基于數學優化算法的皮革表面瑕疵篩查研究

何瀟

（陜西財經職業技術學院，陜西 咸陽 712000）

0 引言

伴隨著制革技術的不斷進步以及現代科學儀器設備技術的不斷開發，在計算機技術的融合之下，反射式光學電鏡、皮革瑕疵檢測機目前已經被許多制革企業所采用，傳統的人工評價方法正在逐步被機器識別技術所取代。基于此，本文集中探討在大規模皮革圖像檢測中，如何改進現有檢測技術中的線性濾波算法，為皮革圖像篩查檢測計算、皮革圖像缺陷篩選提供理論參考。

1 研究背景

皮革作為一種常見的制品材料，被廣泛應用在服裝、鞋類、家具、汽車內飾等多個不同領域。由于皮革材料的特殊性，其表面可能會存在不同程度的瑕疵，如疤痕、蟲蛀、折痕等[1]。特別是在許多中小型皮革生產車間中，由于對生皮存放保存不當，使得皮革局部表面受到細菌的侵蝕而缺少粒面，導致缺面、蟲蛀現象屢見不鮮。皮革表面瑕疵一旦嚴重，不僅會制約皮革的使用性能，影響皮革材料的使用質量，還會直接影響到皮革外部輪廓的美觀性，進而導致皮革企業利潤受損。

為了更好地應對皮革表面瑕疵問題，許多皮革企業在制革過程中加入了人工篩查皮革表面瑕疵檢測工序，并以產品分級形式進行皮革表面瑕疵處理，其目的主要是為了確保皮革材料在最初生產過程中的質量和美觀度。

近年來，隨著智能制造和工業4.0理念的提出與實施，自動化、智能化和數字化成為制革業發展的主要趨勢。許多中大型皮革企業開始在篩查檢測設備中結合人工智能技術、計算機視覺技術、數字圖像技術、機器學習技術對皮革加工過程中的表面瑕疵進行自動篩查[2-3]，并在設備程序中結合數學優化算法利用大規模皮革圖像進行智能檢測，進一步提高了皮革表面瑕疵篩查過程的準確率與時效性。

2 皮革表面瑕疵篩查檢測方法概述

在現實制革生產過程中，人工篩查檢測、掃描電子顯微鏡設備檢測等方式，是目前皮革企業生產車間對皮革表面瑕疵檢測的普遍篩查方式。人工篩查檢測往往具有一定的局限性，單純依靠檢驗者的經驗和主觀進行判斷，僅以肉眼來分辨皮革表面缺陷極易造成漏檢、失誤等現象的發生；掃描電子顯微鏡設備自動篩查方法，是通過放大不等倍數在顯示屏中觀察皮革表面細節，其技術原理是基于線性濾波算法來分析皮革圖像中的紋理分布特征，進一步確定皮革圖像是否有缺陷，整個過程自動、高效。

但是，由于皮革表面的紋理和結構通常較為復雜，線性濾波算法在處理這種復雜紋理時可能效果不佳，無法準確地突顯皮革的特征。同時，線性濾波算法在處理皮革圖像篩查過程中，可能會存在光照不均、陰影散亂現象，進而導致圖像邊緣模糊，使得皮革表面的紋理、纖維和細胞結構等特征變得不太明顯，進而在皮革生產瑕疵篩查過程中出現失誤。

此外，考慮到皮革瑕疵篩查過程中圖像檢測的敏感性與特異度，以及皮革在鞣制、染色、材質處理過程中可能存在的各種情況，許多中大型皮革企業工程師開始嘗試采用各類智能算法、機器學習識別技術結合皮革瑕疵篩查電鏡設備進行升級。其技術原理為先將皮革圖像儲存在計算機圖庫之中，再將圖像反射到皮革瑕疵篩查電鏡設備之中，為提取的圖像選擇合適的算法進行缺陷篩選計算，進一步減少在篩選過程中的各種干擾。

3 篩查方案設計

3.1 皮革表面瑕疵篩查檢測技術原理

光學掃描電鏡或皮革瑕疵檢測機設備使用過程中，為了更好的提升其篩查檢測的準確性，在設備程序現有的線性濾波算法中引入常見的計算機數學算法進行機器識別優化，可采用空間卷積神經網絡、模糊卷積神經網絡算法等，將皮革圖像分割成無數個點，再將其中的某個點特征放大百倍，逐步形成圖像空間卷積網格，再通過模糊卷積神經網絡算法計算，形成模糊矩陣進行自動判斷，進而輸出皮革在鞣制、染色、材質處理過程中的缺陷問題，并自動判斷廢品標記，自動出具廢品報告書并將數據信息及時與皮革生產車間檢測系統進行同步，具體如圖1所示。

圖1 光學掃描電鏡瑕疵篩查流程Fig.1 Defect screening process using opticalscanning electron microscopy

3.2 皮革表面瑕疵篩查數學優化方案設計

本次選取中小型皮革企業中常見的SEM3000型皮革瑕疵篩查掃描電鏡設備，該設備程序采用常見的線性濾波算法進行自動檢測，其參數毛孔直徑為20～45 μm，視野數為24 mm，最小視場直徑為4.25 μm，在最大倍率下可以有效檢測到小于毛孔直徑的皮革表面缺陷細節與瑕疵。

將機器學習算法應用在SEM3000型皮革掃描電鏡程序之中，其空間卷積神經網絡算法原始數學公式如式（1）所示：

在電鏡程序泛函分析過程中，g（k）作為皮革原始圖像函數；y（a-k）作為卷積函數；a為卷積參數；y則為神經網絡的輸出值。由于空間卷積是一種具有深度結構的前饋神經網絡模塊，故可采用深度迭代法進行初步優化，并采取多項式回歸來計算節點函數，其函數的數學算法公式如式（2）所示：

其中，x可看作數組的遍歷指針；n表示上一層卷積神經網絡的節點數量值；Aj可作為第j階的多項式回歸系數；作為卷積神經網絡中上一層的第i個節點輸入值的j階次方。考慮到多列神經網絡在輸出數據過程中缺少一定的分布規律，為了更有效的提高皮革圖像檢測準確率，滿足數據數值在[0，1]區間內的精確篩查效率，進一步強化數據的基本分布規律，故在式（2）基礎上對其進行“二值化”處理，其目的是將整個皮革圖像最終呈現出具有明顯的黑與白視覺效果，優化后的二值化函數數學公式如式（3）所示：

其中，e為自然常數，此處可取近似值為e=2.71828，作為二值化函數輸出后的雙精度浮點數變量，并位于區間[0,1]之內，當該數據值接近1.000時圖像檢查呈現黑色，判斷其表面具有明顯的瑕疵缺陷，并出具廢品報告自動上傳至皮革檢測系統記錄；當數據值接近0.000時圖像檢查呈現白色，判斷其表面無瑕疵缺陷，則通過篩查檢驗。

根據前文提到的皮革表面瑕疵篩查原理圖示，在機器學習算法中進一步對其進行檢索缺陷優化，可采用模糊卷積檢測算法針對皮革圖像表面中的特異度及敏感度進行進一步的優化計算。并從皮革生產中的鞣制、染色、材質瑕疵缺陷中進行實測比較，從而判斷其數學算法的優化效果。在式（3）基礎上進行改進，其模糊卷積的數學計算公式如式（4）所示：

其中，Value作為t值的輸出結果；xi為統計緒論x中的第i個統計值；作為經過回歸的對照值；作為統計序列的算數平均值。當Value值為t值時，t＜10.000時則認為存在統計學差異，t值越大，則表示敏感度及特異度的差異性越小，反之則表示差異性越大。通常情況下，當Log值為p值時，p＜0.05則判斷為具有可信度，p＜0.01時則認為具有明顯的差異性特點。

同時，為了更好的滿足模糊卷積檢測結果的準確性，應充分考慮到數據值中的標準偏差率計算，其目的主要是為了尋找數據中的最佳標準差，盡可能多提取出皮革圖像模糊采樣數量，從而避免因檢測偏差致使的廢品模糊標記失誤現象，標準偏差計算優化公式如式（5）所示：

式中σ為輸入序列x的標準偏差率結果；n為圖像模糊采樣數量；μ為輸入序列；xi為輸入序列x中的第i個輸入項，本式可作為對獲取皮革圖像進行優化處理的最佳標準差計算方式。

3.3 實測結果對比

為了判斷本次數學優化算法后的皮革表面瑕疵篩查的準確率和識別效果，選取某皮革廠的皮革制品進行表面電鏡掃描，掃描內容分別從生產鞣制、染色、材質瑕疵檢測模塊進行皮革缺陷實測比較，在上述式（3）（4）（5）計算基礎上，結合統計學SPSS雙變量t校驗法對線性濾波算法、機器識別算法進行數據差異性對比分析，具體從皮革表面圖像的特異度、敏感度、檢測效率進行指標數據對比，其效果差異數據如表1、2所示。

表1 線性濾波算法瑕疵篩查效果（單位：%）Tab.1 Flaw screening effect oflinear filtering algorithm(Unit:%)

表2 機器識別算法瑕疵篩查效果（單位：%）Tab.2 Machine recognition algorithm defect screening effect(unit:%)

根據表1、2數據，采用機器識別算法瑕疵篩查效果在特異度、敏感度及檢測效率方面遠超于線性濾波算法的檢測效果，具體表現在其精度更高、更靈敏，利用數學優化算法后的神經網絡計算數值普遍在97%以上，可以滿足大規模皮革圖像檢測的準確率和工業化應用需求[4]。由于線性濾波算法是一種基于線性程序化的計算方法，對于皮革染色中的圖像缺陷篩查在特異度與敏感度方面遠遠弱于機器識別算法，致使其檢測效率較低。而利用數學優化算法設置的電鏡檢測程序，在皮革鞣制、染色缺陷結果的檢測中，其計算精確率更高，標準偏差率極低，對于皮革圖像中的機器識別特異度和敏感度可以較好地滿足其計算需求。

4 結語

本次研究通過對SEM3000型皮革瑕疵篩查掃描電鏡計算程序進行數學優化算法方案設計，進一步闡述了機器識別算法在皮革瑕疵篩查檢測中的重要性，驗證了機器識別算法在皮革鞣制、染色、材質缺陷篩查中的準確率，對于大規模皮革圖像篩查檢測計算方案設計具有一定的啟發性。在后續的研究方案中，還可采用超限學習機、深度學習等人工智能方法進一步對皮革瑕疵檢測進行優化，從而為皮革檢測圖像質量提升提供更多方案。