基于神經網絡算法的皮革裁斷智能分揀方法研究

廖東進

【摘 要】皮革制品沖裁加工涉及送料、分揀、液壓隨動閥、多軸驅動電機等多機設備的控制。為了提高皮革裁斷分揀的速度與精度，本文以皮革成品的面積、橢圓度、各向異性和表面紋理等特征為向量，采用基于最小均方delta規則神經網絡的目標識別方法，智能識別裁斷樣品;在皮革裁斷加工過程中，考慮到背景光線變化會對分揀系統造成的不準確性問題，采用了背景差分法，以此獲取運動工件的精準圖像坐標，以此提高皮革裁斷加工的分揀效率。

【關鍵詞】皮革裁斷;智能分揀;神經網絡

中圖分類號： TS531文獻標識碼： A 文章編號： 2095-2457（2019）32-0048-002

DOI：10.19694/j.cnki.issn2095-2457.2019.32.019

0 引言

隨著我國居民生活水平的提高，服務型消費得到了較大提高，在此影響下，皮革制品市場得到了大幅度提升;另外，隨著我國勞動成本的提高，這就要求皮革制品生產需向自動化、數字化、網絡化和智能化加工生產模式轉變，以此提升皮革制品的加工效率。

目前，我國皮革制品加工生產裝備已完成機械化升級改造，同皮革制品純手工加工相比，皮革制品機械化加工對擴大生產規模、提高生產效率和減輕勞動強度等發揮了重要作用。但也帶來了革原料利用率、加工品質低等問題，特別是機械化加工難以生產高端皮革制品產品，這不僅增加皮革制品的生產成本，而且嚴重制約我國皮革制品在國際市場上的競爭力。

皮革智能裁斷系統涉及皮革樣品的送料、分揀、液壓隨動閥、多軸驅動電機等多機設備的協調控制。在皮革制品分揀階段，為提高皮革裁斷分揀的速度與精度，本文以皮革成品的面積、橢圓度、各向異性和表面紋理等特征為向量，采用基于最小均方delta規則神經網絡的目標識別方法，智能識別裁斷樣品;在皮革裁斷加工過程中，考慮到背景光線變化會對分揀系統造成的不準確性問題，采用了背景差分法，以此獲取運動工件的精準圖像坐標，以此提高皮革裁斷加工的分揀效率。

1 皮革裁斷樣品特征提取

在皮革加工過程，用描述子定量描繪不同成品目標即工件圖像特征信息，如面積、橢圓度、各向異性和表面紋理等，每個工件類別都是多個描述子集合，每個描述子描繪工件的某項特征，用這些特征組成的向量x=[x1，x2，…，xn]描述皮革裁斷加工成品，其中，xi為第i個描述子，n為與該工件有關的描述子的總數，則一類工件就可以用向量x表示。向量x的每個分量性質是由所識別的工件特征決定的，特征的選取很大程度上影響工件的分類。選取工件的面積和各向異性作為兩個特征。每種工件由兩個描述子來表示，于是生成了一個二維特征向量x=[x1，x2]，其中和分別代表工件的面積和各向異性。由于工件的面積和各向異性不同，描述這些工件的特征向量也不一樣，這些差別不但體現在不同類的工作之間，也體現在同類工件中，通過上述特征提取構建各樣品特征向量。

2 基于最小均方delta規則神經網絡能分揀方法

為了提高皮革裁斷分揀的速度與精度，本項目使用感知機學習所需決策函數，需要區分三個訓練集或模式類（w1，w2，w3），采用如圖1所示的三個模式類的感知機模型。感知機的響應用它輸入的加權和來表示，即

d（x）=■w■x■+w■（1）

圖1 三個模式類的感知機模型

其中，wi為權值，i=1，2，…，n+1;d（x）為感知機的響應。訓練時，當訓練向量x來自類W1時，期望響應為1;當x來自類W2時，期望響應為0;當x來自類W3時，期望響應為-1。為了更方便表示，將向量x進行擴充，用y=[x1，x2，…，xn，1]表示擴充后的模式向量，權向量記作w=[w1，w2，…，wn，wn+1]。則感知機響應：

d（y）=■wiyi=wTy（2）

在訓練時，采用感知機訓練的最小均方delta規則，此規則可以在有限步的學習后使得感知機的實際響應逼近期望響應，使兩者的誤差最小。準則函數為

J（w）=■（r-w■y）■（3）

式中，r是感知機的期望響應，易知在r=wTy時該準則函數取得最小值。故可以用梯度下降法逐步修正權值向量w，當J（w）取得最小值時，感知機可以正確分類。設w（k）為第k步迭代中的權值向量，則一般的梯度下降算法可以表示為

w（k+1）=w（k）-α·■■（4）

其中，w（k+1）是w的迭代值;α是修正系數，α>0。由式（3）可以計算出

■=-（r-wTy）y（5）

代入式（4）可得

w（k+1）=w（k）+α·[r（k）-wT（k）y（k）]y（k）（6）

其中初始向量w（1）=0。

定義權值向量的增量delta為

Δw=w（k+1）-w（k）（7）

按照delta修正算法將式（7）改寫為

Δw=α·e（k）y（k）（8）

其中e（k）=r（k）-wT（k）y（k），它是權值向量為w（k）時產生的誤差。在學習過程中，誤差變化為

Δe（k）=[r（k）-wT（k+1）y（k）]-[r（k）-wT（k）y（k）]

=-[wT（k+1）-wT（k）]y（k）（9）

=-ΔwTy（k）

將式（8）代入式（9），可得

Δe（k）=-α·e（k）yT（k）y（k）=-α·e（k）‖y（k）‖2（10）

因為α>0，分析式（10）可知，當誤差e（k）>0時，Δe（k）<0，即e（k）將趨近于0;當e（k）<0時，Δe（k）>0，即e（k）也將趨近于0，所以算法使得實際響應的均方誤差最小。α的選擇影響著學習過程的收斂速度和穩定性，一般要求0.1<α<1，在實際應用中應該根據感知機學習效果選擇合適的α。

3 皮革裁斷加工成品智能分揀系統

在皮革裁斷加工過程中，背景光線變化會對分揀系統造成很大的不準確性問題，因此本項目采用背景差分法獲得運動工件的圖像坐標。定義image（x，y）為當前幀，acc（x，y）為背景模型，frimage（x，y）為前景幀，α為背景更新率，其范圍為0～1，acc（x，y）初始化為0。

acc（x，y）=α*image（x，y）+（1-α）*acc（x，y）（11）

frimage（x，y）=image（x，y）-acc（x，y）（12）

運動工件的姿態檢測先通過灰度處理，再尋找在所選檢測方向上梯度值超過閾值的點，對這些點進行直線擬合，計算出角度。最后根據分離的前景圖像，檢測出工件位置。

將攝像機垂直于工作平面安裝，世界坐標系位于工作平面，Z軸垂直平面向下，攝像機坐標系與世界坐標系無旋轉，只存在平移關系，于是有旋轉矩陣R=I（單位陣）且平移矩陣P=[0，d，0]T，d是攝像機光軸中心點Oc到工作平面的距離，則

x■y■z■1=■x■y■z■1=x■y■d1（13）

其中，（xc，yc，zc）為景物點在攝像機坐標系下的坐標，（xw，yw，zw）為景物點在世界坐標系下的坐標。由上式可以獲得景物點在攝像機坐標系下的坐標，則xc=xw和yc=yw，在工作平面上運動工件的坐標zw=0。令（u，v）是參考點的圖像坐標;（u1，v1）是點P1的圖像坐標，（x■，y■）為點P1的二維世界坐標;（u2，v2）是點P2的圖像坐標，（x■，y■）為點P2的二維世界坐標;（u0，v0）是攝像機光軸中心的圖像坐標;k■=kx/d和k■=ky/d是標定出的攝像機參數，則坐標變換

x■=x■+（u■-u■）/k■y■=y■+（v■-v■）/k■（14）

其中，（u■-vi）是任意一點Pi的二維世界坐標。

由于廣角攝像頭會有畸變，其中以徑向畸變最為明顯，因此用線性回歸方法擬合出攝像機的徑向畸變矩陣。首先給出徑向畸變的畸變方程

u'v'=■[■]■（15）

其中，（u，v）為參考點的圖像坐標，（u'，v'）為參考點畸變校正后的圖像坐標，ast和bst為校正系數，s，t=0，1，2。工件的類型識別要采集各種工件的樣本，對各樣本進行特征檢測，并訓練形狀模型，建立工件樣本數據庫。然后對實時圖像的感興趣區域中目標的特征進行檢測，并與數據庫中的模型進行匹配，計算出匹配值，選取匹配值最高的結果作為分類器的輸出。

4 總結

在皮革制品沖裁加工過程中，樣品分揀的速度與精度直接關系到皮革裁斷系統的效率。文本采用基于最小均方delta規則神經網絡的目標識別方法，智能識別裁斷樣品;在皮革裁斷加工過程中，考慮到背景光線變化會對分揀系統造成的不準確性問題，采用了背景差分法，根據分離的前景圖像，檢測出工件位置，以此獲取運動工件的精準圖像坐標，提高皮革裁斷加工的分揀效率。

【參考文獻】

[1]余世明.基于工業互聯網的皮革優化排樣與多機協調裁斷技術及應用[J].工業控制計算機，2018（6）：80-84.

[2]何德峰.具有摩擦力補償的液壓裁斷數控機床輪廓預測控制算法[J].工業控制計算機，2018（5）：61-63.

[3]朱海濤.基于最小均方delta規則的神經網絡工件識別[J].浙江工業大學學報，2014（2）：219-236.

[4]楊世鳳，章對磊，楊燁，等.裁斷機實時監控與故障診斷專家系統[J].自動化與儀表，2014，29（11）：8-11，48.

[5]李根，李培江.液壓裁斷機遠程監控系統的研究[J].科技展望，2016，26（25）：132-133.