基于MSA和粒子群神經(jīng)網(wǎng)絡的簾子布疵點識別算法研究

1、基于MSA和粒子群神經(jīng)網(wǎng)絡的簾子布疵點識別算法研究張 寶（河南省工業(yè)科技學校 新鄉(xiāng)453000）摘 要：本文采用一種基于MSA矩的簾子布疵點識別方法。首先給出了仿射變換的定義，并在此基礎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式，然后計算簾子布樣本圖像的MSA矩，以這些MSA矩為輸入向量對粒子群神經(jīng)網(wǎng)絡進行訓練，最后采用已訓練的粒子群神經(jīng)網(wǎng)絡進行簾子布疵點識別。試驗證明，此方法可有效識別出簾子布斷經(jīng)、漿斑、劈縫、稀經(jīng)和經(jīng)線粘連等疵點。關(guān)鍵詞：MSA矩；疵點識別；粒子群神經(jīng)網(wǎng)絡中圖分類號：TP391.41 文獻標識碼：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，織物疵點識別具有重要意義，它直接關(guān)系到紡織品的最終質(zhì)量評定?？椢锎命c識別是近幾十年來國內(nèi)外專家學者研究的熱門課題之一，已有一些成果可見報道。但由于織物疵點本身形態(tài)各異，種類繁多，使得織物疵點識別成為研究領域的一個難題。研究開發(fā)出適應性強、實時性好、識別精度高、分類效果好的識別算法仍然是紡織行業(yè)中一個亟需解決的問題。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)絡實現(xiàn)簾子布疵點圖像的識別。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)識別率低，同時由于高階不變量對噪聲敏感的缺點，因而只能利用低階不變矩，限制了它在實際中的應用。對于圖像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矩表達式若f(x)：R2

7、R，f0是中的一個圖像亮度函數(shù)，其歸一化形式，p(x)是一個概率密度函數(shù)。若取R2中的獨立隨機變量X0,X1和X2,則有。對這些隨機變量的三個樣本(x0,x1,x2)進行如下變換： (1)式中，和分別是u在原點和在x0點的兩個向量x1-x0和x2-x0生成空間中的坐標。f(x)的MSA變換為 (2)為實現(xiàn)多尺度自卷積在頻域的計算，定義傅里葉變換對如下： (3)應用Plancherel公式，則可得到表達式頻域形式為 (4)當把應用到數(shù)字圖像時，需要應用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N1×N2的矩形網(wǎng)格點；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現(xiàn)，避免了直接應用傅里葉變換帶來的復雜計算，所以MSA變換的實現(xiàn)將基于式(6)。實驗中，插值的實現(xiàn)是通過在已知的樣本中加入0。降維的實現(xiàn)是通過把圖像依次進行十等分，把每個小區(qū)域中的元素累加形成一個新的元素。這兩種方法在概率密度上保持了圖像每部分間的統(tǒng)計關(guān)系。MSA變換具有對稱性：(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)作使群體達到最優(yōu)目的。在PSO系統(tǒng)中，每個備選解被稱為一個“粒子”（Particle），多個粒子共存、合作尋優(yōu)（近似鳥群尋找食物），每個粒子根據(jù)它自身的“經(jīng)驗”和相鄰粒子群的最佳“經(jīng)驗”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)勢在于簡單容易實現(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)絡結(jié)合起來，采用粒子群算法來訓練網(wǎng)絡權(quán)值，使得粒子群神經(jīng)網(wǎng)絡既具有神經(jīng)網(wǎng)絡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)式學習等特點，在某種程度上避免了BP神經(jīng)

10、網(wǎng)絡上述缺點。經(jīng)訓練后的神經(jīng)網(wǎng)絡用于簾子布疵點識別，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個粒子在t+1和t時刻的空間位移與運動速度；w為慣性系數(shù)；c1,c2分別表示粒子個體的加速權(quán)重系數(shù)和粒子群體的加速權(quán)重系數(shù)；r1,r2分別表示與粒子個體及群體的加速權(quán)重系數(shù)相關(guān)的隨機初值；p id與pgd分別表示第i個粒子個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圖像特征即簾子布疵點圖像的MSA矩作為BP神經(jīng)網(wǎng)絡的輸入向量X=(X1,X2,Xn)，將代表相應疵點類型

11、評價結(jié)果的值作為神經(jīng)網(wǎng)絡的輸出y；建立一個三層神經(jīng)網(wǎng)絡。用足夠多的樣本訓練這個網(wǎng)絡，通過粒子群算法對神經(jīng)網(wǎng)絡權(quán)值進行訓練學習，從而找到一組最優(yōu)權(quán)值，最終可將此網(wǎng)絡作為簾子布疵點類型評估有效工具，對不同評價對象做出相應的綜合評判，其模型圖如圖2所示。圖2 粒子群BP網(wǎng)絡結(jié)構(gòu)示意圖BP神經(jīng)網(wǎng)絡5是一種具有單向傳播結(jié)構(gòu)的多層前向網(wǎng)絡，其結(jié)構(gòu)如圖2所示。由圖可知，BP神經(jīng)網(wǎng)絡中包括輸入層、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)絡算法也稱為“誤差逆?zhèn)鞑ニ惴ā?。首先將訓練樣本輸入到BP神經(jīng)網(wǎng)絡后，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)減少實際誤差和目標輸出的方向，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 簾子布正常和疵點圖像BP神經(jīng)網(wǎng)絡是一種有教師的學習算法，使用學習律。x1,x2,xp為p個輸入訓練樣本，t1,t2,tp是與輸入訓練樣本對應的訓練值，學習算法的目的是通過神經(jīng)網(wǎng)絡的輸出y1,y2,yp與t1,t2,tp的誤差來進一步改進BP神經(jīng)網(wǎng)絡的權(quán)值及閾值，使ypl與tpl盡可能地接近第pl個樣本輸入到圖2所示的網(wǎng)絡中，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個學習樣本的總誤差表達式為： (10)假設BP神經(jīng)網(wǎng)絡中任意兩個神經(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)絡的各層權(quán)值。采用梯度法，對每個wsq元的修正值為，為學習率(步長)。 (13) (14)要使總誤差向減小的方向變化，直到Ez=0，可以采用梯度法達到目的。在訓練數(shù)據(jù)很充足的條件下，BP神經(jīng)網(wǎng)絡可以正確地完成模式識別的問題。4 試驗結(jié)果與分析4.1 簾子布疵點圖像的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)攝像機和圖像采集卡組成，采用靜止狀態(tài)的簾子布作為測試對象，被測對象位于攝像機與照明裝置之間，得到實驗中所采用的簾子布圖像。建立一個正常簾子布(50幅)和5種疵點圖像(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)和劈縫五種疵點簾子布圖像。試驗中，選取簾子布圖像庫各類型簾子布圖像(每種類型50幅)為訓練樣本，分別對各種類型的簾子布圖像灰度求均值，以保證訓練樣本的MSA矩能夠正

15、確地反映各類簾子布圖像的特征。計算它們的MSA矩時，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)實驗選擇8對(,)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)計算它們的MSA矩。結(jié)果如表1所示。表1 正常和疵點簾子布圖像的MSA矩疵點類型(,)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)絡分類器的設計 圖4 經(jīng)過12次迭代，網(wǎng)絡收斂過程曲線為驗證MSA矩的特征提取能力，采用粒子群神經(jīng)網(wǎng)絡對疵點圖像進行了識別。表1中不同的疵點類型對應不同的MSA矩，將結(jié)果作為疵點類型判定的特征值，粒子群神經(jīng)網(wǎng)絡作為疵點分類器，即可實現(xiàn)簾子布疵點分類。因選擇8對(,)，故取粒子群神經(jīng)網(wǎng)絡輸入結(jié)點數(shù)N1=8；正常紋理和疵點類型共6種，取輸出結(jié)點數(shù)N3=6；隱含層結(jié)點數(shù)按經(jīng)驗公式N2=2×N1+1，取N2=17，則粒子群神經(jīng)網(wǎng)絡模型為“8-17-6”

18、三層結(jié)構(gòu)。在建立了神經(jīng)網(wǎng)絡后，還要對該網(wǎng)絡進行學習訓練。采集若干組正常織物及疵點圖像經(jīng)多尺度自卷積后提取特征值送入神經(jīng)網(wǎng)絡進行訓練，網(wǎng)絡訓練成功后，其權(quán)值即確定下來。在對未知織物圖像進行識別時。神經(jīng)網(wǎng)絡由于具備并行運算、自學習、自組織等特點，可以快速地計算，給出正確的識別結(jié)果。采用MATLAB 7.0編寫粒子群神經(jīng)網(wǎng)絡訓練網(wǎng)絡，神經(jīng)網(wǎng)絡權(quán)值采用粒子群算法進行訓練，學習函數(shù)取梯度下降動量函數(shù)“l(fā)earngdm”，學習率取0.1，傳遞函數(shù)取S型的正切函數(shù)“tansig”、S型的對數(shù)函數(shù)“l(fā)ogsig”，訓練函數(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次訓練可以收斂到0.001。使用已經(jīng)訓練好的粒子群BP神經(jīng)網(wǎng)絡對簾子布圖像庫的100幅疵點圖像進行分類識別。計算疵點簾子布圖像的MSA矩，分別將每幅疵點圖像的MSA矩送入已經(jīng)訓練好的粒子群BP神經(jīng)網(wǎng)絡，疵點圖像都能被正確的識別。盡管樣本集中每幅簾子布疵點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圖像特征。簾子布疵點圖像分類器通過采用粒子群BP神經(jīng)網(wǎng)絡，相對于BP神經(jīng)網(wǎng)絡，粒子群BP神經(jīng)網(wǎng)絡識別率高，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)絡技術(shù)實現(xiàn)了簾子布圖像的疵點識別，給出了不同疵點簾子布圖像的MSA矩特征，然后把