金守峰， 林強強， 馬秋瑞， 張 浩

(1. 西安工程大學(xué) 機電工程學(xué)院， 陜西 西安 710048； 2. 西安工程大學(xué) 服裝與藝術(shù)設(shè)計學(xué)院， 陜西 西安 710048)

隨著人們物質(zhì)生活水平的提高，對織物表面的時尚性、舒適性等性能要求也在不斷提升。為滿足織物的外觀、手感及保暖性的要求，在織物表面進行起毛工藝處理，使織物表面具有一定厚度，且分布一致的絨毛，該絨毛的狀態(tài)影響著起毛后織物表面的性能和質(zhì)量[1-2]。由于起毛工藝后織物表面絨毛的長度和形態(tài)較為復(fù)雜，現(xiàn)階段對起毛織物的絨毛質(zhì)量檢測方法主要以有經(jīng)驗的工藝人員通過視覺和觸覺的主觀判斷為準(zhǔn)，檢測人員的主觀經(jīng)驗起主導(dǎo)作用，無法量化絨毛質(zhì)量參數(shù)，檢測絨毛織物是否合格的效率較低。

隨著計算機技術(shù)和圖像處理算法的不斷提高，織物表面質(zhì)量檢測也向高效化和智能化方向發(fā)展，視覺測量技術(shù)已在織物質(zhì)量檢測領(lǐng)域得到了廣泛應(yīng)用。文獻[3-5]針對織物疵點采用改進的函數(shù)濾波器、小波變換及形態(tài)學(xué)等方法進行識別與分類，這些方法結(jié)合改進的BP神經(jīng)網(wǎng)絡(luò)提升了織物疵點的細節(jié)特征精度，與傳統(tǒng)的織物疵點檢測方法相比，提高了識別效率[3-5]，但是，目前缺乏標(biāo)準(zhǔn)的織物疵點訓(xùn)練數(shù)據(jù)集，使得研究者應(yīng)用的數(shù)據(jù)集各不相同[6-7]。文獻[8-10]中針對織物在穿著過程中摩擦導(dǎo)致織物表面出現(xiàn)的起毛或起球等缺陷，采用傅里葉變換、小波變換等方法將起毛或起球織物圖像變換至頻域處理，并建立相應(yīng)的織物起毛或起球的評價指標(biāo)，通過機器視覺檢測進行客觀評價。文獻[11]采用0.7～4.5倍的放大鏡頭獲取織物表面絨毛的微觀截面圖像，建立了絨毛率檢測的數(shù)學(xué)模型，實現(xiàn)了織物表面采樣長度為 2～10 mm 內(nèi)的表面絨毛率的測量。文獻[11]與本文的研究內(nèi)容相似，均是針對織物表面絨毛質(zhì)量的檢測，但與本文方法相比，文獻所述方法由于采樣長度較小，不能真實反映整幅織物表面的絨毛狀態(tài)[11]。

為提高織物在起毛工藝后的絨毛質(zhì)量檢測效率，客觀評價絨毛織物質(zhì)量，實現(xiàn)自動化檢測，本文提出基于BP神經(jīng)網(wǎng)絡(luò)織物表面絨毛質(zhì)量的客觀評定方法。該方法通過光切成像原理獲取織物表面絨毛的輪廓圖像，提取織物上邊緣輪廓的特征點數(shù)據(jù)，以此為數(shù)據(jù)集訓(xùn)練構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)，并根據(jù)訓(xùn)練時間以及準(zhǔn)確率對隱含層的神經(jīng)元個數(shù)做相應(yīng)的選擇，最終以BP神經(jīng)網(wǎng)絡(luò)的輸出值判別絨毛織物是否合格。

1 光切成像原理與自適應(yīng)圖像分割

1.1 光切成像原理

通過起毛工藝在織物表面形成具有一定厚度的致密絨毛，為獲取織物表面絨毛厚度與分布狀態(tài)信息，本文采用如圖1所示的光切成像原理。

圖1 光切成像原理Fig.1 Principle of light-cut imaging

相機與條形光源分別置于被測織物的兩側(cè)，條形光源為長方體形狀，長×寬×高為37 cm×4.2×2.1 cm， LED(18&22PCS)光源，功率為5 W，4 500 K 自然光。條形光源置于輥子的正下方，使光線與輥子軸向輪廓邊緣相切，采用背景光成像可避免受織物表面紋理及顏色特征的干擾，突出被測織物表面的絨毛邊緣輪廓?？椢锇苍谳佔颖砻?，隨輥子勻速轉(zhuǎn)動，當(dāng)旋轉(zhuǎn)至拍攝位置時，織物表面的絨毛在輥子的張力作用下其厚度及分布狀態(tài)最為明顯，此時相機獲取到的織物圖像如圖2所示。

圖2 絨毛織物切向圖像Fig.2 Tangential image of fabric

在圖2中，主要分為背景區(qū)域、絨毛區(qū)域以及絨毛底布區(qū)域。為獲取更加清晰的織物圖像，減少拍攝背景對織物絨毛輪廓的影響，采用黑色作為背景；絨毛區(qū)域經(jīng)過條形光源照射后可清晰地與背景和底布區(qū)域分隔開，便于獲取所需要的實驗特征點數(shù)據(jù)集；絨毛底布區(qū)域則是未拉起絨毛的織物部分，是絨毛的基體。

1.2 自適應(yīng)圖像分割

將圖像進行分割，將絨毛區(qū)域的特征提取出來，同時將背景區(qū)域和底布分開。由圖3所示的灰度直方圖分布特征可知，背景區(qū)域的灰度值集中分布在0～25之間，且像素個數(shù)遠大于絨毛區(qū)域的像素數(shù)，而絨毛區(qū)域的灰度值集中在25～110之間，因此可利用最大類間方差法對圖像進行自適應(yīng)分割。提取的絨毛區(qū)域特征圖如圖4所示。

圖3 灰度直方圖Fig.3 Grayscale histogram

經(jīng)過分割后的圖像背景區(qū)域和絨毛底布區(qū)域與絨毛區(qū)域完全分離，圖中白色區(qū)域為織物的絨毛部分，黑色為背景區(qū)域；且在圖像中上邊緣輪廓的起伏狀態(tài)反映了該織物的絨毛厚度以及分布情況，應(yīng)用Freeman鏈碼原理對上邊緣的輪廓特征進行提取，進而得到BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)集。

圖4 絨毛區(qū)域Fig.4 Fabric binarization image

2 織物輪廓特征提取

鏈碼技術(shù)最早用來作為線條的數(shù)據(jù)格式是由Freeman提出的，F(xiàn)reeman編碼是目前一直在用的一種常用線條編碼方式，鏈碼的產(chǎn)生和定義都是按照邊界曲線或曲線像素點用8鄰接的方式進行，各個移動的方向按照數(shù)組{i|i=0,1,2,…,7}進行編碼。各個方向都定義成與x軸正向的45°×i夾角。除8鄰接的方式外，還有4鄰接方式。

準(zhǔn)確地提取織物邊緣的輪廓特征是獲得訓(xùn)練數(shù)據(jù)的前提和關(guān)鍵，本文通過應(yīng)用Freeman鏈碼編碼方式的原理對織物絨毛邊緣進行坐標(biāo)點特征點的提取，其計算過程如下。

1)計算提取輪廓邊緣的大小，記為M×N，而后生成(M+2,N+2)的0矩陣，將邊緣輪廓嵌入其中，即用0將其包圍，用來保證形成8鄰域圖像；

2)尋找第一個像素為1的坐標(biāo)，即為第一個搜索方向的起點，而后對其余7個方向搜索，尋找下一個像素為1的坐標(biāo)，依次進行搜索，并記錄當(dāng)前的坐標(biāo)；

3)當(dāng)其余7個方向均為0時，則停止計算，返回坐標(biāo)值。通過應(yīng)用上述算法，可提取織物絨毛輪廓的邊緣坐標(biāo)。將獲得的絨毛織物輪廓邊緣數(shù)據(jù)對應(yīng)于原二值圖像如圖5所示，以該數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)集。由圖可知，應(yīng)用該方法提取的織物輪廓邊緣坐標(biāo)基本與織物上邊緣吻合，可以反映邊緣輪廓特征。

圖5 織物絨毛輪廓邊緣坐標(biāo)提取Fig.5 Coordinate extraction of fabric fluff contour edge

3 絨毛質(zhì)量檢測的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播算法進行網(wǎng)絡(luò)訓(xùn)練的反饋型神經(jīng)網(wǎng)絡(luò)，3層BP神經(jīng)網(wǎng)絡(luò)模型如圖6所示。將提取的織物輪廓坐標(biāo)作為BP神經(jīng)網(wǎng)絡(luò)坐標(biāo)數(shù)據(jù)集，并且對于合格的絨毛織物目標(biāo)輸出為1，其余不合格的目標(biāo)輸出為0，通過坐標(biāo)數(shù)據(jù)集和目標(biāo)輸出對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，實現(xiàn)絨毛織物是否合格的快速檢測。

BP神經(jīng)網(wǎng)絡(luò)一般由3層組成，即輸入層、隱含層(由1層或多層組成)和輸出層。改變隱含層數(shù)量、神經(jīng)元個數(shù)以及激活函數(shù)，可以實現(xiàn)非線性擬合[12-14]。如圖6所示，xi為BP神經(jīng)網(wǎng)絡(luò)的輸入，wmi為輸入層與隱含層之間的連接權(quán)重，ki為隱含層各神經(jīng)元的輸出，wij為隱含層和輸出層之間的連接權(quán)重，Yi為神經(jīng)網(wǎng)絡(luò)的輸出值。輸入層與權(quán)值wmi加權(quán)求和，然后作為輸入與隱層激活函數(shù)做運算，得到的值再與權(quán)值wij求加權(quán)和，最后與輸出層激活函數(shù)運算，得到整個BP神經(jīng)網(wǎng)絡(luò)的輸出。

圖6 3層BP神經(jīng)網(wǎng)絡(luò)Fig.6 Three-layer BP neural network

3.1 訓(xùn)練集制作

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)屬于有監(jiān)督學(xué)習(xí)，需要1組已知目標(biāo)輸出的學(xué)習(xí)樣本集。訓(xùn)練時先使用隨機值作為權(quán)值，輸入學(xué)習(xí)樣本得到網(wǎng)絡(luò)輸出，然后根據(jù)輸出值與目標(biāo)輸出計算誤差，再由誤差根據(jù)某種準(zhǔn)則逐層修改權(quán)值，使誤差減小，如此反復(fù)，直到誤差不再下降，BP神經(jīng)網(wǎng)絡(luò)就訓(xùn)練完成。主要的訓(xùn)練階段可分為工作信號的正向傳播和誤差信號的反向傳播。

應(yīng)用光切成像原理，共采集織物照片435張，其中合格絨毛織物225張，不合格絨毛織物210張，部分照片如圖7所示。圖7(a)示出生產(chǎn)檢測合格的絨毛織物，數(shù)據(jù)集其標(biāo)簽為1，即BP神經(jīng)網(wǎng)絡(luò)期望輸出值為1；圖7(b)示出生產(chǎn)檢測不合格的絨毛織物，數(shù)據(jù)集其標(biāo)簽為0，BP神經(jīng)網(wǎng)絡(luò)期望輸出值為0，并應(yīng)用Freeman鏈碼提取原理對預(yù)處理后的織物邊緣坐標(biāo)進行提取，獲得實際數(shù)據(jù)集大小為343×840的坐標(biāo)矩陣。由于像素的橫坐標(biāo)是從1到840依次遞增，為方便表示，在表1中省略了橫坐標(biāo)，僅表示了部分織物上邊緣縱坐標(biāo)數(shù)據(jù)。

圖7 樣本數(shù)據(jù)集部分照片F(xiàn)ig.7 Part of sample data set. (a)Production inspection of unqualified fabrics; (b)Production inspection qualified fabric

3.2 BP神經(jīng)網(wǎng)絡(luò)激活函數(shù)及學(xué)習(xí)函數(shù)

3.2.1 激活函數(shù)

激活函數(shù)給神經(jīng)網(wǎng)絡(luò)的神經(jīng)元加入非線性因子，使得神經(jīng)網(wǎng)絡(luò)可以任意逼近任何非線性函數(shù)，從而使神經(jīng)網(wǎng)絡(luò)可以應(yīng)用到眾多的非線性關(guān)系模型中。BP神經(jīng)網(wǎng)絡(luò)一般使用Sigmoid函數(shù)和線性函數(shù)作為激活函數(shù)，而Sigmoid函數(shù)主要根據(jù)輸出值是否包含負值又可分為Log-Sigmoid(見式(1))和Tan-Sigmoid函數(shù)(見式(2))[15-16]。

(1)

(2)

式中：x為輸入值，其范圍為整個實數(shù)域；e為自然常數(shù)，其值約為2.718 28；f(x)為函數(shù)輸出。

Log-Sigmoid函數(shù)可以將輸入從整個實數(shù)域的范圍映射到(0，1)區(qū)間內(nèi)，Tan-Sigmoid函數(shù)可以將輸入從整個實數(shù)域的范圍映射到(-1，1)區(qū)間內(nèi)。并且Sigmoid函數(shù)可微，因而可以利用梯度下降法優(yōu)化各權(quán)值，使權(quán)值更新以達到神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)。

3.2.2 訓(xùn)練函數(shù)

在權(quán)值更新過程中的訓(xùn)練算法主要為最速下降法，又稱梯度下降法，是一種可微函數(shù)的優(yōu)化算法，標(biāo)準(zhǔn)的最速下降法在實際應(yīng)用過程中往往收斂速度比較慢，因此出現(xiàn)了動量BP算法、學(xué)習(xí)率可變的BP算法、擬牛頓法LM(levenberg-marquardt)算法[17-19]。

動量BP法是在標(biāo)準(zhǔn)的BP算法的權(quán)值更新基礎(chǔ)上引入動量因子α(0<α<1)，使權(quán)值修正具有一定的慣性。

Δω(n)=-η(1-α)e(n)+αΔω(n-1)

(3)

式中：Δω(n)為第n次權(quán)值調(diào)整量；η為學(xué)習(xí)率；e(n) 為神經(jīng)網(wǎng)絡(luò)誤差；Δω(n-1)為第n-1次權(quán)值調(diào)整量。因式αΔω(n-1)加入后，使本次權(quán)值的更新方向和幅度不僅與本次計算所得的梯度有關(guān)，并且還與上一次更新的梯度和幅度有關(guān)，使權(quán)值的更新具有一定的慣性，提高了抗震能力和加速收斂的能力[20]。

學(xué)習(xí)率可變的BP算法(VLBP)是通過誤差的增減來判斷的。當(dāng)誤差以減小的方式趨于目標(biāo)時，說明修正方向是正確的，可以增加學(xué)習(xí)率；反之則減小學(xué)習(xí)率，并且撤銷前一步修正過程，計算公式如下：

(4)

式中：η(n+1)和η(n)分別為第n+1次和n次學(xué)習(xí)率；kinc和kdec分別為增量和減量因子；e(n+1)和e(n)分別為第n+1次和第n次更新后神經(jīng)網(wǎng)絡(luò)總誤差。

牛頓法是一種基于泰勒級數(shù)展開的快速優(yōu)化算法，迭代公式如下：

ω(n+1)=ω(n)-H-1(n)g(n)

(5)

式中：ω(n+1)和ω(n)分別為第n+1次和第n次更新后神經(jīng)網(wǎng)絡(luò)權(quán)值；g(n)為第n次更新時的梯度；H為誤差性能函數(shù)的Hessian矩陣。盡管牛頓法收斂速度快，但是需要計算誤差性能函數(shù)的二階導(dǎo)數(shù)，并且如果Hessian矩陣非正定，可能導(dǎo)致搜索方向不是函數(shù)下降方向，因此擬牛頓法應(yīng)用一個不包含二階導(dǎo)數(shù)的近似代替Hessian矩陣的逆矩陣，完成權(quán)值的更新。

LM算法類似擬牛頓，根據(jù)式(6)修正神經(jīng)網(wǎng)絡(luò)權(quán)值

ω(n+1)=ω(n)-[JTJ+μJ]-1JTe(n)

(6)

式中：J為包含誤差性能函數(shù)對網(wǎng)絡(luò)權(quán)值一階導(dǎo)數(shù)的雅可比矩陣；μ為調(diào)節(jié)因子。

3.3 模型分析

根據(jù)以上網(wǎng)絡(luò)參數(shù)，在實際網(wǎng)絡(luò)的訓(xùn)練過程中，分別使用最速下降法、動量BP算法、學(xué)習(xí)率可變的BP算法、擬牛頓法、LM算法等權(quán)值更新的算法對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，并且在隱含層分別使用Log-Sigmoid和Tan-Sigmoid 2種非線性函數(shù)為激活函數(shù)，在輸出層分別使用Log-Sigmoid和Tan-Sigmoid 2種非線性函數(shù)以及線性函數(shù)(purelin)為激活函數(shù)對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，結(jié)果如表1所示。traingd為批梯度下降訓(xùn)練函數(shù)，traingdm為動量批梯度下降函數(shù)，traingdx為動量及自適應(yīng)梯度遞減訓(xùn)練函數(shù)，trainb以權(quán)值或閾值為基準(zhǔn)采用批處理的方式進行訓(xùn)練，trainscg為反向傳播算法訓(xùn)練函數(shù)，trainr為隨機順序遞增更新訓(xùn)練函數(shù)。

表1 神經(jīng)網(wǎng)絡(luò)模型分析Tab.1 Neural network model analysis

從表2中可以看出，訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)有 2組準(zhǔn)確率達到了90%，考慮到實驗的隨機性，分別繪制出準(zhǔn)確率在90%附近組合(共4組)的實際值和預(yù)測值，結(jié)果如圖8所示，組合1學(xué)習(xí)函數(shù)為traingd，隱含層激活函數(shù)為tansig，輸出層激活函數(shù)為tansig；組合2學(xué)習(xí)函數(shù)為traingdm，隱含層激活函數(shù)為logsig，輸出層激活函數(shù)為purelin；組合3學(xué)習(xí)函數(shù)為traincsg，隱含層激活函數(shù)為logsig，輸出層激活函數(shù)為tansig；組合4學(xué)習(xí)函數(shù)為trainr，隱含層激活函數(shù)為tansig，輸出層激活函數(shù)為logsig。從中選取最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)組合。

圖8 不同組合的實際值和預(yù)測值Fig.8 Actual and predicted values for different combinations. (a)Combination 1; (b)Combination 2; (c)Combination 3; (d)Combination 4

由圖8可知，在組合1中，當(dāng)采用traingd的學(xué)習(xí)函數(shù)，隱含層應(yīng)用tansig激活函數(shù)，輸出層應(yīng)用tansig激活函數(shù)時，神經(jīng)網(wǎng)絡(luò)的檢測準(zhǔn)確率為93.02%，并且預(yù)測點比較分散，與實際值最為接近。并且此時網(wǎng)絡(luò)訓(xùn)練時間為11 s。構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練時間較短，經(jīng)過訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型檢測準(zhǔn)確率較高，在擴大數(shù)據(jù)集后可以滿足實際的生產(chǎn)檢測需求。

BP神經(jīng)網(wǎng)絡(luò)可以通過適當(dāng)?shù)卦黾与[含層神經(jīng)元個數(shù)，從而實現(xiàn)任意的非線性關(guān)系映射。但隨著隱含層神經(jīng)元的個數(shù)增多，網(wǎng)絡(luò)會變得復(fù)雜且訓(xùn)練時間會變長。目前BP神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元個數(shù)并沒有明確的理論計算公式，只是依據(jù)如下3個經(jīng)驗公式獲得：

(7)

m=log2n

(8)

(9)

式(7)～(9)中：m為隱含層神經(jīng)元個數(shù)；n為輸入層節(jié)點個數(shù)；l為輸出層節(jié)點個數(shù)；α一般取1～10之間的常數(shù)。根據(jù)以上經(jīng)驗公式，分別計算得到隱層神經(jīng)元個數(shù)為29、10、29。為得到最優(yōu)的神經(jīng)元個數(shù)，從5～40的范圍內(nèi)以間隔為5的標(biāo)準(zhǔn)，共選取8種不同的神經(jīng)元個數(shù)作相應(yīng)的訓(xùn)練，經(jīng)過計算，當(dāng)隱含層的神經(jīng)元個數(shù)在10～20之間時，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測準(zhǔn)確率全部為93.02%，訓(xùn)練時間在 10 s 左右，網(wǎng)絡(luò)比較穩(wěn)定。

4 實驗部分

本文實驗以MatLab2018a為實驗環(huán)境，應(yīng)用其中的神經(jīng)網(wǎng)絡(luò)相關(guān)函數(shù)，完成所有的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練以及BP神經(jīng)網(wǎng)絡(luò)的測試。計算機處理器型號為：Intel(R) Core(TM) i5-4440 @3.10 GHz，安裝內(nèi)存為8 G。

為驗證本文方法的精度和穩(wěn)定性，對如圖9所示的4種絨毛織物在運行速度為20 m/min，采樣幅寬為700 mm的條件下進行多次測量。圖9中(a)示出頭道起毛工藝后的織物，織物表面生成的絨毛厚度不致密，且分布不均；圖9(b)～(d)為不同顏色織物的末道起毛工藝后的表面狀態(tài)，絨毛致密且分布均勻。

圖9 起毛工藝后的織物Fig.9 Fabric after raising process. (a) First raising a#; (b) Final raising b#; (c) Final raising c#; (d) Final raising d#

由于BP神經(jīng)網(wǎng)絡(luò)輸入的是織物的上邊緣坐標(biāo)，不需要織物的顏色和種類信息，在理論上適用于所有顏色的織物，由于實驗條件有限，只采用了以上織物進行實驗。織物類型a#為黑色經(jīng)頭道起毛工序生產(chǎn)的織物，b#、c#、d#為不同顏色的經(jīng)末道起毛工序生產(chǎn)的織物；分別提取以上4種織物輪廓邊緣特征，應(yīng)用網(wǎng)絡(luò)實際預(yù)測值和人工檢測結(jié)果作對比，檢測結(jié)果如表2所示。

由于構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)輸入的訓(xùn)練數(shù)據(jù)是絨毛織的上邊緣輪廓坐標(biāo)，并沒有輸入顏色相關(guān)的信息，因此構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)對于顏色信息并不敏感。由表2可知，構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)對于不同顏

表2 檢測結(jié)果對比Tab.2 Comparison of test results

色的絨毛織物都可完成檢測，并且檢測結(jié)果與人工評判保持一致。

經(jīng)過訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)得到2組權(quán)值，即為wmi和wij，經(jīng)過加權(quán)求和，然后與激活函數(shù)運算后得到計算結(jié)果，即計算過程如式(10)所示：

F(x)=tansig(wij×tansig(wmi×x+b1)+b2)

(10)

經(jīng)過訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)權(quán)值如表3所示。其中wmi和wij分別為20×841和1×20大小的矩陣，b1和b2分別為20×1和1×1大小的矩陣。

表3 BP神經(jīng)網(wǎng)絡(luò)權(quán)值驗證結(jié)果Tab.3 BP neural network weight verification results

由于構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)的輸出值接近于0和1之間，因此設(shè)置0.5為閾值，即輸出大于等于0.5的值全部設(shè)置為1，小于0.5的值則為0，計算結(jié)果與期望輸出值對比如圖10所示。

圖10 計算權(quán)值驗證Fig.10 Calculated weight verification

由圖10可知，經(jīng)過訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)在輸入所采集的絨毛織物輪廓的上邊緣坐標(biāo)數(shù)據(jù)后，經(jīng)過BP神經(jīng)網(wǎng)絡(luò)的預(yù)測，對于生產(chǎn)合格的絨毛織物BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出值為1，而對于生產(chǎn)不合格的絨毛織物BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出值為0。應(yīng)用權(quán)值與實際的輸入坐標(biāo)做矩陣運算，得到的預(yù)測結(jié)果也符合實際值，并且計算結(jié)果比較理想，因此，在實際計算過程中，可以應(yīng)用網(wǎng)絡(luò)訓(xùn)練后的權(quán)值采用式(10)與輸入做相應(yīng)的運算，得到檢測結(jié)果，滿足檢測的時效性。

5 結(jié) 論

為提高絨毛織物檢測的自動化水平，并客觀地評定絨毛織物的表面狀態(tài)，提出一種基于BP神經(jīng)網(wǎng)絡(luò)的織物表面絨毛質(zhì)量的檢測方法，可以實現(xiàn)非接觸式高效快速檢測。

1)應(yīng)用光切成像原理和自適應(yīng)圖像分割，對采集的織物圖像做相應(yīng)的預(yù)處理，得到二值圖像。

2)提出Freeman鏈碼原理提取織物上邊緣特征點坐標(biāo)，作為數(shù)據(jù)集訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，訓(xùn)練的神經(jīng)檢測準(zhǔn)確率可達93.02%，且與人工評判標(biāo)準(zhǔn)保持一致。

3)對神經(jīng)網(wǎng)絡(luò)的權(quán)值進行驗證，提出應(yīng)用權(quán)值直接檢測的方法，對于合格的絨毛織物，BP神經(jīng)網(wǎng)絡(luò)預(yù)測值為1，反之則為0。并給出實際BP神經(jīng)網(wǎng)絡(luò)計算公式，與應(yīng)用BP神經(jīng)網(wǎng)絡(luò)計算的結(jié)果相比，該方法簡單可行，因此可以應(yīng)用于實際生產(chǎn)檢測。

FZXB