o¶¬ª±¤¯
³µ²¦∏µ¨°¨ ±·¤±§³µ²¦¨¶¶¬±ªo¤±§³¤·¨µ± §¬¤ª±²¶¬±ªo¤µ¨ √¨ µ¼¬°³²µ·¤±·©²µ·¬°¥¨µ³µ²§∏¦·¬²±oº²²§³µ²¦¨¶¶¬±ªo √¨¤¯∏¤·¬²± ²©
¶·¤±§¬±ª·µ¨ ¶¨¤±§¤¶¶¨¶¶°¨ ±·²©º²²§¨±¶·µ∏¦·∏µ¨¶q׫¬¶³¤³¨µ¦¤µµ¬¨§²∏··«¨ ¬±§²²µ ¬¨³¨µ¬°¨ ±·¶©²µ‘⁄× ²© ∞¯ ° º²²§¨± ·¨¶·
¶¤°³¯ ¶¨∏¶¬±ª∏¯·µ¤¶²±¬¦¬±¶·µ∏°¨ ±·¬± ²µ§¨µ·²¬§¨±·¬©¼·«¨ ¬±±¨ µp§¨©¨¦·³¤·¨µ±¶q • ¤√¨ ¯¨··µ¤±¶©²µ° ¤±§º¤√¨ ¯¨·³¤¦®¨·¤±¤¯¼¶¬¶
º¤¶ °¨³¯²¼¨ §·²¬§¨±·¬©¼·«¨ ¦«¤µ¤¦·¨µ¬¶·¬¦√¤¯∏¨¶²©§¨©¨¦·¶¬ª±¤¯¶q׫¨ ²µ¬ª¬±¤¯ ¶¬ª±¤¯¶º¨ µ¨ §¨¦²°³²¶¨§o¤±§·«¨ ±·«¨ ±¨¨ µª¼
√¤µ¬¨·¬¨¶²©·µ¤√¨ ¬¯±ª¶¬ª±¤¯¶©²µ§¬©©¨µ¨±·¯¤¼¨ µ¶º¨ µ¨ ¦¤¯¦∏¯¤·¨§q׫¨ ±¨¨ µª¼¶³¨¦·µ∏° √¤µ¬¨·¼ ²©∏¯·µ¤¶²±¬¦¶¬ª±¤¯¶¤·¯¤¼¨ µx º¨ µ¨
·¤®¨ ± ¤¶·«¨ ¬¨ª¨ ±√¤¯∏¨¶²©·µ¤±¶©²µ° °¤·µ¬¬q׫¨ µ¨¶∏¯·¶²©·¨¶·¶«²º¨ §·«¤·}tl ׫¨ ±¨¨ µª¼ ¶³¨¦·µ∏° ¦«¤±ª¨¶²©¤ ∏¯·µ¤¶²±¬¦
¶¬ª±¤¯ ¬¶³µ²³²µ·¬²±¤¯ ·²·«¨ §¨ªµ¨¨²© §¨©¨¦·¶¬± º²²§~ul ∞±¨ µª¼ ¶³¨¦·µ∏° ¦«¤±ª¨¶¤·¦µ∏±²§¨ vu ²© ¤¯¼¨ µx ¤µ¨ ·«¨ °²¶·¯¼
¶¬ª±¬©¬¦¤±·¦²°³¤µ¨§º¬·«·«²¶¨ ¤·²·«¨µ¦µ∏±²§¨¶~vl פ®¬±ª·«¨ ±¨¨ µª¼ √¤µ¬¨·¬¨¶²©¶¬ª±¤¯¶¤·¦µ∏±²§¨ vu ²© ¤¯¼¨ µx ¤±§·«¨ kx o
sl ¦µ∏±²§¨ . ¶º¤√¨ ¯¨·µ¤§¬¬¤¶·«¨ ¦«¤µ¤¦·¨µ¬±³∏·¶²©·«¨ ¤µ·¬©¬¦¬¤¯ ±¨ ∏µ¤¯ ±¨·º²µ®µ¨¶³¨¦·¬√¨ ¼¯ o·«¨ ¤¯·¨µ±¨·º²µ®©²µ¬§¨±·¬©¼¬±ª
·«¨ §¨©¨¦·³¤·¨µ±¶º²µ®¶°²µ¨ ©¨©¬¦¬¨±·¯¼·«¤±·«¨ ©²µ°¨ µ²±¨ º¬·«¤¦¦∏µ¤¦¼µ¤·¨ ²√¨ µ|s h q
Κεψ ωορδσ} º²²§¬±±¨ µp§¨©¨¦·§¨·¨¦·¬±ª~∏¯·µ¤¶²±¬¦·¨¶·¬±ª~º¤√¨ ¯¨·¤±¤¯¼¶¬¶~¤µ·¬©¬¦¬¤¯ ±¨ ∏µ¤¯ ±¨·º²µ®
应用超声波检测木材已有 xs多年的历史 o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k王立海 oussul o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 o即传播路
径中如有缺陷 o超声波的传播路径就会改变 o可以根据超声波波速的变化来检测木材缺陷k •¬®²¬ot|{{l ∀尽
管超声波检测木材内部缺陷得到了比较广泛的应用 o但由于以波速为处理参数本身的局限性 o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 o需要新的处理方法的介入k李坚 ot||w ~林文树等 oussxl ∀
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 o可以聚焦到信
号的任意细节 o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k张晓春 ot||zl ∀神经网络可以有效地实现输入和输出之间的非线性映射 o具有学习和
模式识别能力 o适合于无损检测的自动化 ∀而小波分析和神经网络相结合 o一方面可以使经小波压缩后的信
号作为神经网络的输入 o压缩后的信号不仅提取了原信号中的特征信息 o而且网络输入的数据点数大幅度下
降 o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 o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k’±¶¤¼ot||wl ∀小波分析和神经网络的结合类
型有 u种 }tl松散型结合 o即小波分析作为神经网络的前置处理手段 o为神经网络提供输入特征向量 ~ul紧
致型结合 o小波和神经网络直接融合 o即小波函数和尺度函数形成神经元k虞和济 ousssl ∀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 o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 o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 o因此当木材中出现裂纹 !
内腐 !虫眼时特征信号不明显k杨学春等 oussul ∀此时 o如果能探测到微弱特征信号的出现 o将大大提高对木
材缺陷的诊断 o对木材鉴定承重力 !活立木等有重大的实用价值 ∀所以 o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 o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 o应用
超声波对不同缺陷类型木材试件进行无损检测 ∀
t 仪器 !材料及方法
111 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 • ≥ p ≥≠x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 xs °° o超声频率为 vs ®‹½∀参数设定 }增益值 t sss ~高通滤波频率
ts ®‹½o低通滤波频率 t sss ®‹½~记录长度 u sw{个点 ~采样周期设定为 t Λ¶~发射脉宽设定为 tss Λ¶∀超声换
能器的位置如图 t所示 ∀
图 t 超声换能器的位置
ƒ¬ªqt ׫¨ ³²¶¬·¬²± ²©∏¯·µ¤¶²±¬¦¶¨±¶²µ¶
112 材料
试验采用榆木试件 o规格为 vss °° ≅ ws °° ≅ ws °° o
总件数为 txs个 o分为标准试件k完好l !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 ux
个 ∀其中孔径为 us °°并且分别沿轴向均匀分布 o裂纹试
件的裂纹长度为 txs °° !宽度 u °° !平均深度 ts °°∀
113 方法
t1v1t 木材超声检测信号特征量的提取 为了提取出异常的信号 o用小波包分析方法k • °„l将信号分解成
各种频段下的多个子信号 ∀用 Σsskτl表示超声检测的原始信号 o其表达式为k胡昌华等 ousswl
Σsskτl € Ε
uκpt
ϕ€ t
Σκϕkτl ktl
其中 }Σκϕkτl是正交频段的子信号 oκ表示小波分解树结构的层数k分解层数l ∀
§¥x小波基的紧支区间 !消失矩阶数适中 o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 o选择 §¥x小波基作为处理超声波检测信号的首选小波基 ∀试验应用  „׏„…软件的
小波工具箱进行特征量的提取与分析k胡昌华等 oussw ~徐东等 oussul o小波包分解采用  „׏„…函数 Τ €
ωπδεχkαoxχ o§¥xχl o其中 α表示原始信号 ox表示分解层数 o§¥x表示分解所采用的小波类型 o分解后第 x层结
点数为 vu ∀则分解层数 κ € x o结点数 ϕ€ s ot ou o+ ovt ∀对小波包分解系数重构 o提取各频带范围的信号 ∀
重构系数可由 „׏„…函数 Σxϕ € ωπρχοεφk Τo≈x oϕ l得到 o其中 Τ为被重构信号 o≈x oϕ 表示第 x层第 ϕ个结
点 o相应得 Σxϕ表示第 x层第 ϕ个结点的重构系数 ∀
设 Σxϕkϕ€ s ot o+ ovtl对应得能量为 Εxϕkϕ€ s ot o+ ovtl o则有
Εxϕ €Θ¿Σxϕkτl ¿u§τ € Ενκ€ t ¿ξϕκ ¿u kul
其中 }ξϕκkϕ€ s ot o+ ovt ~κ€ t ou o+ ou sw{l表示重构信号 Σxϕ的离散点的幅值 ∀各结点能量可由  „׏„…函数
Εxϕ € νορµkΣxϕl ≅ νορµkΣxϕl求得 ∀ Εsxϕ和 Εxϕkϕ€ s ot o+ vtl构成一个指标向量 o即
ςδ € ¾Αt oΑu o+ oΑvtÀ kvl
其中
Αϕ € Ε
s
xϕ p Εxϕ
Εsxϕ kϕ € t ou o+ vtl kwl
wy 林 业 科 学 wu卷
Εsxϕ和 Εxϕ分别为完好试件和缺陷试件的子信号能量 oΑϕ表示第 x层第 ϕ个结点子信号能量变化值 ∀
t1v1u 应用 …°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 ≥型函数k≥¬ª°²¬§函数l的 v层网络可以近似任何平滑的映像 ∀ …°神经网络是一种典型
的多层反馈神经网络k崔锦泰 ot||xl o在本试验中 …°神经网络由 v层组成 }tl输入层 o接受木材缺陷信号数
据 ~ul隐藏层 o用来处理数据 ~vl输出层 o预测木材缺陷形式 ∀
应用 …°神经网络对木材缺陷进行识别的步骤如下 }tl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 vu ≅ wx的矩阵构成 ovu为输入的结点数 owx为选取的样本试件数量 ∀为提高神经网络的训练
效率 o对样本数据进行预处理 o首先利用 °µ¨¶·§函数对样本数据做归一化处理 o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 °µ¨³¦¤函数对归一化后的训练数据进行主元分析 o保留了变化不小于
s1st的数据 o从而消除样本数据中的冗余成分 o主元分析后训练数据维数由 vu降为 ty o即输入层结点为 ty ∀
ul样本的划分 为了提高网络的推广能力和识别能力 o训练中采用/提前停止0方法 ∀因此在训练之前 o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 o分别用于训练 !确证和测试 ∀将数据的 tΠx用于确
证 otΠx用于测试 o剩下的 vΠx用于训练网络 ∀vl建立网络 …°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 o神经元个数越多 o网络越稳定 o最终网络性越好 o但网络规模也随之增大 o建立网络的时
间和网络运行时间呈指数级递增k¬∏ot||yl o所以要选择合适的网络进行训练 ∀此网络使用 u层的网络 o在
隐层中使用传递函数为 ²ª¶¬ª函数 o在输出层使用的传递函数也为 ²ª¶¬ª∀在隐层中设计的神经元个数为
图 u ty个输入 x个输出的 …°神经网络结构
ƒ¬ªqu …° ¤µ·¬©¬¦¬¤¯ ±¨ ∏µ¤¯ ±¨ ·º²µ®¶·µ∏¦·∏µ¨ º¬·«
ty ¬±³∏·¶¤±§x ²∏·³∏·¶
vs o由于需要得到 x个目标 o所以需要 x个输出 ∀网络结
构见图 u ∀wl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 o应用 ≥¬°函数对每个试件进行仿真分析 o将获得的仿
真结果与目标输出做线性回归分析 o得到两者的相关系
数 o作为判断网络训练结果优劣的依据 ∀
u 结果与分析
211 5类试件各结点处平均能量变化值
u1t1t 试验结果 分别取标准试件k完好l !单孔试件 !双孔试件 !三孔试件 !裂纹试件 !节子试件各 ts个 o试
件各个结点处平均能量变化值见表 t ∀
表 1 各试件各结点处平均能量变化值
Ταβ . 1 Αϖεραγε ϖαλυεσ οφ ενεργψ ϖαριετψ ατ εϖερψ χρυνοδε οφ σπεχιµενσ
小波包结点
• ¤√¨ ¯¨·
³¤¦®¨·¶
¦µ∏±²§¨
单孔试件
≥¬±ª¯¨
«²¯¨
¶³¨¦¬°¨ ±
双孔试件
⁄²∏¥¯¨
«²¯ ¶¨
¶³¨¦¬° ±¨
三孔试件
׫µ¨¨
«²¯ ¶¨
¶³¨¦¬° ±¨
裂纹试件
≤µ¤¦®¯¨
¶³¨¦¬° ±¨
节子试件
‘²§¨
¶³¨¦¬° ±¨
小波包结点
• ¤√¨ ¯¨·
³¤¦®¨·¶
¦µ∏±²§¨
单孔试件
≥¬±ª¯¨
«²¯¨
¶³¨¦¬° ±¨
双孔试件
⁄²∏¥¯¨
«²¯ ¶¨
¶³¨¦¬° ±¨
三孔试件
׫µ¨¨
«²¯ ¶¨
¶³¨¦¬°¨ ±
裂纹试件
≤µ¤¦®¯¨
¶³¨¦¬°¨ ±
节子试件
‘²§¨
¶³¨¦¬° ±¨
kxosl s1xvt wwu s1xvx uz{ v1v{{ y|{ t1ust uxt s1|sv s|y kxotyl s1x{v vx{ s1vz| vwu s1u|u vwy s1u|v syy s1ws| z||
kxotl p s1tut su s1vs{ |tz p s1sx| t s1szz zt p s1t{t xv kxotzl p s1sus u s1sww x|x s1t{t yt p s1t{v w{ s1sw| s|t
kxoul p s1zv{ y p s1su{ yx p s1{wx wv p s1w|t zt p s1v{t zz kxot{l p s1tsz sx p s1suz ty p s1s{t {t p s1twt |{ p s1txz sw
kxovl p s1t|t |y s1tv{ v|v p s1svz zw p s1swz tw p s1ux{ |v kxot|l p s1v|s y| p s1xyu v{ p s1xt{ sx p s1stv {| p s1www t
kxowl p s1yu{ t| p s1y{z w| s1ytz xvv p s1wtu zz p s1xy| yv kxousl s1tty |vu p s1s{s su s1svv sv{ s1t|u yyy p s1sw{ {v
kxoxl p s1tzz w| s1twu xvz p s1sus |v p s1sws t p s1uys yz kxoutl p s1wxv |w p s1u{x xv p s1tuu zx p s1u{z v{ p s1vxy ux
kxoyl p s1z|t vx p s1svt zy p s1{{x p s1xw{ vt p s1www t| kxouul p s1twy t{ p s1tyu xz p s1sx| tv p s1tzz tx p s1tuu uw
kxozl p s1syx xz s1v{v tvy p s1ssy xx s1tvx vx| p s1tux xz kxouvl p s1vt| zw p s1uyw w p s1utv ty p s1vyy z p s1txz w
kxo{l p s1wvv zy p s1vxw zz p s1vw| zz p s1v{t t{ p s1wvy w| kxouwl p s1utv wt p s1uxt vw p s1tyt p s1vtu { p s1t{x tz
kxo|l p s1usz tv p s1tyu |u p s1vsy tz p s1ts| xw p s1u|u {u kxouxl p s1ty| v{ p s1tt| z{ p s1vu{ wz p s1tx| t| p s1twz uu
kxotsl p s1wux uz p s1syx vt p s1t|v z| s1s|u s|w p s1t|v |w kxouyl p s1swy ty p s1sty yy s1szz t{y p s1tts zt p s1sut wv
kxottl p s1tu{ zy p s1sw| ux s1tt| wut p s1ss| yx p s1s{t wz kxouzl p s1vxz zw p s1uzt ty p s1twv y p s1tx| zv p s1uu{ {|
kxotul p s1xw{ {v p s1xzz x s1wwu xzt p s1wt{ zw p s1w|t sz kxou{l s1t{w yxv p s1s{x y| p s1ssu xu s1xu{ ytu p s1sys sx
kxotvl p s1vts su p s1xzs xu s1v{v |xx p s1usz x{ p s1wxx xz kxou|l p s1szz sw s1usy {w s1vsv y|{ p s1vvv {v s1uuu |xv
kxotwl p s1vt| tt s1sv{ zw s1sww yu p s1st{ zx p s1szx z| kxovsl s1uzy uty p s1ssz uz p s1syy sy s1utt xxt p s1sst {y
kxotxl s1sx| yyz p s1tvx v| s1sst uwv s1u|{ z|u p s1sus u kxovtl s1v|w xxy s1t|x z|| s1t|v twz s1suz vuz s1tzy zzy
xy 第 {期 齐 巍等 }基于小波神经网络的木材内部缺陷类型识别的研究
神经网络的建立是在  „׏„…的支持下完成的 o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 o木材缺陷神经网络系统就建立了 ∀经过 uv个训练单位后 o由于验证误差的
增加 o训练停止 ∀最终均方误差为 s1sss vux uxv o网络是在验证集发现/过度训练0后被强行停止 o从而避免
/过度训练0现象的发生 ∀仿真结果及与目标输出的相关系数如表 u ∀
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
Ταβ . 2 Χορρελατιον χοεφφιχιεντσ βετωεεν ιδεντιφψινγ ρεσυλτσ ανδ οβϕεχτιϖε ουτπυτσ
缺陷类型
⁄¨ ©¨¦··¼³¨
检测结果
⁄¨ ·¨¦·¬±ªµ¨¶∏¯·¶
目标输出k实际值l
’¥­¨¦·¬√¨ ²∏·³∏·¶k¤¦·∏¤¯ √¤¯∏¨ l
相关系数
≤²µµ¨ ¤¯·¬²± ¦²¨©©¬¦¬¨±·
单孔试件
≥¬±ª¯¨«²¯¨¶³¨¦¬° ±¨ ≈s1xux x s1sus s s1sws t s1svs t s1v|| s  ≈t s s s s  s1zw{
双孔试件
⁄²∏¥¯¨«²¯ ¶¨¶³¨¦¬° ±¨ ≈s1sss w s1{vt t s1sss u s1sss s s1v{{ t  ≈s t s s s  s1{|s
三孔试件
׫µ¨¨«²¯ ¶¨¶³¨¦¬° ±¨ ≈s1sss t s1sss s s1||| { s1sss s s1sst u  ≈s s t s s  s1||{
裂纹试件
≤µ¤¦®¯¨¶³¨¦¬°¨ ± ≈s1ssw s s1sss s s1sss t s1usy t s1sssv  ≈s s s t s  s1|zv
节子试件
‘²§¨ ¶³¨¦¬° ±¨ ≈s1vvu y s1sss w s1sss v s1sss s s1||v v  ≈s s s s t  s1|vt
u1t1u 分析与讨论 由表 t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 o如表 v所示 ∀
表 3 不同试件能量变化值大的结点
Ταβ . 3 Χρυνοδεσ οφλαργερ ενεργψ ϖαριετψιν διφφερεντ σπεχιµενσ
不同试件
⁄¬©©¨µ¨±·¶³¨¦¬°¨ ±¶
单孔试件
≥¬±ª¯¨«²¯¨¶³¨¦¬°¨ ±
双孔试件
⁄²∏¥¯¨«²¯ ¶¨¶³¨¦¬°¨ ±
三孔试件
׫µ¨¨«²¯ ¶¨¶³¨¦¬°¨ ±
裂纹试件
≤µ¤¦®¯¨¶³¨¦¬°¨ ±
节子试件
‘²§¨ ¶³¨¦¬° ±¨
能量变化值较大的结点
≤µ∏±²§¨¶²© ¤¯µª¨µ
±¨¨ µª¼ √¤µ¬¨·¼
kx osl kx oul
kx oyl kx otyl
kx osl kx otul
kx otvl kx ot|l
kx osl kx oul
kx oyl kx otul
kx ot|l
kx osl kx oul
kx oyl kx otul
kx ou{l
kx osl kx oul kx oyl kx o{l
kx otul kx otvl
kx otyl kx ot|l
三孔试件能量变化值较大 o结点在各类试件中存在比较广泛 o具备一定的代表性 o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 o见图 v ∀由图 v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 o尤其是kx osl结点 o说明此结点包含的有用信息较
多 o同时通过小波包变换后将数据点数压缩为原来的 tΠux o即由原来的 u sw{个数据压缩至 zu个 o压缩后的
数据作为人工神经网络的原始信号输入 o既提取了有用的信息 o又压缩了数据 o将会提高网络的运算速度 o改
善预测结果 ∀
212 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 zu ≅ wx的矩阵构成 ozu为输入的结点数 owx为选取的样本试件数量 ∀主
元分析后训练数据维数由 zu降为 vs o即输入层结点为 vs ∀此网络使用 u层的网络 o在隐层中使用传递函数
为 ²ª¶¬ª函数 o在输出层使用线性传递函数 °∏µ¨ ¬¯±∀在隐层中设计的神经元个数为 tss o由于需要得到 x个
目标 o所以需要 x个输出 ∀网络结构见图 w ∀
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 vv|个训练单位后 o由于验证误
差的增加 o训练停止 ∀最终均方误差为 s1ssv yut vy o网络也是在验证集发现/过度训练0后被强行停止 o从而
避免/过度训练0现象发生 ∀将经小波分析后得到各试件kx osl结点的小波包系数k仿真数据l输入训练得到
的网络中 o用训练后的系统检测另一组新的带有缺陷的试件 o其检测结果及与目标输出的相关系数如表 w ∀
213 2种输入特征训练结果的对比分析
从表 u可以看出 o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k实际值l有一定的误差 o
由仿真结果及与目标输出的回归相关系数可以看出 o单孔试件与双孔试件的相关系数相对偏低 o分别为
s1zw{和 s1{|s ~裂纹试件的检测结果单值较小 o但与目标输出值的相关系数为 s1|zv o说明相关性尚可 ~其余
类型试件的检测结果较理想 ∀
从表 w可以看出 o应用kx osl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 o
yy 林 业 科 学 wu卷
图 v 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
ƒ¬ªqv ≤²±·µ¤¶·¶²© º¤√¨ ¯¨·p³¤¦®¨·¶¦²¨©©¬¦¬¨±·¥¨·º¨¨ ± ¤¯µª¨µ ±¨¨ µª¼ √¤µ¬¨·¼ ¦µ∏±²§¨ ¬± ³¨µ©¨¦·¶³¨¦¬° ±¨ ¤±§·«µ¨¨«²¯ ¶¨¶³¨¦¬° ±¨
¤q完好试件kx osl结点小波包系数 • ¤√¨¯ ·¨p³¤¦®¨·¶¦²¨©©¬¦¬¨±·²© ³¨µ©¨¦·¶³¨¦¬°¨ ±kx osl ¦µ∏±²§¨ ~¥q三孔试件kx osl结点小波包系数
• ¤√¨ ¯¨·p³¤¦®¨·¶¦²¨©©¬¦¬¨±·²©·«µ¨¨«²¯ ¶¨¶³¨¦¬°¨ ± kx osl ¦µ∏±²§¨ ~¦q完好试件kx oul结点小波包系数 • ¤√¨¯ ·¨p³¤¦®¨·¶¦²¨©©¬¦¬¨±·²© ³¨µ©¨¦·
¶³¨¦¬°¨ ±kx oul ¦µ∏±²§¨ ~§q三孔试件kx oul结点小波包系数 • ¤√¨¯ ·¨p³¤¦®¨·¶¦²¨©©¬¦¬¨±·²©·«µ¨¨«²¯ ¶¨¶³¨¦¬° ±¨ kx oul ¦µ∏±²§¨ ~¨q完好试件
kx oyl结点小波包系数 • ¤√¨¯ ·¨p³¤¦®¨·¶¦²¨©©¬¦¬¨±·²© ³¨µ©¨¦·¶³¨¦¬°¨ ±kx oyl ¦µ∏±²§¨ ~©q三孔试件kx oyl结点小波包系数 • ¤√¨ ¯¨·p³¤¦®¨·¶
¦²¨©©¬¦¬¨±·²©·«µ¨¨«²¯ ¶¨¶³¨¦¬°¨ ± kx oyl ¦µ∏±²§¨ ~ªq完好试件kx otul结点小波包系数 • ¤√¨¯ ·¨p³¤¦®¨·¶¦²¨©©¬¦¬¨±·²©³¨µ©¨¦·¶³¨¦¬° ±¨ kx otul
¦µ∏±²§¨ ~«q三孔试件ktx otul结点小波包系数 • ¤√¨ ¯¨·p³¤¦®¨·¶¦²¨©©¬¦¬¨±·²©·«µ¨¨«²¯ ¶¨¶³¨¦¬° ±¨ ktx otul ¦µ∏±²§¨ ~¬q完好试件kx ot|l结
点小波包系数 • ¤√¨ ¯¨·p³¤¦®¨·¶¦²¨©©¬¦¬¨±·²© ³¨µ©¨¦·¶³¨¦¬° ±¨·kx ot|l ¦µ∏±²§¨ ~­q三孔试件kx ot|l结点小波包系数 • ¤√¨ ¯¨·p³¤¦®¨·¶
¦²¨©©¬¦¬¨±·²©·«µ¨¨«²¯ ¶¨¶³¨¦¬° ±¨ kx ot|l ¦µ∏±²§¨ q
zy 第 {期 齐 巍等 }基于小波神经网络的木材内部缺陷类型识别的研究
图 w vs个输入 x个输出的 …°神经网络结构图
ƒ¬ªqw …° ¤µ·¬©¬¦¬¤¯ ±¨ ∏µ¤¯ ±¨ ·º²µ®¶·µ∏¦·∏µ¨ º¬·«
vs ¬±³∏·¶¤±§x ²∏·³∏·¶
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 t o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
kx osl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 okx osl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 o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
k孔洞 !裂纹 !节子l类型 ∀
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
Ταβ . 4 Χορρελατιον χοεφφιχιεντσ βετωεεν δετεχτινγ ρεσυλτσ ανδ ουτπυτσ υνδερ αππλψινγ ωαϖελετ παχκετσ
缺陷类型
⁄¨ ©¨¦··¼³¨
检测结果
⁄¨ ·¨¦·¬±ªµ¨¶∏¯·¶
目标输出k实际值l
’¥­¨¦·¬√¨ ²∏·³∏·¶k¤¦·∏¤¯ √¤¯∏¨ l
相关系数
≤²µµ¨ ¤¯·¬²± ¦²¨©©¬¦¬¨±·
单孔试件 ≥¬±ª¯¨«²¯¨¶³¨¦¬°¨ ± ≈t1ssw y s1ssv z p s1ssu w s1ssy v p s1ss| w  ≈t s s s s  t1sss
双孔试件 ⁄²∏¥¯¨«²¯ ¶¨¶³¨¦¬° ±¨ ≈ s1sst u t1ss{ v s1stt | p s1ssz u s1ssx |  ≈s t s s s  t1sss
三孔试件 ׫µ¨¨«²¯ ¶¨¶³¨¦¬° ±¨ ≈ p s1sts u s1ssy z s1||x | s1sst z p s1stt w  ≈s s t s s  t1sss
裂纹试件 ≤µ¤¦®¯¨¶³¨¦¬° ±¨ ≈ p s1svz { s1ssz s s1ssx u s1|{w x s1ssz y  ≈s s s t s  s1|||
节子试件 ‘²§¨ ¶³¨¦¬°¨ ± ≈ p s1ssv v p s1ss{ s s1ss{ t s1sst t s1||| s  ≈s s s s t  t1sss
v 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 o对木材缺陷超声无损检测进行了系统的研究
和试验 o得出如下结论 }
tl与正常试件相比 o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 o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 o或在另一些频
率带内减少 ∀因此 o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 o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 o揭示了基于小波神经网络的木材缺陷类型超声检测机理 o试验识别 !验
证试件缺陷类型的精度达到 |s h以上 ∀
ul对小波包 x层分解后各信号结点的能量变化值进行分析 o发现在 vu个结点中 okx osl结点在各类缺陷
试件中能量变化值最大 o说明其涵盖的缺陷特征信息最多 o因此针对kx osl结点进行分析 o提取此结点的小波
包系数作为神经元网络的输入 ∀
vl从结点能量变化值作为特征训练的网络仿真结果与kx osl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 okx osl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
崔锦泰 qt||x1 小波分析导论 q西安 }西安交通大学出版社 ou| p vv
胡昌华 o李国华 qussw1 基于  „׏„…y1÷ 的系统分析与设计 ) ) ) 小波分析 q西安 }西安电子科技大学出版社 ovwt p vwx
李 坚 o陆文达 o刘一星 o等 qt||w1 木材科学 q哈尔滨 }东北林业大学出版社 otws p twt
林文树 o杨慧敏 o王立海 qussx q超声波与应力波在木材内部缺陷检测中的对比研究 q林业科技 ovskul }v| p wt
王立海 o杨学春 o徐凯宏 qussu1 木材缺陷无损检测技术研究现状 q林业科技 ouzkvl }vx p v{
徐 东 o吴 征 qussu1 基于  „׏„…y1÷ 的系统分析与设计 ) ) ) 神经网络 q西安 }西安电子科技大学出版社 outy p ut|
杨学春 o王立海 qussu q应力波技术在木材性质检测中的研究进展 q森林工程 ot{kyl }tt p tu
虞和济 qusss1 基于神经网络的智能诊断 q北京 }冶金工业出版社 o|s p |v
张晓春 qt||z1 小波变换及其在无损检测中的应用 q无损检测 ot|kvl }yt p yv
¬∏ƒ qt||y q ≥·µ¨¶¶º¤√¨ °¤·¦«¬±ª ¥¼ ±¨ ∏µ¤¯ ±¨ ·º²µ®q °µ²¦¨ §¨¬±ª ²©·«¨ x·« Œ±·¨µ±¤·¬²±¤¯ ≤²±©¨µ¨±¦¨ ²± ·«¨ „³³¯¬¦¤·¬²± ²© ≥·µ¨¶¶p• ¤√¨ ׫¨ ²µ¼ ·² °¬¯¨ ¶o
’µ¯¤±§²owus p wvw
’±¶¤¼ × ‹ qt||w1 • ¤√¨¯ ·¨·µ¤±¶©²µ° ¤±¤¯¼¶¬¶²©·µ¤±¶¬¨±·º¤√¨³µ²³¤ª¤·¬²±¬± ¤§¬¶³¨µ¶¬√¨ ° §¨¬∏° q²∏µ±¤¯ ²© „¦²∏¶·¬¦¤¯ ≥²¦¬¨·¼ ²© „° µ¨¬¦¤o|xkvl }twwt p tww|
•¬®²¬ • • qt||{ q⁄¨ ·¨¦·¬²± ²© ¤¨µ¯¼ ¶·¤ª¨¶²© º²²§§¨¦¤¼ º¬·«∏¯·µ¤¶²±¬¦³∏¯¶¨ √¨ ²¯¦¬·¼qƒ²µ¨¶·°µ²§∏¦·¶²∏µ±¤¯ ov{kxl }y{ p zv
k责任编辑 石红青l
{y 林 业 科 学 wu卷