基于BP神经网络识别毛竹冻融循环次数∗

吴志勇

（福建省林业勘察设计院，福建 福州 350002）

竹材是木材替代品之一，人们针对竹材已做了冻融处理抗弯强度[1]、冻融处理竹基集装箱底板工艺[2]和防霉、防腐、改性[3-6]等方面的研究，以确保竹材可有效替代木材。冻融处理作为物理改性法之一[2,7]，利用低温下水结成冰体积增加的原理，将竹材大毛细管系统中的自由水结成冰，体积膨胀，形成对竹材微观结构挤压，最终使细胞腔等结构被破坏。通过冻融处理可一定程度上提高竹材渗透率。但竹材顺纹抗弯强度由于微观结构破坏而下降，随着冻融次数增加，竹材力学性能也大幅下降[8-9]。快速无损检测冻融处理竹材物理力学性已成为业界研究的热点。

红外光谱技术(IR)是一种间接的分析技术，可借助计算机建立基于红外光谱预测模型，用于样品结构的检测与分析。目前该技术在竹木领域有着大量运用。与传统的分析技术相比，IR分析技术分析速度快，操作简单、检测结果准确[10-12]。

人工神经网络(ANN)作为目前较流行的算法[13]，可通过输入层接受红外光谱数据，输入至隐藏层和输出层中的神经元中，通过反复训练与调整相关连接的权重，直到达到可接受的误差水平，最终成功训练出目标神经网络。其中，可采用多重后向传播算法(BackPropagation,BP)来训练与调整神经网络[14-16]。

试验通过对105 个毛竹[Phyllostachys edulis(Carriere)J.Houzeau]样品进行不同程度冻融循环处理，使用傅里叶红外光谱仪采集试样光谱数据。经数据集预处理后，采用BP神经网络建立毛竹冻融次数预测模型。

1 材料与方法

1.1 材料

毛竹，取自福建省永安市的林场，竹龄3～4 年，并截取离地3～4m的位置作为试验材料。将试材去青去黄，加工成106 组22 mm×23 mm×7 mm（长×宽×厚）的样品。

1.2 试验仪器

所采用的主要实验仪器如下：冷冻干燥机Scientz-18N型，中国新芝生物科技有限公司；场发射扫描电子显微镜Hitachi SU8010 型，日本日立公司；傅里叶红外光谱仪VERTEX 70v型，德国BRUKER公司。

1.3 试验方法

1.3.1 冻融循环处理 试验采用冻融循环对毛竹进行改性，将试样放入26 ℃纯净水中，待试样达到吸水饱和状态后，取出放入Scientz-18N型冷冻干燥机中，将冷冻温度设置为-30 ℃，冷冻2 h后取出试样，放入温度为26 ℃恒温恒湿箱中，待试样恒重后取出。此试样为1 次冻融试样。重复进行上述试验，依次做出冻融1、2、3 次的试样，并以未经冻融处理的试样作为参照组。冻融后的试样磨粉、过筛，选取小于100 目的竹粉供后续红外采集。

1.3.2 样品光谱的采集 光谱采集设备为VERTEX 70v型傅里叶红外光谱仪器，实验室温度为（26±1 ℃），竹粉按1∶100 质量与KBr混合，压片，仪器光谱范围400～4 000 cm-1，样品扫描次数为 64 次，同时对比空白KBr片64 次背景扫描。每个样品制成压三次片并取平均值作为该样品光谱结果。

1.3.3 微观构造观察 选取未冻融与冻融3 次毛竹试样，切成2～3 mm薄片，利用环境扫描电子显微镜(ESEM)进行观察。

1.4 BP神经网络模型建立

BP神经网络是一种多层的前馈神经网络，信号是前向传播的，而误差是反向传播的。其核心算法是使用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的结果和目标结果尽可能的接近。

按照BP神经网络的思想，首先构建由一个输入层、一个隐藏层和一个输出层组成的三层神经网络架构。然后将红外光谱数据设为输入，通过输入层进入隐藏层中，经过反复的学习训练，输出层输出每组样品的冻融循环的次数，当误差值低于设定的阀值时，停止训练网络。同时将数据集按照70%、10%和20%分为训练集、验证集和测试集，并按数据集的规模，设定该神经网络的隐藏层数为15 层。试验建立的拓扑结构如图1 所示。

图1 BP神经网络拓扑结构示意图Fig.1 Schematic diagram of neural network topology

交叉熵（Cross Entropy）是Loss函数的一种（也称为损失函数或代价函数），用于描述模型预测值与真实值的差距大小，所以当选取的交叉熵越小，模型预测的结果越精确。当模型建立后，选取最小的交叉熵训练结果作为最终训练网络，并将所需预测的数据带入模型。

2 结果与分析

2.1 冻融竹材

按试验方案对竹材进行不同次数的冻融处理，如图2 所示，经过3 次的冻融处理后，竹材宏观面并未有较大的变化，仅在冻融处理后竹材表面颜色有所加深。但是借助SEM观察后，如图3 所示：与未进行冻融的竹材相比，在经过3 次冻融处理后，竹材的维管束周围出现了不同程度的裂纹，其中大部分裂纹都集中在内侧纤维帽与外侧纤维帽周围。

图2 竹材冻融试样示意图Fig.2 Schematic diagram of bamboo freeze-thaw sample

图3 竹材冻融处理微观表面Fig.3 Micro surface of bamboo after freeze-thaw treatment

2.2 红外光谱分析

利用Matlab绘制出不同冻融次数毛竹的傅里叶红外光谱，如图4 所示。可看出在经过不同冻融处理后，毛竹红外光谱在同一波数的透光率有较大变化。主要原因是在冻融过程中，相应的分子链被破坏，例如在3 422 cm-1对应的分子间O—H伸缩振动，在经历冻融后，—OH基之间形成的氢键发生断裂，但凭借光谱图很难对冻融次数进行识别。

图4 不同冻融次数的红外光谱Fig.4 Infrare spectra of different freeze-thaw times

2.3 基于BP神经网络处理结果

利用MATLAB神经网络工具箱构建BP神经网络分类模型。模型所选具体参数如表1 所示，利用不同冻融次数的毛竹红外光谱数据，建立基于BP神经网络毛竹冻融次数识别模型，并将数据集随机分74 组训练集、11 组校正集、21 组测试集。连续训练20 次，取训练较优结果作为最终训练网络，通过神经网络训练制出训练、验证和测试集的性能图，如图5 所示，可以知道在训练次数达到65 次时，校正集的交叉熵达到最小值，且交叉熵的值为0.010 3。最后将所有冻融红外光谱数据带入进行识别，结果如表2 所示。结果表明：选取15 层隐藏层的BP神经网络去识别毛竹冻融次数效果较优，试验识别率均能达到100%。

表1 BP神经网络模型所选参数Tab.1 Selected parameters of BP neural network model

表2 BP网络识别毛竹冻融次数结果Tab.2 Recognition results of freez-thaw times of Phyllostachys edulis by BP neural network with selected parameters

图5 测试、验证和测试集性能图Fig.5 Test, validation and test set performance graph

3 结论

试验利用红外光谱技术与BP神经网络对竹材的冻融处理进行快速检测。结果表明：利用傅里叶红外无损检测不同冻融次数竹材的方法可行。毛竹经冻融处理后，毛竹宏观表面不会发生明显变化，但毛竹微观表面周围呈现出较多裂纹，并主要集中在维管束周围，对冻融次数的检测可以间接的预测毛竹的微观表面发生的变化。同时在建立BP神经网络模型时，选取15 层隐藏层，此时模型对毛竹冻融次数的识别率可达100%。但数据量较大时，利用BP神经网络容易陷入局部较优解的情况，需采取其他算法跳出局部最优解。后续将继续研究在大量数据情况下，BP神经网络对毛竹冻融次数识别准确性。