模糊神經(jīng)網(wǎng)絡在飛機蒙皮缺陷檢測中的算法研究*

潘 甜，田慶敏，李 宇

(江蘇航空職業(yè)技術學院，江蘇 鎮(zhèn)江 212134)

0 引言

模糊邏輯是1965年由Zadeh教授提出的，類似于人腦的邏輯思維，能夠對信息不明確的模糊問題進行有效處理，將模糊邏輯推理應用于模式識別領域是未來的研究方向。但模糊邏輯的缺點之一是模糊規(guī)則通常依據(jù)經(jīng)驗建立，難以建立穩(wěn)定的數(shù)學模型，其本身也無法自主學習，極大地降低了推理效率。BP神經(jīng)網(wǎng)絡類似于人類大腦的神經(jīng)元，可以通過建立數(shù)學模型映射出輸入與輸出的關系，具有自學習和自適應能力強等優(yōu)點，利用BP神經(jīng)網(wǎng)絡進行模式識別已經(jīng)成為一種成熟的模式識別手段。然而當輸入信息的維度增加時，將大大延長BP神經(jīng)網(wǎng)絡的在線學習時間，導致實時性下降。因此思考如何將模糊控制與BP神經(jīng)網(wǎng)絡兩者優(yōu)勢互補，已經(jīng)成為模式識別與人工智能領域研究的重點和難點之一。

國內外學者針對無損檢測缺陷識別技術開展了很多研究，盛敏等利用機器視覺技術實現(xiàn)了飛機蒙皮損傷的檢測研究，利用支持向量機技術實現(xiàn)缺陷的模式識別，具有一定的研究價值，但缺陷識別準確率偏低，識別效率有待提高。美國西屋電氣公司使用智能高精度線陣CCD攝像對蒙皮表面缺陷進行了檢測研究，采用傳統(tǒng)BP神經(jīng)網(wǎng)絡對缺陷圖像進行分類識別，但該系統(tǒng)存在識別缺陷種類單一、無固定規(guī)律性等問題。

國內外學者將模糊控制與神經(jīng)網(wǎng)絡相結合，并開展了一系列的研究，如司景萍等提出基于模糊控制的智能故障診斷專家系統(tǒng)，有效提高了發(fā)動機故障檢測的準確率；Tang qi等對比了傳統(tǒng)的BP神經(jīng)網(wǎng)絡和基于ANFIS模型的模糊神經(jīng)網(wǎng)絡，發(fā)現(xiàn)后者在動力電池故障診斷方面的準確性更高；王笑笑等將模糊綜合評價與人工神經(jīng)網(wǎng)絡相結合，對大數(shù)據(jù)價值進行評估研究，具有一定的實用價值。

上述研究表明，模糊神經(jīng)網(wǎng)絡多用于特定的控制領域，而少有學者將其運用于模式識別領域。為此本課題以飛機蒙皮缺陷檢測為背景，創(chuàng)新性地運用基于模糊控制的BP神經(jīng)網(wǎng)絡分類識別技術(FBP)實現(xiàn)飛機蒙皮表面缺陷的快速準確識別和判斷，為我國無損檢測領域提供新的研究方向。

1 基于模糊神經(jīng)網(wǎng)絡的飛機蒙皮缺陷檢測

隨著科學技術和經(jīng)濟的發(fā)展，飛機在軍事、交通運輸、農業(yè)等各個領域都發(fā)揮著關鍵的作用，然而在飛機長時間飛行過程中，飛機結構的重要組成部分蒙皮表面會受到大氣環(huán)境的侵蝕以及各種沖擊載荷的作用，會出現(xiàn)裂紋、撞擊和腐蝕等缺陷，如圖1所示。表面缺陷不僅影響飛機蒙皮表面的美觀，更會影響飛機的整體使用壽命，從而導致空難事故的頻發(fā)，所以生產(chǎn)企業(yè)對蒙皮表面缺陷的檢測非常重視。

圖1 飛機蒙皮表面缺陷

本文通過搭建視覺檢測系統(tǒng)，利用基于模糊神經(jīng)網(wǎng)絡技術實現(xiàn)飛機蒙皮表面缺陷的識別和檢測。運用MATLAB仿真實驗對不同缺陷類型的表面圖像進行特征提取，選用不同方向的對比度、相關性、能量和同質性4種特征值構建灰度共生矩陣，通過將特征參數(shù)輸出到模糊神經(jīng)網(wǎng)絡中進行參數(shù)訓練得到訓練模型。部分飛機蒙皮缺陷圖像特征值如表1所示，其中序號1～5為飛機蒙皮裂紋樣本，序號6～10為飛機蒙皮腐蝕樣本?；谀：窠?jīng)網(wǎng)絡的飛機蒙皮缺陷檢測流程如圖2所示。

圖2 飛機蒙皮缺陷檢測流程

表1 部分飛機蒙皮缺陷圖像特征值

1.1 模糊神經(jīng)網(wǎng)絡算法

(1)

其中：N為維度；m為樣本數(shù)。

為了達到理想的訓練目標，當E

1.2 模糊神經(jīng)網(wǎng)絡分類器設計

本文搭建的基于模糊神經(jīng)網(wǎng)絡的模式分類器系統(tǒng)結構如圖3所示，主要分為4層：第一層為特征提取層，其功能是提取飛機蒙皮表面的缺陷圖像；第二層為模糊化處理層，其功能是對輸入的特征數(shù)據(jù)進行模糊化處理；第三層為BP神經(jīng)網(wǎng)絡分類層，其充分結合BP神經(jīng)網(wǎng)絡的自學習和自適應功能，實時調整模糊神經(jīng)網(wǎng)絡分類器的權值，從而提高在線分類性能，并實時將分類精度顯示在計算機上；第四層為輸出層，將缺陷圖像的分類識別結果顯示出來。

圖3 模糊神經(jīng)網(wǎng)絡分類器系統(tǒng)結構

2 仿真實驗及結果分析

通過網(wǎng)絡訓練構建基于模糊BP神經(jīng)網(wǎng)絡的蒙皮表面缺陷預測模型，首先選用4種特征參數(shù)作為輸入層節(jié)點參數(shù)，選用2種缺陷類型(裂紋和腐蝕)作為輸出層的節(jié)點數(shù)，期望輸出如表2所示。本次構建的模糊BP神經(jīng)網(wǎng)絡預測模型中隱含層為一層，其節(jié)點數(shù)n的計算公式為：

表2 期望輸出

(2)

其中：n1為輸入層節(jié)點數(shù)；n2為輸出層節(jié)點數(shù)；a為1～10之間的常數(shù)，本文取a=5。

本文選取100組裂紋缺陷和100組腐蝕缺陷共200組樣本分為4個組(每組50個樣本)進行網(wǎng)絡測試，經(jīng)過526次訓練后設定誤差值δ=0.01，將拍攝獲取的缺陷圖像經(jīng)預處理和特征提取后融入模糊神經(jīng)網(wǎng)絡預測模型進行訓練。測試樣本在模糊神經(jīng)網(wǎng)絡中的實際輸出和期望輸出如表3所示，實際輸出和期望輸出的仿真結果如圖4所示，缺陷圖像識別結果如表4所示。實驗結果表明：飛機蒙皮裂紋和腐蝕的缺陷檢測率高達93.5%，能夠很好地滿足實際檢測要求。

表3 測試樣本實際輸出和期望輸出

圖4 仿真實驗結果

表4 缺陷圖像識別結果

仿真實驗結果表明：基于模糊控制的BP神經(jīng)網(wǎng)絡與傳統(tǒng)的神經(jīng)網(wǎng)絡模式識別分類器相比，分類檢測次數(shù)由1 086次降低到526次，檢測精度提高到93.5%，較傳統(tǒng)的BP網(wǎng)絡分類識別精度提高了3.3%，檢測對比如表5所示?；谀：刂频腂P神經(jīng)網(wǎng)絡分類器的實時檢測精度得到了明顯提高。

表5 BP神經(jīng)網(wǎng)絡與模糊BP神經(jīng)網(wǎng)絡分類器對比

3 結束語

本文以飛機蒙皮表面產(chǎn)生的裂紋、腐蝕等缺陷為背景，將模糊控制的不確定推理能力和神經(jīng)網(wǎng)絡的自學習能力充分結合，提出了一種模糊神經(jīng)網(wǎng)絡算法(FBP)，并構建了基于模糊神經(jīng)網(wǎng)絡的模式識別分類器，可以快速準確地判斷并識別出飛機蒙皮表面的幾種常見缺陷類型。實驗結果表明：缺陷檢測的準確率達到93.5%，訓練次數(shù)下降到526次，從而能夠大大減少因蒙皮裂紋、腐蝕等缺陷而導致的飛機空難事故。