原创《基于灰度共生矩阵和模糊BP神经网络的木材缺陷识别》：本论文为免费优秀的关于灰度共生矩阵论文范文资料，可用于相关论文写作参考。
摘 要：
针对当前木材资源紧缺的严重形势,提高木材缺陷检测的准确率显得尤为重要.利用X射线无损检测技术获取木材缺陷的图像,并且通过灰度共生矩阵的方法能够有效地提取图像的主要特征值即特征向量,同时将模糊数学与BP神经网络相结合设计出模糊BP神经网络（FBP）,并采用最大隶属度方法对特征向量进行模式识别,从而实现木材缺陷的自动识别和分类.经多次学习训练,结果表明FBP网络的平均识别成功率在90%以上.因此,FBP神经网络对木材缺陷有较高的识别准确率,可以为缺陷识别提供重要的理论依据.
关键词：
木材缺陷；灰度共生矩阵；特征提取；模糊BP神经网络
中图分类号：S 781.5 文献标识码：A 文章编号：1001-005X（2017）04-0040-04
Wood Defects Recognition Based on Gray-level Co-occurrence Matrix and Fuzzy BP Neural Network
Mu Hongbo,Wang Shiwei,Qi Dawei*,Ni Haiming
（College of Science,Northeast Forestry University,Harbin 150040）
Abstract：
It is important to enhance the accuracy in wood defects detection against the serious shortage of wood resources situation.Wood defects images were acquired by X-ray nondestructive testing technology.Feature vector which was the major characteristics of images could be effectively extracted by gray level co-occurrence matrix.At the same time,the fuzzy BP neural network（FBP）was designed by the combination of fuzzy mathematics and BP neural network.The maximum membership degree principle was used to do the pattern recognition of feature vectors,and then the automatic recognition and classification of wood defects could be realized.After a lot of training,results showed that the erage recognition rate of FBP is above 90%.Therefore,FBP has a high recognition accuracy for wood defects,which can provide an important theoretical basis for defects identification.
Keywords：
Wood defects；GLCM；feature extraction；fuzzy BP neural network
0 引言
虽然我国森林资源丰富,但与其他国家相比人均占比很少,而且木材的需求量又日益增加,因此在生产和制造过程中提高木材的利用率正在成为迫在眉睫的问题[1].而在这个过程中木材的缺陷是造成木材利用率降低的主要原因之一,如何在加工之前准确预测缺陷位置成为首要问题[2].传统的人工缺陷检验依赖检测人员的经验以及检测员的注意力,同一缺陷不同经验的检测员可能得到不同的结论,另外检测员疲劳也会影响检验结果[3].近年来,牟洪波、戚大伟等国内科研工作者也一直致力于木材缺陷的智能识别领域,虽然已经取得了很大的进步,但至今这个领域依然沒有达到成熟的工业化程度,高精度的智能检测方法是解决木材缺陷识别的关键,也是木材加工行业亟需解决的问题,具有很高的生产实用价值,值得长期研究[4-5].本文主要针对落叶松、水曲柳两种树木的木材缺陷展开研究,落叶松、水曲柳在家居产品等领域应用广泛,并且样本易于采集,具有一定的代表性,应用灰度共生矩阵提取特征值,并且将模糊理论与BP神经网络相结合的方法对木材缺陷中3种典型缺陷（裂纹、节子、腐朽）实现自动检测识别.
1 木材缺陷图像采集
整个缺陷图像采集系统主要以计算机为中心,应用国产工业X光机（2005）照射木材表面,荧光屏成像,采用微光摄像机做为图像输入传感器传送模拟图像信号,传送的信号经自制A/D转换电路变为离散状态的数字信号并存入图像存储器中.缺陷图像采集系统如图1所示.
2 木材缺陷图像特征值提取
将木材缺陷图像灰度化,并生成灰度共生矩阵提取木材缺陷特征值,灰度图像（灰度级为Ng,像素Nx×Ny）中任意一点（x,y）及偏离它距离为d的另一点（x+dsinα,y+dcosα）,设这两点组成的灰度值对为（i,j）,其中两点的灰度值之和；取值范围为i,j∈{1,2,等Ng}.令点（x,y）在整个画面上移动,则会得到各种（i,j）的值进而得到灰度共生矩阵GLCM,GLCM中第i行第j列元素G（i,j）表示灰度值对（i,j）出现的次数；若通过灰度级数为 Ng的图像生成灰度共生矩阵中同时包含出现和未出现的灰度值对,则GLCM是Ng×Ng的方阵[6].通过灰度共生矩阵可以分析图像的排列规则与局部模式等特征,但一般并不直接应用得到的共生矩阵GLCM,而是在其基础上进行二次统计,获取二次统计量[7].
灰度共生矩阵论文参考资料：
结论：基于灰度共生矩阵和模糊BP神经网络的木材缺陷识别为关于灰度共生矩阵方面的的相关大学硕士和相关本科毕业论文以及相关灰度共生矩阵论文开题报告范文和职称论文写作参考文献资料下载。
