基于正則極限學習機的鞋面缺陷圖像識別方法研究

陳耀東 鄧三鵬* 佘明輝 白晉紅 陳輝煌

（1 天津職業(yè)技術(shù)師范大學機器人及智能裝備研究院，天津，300222；2 天津市智能機器人技術(shù)及應用企業(yè)重點實驗室，天津，300352；3 湄洲灣職業(yè)技術(shù)學院，福建莆田，351119）

0 引言

當前，制鞋企業(yè)在鞋面質(zhì)量檢測時通常采用人工檢測[1]，存在勞動強度大、效率低等問題。人工測量時，還易因個體差異造成檢測誤差，合格率降低。因此，將機器視覺技術(shù)引入鞋面檢測過程，可大大提高生產(chǎn)的效率和檢測精度，降低工人的負擔和企業(yè)生產(chǎn)成本。

機器視覺技術(shù)可實現(xiàn)對鞋面特征點域進行分割，確定鞋面缺陷輪廓，通過多特征值提取，進行相應的缺陷識別。其中，特征值常用識別算法主要包括：

1）支持向量機特征識別法[2]；山東理工大學的崔欣團隊通過對玉米種粒破損的16 個特征值進行支持向量機的算法訓練，結(jié)果達到了識別的精度要求，但在計算上花費大量的時間造成訓練數(shù)據(jù)結(jié)果極其不穩(wěn)定。

2）極限學習算法識別[3]；重慶大學的王見團隊對棉花的數(shù)據(jù)集特征提取，利用極限學習算法（ELM）對棉花進行識別，達到了模型識別的利用率，但基本的ELM算法容易過擬合或不太穩(wěn)定。

因此，考慮到訓練時間和算法擬合的穩(wěn)定性，本文引入正則極限學習算法（RELM），通過添加懲罰因子（套索法[4])或懲罰因子(山脊回歸[5])來克服上述問題。

RELM 算法[6]可以利用或懲罰得到稀疏的或穩(wěn)定的解，并利用彈性網(wǎng)絡懲罰修剪神經(jīng)網(wǎng)絡的結(jié)構(gòu)。本文將機器學習中的RELM 算法模型運用到鞋面缺陷檢測中，對特征值進行訓練識別，為制鞋企業(yè)實現(xiàn)自動化缺陷檢測奠定了基礎(chǔ)。

1 鞋面缺陷識別檢測RELM 算法

鞋面缺陷識別方法主要包括：

1）多特征值訓練樣本和測試樣本分類；

2）對訓練樣本進行RELM 算法訓練；

3）訓練樣本訓練后，建立RELM 算法識別模型；

4）根據(jù)訓練好的算法模型對測試樣本進行RELM 算法識別；

5）最終顯示測試樣本的準確率和訓練時間結(jié)果。

具體算法識別流程如圖1 所示。

圖1 RELM 算法識別流程

極限學習算法是由南洋理工大學黃廣斌教授團隊提出的[7-8]。傳統(tǒng)的BP 神經(jīng)網(wǎng)絡算法需要大量的訓練網(wǎng)絡參數(shù)，而且容易產(chǎn)生局部最優(yōu)解。ELM 算法設置網(wǎng)絡的隱層節(jié)點個數(shù)，在算法執(zhí)行中不需要調(diào)整網(wǎng)絡的輸入權(quán)值和隱性神經(jīng)元的偏置，便可產(chǎn)生唯一的最優(yōu)解。其數(shù)學模型如式（1）所示。

結(jié)果如公式（2）所示：

為縮短檢測時間，需對識別分類系統(tǒng)進行簡化。本文選擇使用正參數(shù)和正則化因子的RELM 分類器。將1000 張實驗采集到的鞋面圖像分為800 張訓練樣本和200 張測試樣本。用訓練樣本進行訓練，一共16 個特征值，將待檢測的鞋面圖像分為兩類，“1”代表的是合格，“0”代表的是不合格。模型訓練中的16 個特征值代表輸入，是否合格代表輸出。選擇RBF 核函數(shù)[2]，將輸入類特征圖像樣本進行歸一化和構(gòu)造核函數(shù)矩陣H{1,1}，計算出正參數(shù)和正則化因子，最終構(gòu)造出RELM 最優(yōu)識別模型。

2 鞋面圖像采集及預處理

2.1 鞋面缺陷圖像采集

鞋面圖像采集均在鞋面采集實驗平臺裝置上進行。鞋子的尺碼大小是40-43 碼（中國尺碼），共采集帶有缺陷鞋面圖像與完整鞋面圖像各800張，進行圖像預處理、多特征值的提取、對RELM 進行訓練及識別缺陷檢測等工作，鞋面缺陷圖像主要包括：鞋面溢膠（200 張）、鞋面污漬（200 張）、鞋面開裂（200 張）、涂層脫落（200張），鞋面缺陷圖像如圖2 所示。

圖2 鞋面缺陷圖像

2.2 圖像預處理

進行鞋面特征提取之前，需對采集到的鞋面圖像進行預處理。處理后的圖像便于特征值的提取，可實現(xiàn)精確的圖像特征識別[9]。

預處理具體流程如圖3 所示。先將鞋面圖像進行灰度處理，對灰度處理后的圖像進行濾波降噪；圖像降噪后，把灰度圖像轉(zhuǎn)換成二值化圖像，二值化圖像有利于進行缺陷邊緣輪廓的提取，最后通過邊緣化圖像進行目標值的特征提取。

圖3 預處理流程

2.2.1 圖像濾波降噪

對鞋面圖像灰度處理后，由圖4 降噪前圖像可知，采集到的鞋面圖像表面極其不光滑，存在一定的細小顆粒，判斷為椒鹽噪聲。

圖像濾波降噪是為了把重要的細節(jié)特征保留，對圖像的噪聲進行抑制。由文獻[10]可知，中值濾波是去除椒鹽噪聲的最好方法。因此，對鞋面圖像降噪處理采用中值濾波的方法。經(jīng)過中值濾波處理后，鞋面顆粒噪聲點大大減少，如圖4 降噪后圖像所示，這有利于圖片的進一步處理。

圖4 灰度圖像降噪前后對比

2.2.2 圖像多特征提取

在鞋面缺陷圖像的識別系統(tǒng)中，鞋面質(zhì)量的識別精度取決于鞋面缺陷特征參數(shù)的選用和提取。由文獻[11]可知，圖像的特征值主要包括：幾何特征值、形狀特征值、顏色特征值等。

鞋面缺陷主要是溢膠、開裂、脫落、污漬，由鞋面存在的缺陷可知，鞋面缺陷顏色特征值與完整鞋面顏色特征值對比不明顯，所以不適用顏色特征值的提取。幾何特征值和形狀特征值的提取是本次實現(xiàn)檢測鞋面質(zhì)量的重要指標。

1）幾何特征提取。

有缺陷的鞋面圖像與合格的鞋面圖像存在不同的幾何圖像特征，對有缺陷的鞋面形態(tài)特征進行缺陷的周長、面積、長軸長度、短軸長度、長寬比、周長/面積6 個幾何特征值提取，鞋面幾何特征提取示意圖如圖5 所示，幾何特征參數(shù)表如表1 所示。

圖5 幾何特征提取步驟流程

表1 幾何特征參數(shù)表

2）形狀特征提取。

形狀特征主要進行了4 個特征值的提取，包括Hu1-Hu7、矩形度、圓形度、緊湊度，如表2 所示。

表2 形狀特征參數(shù)表

提取Hu 不變矩步驟：首先對灰度化圖像進行零階矩和一階矩計算，通過零階矩和一階矩計算出三階及以上中心距，對所有階矩進行歸一化處理，最終得出7 個Hu不變矩，具體流程圖如圖6 所示。

圖6 提取Hu 不變矩流程

3 實驗驗證與結(jié)果分析

3.1 實驗平臺

鞋面缺陷圖像采集系統(tǒng)主要包括：鞋面圖像采集平臺、2 個光源燈、4 個CCD 攝像頭和1 臺計算機，相機的位置分別拍攝鞋面的左視圖、右視圖、俯視圖、后視圖，實驗平臺如圖7 所示。

圖7 鞋面采集實驗平臺

其中，相機采用工業(yè)面陣相機，分辨率為4096×3072，采集到的成像尺寸為60mm×45mm，特征最小尺寸0.2mm，相機鏡頭到鞋面檢測臺的垂直距離40cm。為防止外界光照對拍攝效果產(chǎn)生的干擾，開啟LED 條形光源，照射在待檢測鞋面的側(cè)面，產(chǎn)生可調(diào)的LED 光。

3.2 RELM 模型實驗

為驗證鞋面缺陷圖像識別方法的可行性與準確性，筆者設計了RELM 算法識別模型實驗。

用16 個特征值對訓練樣本進行訓練，以訓練樣本的正確率、識別時間作為衡量RELM 模型的指標。其中，訓練識別率是指正確識別的鞋面缺陷數(shù)占所有鞋面的比值；訓練時間指用RELM 算法識別模型對訓練樣本進行識別所需時間。試驗反復訓練20 次，除去正確率和識別時間的最大值和最小值，取18 次訓練平均值，如圖8 所示。

圖8 訓練過程

用200 張測試樣本圖像對RELM 算法模型驗證，將測試的鞋面缺陷檢測結(jié)果與實驗前識別結(jié)果做對比。以實驗前識別結(jié)果為基準，反復測試正確率與識別時間，取測試均值，最終得出模型識別的正確率和識別所需時間，結(jié)果如表3 所示。

表3 實驗結(jié)果

4 結(jié)論

本文提出了一種基于正則極限學習算法識別鞋面缺陷的方法，主要結(jié)論如下：

1）利用中值濾波的方法對圖像進行濾波降噪，降噪后對圖像進行二值化和邊緣化的處理，從而便于鞋面缺陷的特征提取。

2）提取了鞋面缺陷邊緣圖像的6 個幾何特征值和4個形狀特征值，實現(xiàn)了特征值對RELM 算法的樣本訓練和模型訓練。

3）實現(xiàn)了RELM 模型對測試樣本的測試，實驗證明，該方法滿足鞋面缺陷檢測時間和正確率的要求。