基于纹理特性的织物表面缺陷图像的分类研究

刘洲峰,高二金,李春雷

(中原工学院,郑州450007)

基于纹理特性的织物表面缺陷图像的分类研究

刘洲峰,高二金,李春雷

(中原工学院,郑州450007)

研究了BP神经网络和小波神经网络的分类器,并利用BP神经网络和小波神经网络对缺陷图像进行疵点识别,通过两者的仿真结果得出结论:小波神经网络具有逼近能力强、收敛速度快、网络参数(隐层结点数和权重)的选取有理论依据的优点.

疵点检测;BP神经网络;小波神经网络

纹理缺陷检测在织物、钢铁、木材、玻璃、纸张等表面检测中广泛应用[1].从20世纪70年代起,研究者就对图像纹理进行了大量的研究,主要集中在图像纹理的分析、理解与描述和计算机自然纹理生成两大方面,对纹理分类产生了深远的影响[2].缺陷检测的难点主要在于,既要准确地识别出各类疵点又要满足检测实时性要求[3].灰度共生矩阵(GLCM)是被广泛应用的纹理提取算法,但生成的灰度共生矩阵在一般情况下都为稀疏矩阵,导致特征值计算有大量冗余,运行缓慢[4].本文针对实践中具有代表性的纹理图像,提出BP神经网络和小波神经网络的分类器,并利用BP神经网络和小波神经网络对缺陷图像进行疵点识别.实验证明,小波神经网络更简单,计算效率更高,而且能更好地表现不规则纹理,最终实现基于纹理特性的织物表面缺陷图象的分类研究.

1 小波分析和神经网络

1.1 小波分析基本理论

小波变换(Wavelet Transfo rm)是近年来发展起来的一种用于信号分析的数学方法.它是一种信号的时间—尺度(时间—频率)分析方法,具有多分辨率分析(multiresolution analysis)的特点,而且在时、频两域都具有表征信号局部特征的能力,在低频部分具有较高的频率分辨率和较低的时间分辨率,在高频部分具有较高的时间分辨率和较低的频率分辨率.

1.2 BP神经网络分类器

BP模型与其他神经网络一样,也是由处理单元、网络拓扑结构和学习规则3部分组成的.整个网络大致可以看作一个3层的前馈网络,即输入层、隐含层、输出层各处理单元之间前向连接.3层的神经网络结构如图1所示.

图1 3层BP神经网络结构图

1.3 实验结果与分析

此实验中,输入端是在矩的基础上对每一个纹理特性的织物表面缺陷图像进行二次特征提取,得到4个特征值,将这4个特征值作为BP神经网络的输入.算法的具体实现步骤如下:

(1)设计输入层和输出层:采用每幅图像的二次特征的4个特征作为训练和识别的依据,而需要识别5种缺陷图像,所以输入层的维数为4,输出层的维数为5;

(2)设计隐层:对于非特殊的识别问题,一般采用3层网络即可满足要求,本识别系统也采用了3层网络,在3层网络中,隐含层神经元个数 n2和输入层神经元个数 n1之间有以下近似关系:n2=2n1+1,由于输入神经元的个数为4,所以隐层神经元个数为9.其中隐层节点数的确定很关键,因为它直接决定了识别的效果.仿真实验研究表明,过少的隐层节点导致识别结果较差,过多的隐层节点数虽然会带来许多细节信息,但是这些信息对分类识别的贡献率不大,反而增加了系统的工作量;

(3)网络训练:对于需要识别的5种缺陷图像,提取每种缺陷图像的5个样本,共5×5=25个样本,在矩的基础上进行二次特征提取,得到4个参数:均值、能量、标准方差、平均方差,组成1个4×25的训练样本矩阵进行训练;

梅宏图双手抬起，示意大家停止鼓掌：已经上传到网站的诋毁我公司形象的文章，与会的网站朋友一定要撤下来，换成形象宣传稿。说到这里，他突然想起了什么，扭头对齐眉说，那个什么“焦点调查”网站的吴什么你一定要尽快联系上，叫他把那篇狗屁文章删除，打发给他叁伍仟块钱，省得他再像狗似的四处乱咬。

(4)缺陷识别:对于需要识别的5种缺陷图像,提取每种缺陷图像的10个样本,共5×10=50个样本,在矩的基础上进行二次特征提取,得到4个参数:均值、能量、标准方差、平均方差,组成 1个 4×50的待识别样本矩阵.实际的训练误差曲线如图2所示.

图2 网络训练误差图像

在进行BP网络的设计时,一般应从网络的层数、每层中的神经元个数和激活函数、初始值以及学习速率等几个方面来考虑.但BP神经网络存在局部最小值,收敛次数不宜控制.

2 小波神经网络

2.1 小波神经网络模型

小波神经网络可以看作是以小波函数为基底的一种函数连接型网络,也可以认为是径向基函数(RBF)网络的推广.它具有与一般的前馈网络和RBF网络不同的特点,在神经网络研究领域中具有重大潜力.小波神经网络结合小波变换和神经网络的优点,特别适合于函数逼近、系统辨识、数据压缩等领域.

小波神经网络相对于BP神经网络的一个优点就是小波神经网络的初始化有一定的理论指导,从而使得小波神经网络的学习有可能比BP神经网络的学习更快地收敛.在初始化方面,BP神经网络只是简单地选取一些差不多的随机数,而且取值的范围都是依靠经验来大致确定.

小波神经网络模型结构与BP模型相似,所不同的是隐层单元激励函数为小波变换函数,图3所示为小波神经网络系统结构.对于多变量输入、输出系统f,Rm→Rn,小波神经网络的输入输出关系可表示为:

图3 小波神经网络系统结构

式中:xk(k=1,2,…,m)为输入层的第k个输入分量;yi(i=1,2,…,n)为第 i个输出分量;m、n和 r分别为输入层、输出层和隐层单元数;由隐层第 j个单元到输出层第i个单元的连接权值Wij,由输入层第k个单元到隐层第j个单元的连接权值,分别为小波函数的尺度和位移;其中

小波神经网络的训练算法,利用训练数据初始化网络参数,导致训练问题的凸性,使小波神经网络避免了BP网络易陷入局部最优的问题.且小波神经网络的基函数是正交或近正交小波基,权重冗余度很小,在训练某一权重时,对其他权重影响较小,因而收敛速度很快.文献[5]证明了小波神经网络在一些条件下,训练过程按指数收敛性和抗干扰的鲁棒性.但是,从小波神经网络的训练算法也可以看到,它的构造比较复杂,而且计算量明显比BP网络大.小波神经网络的主要运算都是向量运算,向量的维数由输入特征的维数决定,这样当输入特征的维数增大时,小波神经网络的运算量会呈指数增长.而且此时,为了逼近效果,隐层单元数也要有较大的增加,网络所需训练样本也呈指数增长.这样就会产生维数灾问题.这些都是其不足之处.

2.3 实验结果与分析

小波神经网络的输入端与BP神经网络类似,对于需要识别的5种缺陷图像,提取每种缺陷图像的5个样本,共5×5=25个样本,在矩的基础上进行二次特征提取,得到4个参数:均值、能量、标准方差、平均方差,组成1个4×25的训练样本矩阵.选择Morlet母小波h(s)=cos(1.75s)exp(对样本数据进行训练.

同样,对于需要识别的5种缺陷图像,提取每种缺陷图像的10个样本,共5×10=50个样本,在矩的基础上进行二次特征提取,得到4个参数:均值、能量、标准方差、平均方差,组成1个4×50的待识别样本矩阵.实际的训练误差曲线如图4所示.

从实验结果可以得出:小波神经网络具有逼近能力强、收敛速度快、网络参数(隐层结点数和权重)的选取有理论依据等优点.

在实验中,对基于纹理特性的织物表面各种缺陷图像分别用BP神经网络和小波神经网络进行识别,结果如表1所示.

表1 缺陷图像识别结果

图4 实际的训练误差曲线

实验结果显示:小波神经网络逼近能力强、收敛速度快,具有很强的识别率和鲁棒性.

3 结 语

本文对基于纹理特性的织物表面缺陷图像从图像模式识别的角度设计出分类模型,主要研究BP神经网络和小波神经网络的分类器,并利用其对缺陷图像进行疵点识别,通过两者的仿真结果得出结论:小波神经网络具有逼近能力强、收敛速度快、网络参数(隐层结点数和权重)的选取有理论依据的优点.总之,小波神经网络具有很强的识别率和鲁棒性.

[1] 邹超,朱德森,肖力.基于模糊类别共生矩阵的纹理疵点检测方法[J].中国图像图行学报,2007,12(1):92-97.

[2] 王震,王执铨.图像纹理分析与纹理测度[J].南京理工大学学报,2002,26(增刊):36-42.

[3] 卿湘运,段红,魏俊民.基于局部熵的织物疵点检测与识别的研究[J].纺织学报,2004,25(5):57-58.

[4] 谢菲,陈雷霆,邱航.基于纹理特征提取的图像分类方法研究及系统实现[J].计算机应用研究,2009,26 7:2767-2770.

[5] 杨福生.小波变换的工程分析与应用[M].北京:科学出版社,1999:3-15.

The Research of Texture-based Classification of Fabric Surface Defect Image

L IU Zhou-feng,GAO Er-jin,L IChun-lei
(Zhongyuan U niversity Of Technology,Zhengzhou 450007,China)

This paper mainly studies the BP neural network and w avelet neural netwo rk classifiers,using the BP neural netwo rk and w avelet neural netwo rk fo r the defect recognition of defect image.From the sim ulation results of recognition we can conclude that the w avelet neural network has stronger app roximation ability,faster convergence rate,and the selection of the network parameters(the numbersof the hidden layer pointsand the weights)are on the basis of the theory.

defect detection;BP neural netwo rk;w avelet neural netwo rk

TP391.41

A DO I:10.3969/j.issn.1671-6906.2010.04.009

1671-6906(2010)04-0033-04

2010-06-07

河南省教育厅自然科学基金项目(200410465201;200510465002)

刘洲峰(1962-),男,河南新乡人,教授,博士.