基于MSA和粒子群神经网络的帘子布疵点识别算法研究

1、基于MSA和粒子群神经网络的帘子布疵点识别算法研究张 宝（河南省工业科技学校 新乡453000）摘 要：本文采用一种基于MSA矩的帘子布疵点识别方法。首先给出了仿射变换的定义，并在此基础上建立了一种新的仿射变换途径多尺度自卷积变换，构造了一组仿射不变矩(MSA矩)，给出了它的明确表达式，然后计算帘子布样本图像的MSA矩，以这些MSA矩为输入向量对粒子群神经网络进行训练，最后采用已训练的粒子群神经网络进行帘子布疵点识别。试验证明，此方法可有效识别出帘子布断经、浆斑、劈缝、稀经和经线粘连等疵点。关键词：MSA矩；疵点识别；粒子群神经网络中图分类号：TP391.41 文献标识码：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 引言在纺织品质量控制环节中，织物疵点识别具有重要意义，它直接关系到纺织品的最终质量评定。织物疵点识别是近几十年来国内外专家学者研究的热门课题之一，已有一些成果可见报道。但由于织物疵点本身形态各异，种类繁多，使得织物疵点识别成为研究领域的一个难题。研究开发出适应性强、实时性好、识别精度高、分类效果好的识别算法仍然是纺织行业中一个亟需解决的问题。解决此问题的关键是正确的提取出纺织品图像的有效特征。本文基于多尺度自卷积(Multiscale autoconvlution, MSA)变换1构造了一组新的不变量，

6、得到帘子布这一特殊产业用纺织品的MSA矩，最后采用粒子群BP神经网络实现帘子布疵点图像的识别。2 MSA矩2.1MSA矩定义Jan Flusser等23提出了一组仿射不变量，但Flusser的仿射矩不变量(AMI)识别率低，同时由于高阶不变量对噪声敏感的缺点，因而只能利用低阶不变矩，限制了它在实际中的应用。对于图像f来说，所有的矩是相等的，且一阶矩包含了与其它矩相同的信息。MSA变换的仿射不变量分类不需要利用更高阶矩。图像函数f的仿射不变特征，即的期望值或其矩g()，对于f的任何仿射变换都是不变的。的第k阶矩为，定义的MSA变换为其第一阶矩，即为MSA矩。2.2 MSA矩表达式若f(x)：R2

7、R，f0是中的一个图像亮度函数，其归一化形式，p(x)是一个概率密度函数。若取R2中的独立随机变量X0,X1和X2,则有。对这些随机变量的三个样本(x0,x1,x2)进行如下变换： (1)式中，和分别是u在原点和在x0点的两个向量x1-x0和x2-x0生成空间中的坐标。f(x)的MSA变换为 (2)为实现多尺度自卷积在频域的计算，定义傅里叶变换对如下： (3)应用Plancherel公式，则可得到表达式频域形式为 (4)当把应用到数字图像时，需要应用MSA变换的离散形，即式(4)的离散形式为 (5)式中：wi是R2中的一个N1×N2的矩形网格点；为离散函数f的离散傅里叶变换。其中f表

8、示数字图像，为一个N1×N2的矩阵。式(5)包含了连续傅里叶变换的尺度表示。因，因而 (6)由于图像的多尺度表示容易实现，避免了直接应用傅里叶变换带来的复杂计算，所以MSA变换的实现将基于式(6)。实验中，插值的实现是通过在已知的样本中加入0。降维的实现是通过把图像依次进行十等分，把每个小区域中的元素累加形成一个新的元素。这两种方法在概率密度上保持了图像每部分间的统计关系。MSA变换具有对称性：(1);(2);(3)。图1平面上的最小区域利用此性质可以发现平面上的最小区域，这就决定了MSA变换的值。但存在许多可能性，其中之一如图1所示。通过改变和的值，得到无穷多的仿射不变量特征F(,

9、)。3 粒子群神经网络粒子群优化算法4模拟鸟群飞行觅食的行为，通过鸟之间的集体协作使群体达到最优目的。在PSO系统中，每个备选解被称为一个“粒子”（Particle），多个粒子共存、合作寻优（近似鸟群寻找食物），每个粒子根据它自身的“经验”和相邻粒子群的最佳“经验”在问题空间中向更好的位置“飞行”，搜索最优解。同其他优化算法比较，粒子群优化算法(PSO)的优势在于简单容易实现并且没有许多参数需要调整。本文将粒子群算法和BP神经网络结合起来，采用粒子群算法来训练网络权值，使得粒子群神经网络既具有神经网络的广泛映射能力又具有粒子群算法的快速、全局收敛以及启发式学习等特点，在某种程度上避免了BP神经

10、网络上述缺点。经训练后的神经网络用于帘子布疵点识别，取得了良好效果。粒子群优化算法的基本递推公式： (7) (8)式中：xid(t+1),xid(t),vid(t+1),vid(t)分别表示第i个粒子在t+1和t时刻的空间位移与运动速度；w为惯性系数；c1,c2分别表示粒子个体的加速权重系数和粒子群体的加速权重系数；r1,r2分别表示与粒子个体及群体的加速权重系数相关的随机初值；p id与pgd分别表示第i个粒子个体在搜索过程中的最佳位置和粒子群体在搜索过程中的最佳位置。把用来描述帘子布疵点图像特征即帘子布疵点图像的MSA矩作为BP神经网络的输入向量X=(X1,X2,Xn)，将代表相应疵点类型

11、评价结果的值作为神经网络的输出y；建立一个三层神经网络。用足够多的样本训练这个网络，通过粒子群算法对神经网络权值进行训练学习，从而找到一组最优权值，最终可将此网络作为帘子布疵点类型评估有效工具，对不同评价对象做出相应的综合评判，其模型图如图2所示。图2 粒子群BP网络结构示意图BP神经网络5是一种具有单向传播结构的多层前向网络，其结构如图2所示。由图可知，BP神经网络中包括输入层、隐含层(中间层)、输出层，可以具有3层甚至更多层。BP神经网络的每层神经元之间没有连接，但上下层神经元之间是全连接。BP神经网络算法也称为“误差逆传播算法”。首先将训练样本输入到BP神经网络后，神经元的激活值从输入层

12、通过其中间层传播到输出层，从而，BP神经网络的输入信息被输出层的各神经元获得。然后根据减少实际误差和目标输出的方向，从输出层经各中间层逐层修正各连接权值，最后回到输入层。 (a)正常 (b)浆斑 (c)稀经 (d)粘并 (e)断经 (f)劈缝图3 帘子布正常和疵点图像BP神经网络是一种有教师的学习算法，使用学习律。x1,x2,xp为p个输入训练样本，t1,t2,tp是与输入训练样本对应的训练值，学习算法的目的是通过神经网络的输出y1,y2,yp与t1,t2,tp的误差来进一步改进BP神经网络的权值及阈值，使ypl与tpl尽可能地接近第pl个样本输入到图2所示的网络中，得到输出yl (l=0,1

13、,m-1)，各输出单元误差之和即为样本误差，如下所示： (9)p个学习样本的总误差表达式为： (10)假设BP神经网络中任意两个神经元之间的权值为，而与有关的非线性误差函数为Ez，则有： (11) (12)W为BP神经网络的各层权值。采用梯度法，对每个wsq元的修正值为，为学习率(步长)。 (13) (14)要使总误差向减小的方向变化，直到Ez=0，可以采用梯度法达到目的。在训练数据很充足的条件下，BP神经网络可以正确地完成模式识别的问题。4 试验结果与分析4.1 帘子布疵点图像的MSA矩特征帘子布是一种产业用纺织品，其纬线稀疏，经、纬线之间无强力的位置约束，正常帘子布的纹理图像有较大的变化。

14、由于多尺度自卷积矩具有旋转不变性，可以大大克服帘子布纹理图像的上述问题。图像采集系统由CCD工业摄像机和图像采集卡组成，采用静止状态的帘子布作为测试对象，被测对象位于摄像机与照明装置之间，得到实验中所采用的帘子布图像。建立一个正常帘子布(50幅)和5种疵点图像(每种150幅)共800幅的帘子布图像库，其中每幅图像为256×256点阵，256阶灰度的灰度图像。图3(a)为正常纹理的帘子布图像，其余依次为浆斑、稀经、粘并、断经和劈缝五种疵点帘子布图像。试验中，选取帘子布图像库各类型帘子布图像(每种类型50幅)为训练样本，分别对各种类型的帘子布图像灰度求均值，以保证训练样本的MSA矩能够正

15、确地反映各类帘子布图像的特征。计算它们的MSA矩时，根据MSA的性质，可以通过改变和的值，得到无穷多的仿射不变量特征F(,)。经实验选择8对(,)值的多尺度自卷积变换构成特征不变量，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)计算它们的MSA矩。结果如表1所示。表1 正常和疵点帘子布图像的MSA矩疵点类型(,)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浆斑0.107860.11130.100140.103550.10480.0928180.0959680.085806断经0.104690.106440.0962550.0991720.100610.0889560.0920770.082442劈缝0.108870.113240.101430.105230.106970.0943510.0978450.087497粘连0.102320.10520.0947660.0979110.0990120.0877740.0906970.081

17、074稀经0.120550.121250.110060.112340.111930.10020.102660.0916554.2 粒子群神经网络分类器的设计 图4 经过12次迭代，网络收敛过程曲线为验证MSA矩的特征提取能力，采用粒子群神经网络对疵点图像进行了识别。表1中不同的疵点类型对应不同的MSA矩，将结果作为疵点类型判定的特征值，粒子群神经网络作为疵点分类器，即可实现帘子布疵点分类。因选择8对(,)，故取粒子群神经网络输入结点数N1=8；正常纹理和疵点类型共6种，取输出结点数N3=6；隐含层结点数按经验公式N2=2×N1+1，取N2=17，则粒子群神经网络模型为“8-17-6”

18、三层结构。在建立了神经网络后，还要对该网络进行学习训练。采集若干组正常织物及疵点图像经多尺度自卷积后提取特征值送入神经网络进行训练，网络训练成功后，其权值即确定下来。在对未知织物图像进行识别时。神经网络由于具备并行运算、自学习、自组织等特点，可以快速地计算，给出正确的识别结果。采用MATLAB 7.0编写粒子群神经网络训练网络，神经网络权值采用粒子群算法进行训练，学习函数取梯度下降动量函数“learngdm”，学习率取0.1，传递函数取S型的正切函数“tansig”、S型的对数函数“logsig”，训练函数取Levenberg-Marquardt函数“trainlm”，性能分析函数取均方误差函数“mse”，经过12次训练可以收敛到0.001。使用已经训练好的粒子群BP神经网络对帘子布图像库的100幅疵点图像进行分类识别。计算疵点帘子布图像的MSA矩，分别将每幅疵点图像的MSA矩送入已经训练好的粒子群BP神经网络，疵点图像都能被正确的识别。尽管样本集中每幅帘子布疵点图像的纹理有较大差别，由于MSA矩的稳定性，有效的提取了帘子布疵点图像特征。帘子布疵点图像分类器通过采用粒子群BP神经网络，相对于BP神经网络，粒子群BP神经网络识别率高，稳定性好。5结论本文采用MSA矩结合粒子群神经网络技术实现了帘子布图像的疵点识别，给出了不同疵点帘子布图像的MSA矩特征，然后把