基于MSA和粒子群神經(jīng)網(wǎng)絡(luò)的簾子布疵點(diǎn)識(shí)別算法研究

1、基于MSA和粒子群神經(jīng)網(wǎng)絡(luò)的簾子布疵點(diǎn)識(shí)別算法研究張 寶（河南省工業(yè)科技學(xué)校 新鄉(xiāng)453000）摘 要：本文采用一種基于MSA矩的簾子布疵點(diǎn)識(shí)別方法。首先給出了仿射變換的定義，并在此基礎(chǔ)上建立了一種新的仿射變換途徑多尺度自卷積變換，構(gòu)造了一組仿射不變矩(MSA矩)，給出了它的明確表達(dá)式，然后計(jì)算簾子布樣本圖像的MSA矩，以這些MSA矩為輸入向量對(duì)粒子群神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最后采用已訓(xùn)練的粒子群神經(jīng)網(wǎng)絡(luò)進(jìn)行簾子布疵點(diǎn)識(shí)別。試驗(yàn)證明，此方法可有效識(shí)別出簾子布斷經(jīng)、漿斑、劈縫、稀經(jīng)和經(jīng)線粘連等疵點(diǎn)。關(guān)鍵詞：MSA矩；疵點(diǎn)識(shí)別；粒子群神經(jīng)網(wǎng)絡(luò)中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：AResearch

2、about the Cord Fabric Defect recognition Based on the MSA and particle swarm neural networkZhang bao(Henan School of industry and technology, xinxiang 453000)Abstract: In this paper, the method based on the multiscale autoconvolution moments are presented to recognize the defects of the cord fabric.

3、 First of all, A new kind of affine transformmultiscale autoconvolution transform is established, a new invariant moments to call it MSA moments is constructed, and its implementation is given. Then, MSA moments of the cord sample images are calculate, the particle swarm neural network is trained by

4、 these moments. At last, it is used trained particle swarm neural network to implement the cord fabrics defect identification. Experiment results show that the method accurately identifies defects such as broke end, lump, split slot, broken warp and warp adhesion.Key words: MSA moments; fabric defec

5、t recognition; particle swarm neural network1 引言在紡織品質(zhì)量控制環(huán)節(jié)中，織物疵點(diǎn)識(shí)別具有重要意義，它直接關(guān)系到紡織品的最終質(zhì)量評(píng)定。織物疵點(diǎn)識(shí)別是近幾十年來國內(nèi)外專家學(xué)者研究的熱門課題之一，已有一些成果可見報(bào)道。但由于織物疵點(diǎn)本身形態(tài)各異，種類繁多，使得織物疵點(diǎn)識(shí)別成為研究領(lǐng)域的一個(gè)難題。研究開發(fā)出適應(yīng)性強(qiáng)、實(shí)時(shí)性好、識(shí)別精度高、分類效果好的識(shí)別算法仍然是紡織行業(yè)中一個(gè)亟需解決的問題。解決此問題的關(guān)鍵是正確的提取出紡織品圖像的有效特征。本文基于多尺度自卷積(Multiscale autoconvlution, MSA)變換1構(gòu)造了一組新的不變量，

6、得到簾子布這一特殊產(chǎn)業(yè)用紡織品的MSA矩，最后采用粒子群BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)簾子布疵點(diǎn)圖像的識(shí)別。2 MSA矩2.1MSA矩定義Jan Flusser等23提出了一組仿射不變量，但Flusser的仿射矩不變量(AMI)識(shí)別率低，同時(shí)由于高階不變量對(duì)噪聲敏感的缺點(diǎn)，因而只能利用低階不變矩，限制了它在實(shí)際中的應(yīng)用。對(duì)于圖像f來說，所有的矩是相等的，且一階矩包含了與其它矩相同的信息。MSA變換的仿射不變量分類不需要利用更高階矩。圖像函數(shù)f的仿射不變特征，即的期望值或其矩g()，對(duì)于f的任何仿射變換都是不變的。的第k階矩為，定義的MSA變換為其第一階矩，即為MSA矩。2.2 MSA矩表達(dá)式若f(x)：R2

7、R，f0是中的一個(gè)圖像亮度函數(shù)，其歸一化形式，p(x)是一個(gè)概率密度函數(shù)。若取R2中的獨(dú)立隨機(jī)變量X0,X1和X2,則有。對(duì)這些隨機(jī)變量的三個(gè)樣本(x0,x1,x2)進(jìn)行如下變換： (1)式中，和分別是u在原點(diǎn)和在x0點(diǎn)的兩個(gè)向量x1-x0和x2-x0生成空間中的坐標(biāo)。f(x)的MSA變換為 (2)為實(shí)現(xiàn)多尺度自卷積在頻域的計(jì)算，定義傅里葉變換對(duì)如下： (3)應(yīng)用Plancherel公式，則可得到表達(dá)式頻域形式為 (4)當(dāng)把應(yīng)用到數(shù)字圖像時(shí)，需要應(yīng)用MSA變換的離散形，即式(4)的離散形式為 (5)式中：wi是R2中的一個(gè)N1×N2的矩形網(wǎng)格點(diǎn)；為離散函數(shù)f的離散傅里葉變換。其中f表

8、示數(shù)字圖像，為一個(gè)N1×N2的矩陣。式(5)包含了連續(xù)傅里葉變換的尺度表示。因，因而 (6)由于圖像的多尺度表示容易實(shí)現(xiàn)，避免了直接應(yīng)用傅里葉變換帶來的復(fù)雜計(jì)算，所以MSA變換的實(shí)現(xiàn)將基于式(6)。實(shí)驗(yàn)中，插值的實(shí)現(xiàn)是通過在已知的樣本中加入0。降維的實(shí)現(xiàn)是通過把圖像依次進(jìn)行十等分，把每個(gè)小區(qū)域中的元素累加形成一個(gè)新的元素。這兩種方法在概率密度上保持了圖像每部分間的統(tǒng)計(jì)關(guān)系。MSA變換具有對(duì)稱性：(1);(2);(3)。圖1平面上的最小區(qū)域利用此性質(zhì)可以發(fā)現(xiàn)平面上的最小區(qū)域，這就決定了MSA變換的值。但存在許多可能性，其中之一如圖1所示。通過改變和的值，得到無窮多的仿射不變量特征F(,

9、)。3 粒子群神經(jīng)網(wǎng)絡(luò)粒子群優(yōu)化算法4模擬鳥群飛行覓食的行為，通過鳥之間的集體協(xié)作使群體達(dá)到最優(yōu)目的。在PSO系統(tǒng)中，每個(gè)備選解被稱為一個(gè)“粒子”（Particle），多個(gè)粒子共存、合作尋優(yōu)（近似鳥群尋找食物），每個(gè)粒子根據(jù)它自身的“經(jīng)驗(yàn)”和相鄰粒子群的最佳“經(jīng)驗(yàn)”在問題空間中向更好的位置“飛行”，搜索最優(yōu)解。同其他優(yōu)化算法比較，粒子群優(yōu)化算法(PSO)的優(yōu)勢(shì)在于簡(jiǎn)單容易實(shí)現(xiàn)并且沒有許多參數(shù)需要調(diào)整。本文將粒子群算法和BP神經(jīng)網(wǎng)絡(luò)結(jié)合起來，采用粒子群算法來訓(xùn)練網(wǎng)絡(luò)權(quán)值，使得粒子群神經(jīng)網(wǎng)絡(luò)既具有神經(jīng)網(wǎng)絡(luò)的廣泛映射能力又具有粒子群算法的快速、全局收斂以及啟發(fā)式學(xué)習(xí)等特點(diǎn)，在某種程度上避免了BP神經(jīng)

10、網(wǎng)絡(luò)上述缺點(diǎn)。經(jīng)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)用于簾子布疵點(diǎn)識(shí)別，取得了良好效果。粒子群優(yōu)化算法的基本遞推公式： (7) (8)式中：xid(t+1),xid(t),vid(t+1),vid(t)分別表示第i個(gè)粒子在t+1和t時(shí)刻的空間位移與運(yùn)動(dòng)速度；w為慣性系數(shù)；c1,c2分別表示粒子個(gè)體的加速權(quán)重系數(shù)和粒子群體的加速權(quán)重系數(shù)；r1,r2分別表示與粒子個(gè)體及群體的加速權(quán)重系數(shù)相關(guān)的隨機(jī)初值；p id與pgd分別表示第i個(gè)粒子個(gè)體在搜索過程中的最佳位置和粒子群體在搜索過程中的最佳位置。把用來描述簾子布疵點(diǎn)圖像特征即簾子布疵點(diǎn)圖像的MSA矩作為BP神經(jīng)網(wǎng)絡(luò)的輸入向量X=(X1,X2,Xn)，將代表相應(yīng)疵點(diǎn)類型

11、評(píng)價(jià)結(jié)果的值作為神經(jīng)網(wǎng)絡(luò)的輸出y；建立一個(gè)三層神經(jīng)網(wǎng)絡(luò)。用足夠多的樣本訓(xùn)練這個(gè)網(wǎng)絡(luò)，通過粒子群算法對(duì)神經(jīng)網(wǎng)絡(luò)權(quán)值進(jìn)行訓(xùn)練學(xué)習(xí)，從而找到一組最優(yōu)權(quán)值，最終可將此網(wǎng)絡(luò)作為簾子布疵點(diǎn)類型評(píng)估有效工具，對(duì)不同評(píng)價(jià)對(duì)象做出相應(yīng)的綜合評(píng)判，其模型圖如圖2所示。圖2 粒子群BP網(wǎng)絡(luò)結(jié)構(gòu)示意圖BP神經(jīng)網(wǎng)絡(luò)5是一種具有單向傳播結(jié)構(gòu)的多層前向網(wǎng)絡(luò)，其結(jié)構(gòu)如圖2所示。由圖可知，BP神經(jīng)網(wǎng)絡(luò)中包括輸入層、隱含層(中間層)、輸出層，可以具有3層甚至更多層。BP神經(jīng)網(wǎng)絡(luò)的每層神經(jīng)元之間沒有連接，但上下層神經(jīng)元之間是全連接。BP神經(jīng)網(wǎng)絡(luò)算法也稱為“誤差逆?zhèn)鞑ニ惴ā?。首先將?xùn)練樣本輸入到BP神經(jīng)網(wǎng)絡(luò)后，神經(jīng)元的激活值從輸入層

12、通過其中間層傳播到輸出層，從而，BP神經(jīng)網(wǎng)絡(luò)的輸入信息被輸出層的各神經(jīng)元獲得。然后根據(jù)減少實(shí)際誤差和目標(biāo)輸出的方向，從輸出層經(jīng)各中間層逐層修正各連接權(quán)值，最后回到輸入層。 (a)正常 (b)漿斑 (c)稀經(jīng) (d)粘并 (e)斷經(jīng) (f)劈縫圖3 簾子布正常和疵點(diǎn)圖像BP神經(jīng)網(wǎng)絡(luò)是一種有教師的學(xué)習(xí)算法，使用學(xué)習(xí)律。x1,x2,xp為p個(gè)輸入訓(xùn)練樣本，t1,t2,tp是與輸入訓(xùn)練樣本對(duì)應(yīng)的訓(xùn)練值，學(xué)習(xí)算法的目的是通過神經(jīng)網(wǎng)絡(luò)的輸出y1,y2,yp與t1,t2,tp的誤差來進(jìn)一步改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值及閾值，使ypl與tpl盡可能地接近第pl個(gè)樣本輸入到圖2所示的網(wǎng)絡(luò)中，得到輸出yl (l=0,1

13、,m-1)，各輸出單元誤差之和即為樣本誤差，如下所示： (9)p個(gè)學(xué)習(xí)樣本的總誤差表達(dá)式為： (10)假設(shè)BP神經(jīng)網(wǎng)絡(luò)中任意兩個(gè)神經(jīng)元之間的權(quán)值為，而與有關(guān)的非線性誤差函數(shù)為Ez，則有： (11) (12)W為BP神經(jīng)網(wǎng)絡(luò)的各層權(quán)值。采用梯度法，對(duì)每個(gè)wsq元的修正值為，為學(xué)習(xí)率(步長)。 (13) (14)要使總誤差向減小的方向變化，直到Ez=0，可以采用梯度法達(dá)到目的。在訓(xùn)練數(shù)據(jù)很充足的條件下，BP神經(jīng)網(wǎng)絡(luò)可以正確地完成模式識(shí)別的問題。4 試驗(yàn)結(jié)果與分析4.1 簾子布疵點(diǎn)圖像的MSA矩特征簾子布是一種產(chǎn)業(yè)用紡織品，其緯線稀疏，經(jīng)、緯線之間無強(qiáng)力的位置約束，正常簾子布的紋理圖像有較大的變化。

14、由于多尺度自卷積矩具有旋轉(zhuǎn)不變性，可以大大克服簾子布紋理圖像的上述問題。圖像采集系統(tǒng)由CCD工業(yè)攝像機(jī)和圖像采集卡組成，采用靜止?fàn)顟B(tài)的簾子布作為測(cè)試對(duì)象，被測(cè)對(duì)象位于攝像機(jī)與照明裝置之間，得到實(shí)驗(yàn)中所采用的簾子布圖像。建立一個(gè)正常簾子布(50幅)和5種疵點(diǎn)圖像(每種150幅)共800幅的簾子布圖像庫，其中每幅圖像為256×256點(diǎn)陣，256階灰度的灰度圖像。圖3(a)為正常紋理的簾子布圖像，其余依次為漿斑、稀經(jīng)、粘并、斷經(jīng)和劈縫五種疵點(diǎn)簾子布圖像。試驗(yàn)中，選取簾子布圖像庫各類型簾子布圖像(每種類型50幅)為訓(xùn)練樣本，分別對(duì)各種類型的簾子布圖像灰度求均值，以保證訓(xùn)練樣本的MSA矩能夠正

15、確地反映各類簾子布圖像的特征。計(jì)算它們的MSA矩時(shí)，根據(jù)MSA的性質(zhì)，可以通過改變和的值，得到無窮多的仿射不變量特征F(,)。經(jīng)實(shí)驗(yàn)選擇8對(duì)(,)值的多尺度自卷積變換構(gòu)成特征不變量，即(-0.1 0.1)，(-0.1 0.3)，(-0.2 0.2)，(-0.2 0.3)，(-0.2 0.4)，(-0.3 0.3)，(-0.3 0.4)，(-0.4 0.4)。利用式(6)計(jì)算它們的MSA矩。結(jié)果如表1所示。表1 正常和疵點(diǎn)簾子布圖像的MSA矩疵點(diǎn)類型(,)矩ASM-0.1 0.1-0.1 0.3-0.2 0.2-0.2 0.3-0.2 0.4-0.3 0.3-0.3 0.4-0.4 0.4正常0

16、.108910.113290.101510.105290.107020.0943960.097890.087539漿斑0.107860.11130.100140.103550.10480.0928180.0959680.085806斷經(jīng)0.104690.106440.0962550.0991720.100610.0889560.0920770.082442劈縫0.108870.113240.101430.105230.106970.0943510.0978450.087497粘連0.102320.10520.0947660.0979110.0990120.0877740.0906970.081

17、074稀經(jīng)0.120550.121250.110060.112340.111930.10020.102660.0916554.2 粒子群神經(jīng)網(wǎng)絡(luò)分類器的設(shè)計(jì) 圖4 經(jīng)過12次迭代，網(wǎng)絡(luò)收斂過程曲線為驗(yàn)證MSA矩的特征提取能力，采用粒子群神經(jīng)網(wǎng)絡(luò)對(duì)疵點(diǎn)圖像進(jìn)行了識(shí)別。表1中不同的疵點(diǎn)類型對(duì)應(yīng)不同的MSA矩，將結(jié)果作為疵點(diǎn)類型判定的特征值，粒子群神經(jīng)網(wǎng)絡(luò)作為疵點(diǎn)分類器，即可實(shí)現(xiàn)簾子布疵點(diǎn)分類。因選擇8對(duì)(,)，故取粒子群神經(jīng)網(wǎng)絡(luò)輸入結(jié)點(diǎn)數(shù)N1=8；正常紋理和疵點(diǎn)類型共6種，取輸出結(jié)點(diǎn)數(shù)N3=6；隱含層結(jié)點(diǎn)數(shù)按經(jīng)驗(yàn)公式N2=2×N1+1，取N2=17，則粒子群神經(jīng)網(wǎng)絡(luò)模型為“8-17-6”

18、三層結(jié)構(gòu)。在建立了神經(jīng)網(wǎng)絡(luò)后，還要對(duì)該網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練。采集若干組正?？椢锛按命c(diǎn)圖像經(jīng)多尺度自卷積后提取特征值送入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，網(wǎng)絡(luò)訓(xùn)練成功后，其權(quán)值即確定下來。在對(duì)未知織物圖像進(jìn)行識(shí)別時(shí)。神經(jīng)網(wǎng)絡(luò)由于具備并行運(yùn)算、自學(xué)習(xí)、自組織等特點(diǎn)，可以快速地計(jì)算，給出正確的識(shí)別結(jié)果。采用MATLAB 7.0編寫粒子群神經(jīng)網(wǎng)絡(luò)訓(xùn)練網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)權(quán)值采用粒子群算法進(jìn)行訓(xùn)練，學(xué)習(xí)函數(shù)取梯度下降動(dòng)量函數(shù)“l(fā)earngdm”，學(xué)習(xí)率取0.1，傳遞函數(shù)取S型的正切函數(shù)“tansig”、S型的對(duì)數(shù)函數(shù)“l(fā)ogsig”，訓(xùn)練函數(shù)取Levenberg-Marquardt函數(shù)“trainlm”，性能分析函數(shù)取均方誤差函數(shù)“mse”，經(jīng)過12次訓(xùn)練可以收斂到0.001。使用已經(jīng)訓(xùn)練好的粒子群BP神經(jīng)網(wǎng)絡(luò)對(duì)簾子布圖像庫的100幅疵點(diǎn)圖像進(jìn)行分類識(shí)別。計(jì)算疵點(diǎn)簾子布圖像的MSA矩，分別將每幅疵點(diǎn)圖像的MSA矩送入已經(jīng)訓(xùn)練好的粒子群BP神經(jīng)網(wǎng)絡(luò)，疵點(diǎn)圖像都能被正確的識(shí)別。盡管樣本集中每幅簾子布疵點(diǎn)圖像的紋理有較大差別，由于MSA矩的穩(wěn)定性，有效的提取了簾子布疵點(diǎn)圖像特征。簾子布疵點(diǎn)圖像分類器通過采用粒子群BP神經(jīng)網(wǎng)絡(luò)，相對(duì)于BP神經(jīng)網(wǎng)絡(luò)，粒子群BP神經(jīng)網(wǎng)絡(luò)識(shí)別率高，穩(wěn)定性好。5結(jié)論本文采用MSA矩結(jié)合粒子群神經(jīng)網(wǎng)絡(luò)技術(shù)實(shí)現(xiàn)了簾子布圖像的疵點(diǎn)識(shí)別，給出了不同疵點(diǎn)簾子布圖像的MSA矩特征，然后把