基于片相似各項(xiàng)異性擴(kuò)散的BP神經(jīng)網(wǎng)絡(luò)的磨粒識(shí)別研究

崔 海，康劍莉

(1.浙江紡織服裝職業(yè)技術(shù)學(xué)院，浙江 寧波 315211;2.溫州職業(yè)技術(shù)學(xué)院，浙江 溫州 325035)

?

基于片相似各項(xiàng)異性擴(kuò)散的BP神經(jīng)網(wǎng)絡(luò)的磨粒識(shí)別研究

崔 海1，康劍莉2

(1.浙江紡織服裝職業(yè)技術(shù)學(xué)院，浙江 寧波 315211;2.溫州職業(yè)技術(shù)學(xué)院，浙江 溫州 325035)

通過(guò)磨粒圖像的各向異性擴(kuò)散算法實(shí)現(xiàn)對(duì)磨粒圖像特征參數(shù)的提取，然后依據(jù)磨粒圖像特征參數(shù)的提取，并基于一種變尺度的BP網(wǎng)絡(luò)學(xué)習(xí)算法，對(duì)一種基于BP神經(jīng)網(wǎng)絡(luò)的磨粒分類器進(jìn)行了實(shí)驗(yàn)測(cè)試.證明基于片相似各項(xiàng)異性擴(kuò)散的BP神經(jīng)網(wǎng)絡(luò)的磨粒識(shí)別方法具有較高的分類精度、具有較快的學(xué)習(xí)收斂速度，且有較高識(shí)別率.

磨粒；特征參數(shù)；BP神經(jīng)網(wǎng)絡(luò)；分類器

0 引 言

處理圖像的自動(dòng)識(shí)別方法有早期的高斯濾波.其它有效的方法還包括基于偏微分方程的方法，基于小波的方法等.為了克服各項(xiàng)同性去噪方法不能保持邊緣的不足，出現(xiàn)了兩類基于偏微分方程的圖像去噪方法：一類是基于擴(kuò)散的方法；另外一類是基于變差的方法.目前，大多數(shù)的研究理論都是基于神經(jīng)網(wǎng)絡(luò)算法理論的基礎(chǔ)上進(jìn)行的[1-3].

磨粒的圖像特征包含了磨粒的形狀，顏色，厚度，表面紋理等特征，這是設(shè)備內(nèi)部磨損狀況的重要判斷依據(jù).而磨粒的自動(dòng)化識(shí)別技術(shù)一直是研究的熱點(diǎn)，它是實(shí)現(xiàn)磨粒檢測(cè)后續(xù)圖像信息處理流程智能化、自動(dòng)化和系統(tǒng)化的難點(diǎn)和重點(diǎn).

本課題研究了采用一種基于偏微分方程中的擴(kuò)散的方法，實(shí)現(xiàn)對(duì)磨粒圖像紋理的特征提取，然后采用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)磨粒形狀的特征的分類識(shí)別；最后通過(guò)數(shù)值仿真的方法，證明了方法的有效性.

1 基于各向異性擴(kuò)散的磨粒圖像特征參數(shù)的提取及算法

圖像特征中常見(jiàn)的有紋理特征、顏色特征、空間關(guān)系特征、形狀特征等.其中，由于圖像比較小，尤其是在高倍率下更是難以分辨，因此無(wú)法使用圖像的形狀特征和空間關(guān)系特征；另一方面，樣品圖像在顏色上的差異性也比較小，因此顏色特征也不適用；最后，紋理特征是一種全局特征，它可以代表圖像或圖像區(qū)域所對(duì)應(yīng)景物的表面特征，具有較大的優(yōu)越性，因此得到了廣泛的應(yīng)用.灰度共生矩陣是一種提取紋理特征的一種典型的統(tǒng)計(jì)方法.在已有的研究結(jié)果中，針對(duì)磨粒圖像特征參數(shù)得提取，已取得了一定的結(jié)果[4-5].在此基礎(chǔ)上，本文采用一種各向異性擴(kuò)散模型實(shí)現(xiàn)對(duì)磨粒圖像特征參數(shù)的提取.這種算法特點(diǎn)為：用圖像片的相似性信息代替像素點(diǎn)的梯度信息，實(shí)現(xiàn)對(duì)各向異性擴(kuò)散模型中擴(kuò)散系數(shù)的設(shè)計(jì)，從而使圖像片比單個(gè)像素?fù)碛懈嗟男畔ⅲ軌蚋玫拿枋鰣D像的局部特征等.

(1)

其中，a=2b+1，b∈N，表示磨粒點(diǎn)(x,y)的鄰域窗口半徑.

(2)

(3)

其中(x+a1)∈[x,x+a]，(y+b1)∈[y,y+a].

(4)

e.t:k=conest；當(dāng)k較小時(shí)，磨粒圖像的弱邊緣會(huì)保持，當(dāng)時(shí)弊端為容易出現(xiàn)階梯效應(yīng)；當(dāng)k較大時(shí)，算法具有較強(qiáng)的磨粒圖像去噪能力，同時(shí)也不會(huì)產(chǎn)生階梯效應(yīng)，但是磨粒圖像的弱邊緣和磨粒圖像的圖像細(xì)節(jié)不能很好的保持，因此，關(guān)于k值得選取，目前沒(méi)有嚴(yán)格理論依據(jù).

2 磨粒識(shí)別分類器的BP算法研究

2.1 BP神經(jīng)網(wǎng)絡(luò)磨粒分類器算法網(wǎng)絡(luò)結(jié)構(gòu)

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)的連接權(quán)值的調(diào)整采用的是反向傳播學(xué)習(xí)算法，它是一種多層前饋型神經(jīng)網(wǎng)絡(luò).BP網(wǎng)絡(luò)的神經(jīng)元的傳遞函數(shù)為S型函數(shù)，因此，輸出量為0到1之間的連續(xù)量，它可以實(shí)現(xiàn)從輸入到輸出的任意的非線性映射.BP神經(jīng)網(wǎng)絡(luò)磨粒分類器算法網(wǎng)絡(luò)結(jié)構(gòu)(見(jiàn)圖1).

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

A={A1,A2,A3,A4}

(5)

四種大的磨損之所以用集合表示，主要是考慮機(jī)械磨損過(guò)程中，四種大的磨損中依然包含著四種大的磨損類型中的子磨損.

2.2 BP網(wǎng)絡(luò)磨粒分類器網(wǎng)絡(luò)動(dòng)力學(xué)數(shù)學(xué)函數(shù)描述

為了描述圖1結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)中神經(jīng)元之間的動(dòng)力學(xué)數(shù)學(xué)函數(shù)關(guān)系，現(xiàn)在做如下的假設(shè)：由圖1可以看出，此時(shí)的BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為多層前饋型網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)的輸入共有n0個(gè)輸入信號(hào)，網(wǎng)絡(luò)的層數(shù)共有Q層，設(shè)第p層的神經(jīng)元數(shù)為np，其中p∈[1,Q]，則從圖1的結(jié)構(gòu)可以看出，第p層的第ip個(gè)神經(jīng)元的連接權(quán)系數(shù)為ωipjp，則第p層的第ip個(gè)神經(jīng)元的輸入輸出函數(shù)關(guān)系動(dòng)力學(xué)函數(shù)關(guān)系式如下：

(6)

(7)

e.t:ip∈[1,np]，jp∈[1,np-1]

2.3 BP網(wǎng)絡(luò)磨粒分類器網(wǎng)絡(luò)學(xué)習(xí)算法

設(shè)圖1中BP網(wǎng)絡(luò)的擬合誤差的代價(jià)函數(shù)Etotal為如下的公式所示：

(8)

網(wǎng)絡(luò)學(xué)習(xí)的目標(biāo)為如何調(diào)整權(quán)系數(shù)ωipjp使Etotal最小.目前BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法比較多，這里選用一種變尺度的BP網(wǎng)絡(luò)學(xué)習(xí)算法.算法描述如下：

ω(k+1)=ω(k)+αH(k)D(k)

(9)

(10)

Δω(k)=ω(k)-ω(k-1)

(11)

ΔD(k)=D(k)-D(k-1)

(12)

這種變尺度的BP網(wǎng)絡(luò)學(xué)習(xí)算法，具有全局逼近的學(xué)習(xí)方法，且具有較好的收斂性以及泛化能力[4].

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)結(jié)果

從安德森磨粒圖譜庫(kù)[6]選取4種磨粒類型100副磨粒圖像進(jìn)行了模擬仿真識(shí)別實(shí)驗(yàn)樣本.

實(shí)驗(yàn)用到的特征窗口大小為3，采用各向異性擴(kuò)散算法提取特征向量，其維數(shù)為(2×3+1)×(2×3+1)=49維，訓(xùn)練用的BO網(wǎng)絡(luò)分為3層，第一層為輸入層，有49個(gè)神經(jīng)元，第二次為中間層，采用了120個(gè)神經(jīng)元，第三層為輸出層，一共有4個(gè)神經(jīng)元，分別對(duì)應(yīng)4種不同的磨粒類型.用60個(gè)學(xué)習(xí)樣本用于BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，其余40個(gè)樣本用于其網(wǎng)絡(luò)測(cè)試,其結(jié)果(見(jiàn)表1).

表1 磨粒形狀分類試驗(yàn)結(jié)果統(tǒng)計(jì)

其中，BP網(wǎng)絡(luò)在訓(xùn)練中的均方誤差隨迭代次數(shù)的增加，迅速下降(見(jiàn)圖2)，表面BP網(wǎng)絡(luò)具有較快的收斂速度.

圖2 迭代次數(shù)和均方誤差

3.2 實(shí)驗(yàn)分析

從上述實(shí)驗(yàn)結(jié)果可以得出以下結(jié)論：(1)從整體來(lái)看，分類器能夠?qū)⒄Ｄp磨粒、切削磨粒、滑動(dòng)磨粒和疲勞點(diǎn)蝕磨粒區(qū)分開(kāi)，對(duì)60個(gè)訓(xùn)練樣本的識(shí)別結(jié)果為識(shí)別率96.7%.(2)從單個(gè)磨粒的訓(xùn)練輸出來(lái)看，分類器對(duì)切削磨粒的訓(xùn)練輸出結(jié)果最優(yōu)，輸出誤差滿足精度要求；滑動(dòng)磨損磨粒和正常磨損磨粒的訓(xùn)練輸出次之，只有個(gè)別磨粒未達(dá)到精度要求；疲勞點(diǎn)蝕磨?？梢员环诸惼髡_識(shí)別，但是識(shí)別精度未達(dá)到要求，其主要原因歸咎于疲勞點(diǎn)蝕磨粒的特征復(fù)雜、多樣.

4 結(jié) 論

本文在磨粒圖像的各向異性擴(kuò)散算法研究的基礎(chǔ)上，結(jié)合國(guó)內(nèi)外BP神經(jīng)網(wǎng)絡(luò)的相關(guān)文獻(xiàn)，研究了一種適合于磨粒識(shí)別分類器的BP神經(jīng)網(wǎng)絡(luò)算法.通過(guò)理論推導(dǎo)與實(shí)驗(yàn)證明，這種結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)對(duì)規(guī)則的磨粒形狀進(jìn)行分類識(shí)別時(shí)，具有較快的學(xué)習(xí)收斂速度，且有較高識(shí)別率.

[1] 王偉華,殷勇輝,王成燾.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的磨粒識(shí)別系統(tǒng)[J].摩擦學(xué)學(xué)報(bào),2003,23(4):340-343.

[2] 楊宏偉，鐘新輝，胡建強(qiáng).基于粗糙集和神經(jīng)網(wǎng)絡(luò)的潤(rùn)滑油中磨損磨粒的識(shí)別[J].潤(rùn)滑與密封,2007,32(1):162-164.

[3] 曹一波,謝小鵬.基于D-S證據(jù)理論和集成神經(jīng)網(wǎng)絡(luò)的磨粒識(shí)別[J].潤(rùn)滑與密封，2006(5):64-67.

[4] 康劍莉,蘆亞萍,周銀生.改進(jìn)的BP算法在磨粒識(shí)別中的應(yīng)用[J].潤(rùn)滑與密封,2005(2):149-154.

[5] JIAN-LI KANG. Research on Wear Debris Recongnition System based on ART and Gray Level Co-occurrence Matrix[J].Applied Mechanics and Materials, 2012(129-126):4127-4131.

[6] 郭 航,霍宏濤.灰度共生矩陣在皮膚紋理檢測(cè)中的應(yīng)用研究[J].中國(guó)圖象圖形學(xué)報(bào),2010,15(7):1074-1078.

Research on Wear Debris Recognition Algorithm Based on IFNN

CUI Hai1, KANG Jian-li2

(1.Zhejiang Textile and Fashion College, Ningbo 315211, China;2.Wenzhou Vocational and Technical College, Wenzhou 325035, China)

According to the qualitative characterization of the morphological features of the wear debris, feature vector mathematics models of wear debris circular degree, slimsy and long and degree, scattering degree, and hollow degree are built, which are based on Foruier parameter refining method. Then the advantages of fuzzy system and neural network are taken to establish a kind of improved fuzzy neural network (IFNN) models and algorithm, which is used to realize the automatic classification and recognition of wear debris. An improved learning algorithm with the modified fuzzy weight is proposed on the basis of the fuzzy neurons model for the max-min fuzzy operator. The amount of calculation for the improved FNN model is reduced greatly and the convergence velocity is improved. The experiment results show that the recognition method based on the IFNN is good at algorithm convergence speed and recognition accuracy.

wear debris; characteristic parameter; BP neural network; classifier

2016-02-02

崔 海(1976-)，男，河南南陽(yáng)人，實(shí)驗(yàn)師、工程師，主要從事機(jī)械設(shè)計(jì)與制造技術(shù)以及模具材料技術(shù)等研究.

TP391

A

1008-536X(2016)06-0077-04