神經網絡在織物疵點分類識別中的應用范文

本站小編為你精心準備了神經網絡在織物疵點分類識別中的應用參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要：

針對BP網絡識別本色布疵點類型時存在收斂速度慢，誤檢率高的缺陷，提出利用概率神經網絡識別本色布疵點類型的思路，對此進行分析和研究。提取疵點的特征值，將其分為亮經向類、暗經向類、亮緯向類、暗緯向類、亮區域類、暗區域類等6大類疵點；將提取的特征值歸一化，用神經網絡對其訓練，實現本色布疵點的分類。實驗結果表明，該思路是可行的，對于本色布疵點的識別，概率神經網絡相較BP神經網絡，收斂速度快，誤檢率低。

關鍵詞：

本色布疵點；特征提取；疵點類型識別；BP神經網絡；概率神經網絡

根據“中華人民共和國國家標準GB／T17759－2009本色布布面疵點檢測方法”，生產中本色布出現的疵點共有71種。若要機器視覺一次性將疵點從71種中識別出來，計算量將非常大，目前還難以在線實現。為此，采用分步識別法，先判斷待檢疵點屬于哪一類以縮小機器視覺的識別范圍，然后，在這一類疵點中，進一步識別判斷。因此，本色布疵點分類是基于機器視覺檢測本色布疵點的關鍵之一。鑒于神經網絡技術具有強大的非線性映射能力、并行處理能力和學習能力，結合圖像處理技術對織物疵點進行自動檢測與識別。本文將基于圖像處理技術采用神經網絡實現對本色布疵點的分類，這不但節省了勞動力，降低了成本，且大大提高了檢測的效率和精度。

1基于特征值的織物疵點分類

本文從可區別性、獨立性、有效性和可獲取性出發，依據本色布疵點的形狀特征和灰度信息提取特征值。所提取的特征值的具體表征為：（1）疵點的面積。二值圖像中疵點的面積就是疵點區域像素f（i，j）為1的點的個數，用于判斷圖像中有無疵點的依據。疵點面積的表達式為式。（2）疵點區域的長短軸比。用外接矩形的長和寬來刻畫物體邊界的基本形狀是最簡單的方法，但是，這個方法對于形狀規則的疵點能夠很好得獲得其在水平和垂直兩個方向上的跨度，對于形狀不規則，方向不明顯的疵點，就不能夠得到有效的信息。（3）角度值，即疵點區域主軸和水平方向的夾角Q，用來表明疵點的方向。（4）灰度均值P，即為疵點區域內所有像素的平均值。其公式如下所示它代替了疵點區域某一點的灰度值來判定疵點的亮暗，因為當織物出現疵點時，疵點區域的某一點灰度值并沒有明顯變化，而整個區域會發生較大變化，這樣可以有效地避免誤判。以上提取的特征值反映了本色布疵點的形狀、方向、位置和亮暗信息。其中，根據面積S，可判斷有無疵點。S＞0，則有疵點，反之，則無疵點。根據疵點區域的長短軸之比可區分區域類疵點和經、緯向疵點。根據疵點區域中主軸長度和水平方向的夾角可判斷是經向疵點還是緯向疵點。根據灰度值P可區分疵點的亮、暗。綜上所述，根據本文所提取的特征值，可判斷有無疵點，并且將可能出現的71種疵點分為亮經向、暗經向、亮緯向、暗緯向、亮區域、暗區域等6大類疵點，此外，本文將標準無疵點也作為疵點的一種［1］。

2基于神經網絡的織物疵點分類識別的實現

2．1特征值的歸一化處理及其對疵點類型的表征提取的特征值往往不是同一個數量級［2］。這將降低神經網絡的訓練速度，以及影響神經網絡的收斂。為此，在訓練神經網絡之前，需對特征值進行歸一化處理。具體如下：表1中，本文提取的4個特征值對于無疵點以及6種疵點類型分別給出了歸一化后的取值。這將作為神經網絡訓練時的輸入矢量。

2．2基于BP神經網絡的實現BP（backpropagation）神經網絡一般分為輸入層，隱含層，輸出層，可由多層組成，同層之間的神經元沒有連接，層與層之間全部相連接。BP神經網絡的結構如圖2所示。由于本文提取了4個特征值，所以輸入層為4個神經元。歸一化的特征向量從輸入層傳遞到隱含層。BP網絡中的隱含層一般采用Sigmoid函數作為傳遞函數［3］（如圖3所示）。在BP網絡中，隱含層的神經元節點數越多，會使得網絡性能越好，疵點類別識別越準確，但可能會導致網絡訓練的時間較長，識別的效率不高。目前，沒有一個理想的解析式能夠給出合理的隱含層節點的個數，常常通過前人的經驗結合自己多次網絡的訓練實驗和調試得到。這也是BP網絡的缺陷之一。本文采用不同隱節點數的網絡進行訓練［4］，選擇滿足誤差條件對應的最佳隱含層神經元個數為11個。本文疵點類別數為7類，文中采用四位二進制即可覆蓋整個輸出空間，見表2，所以，輸出層的節點數為4。最后，網絡通過計算輸出層節點的期望輸出與計算輸出（實際輸出）的誤差小于一定的閾值（本文取0．01），且誤差不再下降時，即完成網絡的訓練。根據上述中得到的輸入量，輸出量以及誤差條件，對BP網絡進行多次訓練。訓練效果和訓練時間如圖4和表3所示。訓練過程中，如果誤差沒有達到所給定的精度以內，將沿原路返回，逐層反向傳播。本文采用標準的BP網絡對疵點類別進行識別，標準BP網絡使用最速下降法來調制網絡各層權值大小來使誤差減小，不斷重復這樣的過程，反復迭代，直到滿足誤差條件并不再下降。在此過程中，網絡容易陷入局部最小值［5］，而沒有達到全局最小值，這樣會導致BP網絡在疵點類別識別中出現誤識別的情況，所以BP網絡在疵點識別方面存在一定的局限性。

2．3基于PNN神經網絡的實現概率神經網絡（probabilisticneuralnetworks，PNN）是徑向基神經網絡（RBF）的一種，以RBF為基礎［6，7］，融入了密度函數估計和貝葉斯理論［8］。PNN網絡一般由輸入層、隱含層、求和層、輸出層4層組成。如圖5所示。PNN網絡用高斯核的Parzen窗函數作為疵點類別的概率密度函數［9］，對于每一種疵點類別的特征值，PNN網絡在隱含層中生成一個神經元。為準確地估計出概率密度函數，PNN網絡形成大量的神經元，這將導致占用大量的存儲空間和計算時間。所以，一方面由于本文訓練數據有限，另一方面由于PNN網絡隱含層中神經元較多且計算量較大，為簡化網絡訓練過程，文中采用共享參數技術［10］。將上述提取的特征值歸一化后輸入到PNN網絡，采用的輸入向量是4個特征值，則PNN模型輸入層神經元個數為4。將輸入量從輸入層傳遞到隱含層。隱含層中采用的激活函數為高斯核函數，因而該層每個神經元都有一個中心，當神經元的輸入值離這個中心越近，神經元的激活程度就越高，則輸入疵點的特征向量屬于該神經元中心對應疵點類別的可能性就越大，進而達到疵點類別識別的效果，所有的疵點類別都共用一個相同的高斯核函數。根據上述訓練算法和提取的特征向量，PNN神經網絡即可開始訓練。多次訓練后發現PNN網絡能夠成功地將疵點分為7大類。PNN網絡的訓練時間見表4。由于PNN網絡的隱含層采用了非線性函數高斯核函數，考慮了不同疵點類別的交錯影響，具有很強的容錯性。由于本文提取的特征值是71種織物疵點所共有的，具有一定的代表性，即使疵點種類增加，PNN分類器也能快速收斂到貝葉斯最優，且不會出現BP網絡只能尋求局部最優問題。此外，結合表3和表4數據可以看出，相比較于BP網絡，PNN網絡的訓練就快多了，因為BP網絡需要對輸入量進行反復迭代計算，而PNN網絡只需將特征向量直接輸入網絡后進過一次訓練即可；同時，本文PNN網絡簡化了隱含層的計算過程，大大節省了訓練時間。

3實驗驗證及結果分析

粗經、重緯、吊經、缺經、雜物、油污等6幅本色布疵點圖像和一幅無疵點本色布圖像如圖6所示。這些圖像將作為本文的實驗對象。該實驗將基于MATLAB平臺分別利用前文所建的BP網絡和PNN網絡這些實驗對象進行判斷和識別。首先判斷實驗對象是否有疵點。若有疵點，則進一步判斷其應該屬于亮經向、暗經向、亮緯向、暗緯向、亮區域、暗區域等6大疵點類型中的哪一類。其中，參與實驗的6種本色布疵點所屬疵點類別的判斷標準見表5。本實驗的目的是驗證所建的這兩種神經網絡的準確率。用于實驗的6幅本色布疵點圖像和一幅無疵點本色布圖像經過預處理，圖像分割，及分割后處理，得到二值圖像，如圖7所示。將上述二值圖像提取的特征值歸一化后，作為BP網絡和PNN網絡的輸入量，分別利用這兩種網絡對疵點進行類型識別，其識別效果見表6。從表6中的實驗數據可以看出，BP網路和PNN網絡的識別準確率都達到了80％以上，可見這兩種網絡都能夠較好地識別疵點類型。但是針對同一種疵點的多次識別中，對比疵點所屬疵點類別的判斷標準，BP網絡有時會出現誤識別的情況，導致識別準確率下降，主要是因為BP網絡容易陷入局部最小值，進而顯現出BP網絡在疵點類別識別過程中的不穩定性。而PNN網絡對于本色布疵點類別的識別準確率達到了100％，并且穩定性較高，在實驗中沒有出現誤識別的情況。

4結束語

本文利用神經網絡對本色布疵點類型進行有效識別，并針對BP網絡收斂速度慢，容易陷入局部最優而導致誤檢的情況，提出利用概率神經網絡（PNN）來識別本色布疵點類型。以疵點圖像（重緯、油污等）為實驗對象對PNN網絡較之BP網絡所具備的優越性進行了實驗驗證，實驗結果表明，PNN網絡不僅收斂速度較快，而且識別精度更高，穩定性更好，因此PNN網絡更加適用于織物疵點類別的識別。

參考文獻：

［1］GUOPanfeng．Researchofgreigedefectsclassificationandrecognitiontechnology［D］．Nanjing：HohaiUniversity，2011（inChinese）．［郭攀峰．本色布疵點分類識別技術的研究［D］．南京：河海大學，2011．］

［2］ZHOUShuai．Researchbasedonimageprocessingtechnologyoffabricdefectdetectionandidentification［D］．Qingdao：QingdaoUniversity，2013（inChinese）．［周帥．基于圖像處理技術的織物疵點檢測與識別技術研究［D］．青島：青島大學，2013．］

［3］CHENMing．MATLABneuralnetworkprincipleandessenceofinstance［M］．Beijing：TsinghuaUniversityPress，2013：205（inChinese）．［陳明．MATLAB神經網絡原理與實例精解［M］．北京：清華大學出版社，2013：205．］

［4］SHANJialing．Licenseplaterecognitionsystembasedonwire－lessnetworkrecognitionalgorithm［J］．ComputerMeasure－ment＆Control，2011，19（1）：124－127（inChinese）．［單家凌．基于無線網絡車牌識別系統識別算法的研究［J］．計算機測量與控制，2011，19（1）：124－127．］

［5］DUMei，ZHAOHuaici．Researchonhandwrittendigitcharac－terrecognition［J］．ComputerEngineeringandDesign，2010，31（15）：3464－3467（inChinese）．［杜梅，趙懷慈．手寫數字識別的研究［J］．計算機工程與設計，2010，31（15）：3464－3467．］

［6］HAOXiaoli，ZHANGJing．DesignandrealizationofRBFneuralnetworkclassifierbasedonadvancedself－adaptivecluste－ringalgorithm［J］．ComputerScience，2014，41（6）：260－263（inChinese）．［郝曉麗，張靖．基于改進自適應聚類算法的RBF神經網絡分類器設計與實現［J］．計算機科學，2014，41（6）：260－263．］

［7］LIPengfei，YANGNing，JINGJunfeng．Fabricdefectclassi－ficationbasedonradialbasisfunctionneuralnetwork［J］．ComputerMeasurement＆Control，2012，20（10）：2751－2759（inChinese）．［李鵬飛，楊寧，景軍鋒．基于徑向基函數神經網絡的織物疵點分類［J］．計算機測量與控制，2012，20（10）：2751－2759．］

［8］CHAIBaoming，WUZhinan，ZHAOZhiqiang，etal．Rollingbearingfaultdiagnosisbasedonwaveletpacketandprobabilisticneuralnetwork［J］．CoalMineMachinery，2014，35（12）：273－275（inChinese）．［柴保明，吳治南，趙志強，等．基于小波包與概率神經網絡相結合的滾動軸承故障診斷［J］．煤礦機械，2014，35（12）：273－275．］

［9］LIChunfang，LIULianzhong，LUZhen．Probabilisticneuralnetworkbasedondatafield［J］．ActaElectronicaSinic，2011，39（8）：1739－1745（inChinese）．［李春芳，劉連忠，陸震．基于數據場的概率神經網絡算法［J］．電子學報，2011，39（8）：1739－1745．］

［10］WuJ，ChanC．Isolatedwordrecognitionbyneuralnetworkmodelswithcrosscorrelationcoefficientforspeechrecognition［J］．IEEETransonPatternAnalysisandMachineIntelli－gence，1993，15（11）：1174－1185．

［11］CUIWeicheng，LIUChisheng，MENGFanlei，etal．Asimilarityorderingmethodbasedonprobabilityneuralnetwork［J］．JournalofNavalAeronauticalandAstronauticalUniver－sity，2014，29（6）：593－596（inChinese）．［崔偉成，劉持勝，孟凡磊，等．基于概率神經網絡的相似度排序方法［J］．海軍航空工程學院學報，2014，29（6）：593－596．］

作者：汪敏 王亦紅 單位：河海大學 能源與電氣學院