基于BP神經(jīng)網(wǎng)絡(luò)的地基壓實(shí)度測(cè)量方法

李細(xì)榮,林碩

摘要：組建BP神經(jīng)網(wǎng)絡(luò)檢測(cè)地基壓實(shí)度系統(tǒng)裝置，利用灰度梯度共生矩陣方法提取激光圖像的特征值，用其訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型，預(yù)測(cè)地基壓實(shí)度.結(jié)果表明：BP神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)4次學(xué)習(xí)后達(dá)到要求的誤差，模型的輸出值和目標(biāo)值的相關(guān)系數(shù)為0.976 99.BP神經(jīng)網(wǎng)絡(luò)檢測(cè)方法與傳統(tǒng)環(huán)刀法檢測(cè)結(jié)果對(duì)比結(jié)果表明，平均絕對(duì)誤差為0.049，平均相對(duì)誤差為7.16%，BP神經(jīng)網(wǎng)絡(luò)檢測(cè)方法可以用于檢測(cè)地基壓實(shí)度.

關(guān)鍵詞：激光成像;神經(jīng)網(wǎng)絡(luò);地基

[中圖分類號(hào)]U416.1[文獻(xiàn)標(biāo)志碼]A

Detection Method of Foundation Compactness

Based on BP Neural Network

LI Xirong，LIN Shuo

（College of physics and Information Engineering，Minnan Normal University，Zhangzhou 363000，China）

Abstract：The BP neural network system device for detecting foundation compactness is established.The gray gradient cooccurrence matrix method is used to extract the eigenvalues of the laser image，and these eigenvalues are used to train the BP neural network model to predict the foundation compactness.The results show that the BP neural network has achieved the required error after four times of learning，and the correlation coefficient between the output value of the model and the target value is 0.97699.The results show that the average absolute error is 0.049 and the average relative error is 7.16%，BP neural network detection method can be used to detect the compactness of foundation.

Key words： laser imaging;neural network;foundation

工程建設(shè)地基的質(zhì)量影響著整個(gè)工程的質(zhì)量.工程上通過(guò)檢測(cè)地基壓實(shí)度評(píng)價(jià)地基的質(zhì)量，壓實(shí)度是檢驗(yàn)地基是否達(dá)到密實(shí)標(biāo)準(zhǔn)的一個(gè)重要評(píng)價(jià)指標(biāo)，主要用環(huán)刀法和核子密度儀法檢測(cè)工程地基的壓實(shí)度.核子密度儀的射線影響檢測(cè)健康，環(huán)刀法需要現(xiàn)場(chǎng)隨機(jī)采樣測(cè)量壓實(shí)度，效率較低且需破壞基礎(chǔ)，這兩種方法都有一定的弊端.激光成像和BP神經(jīng)網(wǎng)絡(luò)檢測(cè)方法在生物醫(yī)學(xué)領(lǐng)域應(yīng)用較多，如李晨曦[1]等用漫反射光譜測(cè)量組織光學(xué)參數(shù)，蔡健榮[2]等用激光散斑圖像檢測(cè)冷鮮豬肉新鮮度，王成[3]等對(duì)生物組織非接觸光聲層析成像，朱瑤迪[4]等用高光譜圖像和激光共聚焦顯微鏡技術(shù)快速測(cè)定豬肉嫩度.地基土由10%的水分和氣體、90%土壤顆粒構(gòu)成，生物組織由20%氣體和有機(jī)化合物、80%水分構(gòu)成，地基組織和生物組織都表現(xiàn)出離散特征，具有相似的構(gòu)造.所以，可以借鑒生物組織和激光的相互作用過(guò)程.地基土組織在與激光相互作用中，土壤顆粒會(huì)吸收一些激光光子，與一些激光光子發(fā)生碰撞使光子散射，壓實(shí)度大的地基土組織發(fā)生的碰撞概率大些，散射出來(lái)的光也多些;壓實(shí)度小的地基土組織發(fā)生的碰撞概率小些，散射出來(lái)的光也少些.因此，激光在與地基土組織相互碰撞，土的壓實(shí)度不同，散射出的光也有所區(qū)別.運(yùn)用激光光束垂直照射不同壓實(shí)度的地基土組織成像，用圖像分析處理方法提取特征參數(shù)，用BP神經(jīng)網(wǎng)絡(luò)建立模型，可以預(yù)測(cè)地基的壓實(shí)度.筆者組建BP神經(jīng)網(wǎng)絡(luò)檢測(cè)地基壓實(shí)度系統(tǒng)裝置，利用灰度梯度共生矩陣方法提取激光圖像的15個(gè)特征，用這些特征訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型，預(yù)測(cè)地基壓實(shí)度，實(shí)現(xiàn)無(wú)損連續(xù)測(cè)量土的壓實(shí)度.

1檢測(cè)系統(tǒng)的構(gòu)成

檢測(cè)系統(tǒng)裝置由型號(hào)為TECM55的CCD相機(jī)、功率35 mW波長(zhǎng)632.8 nm的HeNe激光器、透鏡和戴爾筆記本構(gòu)成.為了避免外環(huán)境的影響，樣品放入木箱中，激光器和相機(jī)固定在木箱上，如圖1所示.激光器的光束盡可能垂直入射到地基土組織表面，采集到的激光圖像使用Matlab軟件處理.

2檢測(cè)方法

2.1采集激光圖像

根據(jù)地基土樣品的壓實(shí)度大小編號(hào)，順序進(jìn)行激光圖像采集.為了避免外部環(huán)境影響，晚上實(shí)驗(yàn)并關(guān)掉其他光源.

2.2特征參數(shù)提取

由于地基壓實(shí)度不同，與激光光子發(fā)生的散射和吸收的概率也不一樣，所以激光與地基土壤顆粒作用后在地基組織表面形成的激光圖像灰度和灰度梯度也不同.因此，可以用激光圖像的灰度紋理特征來(lái)關(guān)聯(lián)土壤的壓實(shí)度.圖像的灰度共生矩陣是分析圖像的排列規(guī)則和局部模式的基礎(chǔ)，它可以把圖像灰度關(guān)于變化幅度、相鄰間隔和方向的綜合信息反映出來(lái).本文采用基于灰度梯度共生矩陣方法提取地基樣品激光圖像的紋理，對(duì)每個(gè)圖像分別提取大梯度優(yōu)勢(shì)、能量、灰度平均、灰度分析不均勻性、小梯度優(yōu)勢(shì)、梯度分析不均勻性、梯度平均、灰度方差、逆差距、梯度方差、梯度熵、慣性、相關(guān)、灰度熵和混合熵15個(gè)特征參數(shù).[58]公式115是所對(duì)應(yīng)的特征模型，作為預(yù)測(cè)模型的輸入?yún)?shù).

大梯度優(yōu)勢(shì)T1=∑L-1i=0∑Lg-1j=0j2Pij.（1）

能量T2=∑L-1i=0∑Lg-1j=0P2ij.（2）

灰度平均T3=∑L-1i=0i∑Lg-1j=0Pij.（3）

灰度分布的不均勻性

T4=∑L-1i=0∑Lg-1j=0Hij2∑L-1i=0∑Lg-1j=0Hij.（4）

小梯度優(yōu)勢(shì)T5=∑L-1i=0∑Lg-1j=0Pij（j+1）2.（5）

梯度分析不均勻性

T6=∑Lg-1j=0∑Lg-1i=0Hij2∑L-1i=0∑Lg-1j=0Hij.（6）

梯度平均T7=∑Lg-1j=0j∑L-1i=0Pij.（7）

灰度方差T28=∑L-1i=0（i-T6）2∑Lg-1j=0Pij.（8）

逆差距T9=∑L-1i=0∑Lg-1j=0Pij1+（i-j）2.（9）

梯度方差T210=∑Lg-1j=0（i-T7）2∑L-1i=0Pij.（10）

梯度熵

T11=-∑Lg-1j=0∑L-1i=0Pijlog2∑L-1i=0Pij.（11）

慣性T12=∑L-1i=0∑Lg-1j=0（i-j）2Pij.（12）

相關(guān)T13=∑L-1i=0∑Lg-1j=0（i-T6）（j-T7）Pij.（13）

灰度熵T14=-∑L-1i=0∑Lg-1j=0Pijlog2∑Lg-1j=0Pij.（14）

混合熵T15=-∑L-1i=0∑Lg-1j=0Pijlog2Pij.（15）

其中，Pij=Hij∑L-1i=0∑L-1j=0Hij，Pij表示共生矩陣中第i行j列的元素，Hij定義為集合中（x，y）|f（x，y）=i，G（x，y）=j元素折數(shù)目，L是灰度.

2.3BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

BP神經(jīng)網(wǎng)絡(luò)模型輸入節(jié)點(diǎn)數(shù)為15個(gè)，輸出節(jié)點(diǎn)數(shù)1個(gè).隱含層節(jié)點(diǎn)數(shù)為輸入層節(jié)點(diǎn)數(shù)的2倍多一個(gè)，隱含層節(jié)點(diǎn)數(shù)為31個(gè).如訓(xùn)練的最大次數(shù)設(shè)置為1 000次，學(xué)習(xí)速率設(shè)置為0.05，期望誤差設(shè)置為0.001，隱含函數(shù)選取tansig，輸出函數(shù)選取logsig.[910]提取的特征數(shù)據(jù)分為兩部分，一部分為訓(xùn)練模型數(shù)據(jù)，另一部分為模型預(yù)測(cè)數(shù)據(jù).

3試驗(yàn)結(jié)果與分析

試驗(yàn)的地基土質(zhì)選用黏土，通過(guò)擊實(shí)試驗(yàn)的標(biāo)準(zhǔn)規(guī)程獲得100個(gè)不同壓實(shí)度的地基土樣品.選擇其中80個(gè)訓(xùn)練樣本數(shù)據(jù)作為訓(xùn)練樣本集，余下的20個(gè)樣本數(shù)據(jù)作為預(yù)測(cè)數(shù)據(jù).BP網(wǎng)絡(luò)模型訓(xùn)練過(guò)程如圖2所示，達(dá)到預(yù)定的各項(xiàng)指標(biāo).經(jīng)過(guò)4步模型，達(dá)到了誤差要求.用20個(gè)數(shù)據(jù)預(yù)測(cè)出其對(duì)應(yīng)的地基土壓實(shí)度，將預(yù)測(cè)的結(jié)果與環(huán)刀法比較分析，平均相對(duì)誤差為7.16%，平均絕對(duì)誤差為0.049，誤差的范圍基本上可以用于地基壓實(shí)度的測(cè)量.

4結(jié)論

組建BP神經(jīng)網(wǎng)絡(luò)檢測(cè)地基壓實(shí)度系統(tǒng)裝置，提取激光圖像的大梯度優(yōu)勢(shì)、能量、灰度平均、灰度分析不均勻性、小梯度優(yōu)勢(shì)、梯度分析不均勻性、梯度平均、灰度方差、逆差距、梯度方差、梯度熵、慣性、相關(guān)、灰度熵和混合熵15個(gè)特征為BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)作為訓(xùn)練模型，預(yù)測(cè)地基壓實(shí)度.模型的預(yù)測(cè)結(jié)果與環(huán)刀法比較，平均絕對(duì)誤差為0.049，平均相對(duì)誤差為7.16%.結(jié)果表明，利用BP神經(jīng)網(wǎng)絡(luò)檢測(cè)方法檢測(cè)地基壓實(shí)度是可行的.

參考文獻(xiàn)

[1]李晨曦，孫哲，韓蕾，等.基于漫反射光譜的組織光學(xué)參數(shù)測(cè)量系統(tǒng)與方法研究[J].光譜學(xué)與光譜分析，2016，36（5）：15321536.

[2]蔡健榮，劉夢(mèng)雷，孫力等.基于改進(jìn)慣性矩算法的冷鮮豬肉新鮮度激光散斑圖像檢測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào)，2017，33（7）：268274.

[3]王成，蔡干，董肖娜，等.生物組織非接觸光聲層析成像[J].生物醫(yī)學(xué)工程學(xué)雜志，2017，34（3）：439444.

[4]朱瑤迪，申婷婷，趙改名，等.基于高光譜圖像和激光共聚焦顯微鏡技術(shù)快速測(cè)定豬肉嫩度[J].中國(guó)食品學(xué)報(bào)，2017（11）：239244.

[5]李細(xì)榮，徐東輝.壓實(shí)土壤組織中激光傳輸?shù)拿商乜_仿真[J].牡丹江師范學(xué)院學(xué)報(bào)：自然科學(xué)版，2015，3：2728.

[6]張鵬程，劉瑾，楊海馬等.基于PSD的非均勻激光光斑中心定位研究[J].激光與紅外，2020，（8）：941947.

[7]萬(wàn)思蘭，李細(xì)榮，林碩.激光圖像在壓實(shí)土密度檢測(cè)中的應(yīng)用[J].牡丹江師范學(xué)院學(xué)報(bào)：自然科學(xué)版，2019，（2）：2527.

[8]秦運(yùn)柏，徐汶菊，朱君.基于激光光斑中心檢測(cè)的改進(jìn)算法[J].實(shí)驗(yàn)技術(shù)與管理，2018，35（5）：6063，67.

[9]王孟濤，李岳陽(yáng)，杜帥，等.基于灰度梯度共生矩陣和SVDD的織物疵點(diǎn)檢測(cè)[J].絲綢，2018，55（12）：5056.

[10]趙文清，嚴(yán)海，周震東，等.基于殘差BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[J].電力自動(dòng)化設(shè)備，2020，40（2）：143148.

編輯：琳莉