神经网络在织物疵点分类识别中的应用范文

本站小编为你精心准备了神经网络在织物疵点分类识别中的应用参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

摘要：

针对BP网络识别本色布疵点类型时存在收敛速度慢，误检率高的缺陷，提出利用概率神经网络识别本色布疵点类型的思路，对此进行分析和研究。提取疵点的特征值，将其分为亮经向类、暗经向类、亮纬向类、暗纬向类、亮区域类、暗区域类等6大类疵点；将提取的特征值归一化，用神经网络对其训练，实现本色布疵点的分类。实验结果表明，该思路是可行的，对于本色布疵点的识别，概率神经网络相较BP神经网络，收敛速度快，误检率低。

关键词：

本色布疵点；特征提取；疵点类型识别；BP神经网络；概率神经网络

根据“中华人民共和国国家标准GB／T17759－2009本色布布面疵点检测方法”，生产中本色布出现的疵点共有71种。若要机器视觉一次性将疵点从71种中识别出来，计算量将非常大，目前还难以在线实现。为此，采用分步识别法，先判断待检疵点属于哪一类以缩小机器视觉的识别范围，然后，在这一类疵点中，进一步识别判断。因此，本色布疵点分类是基于机器视觉检测本色布疵点的关键之一。鉴于神经网络技术具有强大的非线性映射能力、并行处理能力和学习能力，结合图像处理技术对织物疵点进行自动检测与识别。本文将基于图像处理技术采用神经网络实现对本色布疵点的分类，这不但节省了劳动力，降低了成本，且大大提高了检测的效率和精度。

1基于特征值的织物疵点分类

本文从可区别性、独立性、有效性和可获取性出发，依据本色布疵点的形状特征和灰度信息提取特征值。所提取的特征值的具体表征为：（1）疵点的面积。二值图像中疵点的面积就是疵点区域像素f（i，j）为1的点的个数，用于判断图像中有无疵点的依据。疵点面积的表达式为式。（2）疵点区域的长短轴比。用外接矩形的长和宽来刻画物体边界的基本形状是最简单的方法，但是，这个方法对于形状规则的疵点能够很好得获得其在水平和垂直两个方向上的跨度，对于形状不规则，方向不明显的疵点，就不能够得到有效的信息。（3）角度值，即疵点区域主轴和水平方向的夹角Q，用来表明疵点的方向。（4）灰度均值P，即为疵点区域内所有像素的平均值。其公式如下所示它代替了疵点区域某一点的灰度值来判定疵点的亮暗，因为当织物出现疵点时，疵点区域的某一点灰度值并没有明显变化，而整个区域会发生较大变化，这样可以有效地避免误判。以上提取的特征值反映了本色布疵点的形状、方向、位置和亮暗信息。其中，根据面积S，可判断有无疵点。S＞0，则有疵点，反之，则无疵点。根据疵点区域的长短轴之比可区分区域类疵点和经、纬向疵点。根据疵点区域中主轴长度和水平方向的夹角可判断是经向疵点还是纬向疵点。根据灰度值P可区分疵点的亮、暗。综上所述，根据本文所提取的特征值，可判断有无疵点，并且将可能出现的71种疵点分为亮经向、暗经向、亮纬向、暗纬向、亮区域、暗区域等6大类疵点，此外，本文将标准无疵点也作为疵点的一种［1］。

2基于神经网络的织物疵点分类识别的实现

2．1特征值的归一化处理及其对疵点类型的表征提取的特征值往往不是同一个数量级［2］。这将降低神经网络的训练速度，以及影响神经网络的收敛。为此，在训练神经网络之前，需对特征值进行归一化处理。具体如下：表1中，本文提取的4个特征值对于无疵点以及6种疵点类型分别给出了归一化后的取值。这将作为神经网络训练时的输入矢量。

2．2基于BP神经网络的实现BP（backpropagation）神经网络一般分为输入层，隐含层，输出层，可由多层组成，同层之间的神经元没有连接，层与层之间全部相连接。BP神经网络的结构如图2所示。由于本文提取了4个特征值，所以输入层为4个神经元。归一化的特征向量从输入层传递到隐含层。BP网络中的隐含层一般采用Sigmoid函数作为传递函数［3］（如图3所示）。在BP网络中，隐含层的神经元节点数越多，会使得网络性能越好，疵点类别识别越准确，但可能会导致网络训练的时间较长，识别的效率不高。目前，没有一个理想的解析式能够给出合理的隐含层节点的个数，常常通过前人的经验结合自己多次网络的训练实验和调试得到。这也是BP网络的缺陷之一。本文采用不同隐节点数的网络进行训练［4］，选择满足误差条件对应的最佳隐含层神经元个数为11个。本文疵点类别数为7类，文中采用四位二进制即可覆盖整个输出空间，见表2，所以，输出层的节点数为4。最后，网络通过计算输出层节点的期望输出与计算输出（实际输出）的误差小于一定的阈值（本文取0．01），且误差不再下降时，即完成网络的训练。根据上述中得到的输入量，输出量以及误差条件，对BP网络进行多次训练。训练效果和训练时间如图4和表3所示。训练过程中，如果误差没有达到所给定的精度以内，将沿原路返回，逐层反向传播。本文采用标准的BP网络对疵点类别进行识别，标准BP网络使用最速下降法来调制网络各层权值大小来使误差减小，不断重复这样的过程，反复迭代，直到满足误差条件并不再下降。在此过程中，网络容易陷入局部最小值［5］，而没有达到全局最小值，这样会导致BP网络在疵点类别识别中出现误识别的情况，所以BP网络在疵点识别方面存在一定的局限性。

2．3基于PNN神经网络的实现概率神经网络（probabilisticneuralnetworks，PNN）是径向基神经网络（RBF）的一种，以RBF为基础［6，7］，融入了密度函数估计和贝叶斯理论［8］。PNN网络一般由输入层、隐含层、求和层、输出层4层组成。如图5所示。PNN网络用高斯核的Parzen窗函数作为疵点类别的概率密度函数［9］，对于每一种疵点类别的特征值，PNN网络在隐含层中生成一个神经元。为准确地估计出概率密度函数，PNN网络形成大量的神经元，这将导致占用大量的存储空间和计算时间。所以，一方面由于本文训练数据有限，另一方面由于PNN网络隐含层中神经元较多且计算量较大，为简化网络训练过程，文中采用共享参数技术［10］。将上述提取的特征值归一化后输入到PNN网络，采用的输入向量是4个特征值，则PNN模型输入层神经元个数为4。将输入量从输入层传递到隐含层。隐含层中采用的激活函数为高斯核函数，因而该层每个神经元都有一个中心，当神经元的输入值离这个中心越近，神经元的激活程度就越高，则输入疵点的特征向量属于该神经元中心对应疵点类别的可能性就越大，进而达到疵点类别识别的效果，所有的疵点类别都共用一个相同的高斯核函数。根据上述训练算法和提取的特征向量，PNN神经网络即可开始训练。多次训练后发现PNN网络能够成功地将疵点分为7大类。PNN网络的训练时间见表4。由于PNN网络的隐含层采用了非线性函数高斯核函数，考虑了不同疵点类别的交错影响，具有很强的容错性。由于本文提取的特征值是71种织物疵点所共有的，具有一定的代表性，即使疵点种类增加，PNN分类器也能快速收敛到贝叶斯最优，且不会出现BP网络只能寻求局部最优问题。此外，结合表3和表4数据可以看出，相比较于BP网络，PNN网络的训练就快多了，因为BP网络需要对输入量进行反复迭代计算，而PNN网络只需将特征向量直接输入网络后进过一次训练即可；同时，本文PNN网络简化了隐含层的计算过程，大大节省了训练时间。

3实验验证及结果分析

粗经、重纬、吊经、缺经、杂物、油污等6幅本色布疵点图像和一幅无疵点本色布图像如图6所示。这些图像将作为本文的实验对象。该实验将基于MATLAB平台分别利用前文所建的BP网络和PNN网络这些实验对象进行判断和识别。首先判断实验对象是否有疵点。若有疵点，则进一步判断其应该属于亮经向、暗经向、亮纬向、暗纬向、亮区域、暗区域等6大疵点类型中的哪一类。其中，参与实验的6种本色布疵点所属疵点类别的判断标准见表5。本实验的目的是验证所建的这两种神经网络的准确率。用于实验的6幅本色布疵点图像和一幅无疵点本色布图像经过预处理，图像分割，及分割后处理，得到二值图像，如图7所示。将上述二值图像提取的特征值归一化后，作为BP网络和PNN网络的输入量，分别利用这两种网络对疵点进行类型识别，其识别效果见表6。从表6中的实验数据可以看出，BP网路和PNN网络的识别准确率都达到了80％以上，可见这两种网络都能够较好地识别疵点类型。但是针对同一种疵点的多次识别中，对比疵点所属疵点类别的判断标准，BP网络有时会出现误识别的情况，导致识别准确率下降，主要是因为BP网络容易陷入局部最小值，进而显现出BP网络在疵点类别识别过程中的不稳定性。而PNN网络对于本色布疵点类别的识别准确率达到了100％，并且稳定性较高，在实验中没有出现误识别的情况。

4结束语

本文利用神经网络对本色布疵点类型进行有效识别，并针对BP网络收敛速度慢，容易陷入局部最优而导致误检的情况，提出利用概率神经网络（PNN）来识别本色布疵点类型。以疵点图像（重纬、油污等）为实验对象对PNN网络较之BP网络所具备的优越性进行了实验验证，实验结果表明，PNN网络不仅收敛速度较快，而且识别精度更高，稳定性更好，因此PNN网络更加适用于织物疵点类别的识别。

参考文献：

［1］GUOPanfeng．Researchofgreigedefectsclassificationandrecognitiontechnology［D］．Nanjing：HohaiUniversity，2011（inChinese）．［郭攀峰．本色布疵点分类识别技术的研究［D］．南京：河海大学，2011．］

［2］ZHOUShuai．Researchbasedonimageprocessingtechnologyoffabricdefectdetectionandidentification［D］．Qingdao：QingdaoUniversity，2013（inChinese）．［周帅．基于图像处理技术的织物疵点检测与识别技术研究［D］．青岛：青岛大学，2013．］

［3］CHENMing．MATLABneuralnetworkprincipleandessenceofinstance［M］．Beijing：TsinghuaUniversityPress，2013：205（inChinese）．［陈明．MATLAB神经网络原理与实例精解［M］．北京：清华大学出版社，2013：205．］

［4］SHANJialing．Licenseplaterecognitionsystembasedonwire－lessnetworkrecognitionalgorithm［J］．ComputerMeasure－ment＆Control，2011，19（1）：124－127（inChinese）．［单家凌．基于无线网络车牌识别系统识别算法的研究［J］．计算机测量与控制，2011，19（1）：124－127．］

［5］DUMei，ZHAOHuaici．Researchonhandwrittendigitcharac－terrecognition［J］．ComputerEngineeringandDesign，2010，31（15）：3464－3467（inChinese）．［杜梅，赵怀慈．手写数字识别的研究［J］．计算机工程与设计，2010，31（15）：3464－3467．］

［6］HAOXiaoli，ZHANGJing．DesignandrealizationofRBFneuralnetworkclassifierbasedonadvancedself－adaptivecluste－ringalgorithm［J］．ComputerScience，2014，41（6）：260－263（inChinese）．［郝晓丽，张靖．基于改进自适应聚类算法的RBF神经网络分类器设计与实现［J］．计算机科学，2014，41（6）：260－263．］

［7］LIPengfei，YANGNing，JINGJunfeng．Fabricdefectclassi－ficationbasedonradialbasisfunctionneuralnetwork［J］．ComputerMeasurement＆Control，2012，20（10）：2751－2759（inChinese）．［李鹏飞，杨宁，景军锋．基于径向基函数神经网络的织物疵点分类［J］．计算机测量与控制，2012，20（10）：2751－2759．］

［8］CHAIBaoming，WUZhinan，ZHAOZhiqiang，etal．Rollingbearingfaultdiagnosisbasedonwaveletpacketandprobabilisticneuralnetwork［J］．CoalMineMachinery，2014，35（12）：273－275（inChinese）．［柴保明，吴治南，赵志强，等．基于小波包与概率神经网络相结合的滚动轴承故障诊断［J］．煤矿机械，2014，35（12）：273－275．］

［9］LIChunfang，LIULianzhong，LUZhen．Probabilisticneuralnetworkbasedondatafield［J］．ActaElectronicaSinic，2011，39（8）：1739－1745（inChinese）．［李春芳，刘连忠，陆震．基于数据场的概率神经网络算法［J］．电子学报，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）．［崔伟成，刘持胜，孟凡磊，等．基于概率神经网络的相似度排序方法［J］．海军航空工程学院学报，2014，29（6）：593－596．］

作者：汪敏 王亦红 单位：河海大学 能源与电气学院