《表1 各木材缺陷识别方法精度对比》
在训练CNN网络的同时,利用SLIC算法对图像进行超像素聚类分析得到木材图像的缺陷轮廓信息。再根据本研究提出的方法改进CNN模型,缺陷识别概率可达98.6%左右,如表1所示。根据人工神经网络理论,采用MATLAB构建了3种用于识别木材缺陷的神经网络模型:RBF神经网络、BP-RBF混合神经网络和卷积神经网络。同样以5 000张100×100的图像为数据集,随机选取4 600张作为训练集,400张作为测试集,得到缺陷特征向量的均值[17-18]。其中,RBF神经网络虽然对数据具有较好的逼近效果,但精度相对较低;BP-RBF混合神经网络具有良好的数据压缩能力并兼具RBF优势,误差受径向基分布常数影响较大;卷积神经网络复杂度低,参数空间小,但精度波动大。相比这3种网络模型,优化的卷积神经网络兼具CNN的优点,缩短了识别时间,同时提高了缺陷的识别准确率和识别速率。因此,本研究提出的算法在木材图像的缺陷提取方面具有一定优势。
图表编号 | XD0037429100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.01.25 |
作者 | 刘英、周晓林、胡忠康、於亚斌、杨雨图、徐呈艺 |
绘制单位 | 南京林业大学机械电子工程学院、机电产品包装生物质材料国家地方联合工程中心、南京林业大学机械电子工程学院、南京林业大学机械电子工程学院、南京林业大学机械电子工程学院、南京林业大学机械电子工程学院、机电产品包装生物质材料国家地方联合工程中心、南京林业大学机械电子工程学院 |
更多格式 | 高清、无水印(增值服务) |