肖乐萍

【摘 要】通过纹理分析方法实现对共晶碳化物各级别特征的定量描述。在此基础上，本文采用基于MATLAB的BP神经网络构造了神经网络模型，实验对共晶碳化物的标准图谱GB1299-85截取具有该级别特征的图片进行了评级训练，取得了较好的实验结果，证实了其在自动识别技术中的作用，尤其是在商业领域里的广泛应用与建设，随机选取一幅待测图片进行测试，实验结果与目测结果一致。数字显示结果对基于MATLAB的BP神经网络自动识别共晶碳化物级别具有一定的指导意义。

【关键词】神经网络 自动识别 建设 应用

应用钢中共晶碳化物分布不均匀性是反映钢材内在质量的重要指标之一，如何检验碳化物的不均匀性，如何对其评级，是钢的生产厂家与使用单位共同关心的问题。由于钢中碳化物分布的不均匀性，模糊性以及级别间的渐变性，时至今日，共晶碳化物的评定还是以人工为主。而人工比较评级因受众多的主客观因素的限制，不可能得到科学的结果。为此利用计算机对不同级别碳化物进行特征提取与自动识别在实际生产及应用中都有实际的意义。本文在作者已有工作的基础上，利用BP神经网络的方法，对描述图像形状的特征参数进行训练，以期达到精确识别形状的目的。

1 识别对象的特征描述方法

共晶碳化物纹理主要体现在以下5个方面：纹理粗细均匀生（粗糙度），纹理清晰程度，纹理主方向，纹理明暗程度和纹理周期。采用灰度共生矩阵，选择参数如下：角二阶矩（能量）、惯性矩、局部平稳性、熵和相关。这5个参数不仅保持了彼此之间良好的独立性，而且还直接与人的感观相对应，便于进行分类识别和共晶碳化物定量化研究。

对第二套标准图8个级别进行纹理特征值提取，作为神经网络模型的输入层。

2 BP神经网络

BP神经网络是基于误差反向传播算法(BP算法)的多层前向神经网络，是一种有监督的学习。典型的BP网络是三层网络，包括输入层、隐含层和输出层。本文的网络模型采用的是单隐层BP网络。加上输入层、输出层，总共3层，各层之间实行全连接，如图1所示

3 网络结构的确立和训练识别过程

3.1隐含层神经元数的确定

网络训练精度的提高，可以通过采用一个隐含层，而增加其神经元个数的方法来获得。这在结构实现上，要比增加更多的隐含层要简单的多，那么究竟选取多少个隐含层节点合适?隐含层的单元数直接影响网络的非线性性能，它与所解决问题的复杂性有关。但问题的复杂性无法量化，因而也不能有很好的解析式来确定隐含层单元数。本文隐含层数根据训练情况确定为10。

3.2网络学习参数的选取

由于系统是非线性的，初始值对于学习是否达到局部最小、是否能够收敛以及训练时间的长短关系很大。一般总是希望初始加权后的每个神经元的输出值都接近于零，这样可以保证每个神经元的权值都能够在他们的S型激活函数变化最大之处进行调节。保证，但学习速度太慢;学习率太大，学习速度快，但可能导致振荡或发散。因而一个固定学习率不可能很好地适用于网络的整个学习过程。为实现快速而有效的学习收敛过程，本文采用变化的自适应学习速率，使网络的训练在不同的阶段自动设置不同学习速率的大小。本文的学习速率根据训练情况设置为0.1。

3.3样本数据的处理

具体算法是：取表1中的数据作为神经网络的学习训练样本，共晶碳化物的8个级别分别用神经网络的3个输出节点来表示目标输出。即，T0=[0;0;0]表示第1级；T1=[0；0；1]表示第2级；T2=[0；1；0]表示第3级；T3=[0；1；1]表示第4级；T4=[1；0；0]表示第5级；T5=[1；0；1]表示第6级；T6=[1；1；0]表示第7级；T7=[1；1；1]表示第8级。

因为样本数据不是在同一个数量级，因此本文对第一层神经网络采用tansig激活函数，将输入从（-∞，+∞）映射到[-1，1]之间。第二层神经网络采用logsig激活函数。