黎牧星　黃志鴻

摘要：針對(duì)目前玻璃空瓶回收再生產(chǎn)過(guò)程中造成瓶口缺陷破損的在線實(shí)時(shí)檢測(cè)難題，提出一種基于極限學(xué)習(xí)機(jī)（Extreme Learning Machine， ELM）的檢測(cè)算法。首先對(duì)采集的瓶口進(jìn)行預(yù)處理，通過(guò)研究表面缺陷，提取灰度方差等6種表面特征。然后運(yùn)用遺傳算法對(duì)極限學(xué)習(xí)機(jī)的輸入層層的閾值和權(quán)值進(jìn)行優(yōu)化，提高算法的檢測(cè)精度。最后現(xiàn)場(chǎng)選取569個(gè)樣本對(duì)所設(shè)計(jì)ELM分類器進(jìn)行訓(xùn)練學(xué)習(xí)與測(cè)試，并與LVQ算法、BP分類器對(duì)比實(shí)驗(yàn)。結(jié)果表明該算法能夠滿足對(duì)機(jī)器視覺(jué)檢測(cè)系統(tǒng)缺陷檢測(cè)高速高精度的要求。

關(guān)鍵詞：缺陷檢測(cè)；機(jī)器視覺(jué)；特征提取；極限學(xué)習(xí)機(jī)

中圖分類號(hào)：TP391.4文獻(xiàn)標(biāo)識(shí)碼：A

Abstract：A novel defect detection method based on Extreme Learning Machine was proposed for beer bottle mouth， which tackles with the problem of beer online realtime defect detection in recycling and reproduction process. The proposed method consists of the following steps. First， the bottle mouth is preprocessed by researching on the characteristics of surface defect bottle mouth， which extracts six kinds of surface features such as gray scale variance. Then， to improve the detection accuracy， we optimize Extreme Learning Machine （ELM） input and output layers of threshold and weight by using genetic algorithm. Finally， 569 samples from experimental test platform are selected to design the ELM classifier， and experimental results are compared with LVQ algorithm and BP algorithm. Experimental results show that the proposed ELM based classifier is able to obtain much higher speed and higher detection accuracy， which can meet the requirements of the production enterprise for machine vision system.

Key words：defect detection； machine vision； feature extraction； extreme learning machine

1引言

質(zhì)檢行業(yè)面臨勞動(dòng)力供給不足和勞動(dòng)力成本上升的壓力，采用自動(dòng)化視覺(jué)機(jī)器代替人工操作崗位，是解決制造業(yè)用工問(wèn)題的最有效途徑。機(jī)器視覺(jué)檢測(cè)已在集成電路質(zhì)檢、醫(yī)藥灌裝、電力線路巡檢等方面取得廣泛的應(yīng)用[ 1-4]，采用機(jī)器視覺(jué)檢測(cè)代替人工檢測(cè)。

2圖像采集預(yù)處理

空瓶檢測(cè)機(jī)器人是基于機(jī)器視覺(jué)檢測(cè)、光機(jī)電一體化、圖像處理和軟件編程技術(shù)設(shè)計(jì)的智能化裝備，由多個(gè)CCD相機(jī)、專用LED光源、空瓶傳送系統(tǒng)、次瓶分揀裝置和檢測(cè)控制系統(tǒng)組成。圖1為啤酒瓶視覺(jué)檢測(cè)系統(tǒng)。

采用低角度環(huán)形LED光源的，所發(fā)出的光線照射在瓶口上，瓶口反射的光線進(jìn)入相機(jī)[6，7]，相機(jī)從該光源的孔中對(duì)瓶口進(jìn)行拍照來(lái)獲得瓶口的圖像。

受外界環(huán)境因素的干擾，采集的瓶口圖像存在噪聲需要對(duì)圖像進(jìn)行預(yù)處理以突出瓶口表面特征[8]，同時(shí)抑制目標(biāo)圖像中的噪聲。

對(duì)瓶口圓心進(jìn)行準(zhǔn)確、高速地定位。現(xiàn)場(chǎng)采集200個(gè)瓶口樣本。將200個(gè)瓶口樣本隨機(jī)分成4組，分別用四種瓶口定位檢測(cè)法進(jìn)行測(cè)試。從最大圓檢測(cè)時(shí)間、最大定位誤差等兩個(gè)實(shí)驗(yàn)參數(shù)進(jìn)行比較。表1 為四種瓶口定位檢測(cè)結(jié)果比較。

通過(guò)實(shí)驗(yàn)比較，多次隨機(jī)圓法在時(shí)間和精度上都優(yōu)于其他3種算法采用多次隨機(jī)圓檢測(cè)的瓶口定位方法，來(lái)實(shí)現(xiàn)對(duì)瓶口的精準(zhǔn)定位。

瓶口缺陷面積、周長(zhǎng)、填充度、圓形度、相對(duì)圓心距離、灰度方差等六特征。

3基于極限學(xué)習(xí)機(jī)的檢測(cè)算法設(shè)計(jì)

在獲得提取的瓶口圖像特征后，需要選擇合適的分類算法對(duì)瓶口質(zhì)量進(jìn)行判決。已有多種傳統(tǒng)的分類算法運(yùn)用在缺陷檢測(cè)中，例如LVQ分類器、BP算法、以及ELM神經(jīng)網(wǎng)絡(luò)。，選擇ELM。

3.1極限學(xué)習(xí)機(jī)

極限學(xué)習(xí)機(jī)算法是Huang[10]等人在2006年提出，它是在單隱含層神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上的一種改進(jìn)算法，前饋神經(jīng)網(wǎng)絡(luò)存在訓(xùn)練速度較慢、合適學(xué)習(xí)率選擇困難以及容易陷入局部極小點(diǎn)等問(wèn)題。如圖4所示ELM神經(jīng)網(wǎng)絡(luò)。

3.2使用極限學(xué)習(xí)機(jī)進(jìn)行分類

對(duì)于瓶口檢測(cè)而言，產(chǎn)品為兩類：一類為質(zhì)量合格的瓶口，另一類為含缺陷的瓶口。

極限學(xué)習(xí)機(jī)常用的激勵(lì)函數(shù)包括三角基函數(shù)、hardlim函數(shù)、正弦函數(shù)和Sigmoid函數(shù)、徑向基核函數(shù)（RBF）等5種。根據(jù)，最終選用徑向基核函數(shù)作為極限學(xué)習(xí)機(jī)的激勵(lì)函數(shù)：

K（X，Xi）=exp （-12σ2‖x-xi‖2）（2）

式中σ為調(diào)控參數(shù)，通過(guò)調(diào)控參數(shù)σ，RBF核函數(shù)在實(shí)際應(yīng)用上具有相當(dāng)高的靈活性，也是使用最廣泛的激勵(lì)函數(shù)之一[11]。圖為五種激勵(lì)函數(shù)分類性能的比較。在確定參數(shù)σ時(shí)，提出使用遺傳算法來(lái)進(jìn)行優(yōu)化選擇。遺傳算法的適應(yīng)函數(shù)為：

F=k1-C（3）

式中C為分類準(zhǔn)確率，交叉驗(yàn)證處理后得到。

確定核函數(shù)的參數(shù)后，使用訓(xùn)練樣本對(duì)進(jìn)行訓(xùn)練。提取到特征值輸入到極限學(xué)習(xí)機(jī)前，將數(shù)據(jù)進(jìn)行歸一化處理到[0，1]區(qū)間內(nèi)。

基于遺傳算法的極限學(xué)習(xí)機(jī)的分類方法，其RBF核函數(shù)的參數(shù)用遺傳算法進(jìn)行優(yōu)化后選擇，對(duì)瓶口的參數(shù)選擇取0.51。

4實(shí)驗(yàn)與分析

現(xiàn)場(chǎng)采集569個(gè)瓶口樣本用于實(shí)驗(yàn)其中400個(gè)樣本用于ELM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，即有400組特征向量；另外169個(gè)樣本用于分類器測(cè)試，，作極限學(xué)習(xí)機(jī)算法的輸入向量。

計(jì)算訓(xùn)練集每張瓶口樣本圖像所對(duì)應(yīng)的灰度方差等六個(gè)特征向量，并將提取出來(lái)的400組特征向量逐一添加到ELM分類器中進(jìn)行分類訓(xùn)練，訓(xùn)練終止誤差設(shè)置為 0.001。ELM分類器訓(xùn)練結(jié)束后，再將剩余169個(gè)樣本添加到ELM分類器進(jìn)行分類測(cè)試，部分檢測(cè)結(jié)果見(jiàn)圖。

從表2可看出，ELM分類器識(shí)別率可以達(dá)到99.41%，比BP神經(jīng)網(wǎng)絡(luò)和LVQ神經(jīng)網(wǎng)絡(luò)的正確率有較大提高，同時(shí)訓(xùn)練神經(jīng)網(wǎng)絡(luò)也比其他兩種算法，說(shuō)明使用極限學(xué)習(xí)機(jī)用于，能夠滿足生產(chǎn)過(guò)程中高速高精度的要求。

5結(jié)論

首先對(duì)瓶口進(jìn)行預(yù)處理，提取圖像灰度方差等六種特征。通過(guò)比較幾種激勵(lì)函數(shù)的分類性能，選擇RBF徑向基函數(shù)作為ELM算法的激勵(lì)函數(shù)，并通過(guò)遺傳算法計(jì)算出參數(shù)σ?，F(xiàn)場(chǎng)采集的569份瓶口樣本，對(duì)所設(shè)計(jì)的ELM網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試，實(shí)驗(yàn)結(jié)果表明所設(shè)計(jì)的極限學(xué)習(xí)機(jī)的分類性較傳統(tǒng)的BP、LVQ神經(jīng)網(wǎng)絡(luò)有很大的提高?；谶z傳算法的極限學(xué)習(xí)機(jī)對(duì)啤酒瓶口質(zhì)量檢測(cè)的準(zhǔn)確性較高，同時(shí)具有推廣性能隨著研究，一些學(xué)者提出許多改進(jìn)的方法，如在線學(xué)習(xí)ELM[11]、進(jìn)化ELM[12]等，取得不錯(cuò)的效果。從實(shí)際應(yīng)用而言，基于極限學(xué)習(xí)機(jī)的分類算法有的發(fā)展前景，值得進(jìn)一步的研究。

參考文獻(xiàn)

[1]WU F，ZHANG X，KUAN Y，et al.An AOI algorithmfor PCB based on feature extraction[C].Intelligent Control and Automation， 2008. Wcica 2008. World Congress on. 2008：240-247.

[2]吳成中，王耀南.基于機(jī)器視覺(jué)的注射液中不溶異物檢測(cè)方法研究[J]. 儀器儀表學(xué)報(bào)，2015，07：1451-1461.

[3]WU C Z， WANG Y N. Based on Machine Vision injection should not matter detection [J]. Chinese Journal of Scientific Instrument， 2015，07： 1451-1461.

[4]MARTINEZ C，SAMPEDRO C，CHAUHAN A，et al.Towards autonomous detection and tracking of electric towers for aerial power line inspection[C] International Conference on Unmanned Aircraft Systems. 2014：284-295.

[5]WE YRICH M，WANG Y，SCHARF M. Quality assessment of row crop plants by using a machine vision system[J]. 2013， 20（11）：2466-2471.

[6]王耀南，陳鐵健.智能制造裝備視覺(jué)檢測(cè)控制方法綜述[J].控制理論與應(yīng)用，2015，03：273-286.

[7]LI Z，GENG Q X. An Image Preprocessing Algorithm of Weak and Small Target in Digital Video Interpretation System[C].International Conference on Electrical and Control Engineering. 2010：388-390.

[8]劉煥軍，王耀南，段峰.空瓶的智能檢測(cè)算法研究[J].湖南大學(xué)學(xué)報(bào)：自然科學(xué)版，2005，01：20-24.

[9]周顯恩，王耀南，李康軍，等.一種多次隨機(jī)圓檢測(cè)及擬合度評(píng)估的瓶口定位法[J].儀器儀表學(xué)報(bào)，2015，09：2021-2029.

[10]HUIFUANG， Ng. Automatic thresholding for detect detection[J]. Pattern Recognition Letters， 2006， （27）： 1644-1649

[11]HUANG G B，ZHU Q Y，SIEW C K. Extreme learning machine： Theory and applications[J]. Neurocomputing， 2006， 70（1-3）：489-501.

[12]HUANG G B，SIEW C K. Extreme Learning Machine with Randomly Assigned RBF Kernels[J].International Journal of Information Technology， 2005， 11（1）：16-24.