劉洲峰,高二金,李春雷

(中原工學(xué)院,鄭州450007)

基于紋理特性的織物表面缺陷圖像的分類研究

劉洲峰,高二金,李春雷

(中原工學(xué)院,鄭州450007)

研究了BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)的分類器,并利用BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)對(duì)缺陷圖像進(jìn)行疵點(diǎn)識(shí)別,通過兩者的仿真結(jié)果得出結(jié)論:小波神經(jīng)網(wǎng)絡(luò)具有逼近能力強(qiáng)、收斂速度快、網(wǎng)絡(luò)參數(shù)(隱層結(jié)點(diǎn)數(shù)和權(quán)重)的選取有理論依據(jù)的優(yōu)點(diǎn).

疵點(diǎn)檢測(cè);BP神經(jīng)網(wǎng)絡(luò);小波神經(jīng)網(wǎng)絡(luò)

紋理缺陷檢測(cè)在織物、鋼鐵、木材、玻璃、紙張等表面檢測(cè)中廣泛應(yīng)用[1].從20世紀(jì)70年代起,研究者就對(duì)圖像紋理進(jìn)行了大量的研究,主要集中在圖像紋理的分析、理解與描述和計(jì)算機(jī)自然紋理生成兩大方面,對(duì)紋理分類產(chǎn)生了深遠(yuǎn)的影響[2].缺陷檢測(cè)的難點(diǎn)主要在于,既要準(zhǔn)確地識(shí)別出各類疵點(diǎn)又要滿足檢測(cè)實(shí)時(shí)性要求[3].灰度共生矩陣(GLCM)是被廣泛應(yīng)用的紋理提取算法,但生成的灰度共生矩陣在一般情況下都為稀疏矩陣,導(dǎo)致特征值計(jì)算有大量冗余,運(yùn)行緩慢[4].本文針對(duì)實(shí)踐中具有代表性的紋理圖像,提出BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)的分類器,并利用BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)對(duì)缺陷圖像進(jìn)行疵點(diǎn)識(shí)別.實(shí)驗(yàn)證明,小波神經(jīng)網(wǎng)絡(luò)更簡(jiǎn)單,計(jì)算效率更高,而且能更好地表現(xiàn)不規(guī)則紋理,最終實(shí)現(xiàn)基于紋理特性的織物表面缺陷圖象的分類研究.

1 小波分析和神經(jīng)網(wǎng)絡(luò)

1.1 小波分析基本理論

小波變換(Wavelet Transfo rm)是近年來發(fā)展起來的一種用于信號(hào)分析的數(shù)學(xué)方法.它是一種信號(hào)的時(shí)間—尺度(時(shí)間—頻率)分析方法,具有多分辨率分析(multiresolution analysis)的特點(diǎn),而且在時(shí)、頻兩域都具有表征信號(hào)局部特征的能力,在低頻部分具有較高的頻率分辨率和較低的時(shí)間分辨率,在高頻部分具有較高的時(shí)間分辨率和較低的頻率分辨率.

1.2 BP神經(jīng)網(wǎng)絡(luò)分類器

BP模型與其他神經(jīng)網(wǎng)絡(luò)一樣,也是由處理單元、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和學(xué)習(xí)規(guī)則3部分組成的.整個(gè)網(wǎng)絡(luò)大致可以看作一個(gè)3層的前饋網(wǎng)絡(luò),即輸入層、隱含層、輸出層各處理單元之間前向連接.3層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示.

圖1 3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

1.3 實(shí)驗(yàn)結(jié)果與分析

此實(shí)驗(yàn)中,輸入端是在矩的基礎(chǔ)上對(duì)每一個(gè)紋理特性的織物表面缺陷圖像進(jìn)行二次特征提取,得到4個(gè)特征值,將這4個(gè)特征值作為BP神經(jīng)網(wǎng)絡(luò)的輸入.算法的具體實(shí)現(xiàn)步驟如下:

(1)設(shè)計(jì)輸入層和輸出層:采用每幅圖像的二次特征的4個(gè)特征作為訓(xùn)練和識(shí)別的依據(jù),而需要識(shí)別5種缺陷圖像,所以輸入層的維數(shù)為4,輸出層的維數(shù)為5;

(2)設(shè)計(jì)隱層:對(duì)于非特殊的識(shí)別問題,一般采用3層網(wǎng)絡(luò)即可滿足要求,本識(shí)別系統(tǒng)也采用了3層網(wǎng)絡(luò),在3層網(wǎng)絡(luò)中,隱含層神經(jīng)元個(gè)數(shù) n2和輸入層神經(jīng)元個(gè)數(shù) n1之間有以下近似關(guān)系:n2=2n1+1,由于輸入神經(jīng)元的個(gè)數(shù)為4,所以隱層神經(jīng)元個(gè)數(shù)為9.其中隱層節(jié)點(diǎn)數(shù)的確定很關(guān)鍵,因?yàn)樗苯記Q定了識(shí)別的效果.仿真實(shí)驗(yàn)研究表明,過少的隱層節(jié)點(diǎn)導(dǎo)致識(shí)別結(jié)果較差,過多的隱層節(jié)點(diǎn)數(shù)雖然會(huì)帶來許多細(xì)節(jié)信息,但是這些信息對(duì)分類識(shí)別的貢獻(xiàn)率不大,反而增加了系統(tǒng)的工作量;

(3)網(wǎng)絡(luò)訓(xùn)練:對(duì)于需要識(shí)別的5種缺陷圖像,提取每種缺陷圖像的5個(gè)樣本,共5×5=25個(gè)樣本,在矩的基礎(chǔ)上進(jìn)行二次特征提取,得到4個(gè)參數(shù):均值、能量、標(biāo)準(zhǔn)方差、平均方差,組成1個(gè)4×25的訓(xùn)練樣本矩陣進(jìn)行訓(xùn)練;

梅宏圖雙手抬起，示意大家停止鼓掌：已經(jīng)上傳到網(wǎng)站的詆毀我公司形象的文章，與會(huì)的網(wǎng)站朋友一定要撤下來，換成形象宣傳稿。說到這里，他突然想起了什么，扭頭對(duì)齊眉說，那個(gè)什么“焦點(diǎn)調(diào)查”網(wǎng)站的吳什么你一定要盡快聯(lián)系上，叫他把那篇狗屁文章刪除，打發(fā)給他叁伍仟塊錢，省得他再像狗似的四處亂咬。

(4)缺陷識(shí)別:對(duì)于需要識(shí)別的5種缺陷圖像,提取每種缺陷圖像的10個(gè)樣本,共5×10=50個(gè)樣本,在矩的基礎(chǔ)上進(jìn)行二次特征提取,得到4個(gè)參數(shù):均值、能量、標(biāo)準(zhǔn)方差、平均方差,組成 1個(gè) 4×50的待識(shí)別樣本矩陣.實(shí)際的訓(xùn)練誤差曲線如圖2所示.

圖2 網(wǎng)絡(luò)訓(xùn)練誤差圖像

在進(jìn)行BP網(wǎng)絡(luò)的設(shè)計(jì)時(shí),一般應(yīng)從網(wǎng)絡(luò)的層數(shù)、每層中的神經(jīng)元個(gè)數(shù)和激活函數(shù)、初始值以及學(xué)習(xí)速率等幾個(gè)方面來考慮.但BP神經(jīng)網(wǎng)絡(luò)存在局部最小值,收斂次數(shù)不宜控制.

2 小波神經(jīng)網(wǎng)絡(luò)

2.1 小波神經(jīng)網(wǎng)絡(luò)模型

小波神經(jīng)網(wǎng)絡(luò)可以看作是以小波函數(shù)為基底的一種函數(shù)連接型網(wǎng)絡(luò),也可以認(rèn)為是徑向基函數(shù)(RBF)網(wǎng)絡(luò)的推廣.它具有與一般的前饋網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)不同的特點(diǎn),在神經(jīng)網(wǎng)絡(luò)研究領(lǐng)域中具有重大潛力.小波神經(jīng)網(wǎng)絡(luò)結(jié)合小波變換和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn),特別適合于函數(shù)逼近、系統(tǒng)辨識(shí)、數(shù)據(jù)壓縮等領(lǐng)域.

小波神經(jīng)網(wǎng)絡(luò)相對(duì)于BP神經(jīng)網(wǎng)絡(luò)的一個(gè)優(yōu)點(diǎn)就是小波神經(jīng)網(wǎng)絡(luò)的初始化有一定的理論指導(dǎo),從而使得小波神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)有可能比BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)更快地收斂.在初始化方面,BP神經(jīng)網(wǎng)絡(luò)只是簡(jiǎn)單地選取一些差不多的隨機(jī)數(shù),而且取值的范圍都是依靠經(jīng)驗(yàn)來大致確定.

小波神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)與BP模型相似,所不同的是隱層單元激勵(lì)函數(shù)為小波變換函數(shù),圖3所示為小波神經(jīng)網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu).對(duì)于多變量輸入、輸出系統(tǒng)f,Rm→Rn,小波神經(jīng)網(wǎng)絡(luò)的輸入輸出關(guān)系可表示為:

圖3 小波神經(jīng)網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu)

式中:xk(k=1,2,…,m)為輸入層的第k個(gè)輸入分量;yi(i=1,2,…,n)為第 i個(gè)輸出分量;m、n和 r分別為輸入層、輸出層和隱層單元數(shù);由隱層第 j個(gè)單元到輸出層第i個(gè)單元的連接權(quán)值Wij,由輸入層第k個(gè)單元到隱層第j個(gè)單元的連接權(quán)值,分別為小波函數(shù)的尺度和位移;其中

小波神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法,利用訓(xùn)練數(shù)據(jù)初始化網(wǎng)絡(luò)參數(shù),導(dǎo)致訓(xùn)練問題的凸性,使小波神經(jīng)網(wǎng)絡(luò)避免了BP網(wǎng)絡(luò)易陷入局部最優(yōu)的問題.且小波神經(jīng)網(wǎng)絡(luò)的基函數(shù)是正交或近正交小波基,權(quán)重冗余度很小,在訓(xùn)練某一權(quán)重時(shí),對(duì)其他權(quán)重影響較小,因而收斂速度很快.文獻(xiàn)[5]證明了小波神經(jīng)網(wǎng)絡(luò)在一些條件下,訓(xùn)練過程按指數(shù)收斂性和抗干擾的魯棒性.但是,從小波神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法也可以看到,它的構(gòu)造比較復(fù)雜,而且計(jì)算量明顯比BP網(wǎng)絡(luò)大.小波神經(jīng)網(wǎng)絡(luò)的主要運(yùn)算都是向量運(yùn)算,向量的維數(shù)由輸入特征的維數(shù)決定,這樣當(dāng)輸入特征的維數(shù)增大時(shí),小波神經(jīng)網(wǎng)絡(luò)的運(yùn)算量會(huì)呈指數(shù)增長(zhǎng).而且此時(shí),為了逼近效果,隱層單元數(shù)也要有較大的增加,網(wǎng)絡(luò)所需訓(xùn)練樣本也呈指數(shù)增長(zhǎng).這樣就會(huì)產(chǎn)生維數(shù)災(zāi)問題.這些都是其不足之處.

2.3 實(shí)驗(yàn)結(jié)果與分析

小波神經(jīng)網(wǎng)絡(luò)的輸入端與BP神經(jīng)網(wǎng)絡(luò)類似,對(duì)于需要識(shí)別的5種缺陷圖像,提取每種缺陷圖像的5個(gè)樣本,共5×5=25個(gè)樣本,在矩的基礎(chǔ)上進(jìn)行二次特征提取,得到4個(gè)參數(shù):均值、能量、標(biāo)準(zhǔn)方差、平均方差,組成1個(gè)4×25的訓(xùn)練樣本矩陣.選擇Morlet母小波h(s)=cos(1.75s)exp(對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練.

同樣,對(duì)于需要識(shí)別的5種缺陷圖像,提取每種缺陷圖像的10個(gè)樣本,共5×10=50個(gè)樣本,在矩的基礎(chǔ)上進(jìn)行二次特征提取,得到4個(gè)參數(shù):均值、能量、標(biāo)準(zhǔn)方差、平均方差,組成1個(gè)4×50的待識(shí)別樣本矩陣.實(shí)際的訓(xùn)練誤差曲線如圖4所示.

從實(shí)驗(yàn)結(jié)果可以得出:小波神經(jīng)網(wǎng)絡(luò)具有逼近能力強(qiáng)、收斂速度快、網(wǎng)絡(luò)參數(shù)(隱層結(jié)點(diǎn)數(shù)和權(quán)重)的選取有理論依據(jù)等優(yōu)點(diǎn).

在實(shí)驗(yàn)中,對(duì)基于紋理特性的織物表面各種缺陷圖像分別用BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別,結(jié)果如表1所示.

表1 缺陷圖像識(shí)別結(jié)果

圖4 實(shí)際的訓(xùn)練誤差曲線

實(shí)驗(yàn)結(jié)果顯示:小波神經(jīng)網(wǎng)絡(luò)逼近能力強(qiáng)、收斂速度快,具有很強(qiáng)的識(shí)別率和魯棒性.

3 結(jié) 語

本文對(duì)基于紋理特性的織物表面缺陷圖像從圖像模式識(shí)別的角度設(shè)計(jì)出分類模型,主要研究BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)的分類器,并利用其對(duì)缺陷圖像進(jìn)行疵點(diǎn)識(shí)別,通過兩者的仿真結(jié)果得出結(jié)論:小波神經(jīng)網(wǎng)絡(luò)具有逼近能力強(qiáng)、收斂速度快、網(wǎng)絡(luò)參數(shù)(隱層結(jié)點(diǎn)數(shù)和權(quán)重)的選取有理論依據(jù)的優(yōu)點(diǎn).總之,小波神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的識(shí)別率和魯棒性.

[1] 鄒超,朱德森,肖力.基于模糊類別共生矩陣的紋理疵點(diǎn)檢測(cè)方法[J].中國(guó)圖像圖行學(xué)報(bào),2007,12(1):92-97.

[2] 王震,王執(zhí)銓.圖像紋理分析與紋理測(cè)度[J].南京理工大學(xué)學(xué)報(bào),2002,26(增刊):36-42.

[3] 卿湘運(yùn),段紅,魏俊民.基于局部熵的織物疵點(diǎn)檢測(cè)與識(shí)別的研究[J].紡織學(xué)報(bào),2004,25(5):57-58.

[4] 謝菲,陳雷霆,邱航.基于紋理特征提取的圖像分類方法研究及系統(tǒng)實(shí)現(xiàn)[J].計(jì)算機(jī)應(yīng)用研究,2009,26 7:2767-2770.

[5] 楊福生.小波變換的工程分析與應(yīng)用[M].北京:科學(xué)出版社,1999:3-15.

The Research of Texture-based Classification of Fabric Surface Defect Image

L IU Zhou-feng,GAO Er-jin,L IChun-lei
(Zhongyuan U niversity Of Technology,Zhengzhou 450007,China)

This paper mainly studies the BP neural network and w avelet neural netwo rk classifiers,using the BP neural netwo rk and w avelet neural netwo rk fo r the defect recognition of defect image.From the sim ulation results of recognition we can conclude that the w avelet neural network has stronger app roximation ability,faster convergence rate,and the selection of the network parameters(the numbersof the hidden layer pointsand the weights)are on the basis of the theory.

defect detection;BP neural netwo rk;w avelet neural netwo rk

TP391.41

A DO I:10.3969/j.issn.1671-6906.2010.04.009

1671-6906(2010)04-0033-04

2010-06-07

河南省教育廳自然科學(xué)基金項(xiàng)目(200410465201;200510465002)

劉洲峰(1962-),男,河南新鄉(xiāng)人,教授,博士.