傅龍?zhí)?，余玉?/p>

(1.福州外語外貿(mào)學院，福建 福州 350011；2.福建廣播電視大學，福建 福州 350008)

基于人工免疫原理的殘次品檢測方法

傅龍?zhí)?，余玉梅2

(1.福州外語外貿(mào)學院，福建 福州 350011；2.福建廣播電視大學，福建 福州 350008)

基于人工免疫原理提出了一種殘次品的檢測方法，能快速識別已知產(chǎn)品殘次類型，并能對未知殘次品類型進行耐受學習，使得成熟檢測器數(shù)量越來越多，識別能力也隨之增強；另外分析了算法性能，并給出了解決方法。設計了三組仿真實驗，實驗證明該方法的殘次品識別率較高。該方法無需購買其他設備，是一種廉價、高效的識別方法。

人工免疫；否定選擇算法；殘次品檢測

0 引言

隨著人們生活水平的提高，對產(chǎn)品質量的要求越來越高，但近年出現(xiàn)了幾次的產(chǎn)品質量事件，例如“三聚氰胺事件”“塑化劑事件”，無疑為產(chǎn)品質量敲響了警鐘。這也反映了殘次品的檢測問題，目前國內(nèi)企業(yè)大多停留在批次產(chǎn)品的抽檢上，這種方法可以了解批次產(chǎn)品的大致合格率，但產(chǎn)品的抽檢并不能代表所有的產(chǎn)品，未被抽檢到的產(chǎn)品次品率不得而知。

國內(nèi)學者英昌盛[1]等人提出了輪廓缺陷檢測方法，肖闊華和劉羽[2]針對紐扣電池表面殘缺提出了基于圖形處理的識別方法，這兩種方法都是需要對產(chǎn)品的外觀進行拍照，通過圖形處理以發(fā)現(xiàn)產(chǎn)品是否有殘損；杜菲和馬天兵[3]利用PLC和組態(tài)軟件實現(xiàn)了全套工業(yè)自動化過程，遺憾的是謹設計了次品剔除組件，而忽略了如何識別次品的模塊設計。T.V.Fursa[4]等人利用遠程探測和傳感器收集數(shù)據(jù)，根據(jù)收集到的數(shù)據(jù)分析信噪比來判定是否為殘次品，這種方法精度能達到80%至90%之間，但機器設備成本較高；A.A.Dubov[5]提出了超聲波和圖形識別檢測方法，該方法能檢查表面也能“窺探”產(chǎn)品的內(nèi)部，是一種精度很高的方法，但成本高昂，難以推廣。

本文提出一種基于免疫原理的檢測方法，能高效地識別已知類型殘次品，對于未知的類型，可通過耐受學習，在下一輪的檢測中識別，并且本方法無需另外購買設備(只需一臺普通的PC機)，是一種高效廉價的檢測方法。

1 算法設計

丹麥學者Jeme在1974提出人工免疫數(shù)學模型，把人工免疫機制引入計算機領域；Forrest等提出了否定選擇算法，否定選擇算法是人工免疫學的主要算法之一，其基本思想是利用“自己”通過匹配規(guī)則識別“非己”，無法識別的進行耐受學習，形成基因，再識別其它抗原，循環(huán)迭代。

1.1 定義

免疫原理的兩個重要步驟是檢測器的生成和異常檢測，為了能實現(xiàn)運算，先給出形式化定義和運算公式。

定義1 產(chǎn)品，設產(chǎn)品的檢測指標由n個參數(shù)組成，組成一個指標集合，如下所示：

P={pi|i∈n,n∈N}

(1)

Peligible={pi|i∈n,n∈N}

(2)

Pdefective={pi|i∈n,n∈N}

(3)

其中，P為某工業(yè)產(chǎn)品，Peligible為合格品，Pdefective為殘次品，pi為產(chǎn)品的檢測指標，N為自然數(shù)。

定義2 親和力閾值，根據(jù)已定義檢測指標，針對每個指標設置對應上限，如下所示：

β={βi|i∈n,n∈N}，N為自然數(shù)

(4)

定義3 匹配規(guī)則，本文采用歐式匹配原則，如下所示：

(5)

定義4 抗原，抗原是待檢樣本，包含“自己”和“非己”，經(jīng)提呈形成抗原，本文采用文獻中提呈方法，如下所示：

Ag=Obtain(P,L),L∈N，N為自然數(shù)

(6)

設其特征值集合：

Ag={gi|i∈n,n∈N}

(7)

其中Obtain(P,L)表示產(chǎn)品P經(jīng)提呈后得到長度為L的特征值集合，記作gi。特征值的提呈，需要根據(jù)檢測指標，提取產(chǎn)品的相應特征，這些特征可能包含產(chǎn)品的表面特征和內(nèi)部特征等。

定義5 抗體，把殘次品提呈后獲得長度為L的特征值，如下所示：

Ab=Obtain(Pdfective,L),L∈N，N為自然數(shù)

(8)

設其特征值集合：

Ab={bi|i∈n,n∈N}，N為自然數(shù)

(9)

定義6 檢測器，候選檢測器中的樣本經(jīng)過耐受學習，存活的進入成熟檢測器集合，定義如下：

Rcandidate={rci|rci=Ag,i∈N}

Rmature={rmi|rmi=Ab=d(pi,gi)≥βi,?gi，gi∈Ag,pi∈Peiligible,i∈N}

(10)

定義7 檢測函數(shù)，用于檢測待檢樣本，當函數(shù)返回1表示識別了殘次品；返回2表示產(chǎn)品合格；返回0表示無法識別，則進入候選檢測器，重新耐受學習。如果成活則添加到成熟檢測器集合中。

Detect(Rmature,Ag)=

(11)

1.2 算法描述

殘次品的識別是一個復雜的過程，基本思想是已知殘次品類型經(jīng)提呈后形成初始的成熟檢測器，對于已知的類型一旦進入檢查，則能快速識別；對于未知類型則進入候選檢測器，進行耐受學習，再進入成熟檢測器，當未知類型進入系統(tǒng)檢測，則能快速識別。實現(xiàn)過程如圖1所示。

本算法在初始時，成熟檢測器較少識別成功率較低；通過多次迭代，獲得的成熟檢測器越來越多，識別率將顯著提高。

1.3 算法實現(xiàn)

1.3.1 成熟檢測器生成算法

成熟檢測器集合的生成過程，本質是人工免疫系統(tǒng)的學習過程，即耐受學習、存活過程。實現(xiàn)過程如下所示：

輸入：“未知品”和候選檢測器集合

輸出：成熟檢測器集合

ProcedureDetectorGeneration()

Begin

RC．Add(Ag); // “未知品”和候選檢測器集合添加到候選檢測器集合中

loop//循環(huán)迭代

{

if(d(rc[i],Pe[i])>β[i]) // 候選檢測器的特征值和合格品的比對

RM．Add(rc); // 如果超過閾值則耐受學習成功，進入成熟檢測器

}

End;

1.3.2 殘次品檢測算法

檢測算法是識別“非己”的過程，分成三個步驟。根據(jù)前述定義實現(xiàn)過程如下所示：

輸入：待檢抗原和成熟檢測器集

輸出：合格品、殘次品、未知品

ProcedureDefectiveDetection()

Begin

// 步驟一：首先與合格品特征比對，判定是否為合格品

loop

{

if(d(Ag[j],Pe[j]) ≤β[i]) // 與合格品的特征值比對

EligibleOutput();Quit(); // 如果匹配成功，即識別為合格品

}

// 步驟二：如果不是合格品，再與成熟檢測器比對，判定是否為殘次品

loop

{

if(d(rm[i],Ag[i]) == 0) // 成熟檢測器的特征值和抗原的比對

DefectiveOutput();Quit(); // 如果匹配成功，即識別為殘次品，結束退出}

// 步驟三：“未知品”進入檢測器耐受學習

DetectorGeneration();

End;

2 仿真實驗

對本算法進行了仿真實驗，實驗采用普通的PC機，CPU為酷睿四核i7，內(nèi)存4G，64位的Win7操作系統(tǒng)。為了收集真實實驗數(shù)據(jù)，實驗場地設在某化工產(chǎn)品生產(chǎn)廠房車間，用真實的產(chǎn)品來檢驗算法的有效性。

本次實驗待檢產(chǎn)品1萬個，合格品9900個，殘次品100個，檢測次數(shù)6次，親和力設為0.5，設計了三組實驗，分別是成熟檢測器數(shù)量為0、100、500時的殘次品識別情況，實驗結果如表1至表3所示。

表1 成熟檢測器數(shù)量為0時殘次品識別率

表2 成熟檢測器數(shù)量為100時殘次品識別率

表3 成熟檢測器數(shù)量為500時殘次品識別率

根據(jù)上述三組實驗結果，進行匯總，取每組6次實驗的平均值，為了便于分析，繪制成表格，如表4所示。

表4 平均殘次品識別率

從表4可以看出人工免疫檢測算法在成熟檢測器較多的情況下識別率比較高，到達97%，說明人工免疫系統(tǒng)是一個學習迭代過程，系統(tǒng)使用時間越長獲得成熟檢測器越多，識別率越高。輪廓檢測和超聲檢測這兩種方法對檢測器的數(shù)量反應不敏感，識別率比較穩(wěn)定。根據(jù)表4得到更為直觀的比較圖，如圖2所示。

圖2(a)反映三種情況下識別率曲線，由于工業(yè)產(chǎn)品的殘損情況各不相同，超聲檢測法精度較高，因為該方法不只是能檢測產(chǎn)品外觀還能深入到內(nèi)部；人工免疫法在第一、二組檢測率識別率都較低，主要原因是成熟檢測器的數(shù)量較少，識別能力有限，當成熟檢測器數(shù)量達到500個后，檢測識別能力提高，幾乎能與成本高昂的超聲檢測法相媲美。觀察圖2(b)的曲線是單調(diào)遞增的，即隨著成熟檢測器越來越多，識別率也會越來越高。另外該曲線的斜率趨緩，說明隨著成熟檢測器增多，對識別率的貢獻越來越小，即殘次品的種類特征大多已包含在現(xiàn)有的成熟檢測器集合中了，沒有進入的只是小眾群體。

3 結論

針對當前國內(nèi)產(chǎn)品質量問題，提出了一種基于人工免疫的殘次品檢測算法，相較于輪廓檢測法和超聲檢測法，該算法是一種廉價的檢測方法，具備良好的學習能力，在算法穩(wěn)定運行一段時間獲得足夠成熟檢測器后，檢測識別能力能與設備投入高昂的超聲檢測法相媲美，特別對于已知殘次品類型能快速識別。

[1] 英昌盛,徐志偉,常大俊.基于統(tǒng)計矩的輪廓缺陷檢測[J].長春大學學報,2015,25(12):30-33.

[2] 肖闊華,劉羽.紐扣電池表面缺陷檢測算法的研究[J].表面技術,2013,42(1):127-130.

[3] 杜菲,馬天兵.基于MCGS組態(tài)軟件的次品自動監(jiān)控系統(tǒng)設計[J].制造業(yè)自動化,2013,35(6):27-29.

[4]T.V.Fursa,D.D.Dann,A.A.Demikhova.Ascannerforthedetectionofdefectiveareasinlargeconcreteproducts[J].RussianJournalofNondestructiveTesting,2015,51(7):423-432.

[5]A.A.Dubov.DetectionofMetallurgicalandProductionDefectsinEngineeringComponentsUsingMetalMagneticMemory[J].Metallurgist,2015,59(1):164-167.

Defective products Detection Based on Artificial Immune Theory

FULong-tian1,YUYu-mei2

(1.FuzhouUniversityofInternationalStudiesandTrade,Fuzhou350011,China;2.TheOpenUniversityofFujian,Fuzhou350008,China)

In this paper, the use of artificial immune principle proposed method for detecting defective products, the method can quickly identify known types of defective products, defective products and to the unknown type of learning tolerance, so that an increasing number of mature detector, recognition also increases; Also this paper analyzes the performance of the algorithm, and gives a solution. Designed three simulation experiments prove defective products high recognition rate of the method; the method does not require the purchase of other equipment, it is an inexpensive and efficient method of identification.

artificial immune; negative selection algorithm; detection of defective products

2016-11-10

傅龍?zhí)?1976-)，男，碩士，福州外語外貿(mào)學院信息系講師，研究方向：信息安全、人工免疫。

TP393

A

1674-3229(2017)01-0017-04