基于神經(jīng)網(wǎng)絡(luò)的鋼筋計(jì)數(shù)方法研究

陳至坤，潘曉娣，王福斌，，周亞羅，劉 杰

(1.河北理工大學(xué)計(jì)算機(jī)與自動(dòng)控制學(xué)院，河北唐山063009;2.東北大學(xué)機(jī)械工程與自動(dòng)化學(xué)院，遼寧沈陽110004)

0 引言

鋼筋是我國(guó)消費(fèi)量最大的鋼材品種之一，在鋼筋定支打捆和計(jì)數(shù)時(shí)，各生產(chǎn)商紛紛采用先進(jìn)技術(shù)來提高計(jì)數(shù)準(zhǔn)確率和計(jì)數(shù)效率。20世紀(jì)80年代，國(guó)外開始對(duì)鋼筋進(jìn)行自動(dòng)計(jì)數(shù)系統(tǒng)進(jìn)行研究，其研究的重點(diǎn)是準(zhǔn)確的測(cè)量和控制。國(guó)內(nèi)現(xiàn)有的自動(dòng)計(jì)數(shù)方法主要是圖像識(shí)別法，將采集的圖像輸入計(jì)算機(jī)，通過圖像處理算法進(jìn)行特征提取，實(shí)現(xiàn)自動(dòng)計(jì)數(shù)。

目前，研究人員主要采用基于面積法的鋼筋計(jì)數(shù)系統(tǒng)和基于模板法的鋼筋計(jì)數(shù)系統(tǒng)。這2種計(jì)數(shù)方法都有一定的可行性，但也存在一定的缺點(diǎn)。面積法［1］計(jì)數(shù)結(jié)果并不易于在計(jì)數(shù)的結(jié)果圖像中直觀地顯示出來，不易對(duì)計(jì)數(shù)結(jié)果的優(yōu)劣進(jìn)行判斷，一旦有誤差出現(xiàn)，不易找出錯(cuò)誤的原因;模板匹配法［2］對(duì)模板和目標(biāo)物的形狀有較大的依賴，自適應(yīng)能力較低。

由于神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自組織、分類能力強(qiáng)、自適應(yīng)強(qiáng)等特點(diǎn)，對(duì)于數(shù)字圖像來說，采用神經(jīng)網(wǎng)絡(luò)是一種有效的手段。

1 基本原理

鋼筋識(shí)別和計(jì)數(shù)的基本原理圖如圖1所示。

圖1 神經(jīng)網(wǎng)絡(luò)識(shí)別鋼筋并計(jì)數(shù)基本原理圖Fig 1 Basic principle diagram of reinforcement recognization and counting based on neural network

從現(xiàn)場(chǎng)采集到的鋼筋圖像包含大量的背景信息和噪聲，不僅對(duì)識(shí)別帶來困難，而且，在這種情況下識(shí)別沒有意義。所以，在鋼筋識(shí)別之前，必須對(duì)原始的鋼筋圖像進(jìn)行數(shù)字圖像處理。數(shù)字圖像處理包括圖像灰度化、濾波去噪、邊緣檢測(cè)、圖像分割、形態(tài)學(xué)處理。經(jīng)過一系列處理之后的圖像，圖像特征明顯了，這樣的圖像作為神經(jīng)網(wǎng)絡(luò)的輸入待識(shí)別圖像，用來識(shí)別和計(jì)數(shù)的神經(jīng)網(wǎng)絡(luò)是已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)，這個(gè)網(wǎng)絡(luò)可以將待識(shí)別的鋼筋圖像根據(jù)神經(jīng)網(wǎng)絡(luò)的輸出，做出判斷得到識(shí)別的結(jié)果。

2 數(shù)字圖像處理

數(shù)字圖像處理是模式識(shí)別的基礎(chǔ)和關(guān)鍵，處理結(jié)果的好壞直接影響識(shí)別的性能，圖2給出數(shù)字圖像處理的流程圖。

圖2 數(shù)字圖像處理的流程圖Fig 2 Flow chart of digital image processing

鋼筋原始圖像是數(shù)碼相機(jī)拍攝的彩色圖像，彩色圖像的儲(chǔ)存占據(jù)大量的空間，所以，在對(duì)圖像處理和識(shí)別時(shí)經(jīng)常采用灰度圖像，以加快后續(xù)的處理速度。

從攝像頭獲取的圖像在轉(zhuǎn)化過程中受電磁特性和外界條件(光照、天氣等)的影響，使得圖像有噪聲、模糊、退化、變質(zhì)等干擾，圖像質(zhì)量下降，不宜于圖像的進(jìn)一步處理。為了抑制噪聲，改善圖像質(zhì)量，需要對(duì)圖像進(jìn)行去噪。中值濾波能夠有效地抑制圖像中的噪聲，并且能保護(hù)圖像的輪廓邊界，不使其邊界模糊。因此，本系統(tǒng)采用中值濾波去噪。

圖像分割［3］的目的是將圖像中有意義的特征或者需要應(yīng)用的特征提取出來，有意義的特征和需要提取的特征與要解決的問題圖像有關(guān)，問題不同，同一圖像的分割方法和結(jié)果也不同，本系統(tǒng)采用閾值分割。

二值化后的圖像，有時(shí)存在空洞、縫隙、孤立子域等問題，因此，需要數(shù)學(xué)形態(tài)學(xué)的膨脹運(yùn)算子填補(bǔ)物體中狹小的空洞和縫隙，使物體的形狀增大;腐蝕運(yùn)算子簡(jiǎn)化物體的結(jié)構(gòu)可以使較復(fù)雜的物體分解成幾個(gè)簡(jiǎn)單部分。另外，膨脹運(yùn)算子和腐蝕運(yùn)算子結(jié)合運(yùn)用，開運(yùn)算(先腐蝕再膨脹)可以切斷搭結(jié)，去掉孤立子域、毛刺等部分，閉運(yùn)算(先膨脹再腐蝕)可以填充細(xì)小空洞，搭結(jié)短的間隔。本系統(tǒng)采用閉運(yùn)算。經(jīng)過數(shù)字圖像處理后鋼筋圖像如圖3。

3 特征提取

對(duì)計(jì)算機(jī)圖像識(shí)別系統(tǒng)而言，物體的形狀是一個(gè)賴以識(shí)別的重要特征。一個(gè)圖像形狀和結(jié)構(gòu)特征有2種形式，一種是數(shù)字特征主要包括幾何屬性(如，長(zhǎng)短、面積、距離等)、統(tǒng)計(jì)屬性和拓?fù)鋵傩?另一種是由字符串和圖等所表示的句法語言。

由于感興趣的是圖像的形狀和結(jié)構(gòu)特征，所以，其灰度信息可以忽略，常用的方法是用二值化算法把目標(biāo)和背景區(qū)分開來，即將感興趣的部分標(biāo)以最大灰度值，把背景或不感興趣的部分標(biāo)以最小灰度值。

在本文鋼筋識(shí)別和計(jì)數(shù)中，感興趣的是鋼筋的形狀，因此，選擇圖像的特征必須可以表達(dá)或者描述鋼筋的形狀。圖4為提取的鋼筋輪廓圖像。

圖3 經(jīng)過數(shù)字圖像處理后的鋼筋圖像Fig 3 Reinforcement image after digital image processing

圖4 鋼筋輪廓圖像Fig 4 Steel bar profile image

3.1 鋼筋的面積［4］

求單根鋼筋的面積和打捆鋼筋的總面積，方法原理是一樣的，即圖像中區(qū)域的面積就是圖像中相同標(biāo)記的像素?cái)?shù)目。

因?yàn)閳D像采集是連續(xù)的圖像，而經(jīng)過圖像處理后的圖像是離散的數(shù)字圖像，在像素點(diǎn)描述時(shí)，產(chǎn)生了誤差，因此，在計(jì)算面積過程中對(duì)每一個(gè)不同像素模式上加上不同的權(quán)值，以減少誤差。面積計(jì)算公式如下

3.2 鋼筋的高度和寬度［5］

對(duì)于離散的數(shù)字圖像，區(qū)域的邊界輪廓可理解為相鄰邊界像素點(diǎn)之間的單元連線逐段相連而成，考慮數(shù)字圖像像素點(diǎn)(x，y)的一個(gè)8鄰域，顯然，在該處的邊界只能有以下幾種情況:正東、東北、正北、西北、正西、西南、正南和東南，對(duì)于每一種方向賦以一種碼表示，就是 0，1，2，3，4，5，6，7這8個(gè)碼表示下一點(diǎn)與前一點(diǎn)之間的位置關(guān)系，這些碼稱為方向碼。例如:0表示下一點(diǎn)在該點(diǎn)的正東方向，即下一點(diǎn)可表示為(x+1，y)，又如7表示下一點(diǎn)在該點(diǎn)的東南方向，即下一點(diǎn)可表示為(x－1，y－1)，如圖5所示。

圖5 方向碼的定義Fig 5 Define of the directional code

設(shè)方向鏈碼為{a1，a2……an}，定義ai在X軸上的分量為aix，在Y軸上的分量為aiy，則有以下式子成立

ai=0 時(shí)，aix=1，aiy=0;ai=1 時(shí)，aix=1，aiy=1;

ai=2 時(shí)，aix=0，aiy=1;ai=3 時(shí)，aix=－1，aiy=1;

ai=4時(shí)，aix=－1，aiy=0;ai=5時(shí)，aix=aiy=－1;

ai=6時(shí)，aix=0，aiy=1;ai=7時(shí)，aix=aiy=－1 .

設(shè)x0和y0是起始點(diǎn)的坐標(biāo)，則邊界輪廓所表示的區(qū)域的高度和寬度為

4 BP神經(jīng)網(wǎng)絡(luò)識(shí)別鋼筋并計(jì)數(shù)

圖6為BP神經(jīng)網(wǎng)絡(luò)識(shí)別鋼筋并計(jì)數(shù)的流程圖。

圖6 BP網(wǎng)絡(luò)應(yīng)用流程圖Fig 6 Flow chart of BP network application

4.1 BP 神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)算法描述:1)初始化網(wǎng)絡(luò)參數(shù)，學(xué)習(xí)參數(shù)，如，設(shè)置網(wǎng)絡(luò)初始權(quán)矩陣、學(xué)習(xí)因子等;2)提供訓(xùn)練模式，訓(xùn)練網(wǎng)絡(luò)，直到滿足學(xué)習(xí)要求;3)前向傳播過程:對(duì)給定訓(xùn)練模式輸入，計(jì)算網(wǎng)絡(luò)的輸出模式，并與期望模式比較，若有誤差，則執(zhí)行(4)，否則，返回(2);4)后向傳播過程:.計(jì)算同一層單元的誤差，修正權(quán)值和閾值，返(2)。

4.2 設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)

網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)是根據(jù)輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)的個(gè)數(shù)與網(wǎng)絡(luò)性能來決定的。本文特征量為單根鋼筋的寬度、高度和面積、打捆鋼筋的總面積4個(gè)特征量，因此，輸入節(jié)點(diǎn)選4 個(gè);要識(shí)別96，97，98，99，100，101，102，103 這 8 種情況下的鋼筋數(shù)量，所以，將目標(biāo)輸出值設(shè)定為一個(gè)八維的列向量，其中以鋼筋個(gè)數(shù)對(duì)應(yīng)的那個(gè)位為1，其他位為0;隱含層數(shù)目沒有規(guī)定，一般根據(jù)經(jīng)驗(yàn)和實(shí)際情況而定，本文選6個(gè)隱含層。因此，本文的BP網(wǎng)絡(luò)的結(jié)構(gòu)為4—6—8，如圖7所示。

圖7 BP網(wǎng)絡(luò)結(jié)構(gòu)圖Fig 7 Diagram of BP network structure

表1為神經(jīng)網(wǎng)絡(luò)輸出的理論結(jié)果。

表1 理論的輸出結(jié)果Tab 1 The theory output

4.3 網(wǎng)絡(luò)訓(xùn)練

Matlab神經(jīng)網(wǎng)絡(luò)工具箱［6］為神經(jīng)網(wǎng)絡(luò)系統(tǒng)的分析和設(shè)計(jì)提供了大量的可以直接調(diào)用的工具箱函數(shù)，利用這些神經(jīng)網(wǎng)絡(luò)工具箱可以很容易實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)的仿真算法。

本文選取的樣本數(shù)為48個(gè)，將樣本圖像進(jìn)行圖像處理后得到處理后的樣本向量，再設(shè)定好對(duì)應(yīng)的網(wǎng)絡(luò)輸出的目標(biāo)向量，把目標(biāo)向量和網(wǎng)絡(luò)輸出向量都保存在pmat文件中。設(shè)置好網(wǎng)絡(luò)訓(xùn)練參數(shù)，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試，并將最佳的一個(gè)網(wǎng)絡(luò)權(quán)值保存起來。

BP網(wǎng)絡(luò)訓(xùn)練的部分Matlab程序如下

圖8為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差曲線圖，達(dá)到目標(biāo)時(shí)的步數(shù)為4492。

圖8 訓(xùn)練誤差曲線Fig 8 Error curve of training

實(shí)際的輸出結(jié)果如表2所示。

表2 實(shí)際的輸出結(jié)果Tab 2 The actual output result

5 實(shí)驗(yàn)結(jié)果

本文選了48個(gè)樣本，其中，24個(gè)樣本用于訓(xùn)練，8個(gè)樣本用于檢測(cè)，16個(gè)樣本用于測(cè)試。成功識(shí)別和計(jì)數(shù)的個(gè)數(shù)為13個(gè)，正確識(shí)別率為81%，在這樣少的訓(xùn)練樣本的情況下，識(shí)別率達(dá)到了80%以上，表明神經(jīng)網(wǎng)絡(luò)識(shí)別鋼筋和計(jì)數(shù)方法是可行的。

6 結(jié)論

本文針對(duì)捆裝鋼筋計(jì)數(shù)問題，基于Matlab軟件、圖像處理和模式識(shí)別技術(shù)實(shí)現(xiàn)鋼筋的識(shí)別和計(jì)數(shù)。實(shí)驗(yàn)表明:該方法識(shí)別正確率高，有可行性。但神經(jīng)網(wǎng)絡(luò)的識(shí)別和樣本數(shù)目有很大的關(guān)系，因此，樣本數(shù)目的選擇，網(wǎng)絡(luò)的訓(xùn)練能力和預(yù)測(cè)能力之間的矛盾問題是今后研究的重點(diǎn)。

［1］羅 山，黃 歡.一種基于圖像處理的成捆鋼筋計(jì)數(shù)方法［J］.微計(jì)算機(jī)應(yīng)用，2008，29(6):3－4.

［2］劉國(guó)平，王洪亮，胡榮華，等.模板匹配技術(shù)在焊縫圖像處理中的應(yīng)用［J］.焊接技術(shù)，2004，33(4):14－16.

［3］章毓晉.圖象處理和分析［M］.北京:電子工業(yè)出版社，2000.

［4］李 波.一種計(jì)算任意形狀封閉區(qū)域面積的新方法［J］.國(guó)防科技大學(xué)學(xué)報(bào)，2002，24(4):61－64.

［5］四維科技，胡小鋒.圖像處理與識(shí)別實(shí)用案例精選［M］.北京:人民郵電出版社，2004.

［6］聞 新，周 露.MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用［M］.北京:科學(xué)出版社，2003.