基于BP神經(jīng)網(wǎng)絡(luò)的船舶焊縫缺陷圖像識(shí)別

高 嵐，胡 亮，羅 樂(lè)，田凱偉

(1.武漢理工大學(xué)能源與動(dòng)力工程學(xué)院，湖北武漢430063;2.廣東省深圳市海事局，廣東深圳518000)

X射線檢測(cè)產(chǎn)生的船舶焊縫圖像存在著對(duì)比度不高、缺陷邊緣不清晰、圖像噪聲多、背景起伏大等缺陷［1］，因此選取一種合適的焊縫圖像缺陷提取及識(shí)別方法顯得尤為重要，它將直接影響焊縫的分類及最終的等級(jí)評(píng)定。目前，模式特征不同，其判別決策方法也不同，主要有統(tǒng)計(jì)模式識(shí)別、模糊模式識(shí)別和神經(jīng)網(wǎng)絡(luò)識(shí)別等方法。但統(tǒng)計(jì)模式識(shí)別和模糊模式識(shí)別方法需要做大量的計(jì)算統(tǒng)計(jì)，識(shí)別速度慢，判別函數(shù)選取困難，沒(méi)有自學(xué)習(xí)功能，這都嚴(yán)重影響了其應(yīng)用效果。而通過(guò)BP神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)圖像識(shí)別，不僅可以處理一些環(huán)境信息復(fù)雜、背景知識(shí)不清楚、推理規(guī)則不明確的問(wèn)題，允許樣品有較大的缺損和畸變，而且運(yùn)行速度快，自適應(yīng)性能好并具有較高的分辨率。因此，筆者將BP神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于船舶焊縫缺陷圖像識(shí)別中［2］。船舶焊縫圖像識(shí)別流程如圖1所示。

圖1 船舶焊縫圖像識(shí)別流程圖

1 船舶焊縫缺陷圖像預(yù)處理

1.1 圖像預(yù)處理

X射線檢測(cè)焊縫原始圖像存在著灰度區(qū)間比較窄、缺陷邊緣模糊、圖像噪聲多、缺陷特征有時(shí)被淹沒(méi)等缺點(diǎn)，這對(duì)焊縫圖像分析和評(píng)價(jià)的效果產(chǎn)生了影響，因此正確提取缺陷特征，對(duì)焊縫圖像進(jìn)行預(yù)處理是非常必要的。通過(guò)對(duì)船舶焊縫膠片成像的特點(diǎn)進(jìn)行分析，運(yùn)用中值濾波、模糊增強(qiáng)、圖像二值化，以及圖像區(qū)域消除等圖像處理算法，提取出所需要的目標(biāo)焊縫特征并計(jì)算特征參數(shù)，為識(shí)別分類做好鋪墊［3－5］。船舶焊縫圖像預(yù)處理流程如圖2所示，各過(guò)程處理圖像如圖3所示。

圖2 船舶焊縫圖像預(yù)處理流程圖

圖3 各過(guò)程處理圖像

1.2 船舶焊縫圖像特征提取

船舶焊縫缺陷主要分為6類:裂紋、未熔合、未焊透、氣孔、條狀?yuàn)A渣及球狀?yuàn)A渣，要想正確地識(shí)別這些缺陷，就需要找到能反映其本原的特征，根據(jù)缺陷影像的幾何形狀、影像在圖中的相對(duì)位置及影像的黑度分布來(lái)進(jìn)行判斷。分析一個(gè)缺陷圖像，一般先通過(guò)缺陷圖像的形狀進(jìn)行初步判斷，然后通過(guò)不同的特征參數(shù)進(jìn)一步地描述和識(shí)別，為最終的識(shí)別和分類做好鋪墊。

(1)缺陷面積S。計(jì)算焊縫圖像缺陷內(nèi)包括缺陷邊界所有像素的數(shù)目，即缺陷區(qū)域大小。

(2)缺陷周長(zhǎng)L。缺陷外邊緣的長(zhǎng)度，通常用缺陷邊緣上相鄰的兩兩像素之間的距離之和來(lái)計(jì)算。取缺陷邊緣上一像素點(diǎn)為起點(diǎn)，在八連通區(qū)域內(nèi)，統(tǒng)計(jì)邊緣像素中長(zhǎng)度為1和的鏈碼的個(gè)數(shù)和相應(yīng)方向的鏈碼個(gè)數(shù)與長(zhǎng)度的積值再相加，即周長(zhǎng)值。

(3)缺陷長(zhǎng)軸l1和短軸l2。取缺陷邊界上任意向量之間的距離最大值，即為缺陷的長(zhǎng)軸;在確定長(zhǎng)軸兩像素點(diǎn)形成的直線后求斜率，求得短軸的方向，然后在邊緣數(shù)組內(nèi)求出與長(zhǎng)軸垂直的長(zhǎng)度最大的兩像素點(diǎn)形成的直線，即為短軸。

(4)周長(zhǎng)與面積比 L/S。用來(lái)描述缺陷形狀的參數(shù)，當(dāng)形狀為圓時(shí)，周長(zhǎng)與面積比最小;反之越呈長(zhǎng)條形，周長(zhǎng)與面積比就越大。

(5)周長(zhǎng)平方與面積比L2/S。通過(guò)計(jì)算缺陷目標(biāo)區(qū)域的周長(zhǎng)和面積，來(lái)判定該區(qū)域的形狀復(fù)雜程度。周長(zhǎng)平方與面積比越大，區(qū)域形狀越復(fù)雜［6－7］。

2 船舶焊縫缺陷圖像識(shí)別

2.1 BP 算法

BP算法是一種有教師學(xué)習(xí)算法，在訓(xùn)練時(shí)需要指定輸入矢量與目標(biāo)輸出矢量。BP算法的本質(zhì)就是求取誤差函數(shù)的最小值，它采用非線性規(guī)劃中的最速下降方法，按誤差函數(shù)的負(fù)梯度方向修改權(quán)系數(shù)。網(wǎng)絡(luò)輸出誤差定義為:

式中:Xmi為實(shí)際輸出;Yi為輸出單元的期望值。用SIGMOID函數(shù)來(lái)描述單個(gè)神經(jīng)元的輸入輸出關(guān)系。由于BP算法按誤差函數(shù)E的負(fù)梯度方向修改權(quán)系數(shù)，故權(quán)系數(shù)修改量為:

如果網(wǎng)絡(luò)的層數(shù)較多，則計(jì)算量就大，收斂速度就慢。因此，為了加快收斂速度，一般以上一次的權(quán)系數(shù)作為本次協(xié)整的依據(jù)之一，故有修正公式:

式中:η為學(xué)習(xí)速率，即步長(zhǎng);α為權(quán)系數(shù)修正常量，α、η 范圍為 0 ＜ α、η ＜1［8－10］。

2.2 BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

理論分析證明，具有單隱含層的BP神經(jīng)網(wǎng)絡(luò)可以映射所有連續(xù)函數(shù)，只有學(xué)習(xí)不連續(xù)函數(shù)時(shí)才需要兩個(gè)或以上的隱含層，因此，筆者設(shè)計(jì)具有輸入層、輸出層和隱含層的3層結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行船舶焊縫缺陷圖像的識(shí)別。隱含層節(jié)點(diǎn)數(shù)的選取應(yīng)滿足容量和學(xué)習(xí)速度的要求，隱含層節(jié)點(diǎn)數(shù)越多就越能精確地逼近訓(xùn)練樣本構(gòu)成的區(qū)域，但易產(chǎn)生過(guò)擬合現(xiàn)象，降低泛化能力;反之，如果節(jié)點(diǎn)數(shù)過(guò)少，則會(huì)產(chǎn)生欠擬合現(xiàn)象，達(dá)不到逼近精度，從而學(xué)習(xí)不能收斂。隱含層節(jié)點(diǎn)數(shù)目可按下面的隱含層節(jié)點(diǎn)經(jīng)驗(yàn)公式計(jì)算得到:

式中:p為隱含層節(jié)點(diǎn)數(shù);m為輸入節(jié)點(diǎn)數(shù);n為輸出節(jié)點(diǎn)數(shù);a為1～10之間的常數(shù)。

將前面選取的5個(gè)特征參數(shù)作為輸入節(jié)點(diǎn)，5種焊縫缺陷類型作為輸出節(jié)點(diǎn)，根據(jù)式(5)得到隱含層節(jié)點(diǎn)數(shù)的初始值為5，經(jīng)過(guò)樣本訓(xùn)練，不斷改變隱含層節(jié)點(diǎn)數(shù)，以選取最佳隱含層節(jié)點(diǎn)數(shù)。網(wǎng)絡(luò)各單元之間的連接權(quán)值和閾值隨機(jī)地賦予［0，1］之間的值，為了避免每一步權(quán)值的調(diào)整方向是同向的，應(yīng)用隨機(jī)數(shù)來(lái)得到這些權(quán)值和閾值，學(xué)習(xí)速率取0.015，相關(guān)系數(shù)取 0.850，全誤差定為0.001。網(wǎng)絡(luò)訓(xùn)練結(jié)果如表1所示。通過(guò)表1可知，隱含層節(jié)點(diǎn)數(shù)取12時(shí)，網(wǎng)絡(luò)能很快地收斂。因此，筆者設(shè)計(jì)的網(wǎng)絡(luò)是5×12×5的3層結(jié)構(gòu)，如圖4所示。

表1 網(wǎng)絡(luò)訓(xùn)練結(jié)果

圖4 BP網(wǎng)絡(luò)結(jié)構(gòu)圖

2.3 BP神經(jīng)網(wǎng)絡(luò)樣本訓(xùn)練與測(cè)試

筆者選取了30張焊縫缺陷圖像作為訓(xùn)練樣本，其中裂紋7張、未焊透3張、未熔合6張、氣孔7張和夾渣7張。同時(shí)選取25張典型的焊縫缺陷圖像作為測(cè)試對(duì)象，這些樣本不需要參加訓(xùn)練，其中裂紋、未焊透、未熔合、氣孔和夾渣各5張。部分類型缺陷特征參數(shù)訓(xùn)練樣本數(shù)據(jù)如表2所示。在網(wǎng)絡(luò)學(xué)習(xí)開(kāi)始之前，將焊縫缺陷圖像的特征參數(shù)序列輸入到網(wǎng)絡(luò)的輸入層。

表2 部分類型缺陷特征參數(shù)訓(xùn)練樣本數(shù)據(jù)

由于SIGMOID型函數(shù)的漸進(jìn)值為0或1，為了保證網(wǎng)絡(luò)的收斂性，此時(shí)輸出0.1表示0，0.9代表1，網(wǎng)絡(luò)對(duì)輸入模式產(chǎn)生的實(shí)際輸出大于0.5判斷為0.9，小于0.5判斷為0.1。輸出層節(jié)點(diǎn)數(shù)為5，裂紋采用(0.1，0.1，0.1，0.1，0.9)表示，未焊透用(0.1，0.1，0.1，0.9，0.1)表示，未熔合用(0.1，0.1，0.9，0.1，0.1)表示，氣孔用(0.1，0.9，0.1，0.1，0.1) 表示，夾渣則用(0.9，0.1，0.1，0.1，0.1)表示。網(wǎng)絡(luò)識(shí)別結(jié)果如表3所示。通過(guò)表3中的數(shù)據(jù)，不難發(fā)現(xiàn)訓(xùn)練樣本的數(shù)量影響著識(shí)別效果，識(shí)別效果與學(xué)習(xí)數(shù)量樣本成正比關(guān)系。但基于樣本的收集有限等因素，在一定程度上也影響了網(wǎng)絡(luò)的訓(xùn)練效果。通過(guò)反復(fù)的實(shí)驗(yàn)，筆者所設(shè)計(jì)的網(wǎng)絡(luò)的總體識(shí)別率能達(dá)到84%左右。

利用貝葉斯決策統(tǒng)計(jì)理論進(jìn)行識(shí)別，研究的關(guān)鍵是特征的提取，需要對(duì)大量的圖像進(jìn)行統(tǒng)計(jì)分析，找出規(guī)律性認(rèn)識(shí)，但該方法運(yùn)行時(shí)間長(zhǎng)，如果特征不明顯，就容易出現(xiàn)誤判;支持向量機(jī)方法是在統(tǒng)計(jì)學(xué)習(xí)理論上發(fā)展的新方法，但它的精度與向量機(jī)的支持向量個(gè)數(shù)有直接關(guān)系，在一定訓(xùn)練精度下，支持向量的個(gè)數(shù)越少，其泛化性能越高，然而由于缺陷類別樣本數(shù)不同，容易導(dǎo)致誤識(shí)別的概率相對(duì)較大;BP神經(jīng)網(wǎng)絡(luò)對(duì)待識(shí)別的對(duì)象不需要有太多了解，具有一定智能化處理的優(yōu)點(diǎn)。因此，筆者設(shè)計(jì)的基于BP神經(jīng)網(wǎng)絡(luò)的焊縫缺陷圖像識(shí)別模型更為有效，通過(guò)增加訓(xùn)練樣本數(shù)量和選用更好的圖像特征參數(shù)，能進(jìn)一步提高識(shí)別效果。

表3 網(wǎng)絡(luò)識(shí)別結(jié)果

3 結(jié)論

將BP神經(jīng)網(wǎng)絡(luò)方法應(yīng)用到船舶焊縫缺陷圖像識(shí)別中，利用BP神經(jīng)網(wǎng)絡(luò)的信息，分布式儲(chǔ)存于連接權(quán)值系數(shù)中，網(wǎng)絡(luò)具有較高容錯(cuò)性，可有效地解決船舶焊縫膠片數(shù)字化和圖像輸入的過(guò)程中存在噪聲和輸入圖像的部分損失等問(wèn)題，大大提高船舶焊縫缺陷圖像識(shí)別的準(zhǔn)確率。

［1］張曉光，高頂.射線檢測(cè)焊接缺陷的提取和自動(dòng)識(shí)別［M］.北京:國(guó)防工業(yè)出版社，2004:21－22.

［2］萬(wàn)彩婷.基于BP神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別與跟蹤研究［D］.西安:西安電子科技大學(xué)圖書館，2006.

［3］ ALAKNANDA R S，ANAND PK.Flaw detection in radiographic weld images using morphological approach［J］.NDT ＆ E International，2006，39(1):29 －33.

［4］ 高嵐，趙永珠，范世東，等.基于HU不變矩的船舶焊縫缺陷圖像特征提?。跩］.船海工程，2009，38(2):94－95.

［5］劉粲，謝小鵬，陸丕青，等.基于BP神經(jīng)網(wǎng)絡(luò)的鐵譜磨粒圖像識(shí)別方法研究［J］.潤(rùn)滑與密封，2010，35(4):72－74.

［6］ 翟俊海，趙文秀，王熙照.圖像特征提取研究［J］.河北大學(xué)學(xué)報(bào):自然科學(xué)版，2009(1):106－110.

［7］楊枝靈，王開(kāi).數(shù)字圖像獲取處理及實(shí)踐應(yīng)用［M］.北京:人民郵電出版社，2003:573－579.

［8］ 尹朝慶，尹晧.人工智能與專家系統(tǒng)［M］.北京:中國(guó)水利水電出版社，2002:306－314.

［9］ 李小泉.自動(dòng)檢測(cè)系統(tǒng)關(guān)鍵技術(shù)研究［D］.武漢:武漢理工大學(xué)圖書館，2006.

［10］張銳，胡榮強(qiáng)，楊秀芝.基于神經(jīng)網(wǎng)絡(luò)的曲軸滾壓校直專家系統(tǒng)研究［J］.武漢理工大學(xué)學(xué)報(bào):信息管理與工程版，2010(1):23－25.