基于紋理特性的織物表面缺陷圖像的分類研究

劉洲峰,高二金,李春雷

(中原工學(xué)院,鄭州450007)

基于紋理特性的織物表面缺陷圖像的分類研究

劉洲峰,高二金,李春雷

(中原工學(xué)院,鄭州450007)

研究了BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)的分類器,并利用BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)對缺陷圖像進行疵點識別,通過兩者的仿真結(jié)果得出結(jié)論:小波神經(jīng)網(wǎng)絡(luò)具有逼近能力強、收斂速度快、網(wǎng)絡(luò)參數(shù)(隱層結(jié)點數(shù)和權(quán)重)的選取有理論依據(jù)的優(yōu)點.

疵點檢測;BP神經(jīng)網(wǎng)絡(luò);小波神經(jīng)網(wǎng)絡(luò)

紋理缺陷檢測在織物、鋼鐵、木材、玻璃、紙張等表面檢測中廣泛應(yīng)用[1].從20世紀(jì)70年代起,研究者就對圖像紋理進行了大量的研究,主要集中在圖像紋理的分析、理解與描述和計算機自然紋理生成兩大方面,對紋理分類產(chǎn)生了深遠(yuǎn)的影響[2].缺陷檢測的難點主要在于,既要準(zhǔn)確地識別出各類疵點又要滿足檢測實時性要求[3].灰度共生矩陣(GLCM)是被廣泛應(yīng)用的紋理提取算法,但生成的灰度共生矩陣在一般情況下都為稀疏矩陣,導(dǎo)致特征值計算有大量冗余,運行緩慢[4].本文針對實踐中具有代表性的紋理圖像,提出BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)的分類器,并利用BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)對缺陷圖像進行疵點識別.實驗證明,小波神經(jīng)網(wǎng)絡(luò)更簡單,計算效率更高,而且能更好地表現(xiàn)不規(guī)則紋理,最終實現(xiàn)基于紋理特性的織物表面缺陷圖象的分類研究.

1 小波分析和神經(jīng)網(wǎng)絡(luò)

1.1 小波分析基本理論

小波變換(Wavelet Transfo rm)是近年來發(fā)展起來的一種用于信號分析的數(shù)學(xué)方法.它是一種信號的時間—尺度(時間—頻率)分析方法,具有多分辨率分析(multiresolution analysis)的特點,而且在時、頻兩域都具有表征信號局部特征的能力,在低頻部分具有較高的頻率分辨率和較低的時間分辨率,在高頻部分具有較高的時間分辨率和較低的頻率分辨率.

1.2 BP神經(jīng)網(wǎng)絡(luò)分類器

BP模型與其他神經(jīng)網(wǎng)絡(luò)一樣,也是由處理單元、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和學(xué)習(xí)規(guī)則3部分組成的.整個網(wǎng)絡(luò)大致可以看作一個3層的前饋網(wǎng)絡(luò),即輸入層、隱含層、輸出層各處理單元之間前向連接.3層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示.

圖1 3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

1.3 實驗結(jié)果與分析

此實驗中,輸入端是在矩的基礎(chǔ)上對每一個紋理特性的織物表面缺陷圖像進行二次特征提取,得到4個特征值,將這4個特征值作為BP神經(jīng)網(wǎng)絡(luò)的輸入.算法的具體實現(xiàn)步驟如下:

(1)設(shè)計輸入層和輸出層:采用每幅圖像的二次特征的4個特征作為訓(xùn)練和識別的依據(jù),而需要識別5種缺陷圖像,所以輸入層的維數(shù)為4,輸出層的維數(shù)為5;

(2)設(shè)計隱層:對于非特殊的識別問題,一般采用3層網(wǎng)絡(luò)即可滿足要求,本識別系統(tǒng)也采用了3層網(wǎng)絡(luò),在3層網(wǎng)絡(luò)中,隱含層神經(jīng)元個數(shù) n2和輸入層神經(jīng)元個數(shù) n1之間有以下近似關(guān)系:n2=2n1+1,由于輸入神經(jīng)元的個數(shù)為4,所以隱層神經(jīng)元個數(shù)為9.其中隱層節(jié)點數(shù)的確定很關(guān)鍵,因為它直接決定了識別的效果.仿真實驗研究表明,過少的隱層節(jié)點導(dǎo)致識別結(jié)果較差,過多的隱層節(jié)點數(shù)雖然會帶來許多細(xì)節(jié)信息,但是這些信息對分類識別的貢獻率不大,反而增加了系統(tǒng)的工作量;

(3)網(wǎng)絡(luò)訓(xùn)練:對于需要識別的5種缺陷圖像,提取每種缺陷圖像的5個樣本,共5×5=25個樣本,在矩的基礎(chǔ)上進行二次特征提取,得到4個參數(shù):均值、能量、標(biāo)準(zhǔn)方差、平均方差,組成1個4×25的訓(xùn)練樣本矩陣進行訓(xùn)練;

梅宏圖雙手抬起，示意大家停止鼓掌：已經(jīng)上傳到網(wǎng)站的詆毀我公司形象的文章，與會的網(wǎng)站朋友一定要撤下來，換成形象宣傳稿。說到這里，他突然想起了什么，扭頭對齊眉說，那個什么“焦點調(diào)查”網(wǎng)站的吳什么你一定要盡快聯(lián)系上，叫他把那篇狗屁文章刪除，打發(fā)給他叁伍仟塊錢，省得他再像狗似的四處亂咬。

(4)缺陷識別:對于需要識別的5種缺陷圖像,提取每種缺陷圖像的10個樣本,共5×10=50個樣本,在矩的基礎(chǔ)上進行二次特征提取,得到4個參數(shù):均值、能量、標(biāo)準(zhǔn)方差、平均方差,組成 1個 4×50的待識別樣本矩陣.實際的訓(xùn)練誤差曲線如圖2所示.

圖2 網(wǎng)絡(luò)訓(xùn)練誤差圖像

在進行BP網(wǎng)絡(luò)的設(shè)計時,一般應(yīng)從網(wǎng)絡(luò)的層數(shù)、每層中的神經(jīng)元個數(shù)和激活函數(shù)、初始值以及學(xué)習(xí)速率等幾個方面來考慮.但BP神經(jīng)網(wǎng)絡(luò)存在局部最小值,收斂次數(shù)不宜控制.

2 小波神經(jīng)網(wǎng)絡(luò)

2.1 小波神經(jīng)網(wǎng)絡(luò)模型

小波神經(jīng)網(wǎng)絡(luò)可以看作是以小波函數(shù)為基底的一種函數(shù)連接型網(wǎng)絡(luò),也可以認(rèn)為是徑向基函數(shù)(RBF)網(wǎng)絡(luò)的推廣.它具有與一般的前饋網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)不同的特點,在神經(jīng)網(wǎng)絡(luò)研究領(lǐng)域中具有重大潛力.小波神經(jīng)網(wǎng)絡(luò)結(jié)合小波變換和神經(jīng)網(wǎng)絡(luò)的優(yōu)點,特別適合于函數(shù)逼近、系統(tǒng)辨識、數(shù)據(jù)壓縮等領(lǐng)域.

小波神經(jīng)網(wǎng)絡(luò)相對于BP神經(jīng)網(wǎng)絡(luò)的一個優(yōu)點就是小波神經(jīng)網(wǎng)絡(luò)的初始化有一定的理論指導(dǎo),從而使得小波神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)有可能比BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)更快地收斂.在初始化方面,BP神經(jīng)網(wǎng)絡(luò)只是簡單地選取一些差不多的隨機數(shù),而且取值的范圍都是依靠經(jīng)驗來大致確定.

小波神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)與BP模型相似,所不同的是隱層單元激勵函數(shù)為小波變換函數(shù),圖3所示為小波神經(jīng)網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu).對于多變量輸入、輸出系統(tǒng)f,Rm→Rn,小波神經(jīng)網(wǎng)絡(luò)的輸入輸出關(guān)系可表示為:

圖3 小波神經(jīng)網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu)

式中:xk(k=1,2,…,m)為輸入層的第k個輸入分量;yi(i=1,2,…,n)為第 i個輸出分量;m、n和 r分別為輸入層、輸出層和隱層單元數(shù);由隱層第 j個單元到輸出層第i個單元的連接權(quán)值Wij,由輸入層第k個單元到隱層第j個單元的連接權(quán)值,分別為小波函數(shù)的尺度和位移;其中

小波神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法,利用訓(xùn)練數(shù)據(jù)初始化網(wǎng)絡(luò)參數(shù),導(dǎo)致訓(xùn)練問題的凸性,使小波神經(jīng)網(wǎng)絡(luò)避免了BP網(wǎng)絡(luò)易陷入局部最優(yōu)的問題.且小波神經(jīng)網(wǎng)絡(luò)的基函數(shù)是正交或近正交小波基,權(quán)重冗余度很小,在訓(xùn)練某一權(quán)重時,對其他權(quán)重影響較小,因而收斂速度很快.文獻[5]證明了小波神經(jīng)網(wǎng)絡(luò)在一些條件下,訓(xùn)練過程按指數(shù)收斂性和抗干擾的魯棒性.但是,從小波神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法也可以看到,它的構(gòu)造比較復(fù)雜,而且計算量明顯比BP網(wǎng)絡(luò)大.小波神經(jīng)網(wǎng)絡(luò)的主要運算都是向量運算,向量的維數(shù)由輸入特征的維數(shù)決定,這樣當(dāng)輸入特征的維數(shù)增大時,小波神經(jīng)網(wǎng)絡(luò)的運算量會呈指數(shù)增長.而且此時,為了逼近效果,隱層單元數(shù)也要有較大的增加,網(wǎng)絡(luò)所需訓(xùn)練樣本也呈指數(shù)增長.這樣就會產(chǎn)生維數(shù)災(zāi)問題.這些都是其不足之處.

2.3 實驗結(jié)果與分析

小波神經(jīng)網(wǎng)絡(luò)的輸入端與BP神經(jīng)網(wǎng)絡(luò)類似,對于需要識別的5種缺陷圖像,提取每種缺陷圖像的5個樣本,共5×5=25個樣本,在矩的基礎(chǔ)上進行二次特征提取,得到4個參數(shù):均值、能量、標(biāo)準(zhǔn)方差、平均方差,組成1個4×25的訓(xùn)練樣本矩陣.選擇Morlet母小波h(s)=cos(1.75s)exp(對樣本數(shù)據(jù)進行訓(xùn)練.

同樣,對于需要識別的5種缺陷圖像,提取每種缺陷圖像的10個樣本,共5×10=50個樣本,在矩的基礎(chǔ)上進行二次特征提取,得到4個參數(shù):均值、能量、標(biāo)準(zhǔn)方差、平均方差,組成1個4×50的待識別樣本矩陣.實際的訓(xùn)練誤差曲線如圖4所示.

從實驗結(jié)果可以得出:小波神經(jīng)網(wǎng)絡(luò)具有逼近能力強、收斂速度快、網(wǎng)絡(luò)參數(shù)(隱層結(jié)點數(shù)和權(quán)重)的選取有理論依據(jù)等優(yōu)點.

在實驗中,對基于紋理特性的織物表面各種缺陷圖像分別用BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)進行識別,結(jié)果如表1所示.

表1 缺陷圖像識別結(jié)果

圖4 實際的訓(xùn)練誤差曲線

實驗結(jié)果顯示:小波神經(jīng)網(wǎng)絡(luò)逼近能力強、收斂速度快,具有很強的識別率和魯棒性.

3 結(jié) 語

本文對基于紋理特性的織物表面缺陷圖像從圖像模式識別的角度設(shè)計出分類模型,主要研究BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)的分類器,并利用其對缺陷圖像進行疵點識別,通過兩者的仿真結(jié)果得出結(jié)論:小波神經(jīng)網(wǎng)絡(luò)具有逼近能力強、收斂速度快、網(wǎng)絡(luò)參數(shù)(隱層結(jié)點數(shù)和權(quán)重)的選取有理論依據(jù)的優(yōu)點.總之,小波神經(jīng)網(wǎng)絡(luò)具有很強的識別率和魯棒性.

[1] 鄒超,朱德森,肖力.基于模糊類別共生矩陣的紋理疵點檢測方法[J].中國圖像圖行學(xué)報,2007,12(1):92-97.

[2] 王震,王執(zhí)銓.圖像紋理分析與紋理測度[J].南京理工大學(xué)學(xué)報,2002,26(增刊):36-42.

[3] 卿湘運,段紅,魏俊民.基于局部熵的織物疵點檢測與識別的研究[J].紡織學(xué)報,2004,25(5):57-58.

[4] 謝菲,陳雷霆,邱航.基于紋理特征提取的圖像分類方法研究及系統(tǒng)實現(xiàn)[J].計算機應(yīng)用研究,2009,26 7:2767-2770.

[5] 楊福生.小波變換的工程分析與應(yīng)用[M].北京:科學(xué)出版社,1999:3-15.

The Research of Texture-based Classification of Fabric Surface Defect Image

L IU Zhou-feng,GAO Er-jin,L IChun-lei
(Zhongyuan U niversity Of Technology,Zhengzhou 450007,China)

This paper mainly studies the BP neural network and w avelet neural netwo rk classifiers,using the BP neural netwo rk and w avelet neural netwo rk fo r the defect recognition of defect image.From the sim ulation results of recognition we can conclude that the w avelet neural network has stronger app roximation ability,faster convergence rate,and the selection of the network parameters(the numbersof the hidden layer pointsand the weights)are on the basis of the theory.

defect detection;BP neural netwo rk;w avelet neural netwo rk

TP391.41

A DO I:10.3969/j.issn.1671-6906.2010.04.009

1671-6906(2010)04-0033-04

2010-06-07

河南省教育廳自然科學(xué)基金項目(200410465201;200510465002)

劉洲峰(1962-),男,河南新鄉(xiāng)人,教授,博士.