基于混合遺傳卷積神經(jīng)網(wǎng)絡(luò)的智能制造系統(tǒng)圖像分類

陶 沙， 司 偉， 王 奎

(1.銅陵學院 電氣工程學院， 安徽 銅陵 24000； 2.中國聯(lián)合網(wǎng)絡(luò)通信有限公司， 北京 100032)

隨著我國工業(yè)的發(fā)展，尤其是納米和集成技術(shù)的不斷進步，對檢測精度和速度的要求也越來越高，傳統(tǒng)的顯微鏡測量已經(jīng)達不到要求。為了提高精度，可以利用計算機對目標物件進行識別，計算機和互聯(lián)網(wǎng)技術(shù)的高速發(fā)展可以更好利用和提高數(shù)字圖像對智能制造系統(tǒng)識別的準確率。目前，檢測智能制造系統(tǒng)的研究熱點是基于機器學習和深度神經(jīng)網(wǎng)絡(luò)技術(shù)[1-2]。為了采集高精度圖像，先使用高分辨率的相機采集物理零件圖像，對采集到的圖像進行降噪濾波和邊緣檢測。

1 系統(tǒng)結(jié)構(gòu)

系統(tǒng)結(jié)構(gòu)如圖1所示。相機是采集圖像的重要設(shè)備，選擇合適的相機可以在一定程度上提升采集圖像的質(zhì)量。采集的圖像需要進行預(yù)處理，本系統(tǒng)選擇單一零件進行檢測，采集零件圖像的邊緣清晰度要高，利用局部區(qū)域假設(shè)的亞像素邊緣算法去提高采集零件圖像邊緣的清晰度[3-5]。經(jīng)過預(yù)處理后的圖像送入GA-CNN網(wǎng)絡(luò)進行處理。

圖1 系統(tǒng)框圖

1.1 圖像預(yù)處理

在一般數(shù)字圖像處理中，采集到的數(shù)據(jù)一定要進行預(yù)處理[6-8]，包括灰度化、平滑處理、銳化處理、閾值處理。本文檢測零件邊緣清晰度對于后面GA-CNN算法缺陷分類很重要，需要進行邊緣檢測處理，主要原理是：圖像的邊緣形狀可以由近似曲線表示，近似曲線可以用方向、曲率、距離等參數(shù)表示。假設(shè)曲線邊緣由y=a+bx+cx2來表示，以3×5的區(qū)域進行研究，如圖2所示。L、M、R分別表示直線下方每列面積，計算公式為：

圖2 曲線邊緣3×5的區(qū)域圖

(1)

(2)

(3)

SL、SM、SR表達式與直線相同，從而可以得出系數(shù)a、b、c的表達式：

(4)

(5)

(6)

由此3個特征參數(shù)，可以算出邊緣曲率表達式為：

1.2 混合遺傳卷積神經(jīng)網(wǎng)絡(luò)

1.2.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是一種前饋網(wǎng)絡(luò)[9]，網(wǎng)絡(luò)結(jié)構(gòu)主要分為input Layer、Hidden Layer和output Layer，Hidden Layer包括conv Layer和full Layer，如圖3所示。input Layer用來提取特征，可以處理多維數(shù)據(jù)。conv Layer對輸入數(shù)據(jù)進行特征提取，其內(nèi)部包含多個卷積核，卷積層參數(shù)包括卷積核大小、步長和填充，三者共同決定了卷積層輸出特征圖的尺寸。full Layer主要對網(wǎng)絡(luò)進行分類。output Layer直接輸出每個像素的分類結(jié)果。

圖3 卷積神經(jīng)網(wǎng)絡(luò)圖

卷積神經(jīng)網(wǎng)絡(luò)分層框架如圖4所示。假設(shè)樣本總數(shù)為m，每個樣本特征維數(shù)為d，則卷積網(wǎng)絡(luò)輸入層為d×m，在訓練過程中，不斷學習卷積掩膜，每一個卷積掩膜都使用相同的掩膜尺寸，記為1×d′。其中d′表示卷積掩膜的維數(shù)，如果少于3個卷積層，d′滿足式(7)。經(jīng)過前3個卷積層之后，特征的維度為式(8)～式(10)：

圖4 卷積神經(jīng)網(wǎng)絡(luò)分層框架

(7)

d11=d-d′+1

(8)

(9)

(10)

通過前面的特征提取和減少相應(yīng)的參數(shù)后，進入full Layer對其分類。通過上述理論，把該網(wǎng)絡(luò)結(jié)構(gòu)分為5個conv Layer(3×3卷積核)、4個pooling Layer(2×2大池化)、2個full Layer，共11層網(wǎng)絡(luò)。

1.2.2 混合遺傳卷積神經(jīng)網(wǎng)絡(luò)

圖5 遺傳算法流程圖

(11)

GA算法位數(shù)的前B-1位用于編碼卷積掩膜，B位用于初始化全連接層，根據(jù)上述原理計算染色體編碼以及染色體的適應(yīng)度值。

2 測量結(jié)果分析

本次測量的零件圖如圖6所示。選取50個零件進行測量，利用局部區(qū)域假設(shè)檢測算法檢測零件邊緣，連續(xù)測30次，獲得30幅圖像[11]，為了提高精度取平均值作為測量值?；诰植繀^(qū)域假設(shè)檢測算法檢測邊緣的方向和位置，與標準值進行比對，平均誤差分別為0.009 mm和0.002 mm，如表1所示。

圖6 測試零件圖

表1 誤差分析表 單位：mm

選用Caffe作為實驗用深度學習架構(gòu)去實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)。數(shù)據(jù)集在網(wǎng)絡(luò)結(jié)構(gòu)分類中一般劃分成訓練集和測試集。對約1 500個零件圖像按照訓練、驗證、測試集的占比大致60∶20∶20的比例進行劃分。缺陷分類網(wǎng)絡(luò)準確率如圖7所示。網(wǎng)絡(luò)在測試集上缺陷的分類準確率如表2所示。

圖7 缺陷分類網(wǎng)絡(luò)準確率

表2 網(wǎng)絡(luò)測試分類準確率 單位:%

3 結(jié) 語

利用基于局部區(qū)域假設(shè)檢測算法獲取圖像，進行卷積算法分類，加入混合型遺傳算法，用改進后的算法對工件的區(qū)域進行測量。數(shù)據(jù)處理和算法模擬實驗表明:利用基于局部區(qū)域假設(shè)檢測算法，提高了圖形獲取的精度，誤差??；GA-CNN 混合神經(jīng)網(wǎng)絡(luò)模型, 改進了傳統(tǒng)梯度下降法的訓練缺點，比未經(jīng)優(yōu)化的 CNN混合神經(jīng)網(wǎng)絡(luò)算法模型表現(xiàn)出更高的預(yù)測精度;訓練得到的網(wǎng)絡(luò)對缺陷識別率較高，但對于不明顯的缺陷識別率不高，主要原因是網(wǎng)絡(luò)結(jié)構(gòu)簡單。若要獲得較高的精確率，還要加深網(wǎng)絡(luò)結(jié)構(gòu)、增加數(shù)據(jù)集規(guī)模?？偟膩碚f，GA-CNN在智能制造系統(tǒng)中具有一定的應(yīng)用價值。