林森
摘要:針對(duì)快速準(zhǔn)確識(shí)別混紡紗線不同材質(zhì)的問題,本文首先使用BP神經(jīng)網(wǎng)絡(luò)應(yīng)用平均影響值(MIV)方法,篩選混紡紗線橫截面圖像中的羊毛和粘膠形態(tài)特征指標(biāo),然后利用概率神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、極限學(xué)習(xí)機(jī)分別對(duì)羊毛和粘膠材質(zhì)進(jìn)行識(shí)別。結(jié)果顯示選取合適類型的前饋神經(jīng)網(wǎng)絡(luò),均可快速獲取約為90%的識(shí)別準(zhǔn)確率,具有潛在的實(shí)用價(jià)值。
關(guān)鍵詞:前饋神經(jīng)網(wǎng)絡(luò);材質(zhì)識(shí)別;羊毛;粘膠;MIV;圖像處理
中圖分類號(hào):TP391;TS137
文獻(xiàn)標(biāo)志碼:A
Identifying the Materials of Wool/Viscose Blended Yarns Based on Feed-forward Neural Network
Abstract: In order to identify the materials of blended yarns, the article first selected the indicators that can reflect the morphological characteristics of wool and viscose fibers in the cross-section images of blended yarn by using MIV-BP method. Then it used probabilistic neural network/support vector machine/extreme learning machine to identify wool and viscose materials. The identification results show that by using suitable feed-forward neural network, the materials can be quickly identified with accuracy up to about 90% and the method has the potential for practical use.
Key words: feed-forward neural network; material identification; wool; viscose; MIV; image processing
傳統(tǒng)的混紡紗線檢測多由人工完成,工作量大,易于出錯(cuò)。隨著數(shù)字圖像技術(shù)的發(fā)展和神經(jīng)網(wǎng)絡(luò)的不斷完善,通過圖像技術(shù)提取纖維特征,利用神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別,是現(xiàn)今最主要的自動(dòng)檢測方式。但是纖維特征的篩選多由主觀確定,且大多利用BP神經(jīng)網(wǎng)絡(luò)來構(gòu)造材質(zhì)識(shí)別的分類器。由于BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度慢,難以滿足纖維檢測的實(shí)時(shí)性,所以本文嘗試將前饋神經(jīng)網(wǎng)絡(luò)的多種典型形式結(jié)合圖像處理技術(shù),進(jìn)行羊毛/粘膠混紡紗線的特征選取,訓(xùn)練計(jì)算機(jī)更為客觀、準(zhǔn)確、迅速的實(shí)現(xiàn)毛粘混紡紗線中的材質(zhì)識(shí)別。
1羊毛和粘膠的形態(tài)特征
1.1基于圖像處理的羊毛/粘膠特征提取
通過配套PC圖像采集接口的CU-Ⅱ型纖維細(xì)度儀,顯微拍攝利用哈氏切片法獲取的羊毛/粘膠混紡紗線橫截面圖片(圖1)。其中羊毛和粘膠為待識(shí)別目標(biāo),需要保留;而火棉膠溶液的作用是固化紗線,可看作為背景,需要去除。經(jīng)圖像灰度化、去噪、增強(qiáng)、二值化、形態(tài)學(xué)處理之后得到的羊毛和粘膠個(gè)體示意圖如圖2和圖3所示。通過觀察可以發(fā)現(xiàn),羊毛和粘膠從圖像的角度來看,最大的差異在于羊毛個(gè)體的形態(tài)較飽滿,外廓參差較少;粘膠個(gè)體形態(tài)較干癟,外廓參差較多。
通過Matlab中用來度量圖像區(qū)域?qū)傩缘暮瘮?shù)regionprops,獲取第一至第六個(gè)特征指標(biāo),分別為Area、Eccentricity、EquivDiameter、Solidity、Extent、Perimeter;如圖4所示,第七個(gè)特征指標(biāo)定義為Bc,即從水平與垂直兩個(gè)方向獲取的目標(biāo)個(gè)體長度,然后將以較小長度Lmin作為直徑的圓的面積與以較大長度Lmax作為直徑的圓的面積相除(式(1));如圖5所示,第八個(gè)特征指標(biāo)定義為SMr,Sh和Sv分別是目標(biāo)個(gè)體從水平方向逐行和垂直方向逐列掃描得到的缺口面積總和,S是目標(biāo)個(gè)體的橫截面面積(式(2))。
Bc=L2min/L2max(1)
SMr=1-(Sh+Sv)/S(2)
在本文的研究中總共提取了215個(gè)羊毛個(gè)體和152個(gè)粘膠個(gè)體的特征值,部分羊毛和粘膠個(gè)體特征值的原始數(shù)據(jù)見表1。
1.2基于BP神經(jīng)網(wǎng)絡(luò)的羊毛/粘膠特征篩選
標(biāo)準(zhǔn)前饋神經(jīng)網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)分為:一層輸入層、若干層隱藏層和一層輸出層。各層之間全連接,同層之間無連接,信號(hào)從輸入層開始,逐步向前傳遞,直至輸出層。BP神經(jīng)網(wǎng)絡(luò)則是一種基于梯度算法的信號(hào)前向傳遞,誤差反向傳播的單隱藏層前饋神經(jīng)網(wǎng)絡(luò)。相對(duì)于常見的特征篩選方法(例如主成分分析法僅僅是利用坐標(biāo)變換來去除材質(zhì)特征間的冗余信息),利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行材質(zhì)特征的篩選,可以為后續(xù)前饋神經(jīng)網(wǎng)絡(luò)分類器提供合適的經(jīng)過機(jī)器學(xué)習(xí)后確認(rèn)的素材。由于所提取的8個(gè)羊毛和粘膠特征必然在利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別分類的過程中會(huì)發(fā)揮不同程度的作用,因此必須保留重要的特征,去除次要的特征。如圖6所示,BPMIV算法即在利用原始特征數(shù)值訓(xùn)練正確的BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,對(duì)每個(gè)羊毛/粘膠個(gè)體的8個(gè)特征值依次進(jìn)行增加10%和減少10%的數(shù)值變化,然后再將增減變化后的特征數(shù)值置入訓(xùn)練好的正確的BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行測試,得到兩個(gè)對(duì)應(yīng)的測試結(jié)果并求差值,即為變動(dòng)該特征值后測試結(jié)果的變化值(IV,ImpactValue),最后將各個(gè)羊毛/粘膠個(gè)體的IV值按特征種類的區(qū)別,求平均得到每個(gè)特征的平均影響值(MIV,MeanImpactValue),再根據(jù)MIV絕對(duì)值的大小排序篩選。
由于BP神經(jīng)網(wǎng)絡(luò)各層間的連接權(quán)值及閾值均為隨機(jī)產(chǎn)生的,故每次BP-MIV算法運(yùn)行后的結(jié)果不盡相同。本文涉及的所有程序均在Matlab7.8環(huán)境下運(yùn)行。設(shè)定BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)train的參數(shù)為:學(xué)習(xí)速率0.005,附加動(dòng)量因子0.9,訓(xùn)練次數(shù)3000。隨機(jī)實(shí)驗(yàn)100次,記錄下每次實(shí)驗(yàn)后得到的8個(gè)特征所對(duì)應(yīng)的︱MIV︱,按照從大到小的順序進(jìn)行排序,︱MIV︱排名第一的特征對(duì)神經(jīng)網(wǎng)絡(luò)輸出的影響最大、重要性最強(qiáng),排名第二的次之,依此類推。然后統(tǒng)計(jì)在這100次的隨機(jī)實(shí)驗(yàn)中,8個(gè)特征的︱MIV︱分別出現(xiàn)在︱MIV︱排名的第一名、第二名和第三名的次數(shù),如表2所示??梢园l(fā)現(xiàn)特征四、特征五和特征八對(duì)應(yīng)的︱MIV︱位于︱MIV︱排名第一名的次數(shù),依次為67、17和16次,其余5個(gè)特征均為0次;特征四、特征五和特征八對(duì)應(yīng)的︱MIV︱位于︱MIV︱排名前三名的次數(shù),總計(jì)為93、71和68次,遠(yuǎn)高于其余5個(gè)特征。因此,特征四、特征五、特征八是最為重要的3個(gè)特征,對(duì)羊毛和粘膠的識(shí)別起到最大作用。
2羊毛/粘膠材質(zhì)識(shí)別實(shí)驗(yàn)與結(jié)果分析
圖7為包含215個(gè)羊毛個(gè)體和152個(gè)粘膠個(gè)體的原始圖像,共6幅包含367個(gè)個(gè)體。由于紗線在切片過程中會(huì)產(chǎn)生少量纖維粘連、扭曲和模糊的現(xiàn)象,故本文將這些不良個(gè)體予以人工標(biāo)識(shí)并去除。如圖8所示,經(jīng)圖像處理后,白色部分為待識(shí)別目標(biāo)羊毛和粘膠個(gè)體,黑色部分為背景。
如圖9所示,訓(xùn)練個(gè)體與測試個(gè)體的選擇方法為:在總共6幅圖片中,如若將某幅圖片中的羊毛和粘膠個(gè)體作為測試個(gè)體,則剩余圖片中的羊毛和粘膠個(gè)體將被作為訓(xùn)練個(gè)體。待訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類器為前饋神經(jīng)網(wǎng)絡(luò)的典型形式:隸屬于RBF神經(jīng)網(wǎng)絡(luò)的概率神經(jīng)網(wǎng)絡(luò)(PNN),支持向量機(jī)(SVM),極限學(xué)習(xí)機(jī)(ELM)。
概率神經(jīng)網(wǎng)絡(luò)由函數(shù)newpnn創(chuàng)建,徑向基函數(shù)的擴(kuò)展速度spread設(shè)為0.1;支持向量機(jī)由臺(tái)灣大學(xué)林智仁等開發(fā)設(shè)計(jì)的LIBSVM工具箱創(chuàng)建,包括懲罰參數(shù)和核函數(shù)參數(shù)等的各項(xiàng)參數(shù)設(shè)置均為默認(rèn)值;極限學(xué)習(xí)機(jī)由新加坡南洋理工大學(xué)黃廣斌等提出的ELM學(xué)習(xí)算法創(chuàng)建,隱含層神經(jīng)元個(gè)數(shù)默認(rèn)為訓(xùn)練個(gè)體數(shù),隱含層神經(jīng)元激活函數(shù)默認(rèn)為sigmoid函數(shù)。由于神經(jīng)網(wǎng)絡(luò)各層間的連接權(quán)值及閾值產(chǎn)生具有隨機(jī)性并且程序每次運(yùn)行時(shí)的環(huán)境也不可能完全相同,故隨機(jī)運(yùn)行程序10次,記錄下材質(zhì)識(shí)別時(shí)的最小與最大準(zhǔn)確率以及程序平均運(yùn)行時(shí)間,如表3所示。
以概率神經(jīng)網(wǎng)絡(luò)分類器為例,材質(zhì)識(shí)別后分離出來的羊毛和粘膠個(gè)體示意圖如圖10和圖11所示(以前3幅為例)。從實(shí)驗(yàn)結(jié)果可見,文中選取的3種前饋神經(jīng)網(wǎng)絡(luò)分類器識(shí)別效果大體相當(dāng),針對(duì)實(shí)驗(yàn)所選6幅圖片的材質(zhì)識(shí)別準(zhǔn)確率最低不小于87.30%,最高可達(dá)到96.55%。同時(shí)在材質(zhì)識(shí)別消耗的時(shí)間方面,概率神經(jīng)網(wǎng)絡(luò)平均耗時(shí)最多為1.12s,支持向量機(jī)平均耗時(shí)最少為0.40s,極限學(xué)習(xí)機(jī)平均耗時(shí)居中為0.80s。相對(duì)傳統(tǒng)人工檢測耗時(shí)長,易于疲勞,人為造成錯(cuò)誤的概率較高而言;利用前饋神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測,耗時(shí)大為縮短,可滿足實(shí)時(shí)在線檢測,同時(shí)來自檢測人員主觀失誤造成錯(cuò)誤的概率亦會(huì)大大降低。
3結(jié)論
本文以識(shí)別混紡紗線中羊毛和粘膠個(gè)體的實(shí)驗(yàn)作為載體,嘗試?yán)昧饲梆伾窠?jīng)網(wǎng)絡(luò)的4種典型形式參與材質(zhì)識(shí)別,實(shí)現(xiàn)了在平均耗時(shí)0.39~1.12s里,取得87.30%~96.55%的識(shí)別準(zhǔn)確率,為后續(xù)的紗線質(zhì)量評(píng)價(jià)(例如獲取混紡比等指標(biāo))提供了保障。同時(shí),出于檢測實(shí)時(shí)性的考慮,在諸如徑向基函數(shù)的擴(kuò)展速度、隱含層神經(jīng)元個(gè)數(shù)、支持向量機(jī)懲罰參數(shù)等數(shù)值的確定上,本文并未利用其它智能算法進(jìn)行最優(yōu)化的尋找,而是根據(jù)人為的主觀判斷來確定或直接利用相應(yīng)神經(jīng)網(wǎng)絡(luò)的默認(rèn)設(shè)置,如何在檢測實(shí)時(shí)性與神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置的客觀性和最優(yōu)化上取得統(tǒng)一,仍有待于進(jìn)一步的探索。
參考文獻(xiàn)
[1]張國強(qiáng),張?jiān)鰪?qiáng),賀詠梅.BP神經(jīng)網(wǎng)絡(luò)在紡織服裝上的應(yīng)用[J].山東紡織科技,2013(2):37-40.
[2]仲岑然,金春奎.混紡紗線橫截面結(jié)構(gòu)參數(shù)分析[J].紡織學(xué)報(bào),2010,31(1):40-43.
[3]嚴(yán)曉燕.纖維的包埋切片技術(shù)與異形纖維特征參數(shù)研究[D].上海:東華大學(xué),2005.
[4]何芳,王小川,肖森予,等.基于MIV-BP型網(wǎng)絡(luò)實(shí)驗(yàn)的房地產(chǎn)項(xiàng)目風(fēng)險(xiǎn)識(shí)別研究[J].運(yùn)籌與管理,2013(2):229-234.
[5]黎群輝,張航.基于改進(jìn)概率神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志圖像識(shí)別方法[J].系統(tǒng)工程,2006(4):97-101.
[6]杜樹新,吳鐵軍.模式識(shí)別中的支持向量機(jī)方法[J].浙江大學(xué)學(xué)報(bào)(工學(xué)版),2003(5):521-527.
[7]HuangGB,ZhuQY,SiewCK.Extremelearningmachine:Theoryandapplications[J].Neurocomputing,2006,70(1):489-501.
[8]HuangGB,ZhouHM,DingXJ,etal.Extremelearningmachineforregressionandmulti-classclassification[J].IEEETransactionsonSystemsManandCyberneticPartB,2010,42(2):513-529.
[9]王杰,畢浩洋.基于極限學(xué)習(xí)機(jī)的煙葉成熟度分類[J].煙草科技,2013(5):17-19.
[10]吳明圣.徑向基神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的參數(shù)優(yōu)化方法研究及應(yīng)用[D].長沙:中南大學(xué),2007.
[11]陳偉,馮斌,孫俊.基于QPSO算法的RBF神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化仿真研究[J].計(jì)算機(jī)應(yīng)用,2006(8):1928-1931.
作者簡介:林 森,男,1981年生,講師,碩士,研究方向?yàn)槟J阶R(shí)別、圖像處理。
作者單位:江蘇工程職業(yè)技術(shù)學(xué)院機(jī)電工程學(xué)院。