基于PSO改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法的金屬表面缺陷分類

楊彩霞，張 錦，陶志勇，王 瑩

（1.湖南機(jī)電職業(yè)技術(shù)學(xué)院，長(zhǎng)沙 410151；2.湖南師范大學(xué)，長(zhǎng)沙 410000；3.長(zhǎng)沙民政職業(yè)技術(shù)學(xué)院，長(zhǎng)沙 410000；4.湖南中醫(yī)藥大學(xué)人文與管理學(xué)院，長(zhǎng)沙 410208）

0 引言

零件質(zhì)量檢測(cè)技術(shù)是機(jī)械裝備生產(chǎn)與制造過(guò)程的重要環(huán)節(jié)，目前，國(guó)內(nèi)主要還處于以人眼結(jié)合測(cè)量?jī)x器對(duì)產(chǎn)品加工質(zhì)量進(jìn)行抽檢的階段，而據(jù)科學(xué)統(tǒng)計(jì)，人目檢測(cè)的穩(wěn)定性只有80%，同時(shí)存在效率低下、成本大等問(wèn)題，因此開(kāi)發(fā)合理的金屬表面缺陷在線檢測(cè)與分類系統(tǒng)可以提高機(jī)械裝備業(yè)的整體生產(chǎn)力水平。

金屬表面缺陷分類具有復(fù)雜多變、非線性因素高等特性，國(guó)內(nèi)外學(xué)者較多的采用神經(jīng)網(wǎng)絡(luò)分類法，Mohammad Reza Yazdchi、Ge-Wen Kang等研究者將神經(jīng)網(wǎng)絡(luò)運(yùn)用于軋鋼表面缺陷檢測(cè)，獲得了一定的檢測(cè)效果[1,2]；東北大學(xué)韓英莉、顏云輝[3]以及蘇州大學(xué)仲兆準(zhǔn)、謝光偉[4]提出了基于BP神經(jīng)網(wǎng)絡(luò)帶鋼表面缺陷識(shí)別和分類法。BP神經(jīng)網(wǎng)絡(luò)算法屬于局部尋優(yōu)算法，訓(xùn)練學(xué)習(xí)時(shí)間較長(zhǎng)，容易陷入局部極小值；粒子群算法從隨機(jī)解出發(fā)，通過(guò)不斷更新例子的位置和速度，尋找網(wǎng)絡(luò)的全局最優(yōu)解，可以防止BP網(wǎng)絡(luò)陷入局部極值，提高網(wǎng)絡(luò)收斂速度和計(jì)算效率[5,6]。為了驗(yàn)證模型準(zhǔn)確性，采用自適應(yīng)閾值分割法實(shí)現(xiàn)工件缺陷分割，獲得了較好的分割效果，計(jì)算缺陷紋理特征向量，利用MATLAB軟件和計(jì)算的樣本數(shù)據(jù)計(jì)算并驗(yàn)證缺陷分類模型，結(jié)果表明提出的缺陷分類方法合理有效。

圖1 PSO-BP算法尋優(yōu)流程

1 基于PSO改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法的缺陷分類

1.1 金屬工件缺陷分類BP神經(jīng)網(wǎng)絡(luò)建模

本系統(tǒng)主要研究金屬工件表面孔洞、劃傷、殼狀凸起等典型缺陷。由于BP神經(jīng)網(wǎng)絡(luò)算法具有較強(qiáng)的非線性逼近能力，利用該算法可以建立特征向量與缺陷分類結(jié)果之間的3層網(wǎng)絡(luò)數(shù)學(xué)模型：將圖像的缺陷特征向量Xi作為為輸入層，將缺陷分類結(jié)果劃傷（Y1）、孔洞（Y2）、殼狀凸起（Y3）3類缺陷作為網(wǎng)絡(luò)輸出層，網(wǎng)絡(luò)輸出層有3個(gè)神經(jīng)元，Y1的理想輸出結(jié)果為001，Y2的理想輸出結(jié)果為010，Y3的理想輸出結(jié)果為100。

1.2 PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型

為了獲得更精確的網(wǎng)絡(luò)模型，將PSO算法和BP算法結(jié)合起來(lái)，采用PSO算法改進(jìn)BP網(wǎng)絡(luò)。PSO-BP算法是通過(guò)PSO算法按照一定的規(guī)律不斷改變BP網(wǎng)絡(luò)的權(quán)值參數(shù)，找到全局最優(yōu)解，計(jì)算過(guò)程如圖1所示。

2 缺陷樣本采集過(guò)程

2.1 試驗(yàn)過(guò)程

為獲得缺陷的試驗(yàn)樣本數(shù)據(jù)，采用照明裝置、CCD傳感器、計(jì)算機(jī)等設(shè)備構(gòu)成檢測(cè)系統(tǒng)。為了最終獲得圖像缺陷特征向量，需要經(jīng)過(guò)如下試驗(yàn)過(guò)程：

Step 1：利用CCD傳感器實(shí)時(shí)獲取原始圖像；

Step 2：對(duì)原始圖像進(jìn)行預(yù)處理；

Step 3：對(duì)預(yù)處理圖像進(jìn)行圖像分割處理；

Step 4：根據(jù)圖像分割結(jié)果計(jì)算缺陷特征向量。

2.2 圖像預(yù)處理

在金屬工件圖像采集過(guò)程中，由于環(huán)境等因素會(huì)對(duì)采集的圖片產(chǎn)生噪聲干擾，需對(duì)原始圖像進(jìn)行預(yù)處理——一方面過(guò)濾圖像噪聲，另一方面可以弱化缺陷圖像的背景紋理，以便剔除偽缺陷，達(dá)到更好的檢測(cè)效果[7]。采用灰度化和中值濾波方法對(duì)原始圖像預(yù)處理，如圖2所示。

圖2 圖像預(yù)處理

2.3 缺陷圖像分割

由于金屬零件的標(biāo)準(zhǔn)件圖像灰度值較均一，變化度小，因此可以考慮灰度閾值分割法分割缺陷[8]，但是不同缺陷的灰度值分布范圍不同，不能對(duì)所有的缺陷都統(tǒng)一采用同一個(gè)閾值來(lái)分割缺陷。采用自適應(yīng)迭代閾值分割法對(duì)預(yù)處理圖像分割處理，分割結(jié)果如圖3所示，由圖可見(jiàn)分割效果較好。

圖3 自適應(yīng)閾值分割結(jié)果圖像

2.4 缺陷特征值的選擇與計(jì)算

對(duì)于金屬工件缺陷圖像而言，顏色特征通常對(duì)其分類影響不明顯，因此選取圖像的紋理特征來(lái)實(shí)現(xiàn)缺陷分類，先計(jì)算圖像的灰度共生矩陣GLCM，根據(jù)矩陣計(jì)算其特征向量：能量E、相關(guān)性En、熵Cor和對(duì)比度值Con，由以上四個(gè)特征值作為圖像的缺陷分類依據(jù)，同時(shí)該計(jì)算結(jié)果為神經(jīng)網(wǎng)絡(luò)的輸入層數(shù)據(jù)。圖3中的3種缺陷特征值計(jì)算結(jié)果如表1所示。

表1 圖2缺陷特征值計(jì)算結(jié)果

3 試驗(yàn)驗(yàn)證與分析

3.1 試驗(yàn)驗(yàn)證

在劃傷、孔洞、殼狀凸起三類缺陷樣本數(shù)據(jù)中各選擇30組數(shù)據(jù)作為建模樣本，對(duì)其進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練和PSO-BP網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練過(guò)程如圖1所示，分別計(jì)算出BP和PSO-BP數(shù)學(xué)模型。

為了驗(yàn)證算法的準(zhǔn)確性，在三類缺陷樣本中各選取20組作為測(cè)試樣本，根據(jù)所建立的BP模型和PSO-BP模型，計(jì)算其分類結(jié)果（Y1、Y2、Y3的值），每一類缺陷的理想輸出值為1，以0.5為匹配分界線，當(dāng)實(shí)際計(jì)算結(jié)果大于0.5則認(rèn)定為存在該類缺陷，當(dāng)結(jié)果小于0.5則認(rèn)定為不存在該類缺陷：以劃傷缺陷的20組測(cè)試樣本計(jì)算結(jié)果為例，對(duì)比分析BP分類結(jié)果和PSO-BP分類結(jié)果，如圖4所示。

圖4 BP分類和PSO-BP劃傷缺陷分類結(jié)果對(duì)比

3.2 試驗(yàn)結(jié)果分析

從圖4可看出，BP算法劃傷缺陷分類準(zhǔn)確率為85%，而PSO-BP算法劃傷缺陷分類準(zhǔn)確率為90%，同時(shí)PSO-BP分類相對(duì)誤差明顯低于BP分類的平均誤差，可見(jiàn)PSO-BP模型準(zhǔn)確度更高。三類缺陷測(cè)試樣本共60個(gè)數(shù)據(jù)的分類計(jì)算結(jié)果如表2所示。

表2 缺陷分類結(jié)果

從分類結(jié)果可看出，PSO-BP缺陷分類準(zhǔn)確率在85%以上，且分類準(zhǔn)確率明顯高于BP分類法，分揀率總體能滿足工業(yè)缺陷檢測(cè)分類要求。

4 結(jié)論

本文設(shè)計(jì)了一種金屬工件表面缺陷檢測(cè)線檢測(cè)與分類系統(tǒng)，利用中值濾波、閾值分割、特征提取、圖像分類等圖像處理方法，對(duì)金屬工件表面的缺陷圖像實(shí)現(xiàn)機(jī)器視覺(jué)檢測(cè)與識(shí)別，建立了特征向量和缺陷結(jié)果之間的BP和PSO-BP網(wǎng)絡(luò)數(shù)學(xué)模型，試驗(yàn)對(duì)比分析了BP分類和PSO-BP分類結(jié)果，驗(yàn)證結(jié)果表明PSO-BP算法缺陷分類可靠性更高，能滿足工業(yè)生產(chǎn)需求。