李细荣,林硕

摘要：组建BP神经网络检测地基压实度系统装置，利用灰度梯度共生矩阵方法提取激光图像的特征值，用其训练BP神经网络模型，预测地基压实度.结果表明：BP神经网络经过4次学习后达到要求的误差，模型的输出值和目标值的相关系数为0.976 99.BP神经网络检测方法与传统环刀法检测结果对比结果表明，平均绝对误差为0.049，平均相对误差为7.16%，BP神经网络检测方法可以用于检测地基压实度.

关键词：激光成像;神经网络;地基

[中图分类号]U416.1[文献标志码]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

工程建設地基的质量影响着整个工程的质量.工程上通过检测地基压实度评价地基的质量，压实度是检验地基是否达到密实标准的一个重要评价指标，主要用环刀法和核子密度仪法检测工程地基的压实度.核子密度仪的射线影响检测健康，环刀法需要现场随机采样测量压实度，效率较低且需破坏基础，这两种方法都有一定的弊端.激光成像和BP神经网络检测方法在生物医学领域应用较多，如李晨曦[1]等用漫反射光谱测量组织光学参数，蔡健荣[2]等用激光散斑图像检测冷鲜猪肉新鲜度，王成[3]等对生物组织非接触光声层析成像，朱瑶迪[4]等用高光谱图像和激光共聚焦显微镜技术快速测定猪肉嫩度.地基土由10%的水分和气体、90%土壤颗粒构成，生物组织由20%气体和有机化合物、80%水分构成，地基组织和生物组织都表现出离散特征，具有相似的构造.所以，可以借鉴生物组织和激光的相互作用过程.地基土组织在与激光相互作用中，土壤颗粒会吸收一些激光光子，与一些激光光子发生碰撞使光子散射，压实度大的地基土组织发生的碰撞概率大些，散射出来的光也多些;压实度小的地基土组织发生的碰撞概率小些，散射出来的光也少些.因此，激光在与地基土组织相互碰撞，土的压实度不同，散射出的光也有所区别.运用激光光束垂直照射不同压实度的地基土组织成像，用图像分析处理方法提取特征参数，用BP神经网络建立模型，可以预测地基的压实度.笔者组建BP神经网络检测地基压实度系统装置，利用灰度梯度共生矩阵方法提取激光图像的15个特征，用这些特征训练BP神经网络模型，预测地基压实度，实现无损连续测量土的压实度.

1检测系统的构成

检测系统装置由型号为TECM55的CCD相机、功率35 mW波长632.8 nm的HeNe激光器、透镜和戴尔笔记本构成.为了避免外环境的影响，样品放入木箱中，激光器和相机固定在木箱上，如图1所示.激光器的光束尽可能垂直入射到地基土组织表面，采集到的激光图像使用Matlab软件处理.

2检测方法

2.1采集激光图像

根据地基土样品的压实度大小编号，顺序进行激光图像采集.为了避免外部环境影响，晚上实验并关掉其他光源.

2.2特征参数提取

由于地基压实度不同，与激光光子发生的散射和吸收的概率也不一样，所以激光与地基土壤颗粒作用后在地基组织表面形成的激光图像灰度和灰度梯度也不同.因此，可以用激光图像的灰度纹理特征来关联土壤的压实度.图像的灰度共生矩阵是分析图像的排列规则和局部模式的基础，它可以把图像灰度关于变化幅度、相邻间隔和方向的综合信息反映出来.本文采用基于灰度梯度共生矩阵方法提取地基样品激光图像的纹理，对每个图像分别提取大梯度优势、能量、灰度平均、灰度分析不均匀性、小梯度优势、梯度分析不均匀性、梯度平均、灰度方差、逆差距、梯度方差、梯度熵、惯性、相关、灰度熵和混合熵15个特征参数.[58]公式115是所对应的特征模型，作为预测模型的输入参数.

大梯度优势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）

灰度分布的不均匀性

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

小梯度优势T5=∑L-1i=0∑Lg-1j=0Pij（j+1）2.（5）

梯度分析不均匀性

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）

惯性T12=∑L-1i=0∑Lg-1j=0（i-j）2Pij.（12）

相关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表示共生矩阵中第i行j列的元素，Hij定义为集合中（x，y）|f（x，y）=i，G（x，y）=j元素折数目，L是灰度.

2.3BP神經网络预测

BP神经网络模型输入节点数为15个，输出节点数1个.隐含层节点数为输入层节点数的2倍多一个，隐含层节点数为31个.如训练的最大次数设置为1 000次，学习速率设置为0.05，期望误差设置为0.001，隐含函数选取tansig，输出函数选取logsig.[910]提取的特征数据分为两部分，一部分为训练模型数据，另一部分为模型预测数据.

3试验结果与分析

试验的地基土质选用黏土，通过击实试验的标准规程获得100个不同压实度的地基土样品.选择其中80个训练样本数据作为训练样本集，余下的20个样本数据作为预测数据.BP网络模型训练过程如图2所示，达到预定的各项指标.经过4步模型，达到了误差要求.用20个数据预测出其对应的地基土压实度，将预测的结果与环刀法比较分析，平均相对误差为7.16%，平均绝对误差为0.049，误差的范围基本上可以用于地基压实度的测量.

4结论

组建BP神经网络检测地基压实度系统装置，提取激光图像的大梯度优势、能量、灰度平均、灰度分析不均匀性、小梯度优势、梯度分析不均匀性、梯度平均、灰度方差、逆差距、梯度方差、梯度熵、惯性、相关、灰度熵和混合熵15个特征为BP神经网络的输入参数作为训练模型，预测地基压实度.模型的预测结果与环刀法比较，平均绝对误差为0.049，平均相对误差为7.16%.结果表明，利用BP神经网络检测方法检测地基压实度是可行的.

参考文献

[1]李晨曦，孙哲，韩蕾，等.基于漫反射光谱的组织光学参数测量系统与方法研究[J].光谱学与光谱分析，2016，36（5）：15321536.

[2]蔡健荣，刘梦雷，孙力等.基于改进惯性矩算法的冷鲜猪肉新鲜度激光散斑图像检测[J].农业工程学报，2017，33（7）：268274.

[3]王成，蔡干，董肖娜，等.生物组织非接触光声层析成像[J].生物医学工程学杂志，2017，34（3）：439444.

[4]朱瑶迪，申婷婷，赵改名，等.基于高光谱图像和激光共聚焦显微镜技术快速测定猪肉嫩度[J].中国食品学报，2017（11）：239244.

[5]李细荣，徐东辉.压实土壤组织中激光传输的蒙特卡罗仿真[J].牡丹江师范学院学报：自然科学版，2015，3：2728.

[6]张鹏程，刘瑾，杨海马等.基于PSD的非均匀激光光斑中心定位研究[J].激光与红外，2020，（8）：941947.

[7]万思兰，李细荣，林硕.激光图像在压实土密度检测中的应用[J].牡丹江师范学院学报：自然科学版，2019，（2）：2527.

[8]秦运柏，徐汶菊，朱君.基于激光光斑中心检测的改进算法[J].实验技术与管理，2018，35（5）：6063，67.

[9]王孟涛，李岳阳，杜帅，等.基于灰度梯度共生矩阵和SVDD的织物疵点检测[J].丝绸，2018，55（12）：5056.

[10]赵文清，严海，周震东，等.基于残差BP神经网络的变压器故障诊断[J].电力自动化设备，2020，40（2）：143148.

编辑：琳莉