賀子芙，劉春鵬，李亞萍

（河南機電職業(yè)學院，河南鄭州 451191）

0 引言

隨著紗網(wǎng)工業(yè)的高速發(fā)展，紗網(wǎng)產(chǎn)品的質(zhì)量越來越高。為了能夠滿足紗網(wǎng)缺陷檢測的準確度和靈敏度，對于紗網(wǎng)缺陷檢測設備的精度和功能的要求也越來越高[1-3]。

紗網(wǎng)的檢測方式以紅外光譜技術和傳統(tǒng)圖像識別技術為主，由于光的色散，紅外光譜檢測在靈敏度上受到限制[4-5]。傳統(tǒng)圖像識別運用了紋理模型法，無法有效降低計算的復雜度和提高檢測的準確度[6-9]。隨著人工智能在各個行業(yè)的廣泛應用，相繼出現(xiàn)多種智能化檢測方式，智能機器視覺檢測成為未來缺陷檢測方式的發(fā)展趨勢。

在使用機器視覺檢測過程中，本文提出了一種基于MLP（Multiple Perceptron）深度學習的紗網(wǎng)缺陷檢測方法，該檢測系統(tǒng)在檢測缺陷時將比對與訓練學習到的紗網(wǎng)特征，并標注出被檢測紗網(wǎng)所含有的缺陷，檢測信號輸送到下位機，以便設備能夠精確處理有缺陷的紗網(wǎng)。經(jīng)仿真實驗可知，在紗網(wǎng)產(chǎn)品的缺陷檢測等過程中，該方法能夠提高紗網(wǎng)產(chǎn)品檢測靈敏度和準確度。在實際應用中，該方法具有完善行業(yè)自動化的程度、縮短紗網(wǎng)缺陷檢測時間、降低人工成本、提高生產(chǎn)效率等優(yōu)勢。

1 紗網(wǎng)缺陷檢測整體設計

基于MLP 深度學習的紗網(wǎng)缺陷檢測，主要分為圖像采集、圖像算法、人機交互3 個部分（圖1）。

圖1 設計流程

圖像采集系統(tǒng)一般由鏡頭、光源、相機組成。在固定光源條件下，數(shù)碼相機進行圖像采集，并將其轉(zhuǎn)換為圖像信號，通過采集卡將信號傳輸?shù)教幚砟K。為了便于深度學習的比較，圖像的像素和每個圖像的亮度必須相同，且應使用相同像素及固定相機與被檢測物的物相距。

本文提出的基于MLP 深度學習的紗網(wǎng)缺陷檢測，需要高質(zhì)量圖像和高靈敏度：①在圖像采集時經(jīng)分析對比，選用分辨率為500 萬像素、傳感器為全幀轉(zhuǎn)移的DH-SV1411FC/FM 大恒數(shù)字CCD 工業(yè)相機，同時加入閃光燈用來解決彌散現(xiàn)象的缺點；②對SV-5014H、SV-03514、HF35HA-1B 三種鏡頭進行多次拍攝試驗后，經(jīng)過清晰度對比，確定選用SV-5014H 的50 mm 的定焦鏡頭；③經(jīng)多次試驗，光源采用環(huán)形白色LED 光，光源打光方式選擇為垂直照射環(huán)形光源時效果最佳。

2 紗網(wǎng)缺陷檢測算法分析

本文的紗網(wǎng)特征學習，通過像素值來判定明亮與黑暗，將提取的特征圖中亮色部分置暗，暗色部分置亮，去掉檢測區(qū)域內(nèi)的邊緣部分，通過圖像中的像素值區(qū)分出的明亮與黑暗，可以準確區(qū)分出紗網(wǎng)明亮紋路與暗色背景。

MLP 分類是人工神經(jīng)網(wǎng)絡的典型結(jié)構，它比其他人工神經(jīng)網(wǎng)絡具有結(jié)構簡單、識別率高和分類速度快的特點。相比于單層的網(wǎng)絡，由單獨的輸出單元變?yōu)槎鄠€輸出單元，在輸入與輸出單元之間增加n（n≥2）個隱藏層單元，通過多個簡單的非線性函數(shù)的疊加，使多層網(wǎng)絡近似非線性函數(shù)。

MLP 用于分類，每個輸出對應不同的類別，當類別多時輸出層以Softmax 函數(shù)作為激勵函數(shù)。建立MLP 分類器時，隱藏層數(shù)會影響分類的結(jié)果，因此需要仔細調(diào)整隱藏層的單元數(shù)。如圖2 所示，隱藏層單元數(shù)過小時會形成一個不太復雜的分離超平面，導致出現(xiàn)欠擬合；隱藏層單元數(shù)過大時可能會出現(xiàn)過度擬合情況，使分類器失去泛化能力。

圖2 隱藏層單元數(shù)曲線

MLP 分類需要調(diào)整參數(shù)，合適的參數(shù)才能提高分類結(jié)果的準確性。經(jīng)過多次試驗，MLP 學習訓練參數(shù)的設定為5 維特征向量、8層神經(jīng)元隱藏層，輸出設定為兩類，使用主成分分析，特征向量所在的組件數(shù)為3，隨機數(shù)初始化種子為42，使用的激勵函數(shù)

使用MLP 多層感知器進行分類時，需要調(diào)整網(wǎng)絡權值。利用完整的紗網(wǎng)圖像對MLP 網(wǎng)絡進行訓練，形成一個處理單元，將新的數(shù)據(jù)輸入到輸入層，由訓練后的MLP 網(wǎng)絡形成的處理單元進行處理，然后將輸出結(jié)果與預期結(jié)果進行對比。如果不匹配，則繼續(xù)調(diào)整網(wǎng)絡權重，網(wǎng)絡權重計算結(jié)果比經(jīng)典反向傳播算法得到的結(jié)果要更加精確完整。圖3 為待學習紗網(wǎng)圖和經(jīng)過基于MLP 紗網(wǎng)深度學習算法對紗網(wǎng)進行特征學習后，區(qū)分出的紗網(wǎng)明亮紋路與暗色背景。

圖3 待學習紗網(wǎng)圖和MLP 算法紗網(wǎng)特征

3 紗網(wǎng)形狀模板匹配

與其他模板匹配方法相比，灰度值的模板匹配是最為基礎的一類匹配算法。本文基于形狀的模板匹配采用灰度值模板匹配，不僅能夠解決因外界環(huán)境因素導致的匹配精度降低的問題，而且其檢測過程的計算量也低于相關性的模板匹配（圖4）。

圖4 形狀模板匹配流程

創(chuàng)建形狀模板需要先定義圖像中的模板區(qū)域點集Pi=（ri，ci）T，每個像素點所關聯(lián)方向向量di=（ti，ui）T，其中i=1，…，n。對被檢測圖像上每個點進行模板匹配，需要計算像素點的方向向量e（r，c）=（v（r，c），wr，c）。在模板匹配過程中，利用仿射變換矩陣M 對模板進行仿射變換，之后模板區(qū)域的點集PMi=Mpi，在被檢測的圖像特點處計算所有與該點對應的方向向量與被檢測的圖像中對應的點處方向向量的積，和作為交換后的模板在q 處的相似度量S，S=

4 紗網(wǎng)檢測仿真

為驗證該紗網(wǎng)缺陷檢測方法的正確性和有效性，在Halcon視覺軟件中篩選實驗所需的深度學習算子，設計并完成紗網(wǎng)缺陷檢測的算法設計，利用紗網(wǎng)檢測程序進行缺陷檢測。

該方法在訓練檢測時，能夠去除其他不需要區(qū)域的影響，逐漸取得最終理想的檢測圖。檢測仿真過程運用離線檢測，即對生產(chǎn)線生產(chǎn)過程中指定間隔時間拍攝待檢測紗網(wǎng)圖片進行每一段紗網(wǎng)表面的缺陷檢測。圖5 為紗網(wǎng)待檢測圖，圖6 為MLP 算法對紗網(wǎng)缺陷檢測圖。

圖5 紗網(wǎng)待檢測圖

圖6 MLP 算法缺陷檢測圖

根據(jù)MLP 算法進行的紗網(wǎng)缺陷檢測效果可以看出，紗網(wǎng)含有的缺陷被精確地覆蓋，去除噪聲情況較好，能夠去除其他所不需要區(qū)域的影響，逐漸取得最終理想的檢測圖，基本上沒有區(qū)域的誤判，在準確性和靈敏性方面有很好的表現(xiàn)。通過仿真檢測數(shù)據(jù)分析可知，檢測正確率在98%以上，能夠滿足生產(chǎn)效率的要求；每個算子的平均處理時間為375 ms，小于紅外光譜檢測技術和傳統(tǒng)圖像識別檢測技術所消耗的時間。如果不考慮其他外界因素影響，其每小時能夠檢測近萬張紗網(wǎng)圖片。

5 結(jié)束語

本文提出的基于MLP 深度學習的紗網(wǎng)缺陷檢測方法，運用了機器視覺的深度學習，在準確性上有較大優(yōu)勢。經(jīng)仿真實驗驗證，該檢測方法可應用于實際的紗網(wǎng)檢測系統(tǒng)，具有一定的工程價值。但該方法在實驗仿真時，主要針對于紗網(wǎng)中的破損和斷網(wǎng)問題，未涉及紗網(wǎng)中網(wǎng)格尺寸是否合格，因此該缺陷檢測方法還有提升空間。