基于BP神经网络的木材质量评价

1、基于bp神经网络的木材质量评价刘贝贝朱波宋扬扬万育微昆明理工大学摘要：目前木材家具的牛产过程在逐步向批量化、机械化趋近，但木材的质量一育是家 具产业需要关注的问题，因此对木材的质量评价一直是家具制造业研究的重点。 本文利用bp神经网络建立木材的质量评价模型，选择合适的评价指标，并通过 案例的样本数据进行验证。测试结果与加权平均法比较，得出构建的3层bp神 经网络模型应用于木材质量评价中具有一定的可行性与现实意义。关键词：木材;质量评价;bp神经网络;评价指标;作者简介：刘贝贝（1991-），女，山东滨州人，硕士研究生（在读），研究方 向为机器学习，质量评价。quality evaluation

2、 of mahogany wood based on bp neural networkliu bei-bei zhu bo song yang-yang wan yu-weikunming university of science and technology;abstract：at present, the production process of furniture is gradually approaching to batching and mechanization. however, the quality of mahogany wood has always been

3、a concern for the furniture industry. therefore, the quality evaluation of wood has always been the focus of furniture manufacturing research. in this paper, the quality evaluation model of mahogany wood is est ablished by bp neural net work, and the appropriate evalua tion index is selected and ver

4、ified by the sample data of the case. compared with the weighted average method, the results show that the proposedthree-layer bp neural network model has a certain feasibility and practical significance in the quality evaluation of wood.keyword：wood; quality evoluation; bp neural network; evalimtio

5、n index;0引言随着社会经济的不断发展和人民生活水平的提高，人们对木材家具的关注和使 用程度不断增加。然而木材家具的质量问题时有发牛，严重影响了我国家具行业 的健康发展。家具的质量问题的产生不仅源于制造环节中，而且还会源于木材的 质量评价不当。在家具生产流通过程屮，如何对其木材质量进行评价，是保障家 具质量的关键。因此，从木材质量评价的角度把控家具质量是本文的研究内容。目前，国内关于家具木材的相关理论与应用展开了大量研究。杨铁滨等人建立了 基于bp神经网络的分类器实现木材机械加工表面质量自动评价，这保证木制品 质量，提升其价值有重要意义in。张秋龙分析了家具不合格产品产生的原因， 其次系

6、统地分析了当前家具存在的质量问题及相应的维护方法宜。口雪冰等人 利用bp神经网络对特征参数进行分类，并验证了提取的特征参数的有效性rl 吴茜应用层次分析法等对民用实木家具设计指标结构体系中相同阶层的各元素 指标进行权重分析，为民用实木家具的设计评价研究提供一个参考标准4。国外学者关于家具木材的相关理论与应用也做了大量研究。j”ef gdborlk通过 将压制木材表面获得的结果与未经受压制的木材表面获得的结果进行比较，使 用接触法测量压制前后的粗糙度，从而确定表面质量扫描区域内的裂纹等缺陷， 这项研究论证了压实后白杨木表面质量的变化£51o milan gaff提出通过3d成 型修饰的

7、表面，基于宏观鉴定评估的目的是为了开发和测试适当的方法对表面 质量进行评估和质量的确定与量化6 o本文选择以木材为质量评价对象，选择合格的制造家具原材料，从根本上控制 家具的质量，文章选择bp神经网络为评价方法，确定合理的评价指标，构建出 木材的质量评价模型，并且通过案例样本数据检验所建模型的评价性能。1 bp神经网络1.1神经网络的定义神经网络是多层前馈神经网络，该网络的主要特征是在传输之前对信号，反向 传播错误。在传输前，输出层的输入会逐层通过隐含层输入的信号。毎一层的神 经状况仅影响下一层的紧张状态。如果输出层被释放，然后转移到反向传播，根 据预测误差来调整权值和阈值，从而使输岀预测神经

8、网络更接近期望输岀。1. 2神经网络模型及原理bp神经网络的拓扑结构如图1所示。图1 bp神经网络拓扑结构图下载原图图1中，mb m2, -mn是bp神经网络的输入值，ni, n2,汕是bp神经网络的预 测值，和为bp神经网络权值。bp神经网络可以看成一个非线性函数，网 络输入值和预测值分别为该函数的自变量和因变量。当输入节点数为n,输出节 点数为m时，bp神经网络表达了从n个自变量到m个因变量的函数映射关系。2产品质量评价体系的构建2. 1指标的选择家具是企业使用一定的技术将木材加工成可以满足人们日常牛活需要的商品。因 此，家具质量评价就要考虑家具原材料的质量问题，因此对于木材性质这方面 的

9、特性对家具质量有着很大的影响。通过查阅文献和案例分析可知，木材的物理性质对木材的整体质量有非常大的 影响，本文选择了 5个指标进行分析分别为:抗弯强度、弹性模量、抗压强度、 冲击韧性、天然耐久。抗弯强度:表示木材受横向静力载荷作用时所产生的最大弯曲应力。弹性模量:表示木材抵抗外力而产生的变形或保持原有形状的性质，又称劲度或 刚度。抗压强度:表示木材受压力作用所产牛的最大应力。冲击韧性:表示木材对外来冲击负荷的抵抗能力。天然耐久:表示木材对木腐菌、木材害虫以及各种气候变化因子损害的天然抵抗 能力。通过以上说明可以将质量评价体系选取指标列为:抗弯强度、弹性模量、抗压强 度、冲击韧性、天然耐久。通过

10、上述指标分析，确定的输入输出变量如表1所示。表1指标变量下载原表2.2创建bp神经网络网络构建是质量评价模型的关键环节，影响bp神经网络的性能有多种因素，其 中包括网络层的确定，输入节点和输出节点的设定，隐层节点数的选择。2. 2. 1网络层数的选择网络层数影响网络的测试性能。单个网络的隐含层，适合于相对简单的设计，反 而会降低所述测试网络的准确性。隐含层的网络是合适的映射更多面的，但它在 提高网络预测的性能的同时，更是增加了网络训练的时长，从而会增加网络的 复杂性。所以网络层数要根据实际研究对彖确定。2. 2.2引入时，输出节点的选择输入神经元的数量取决于特性提取指标的个数，按照本次研究提取

11、的指标的个 数，bp网络中输入节点的个数为5。输出层的节点数为1。2. 2.3节点的隐含层选择神经网络的隐含节点的数量对预测精度会产生作用。节点的数量非常少的时候, 要增多网络训练的次数，但是这样也不能满足训练对精度的要求。会增加训练时 间。当节点的数目太大，网络会出现更多的问题，训练时长也会相应增加。可以 通过下面的公式来确定隐含层：式中q隐含层的节点数目；f输入层的节点数目；h输岀层的节点数目；i广10。根据在输入层和输出层的节点的数口，对bp神经网络通过隐含节点的数量进行 处理，然后对隐含节点的数目逐渐增加。3评价体系的验证本文通过数值实验验证所提模型的可行性和有效性。实验的基本思路是，

12、首先创 建模型，再针对具体案例，确定模型的评价性能。3. 1验证环境实验在计算机上进行，其硬件配置为:cpu 2.50ghz,内存8. 00gb;软件环境为 matlab r2015b,采用matlab神经网络工具箱创建bp神经网络，其它通过编程 实现。3. 2原始数据实验的原始数据为家具木材材料物理性质数据，部分数据如表2所示。表2部分实验数据下载原表为了统一变量的量纲，对原始数据（包括输入值和目标输出值）进行了归一化 处理，处理后的数据再划分为训练样本集、验证样本集和测试样本集。3. 3相关参数如表3所示，神经网络训练的相关参数。表3神经网络训练的相关参数 下载原表利用matlab神经网络

13、工具箱中的newff （）函数构建网络，其中，期望误差为 10。为了确定出性能更好的网络结构，木文进行对不同的隐含层神经元数目（节 点数）的网络进行了试验，结果如表4所示。表4显示，经过6000次对bp网络隐神经元的训练，神经元为9的函数逼近了良 好目的作用。神经元节点数为5、8和12的时候，在网络中具有相对小的误差，但 时长比较大。考虑到网络的性能和速率等问题，在网络的隐含层神经元的节点数 被预设为9o3. 4验证结果通过对模型进行验证，结果表明训练达到5000次时表现出最佳训练能力0. 008695,如图2所示。表4训练误差下载原表图2训练能力变化曲线下载原图训练得到的拟合公式如图3所示，

14、拟合度达到0. 97987。图3目标拟合图下载原图木文中将样木集划分为训练样木集120个，验证样木集35个，测试样木集5个。 其中对5个样本进行测试得岀结果如表5所示。表中分别计算了预测结果的绝对 误差和相对误差。计算得出均方误差为0. 08485o表5预测结果的绝对误差和相对误差下载原表从表5可知，每次实验中模型的目标值与输岀值误差很小，样本实验的绝对误 差均值和相对误差平均值分别约为9186和37. 8%,明显小于最优候选网络的绝 对误差平均值11726和相对误差平均值47. 4%,证明了本文所提基于bp神经网 络的家具质量评价模型能够很好地评价预测精度。3.5与加权平均评价方法比较为了验

15、证所建基于bp神经网络的木材质量评价模型性能，本文将实验结果与加 权平均评价方法进行比较，其屮加权平均法屮的权值设置为棕尸0.2,棕2二0.1, 棕3=0. 3,棕4=0. 2,棕5=0. 2得到的输出结果如表6所示，对比结果如图4所 zj o表6加权平均法的评价结果下载原表图4与加权平均法的相对误差的对比 下载原图图4中描述的是bp神经网络和加权平均法对木材的质量评价的相对误差的对比, 结果显示本文构建的bp神经网络对木材的质量预测评价能力要比加权平均法能 力强，进一步验证了所建模型的可行性。4结论提高木材的质量评价，有效促进家具制造业的良性发展，关键是寻求一种精确 度强的评价体系。常用的传

16、统评价方法具有复杂、参数多、难以调适的问题，在 实际应用屮要直接在“黑箱”模式下进行质量评价，很大程度上依赖于使用者 的经验，具有相当难度。本文提岀了基于bp神经网络的木材质量评价体系，建立了相应模型。模型为个 3层结构的bp神经网络，每个网络的隐含层单元数确定，将原始数据划分为训 练集、验证集、测试集，并进行了归一化处理。经数值实验验证，该模型具有更 好的评价精度，且与加权平均评价方法比较具有更高的精确度，因此将bp神经 网络应用于材质量评价是一种有效途径。参考文献1 杨铁滨，侯玉婷，刘一星，等基于图像的木材机械加工表面质量评价研究 j森林工程，2015, 31 (1) : 59-62 o2 张秋龙家具产品质量控制措施探讨j轻工标准与质量，2015 (1) :27-28.3 白雪冰，王克奇，王业琴，等基于神经网络的木材表面颜色特征分类的 研究j森林工程，2007, 23 (1) : 24-26.4 吴茜方案设计阶段的民用实木家具设计评价体系