常珈銘，李維軍，石成江

(遼寧石油化工大學(xué) 機械工程學(xué)院，遼寧 撫順 113001)

?

基于Gabor變換和極限學(xué)習(xí)機的鋁箔密封性檢測

常珈銘，李維軍，石成江

(遼寧石油化工大學(xué) 機械工程學(xué)院，遼寧 撫順 113001)

針對鋁箔封口溫度場分布特征進行了研究，提出了一種基于Gabor變換和極限學(xué)習(xí)機(ELM)的封口密封性檢測方法。對采集到的不同特征類型熱像圖進行Gabor變換，提取紋理特征訓(xùn)練極限學(xué)習(xí)機神經(jīng)網(wǎng)絡(luò)。然后利用訓(xùn)練結(jié)果對熱像圖進行分類識別，通過熱像圖分類特征判斷鋁箔封口密封情況。與提取顏色特征的BP神經(jīng)網(wǎng)絡(luò)對比分析發(fā)現(xiàn)，基于Gabor變換和極限學(xué)習(xí)機的算法具有泛化性強、響應(yīng)速度快、精度高等優(yōu)勢。

鋁箔密封性檢測； 熱像圖； Gabor變換； 極限學(xué)習(xí)機(ELM)； 分類識別

隨著科技的發(fā)展與進步，人們的生活水平日益提高，在包裝領(lǐng)域中對鋁箔包裝的研究越發(fā)受到人們的關(guān)注。因其使用方便快捷，受到廣大消費者們的熱烈追捧。在歐美國家，鋁箔用于包裝的總需求量已經(jīng)占到了70%[1]。鋁箔包裝雖然使用方便，但也存在不足之處。產(chǎn)品用鋁箔封口的過程中，難免會發(fā)生壓穿或鋁箔破損等情況，這些引起密封不嚴的現(xiàn)象，是誘發(fā)產(chǎn)品變質(zhì)的一項重要因素，嚴重威脅著產(chǎn)品的包裝質(zhì)量，造成巨大的經(jīng)濟損失[2]。針對這種情況，大多數(shù)企業(yè)采用人工擰開瓶蓋直接觀察的方式來檢測密封性，自動化程度低，檢測精度不高。因此，急需一種方法來代替人工檢測，提高自動化程度與檢測精度。

神經(jīng)網(wǎng)絡(luò)已經(jīng)成為了一個重要的研究方向，每年都有大量研究成果應(yīng)用在實際生產(chǎn)生活中，例如交通系統(tǒng)中車牌的識別，人臉識別，利用氣象衛(wèi)星的云圖圖像來對天氣進行預(yù)測，通過醫(yī)療圖像對疾病進行診斷等[3-6]。本文首先采用熱像儀采集鋁箔封口的熱像圖，然后利用Gabor變換對熱像圖進行紋理特征提取，再利用極限學(xué)習(xí)機(Extreme Learning Machine，ELM)算法對熱像圖進行分類識別。通過熱像圖紋理特征來判斷密封性的好壞，相比較傳統(tǒng)的BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)算法[7-8]，ELM算法具有學(xué)習(xí)速度快、訓(xùn)練過程不需要迭代、參數(shù)選擇不敏感等特點，且計算過程簡單、泛化性強。通過實驗，驗證了ELM算法有較高精度，符合鋁箔封口密封性檢測需要。

1 鋁箔封口的密封方式與圖像采集

1.1 鋁箔封口的密封方式

內(nèi)置鋁箔片的瓶蓋如圖1所示。用擰蓋機旋緊于瓶體，然后利用感應(yīng)加熱的方式對瓶蓋進行加熱，如圖2所示，使瓶蓋內(nèi)部的鋁箔片在高溫的作用下與瓶口材質(zhì)黏合在一起，從而達到密封的效果。

圖1 內(nèi)置鋁箔片的瓶蓋圖

圖2 瓶蓋的感應(yīng)加熱過程

1.2 熱像圖的獲取過程

在加熱裝置后方800 mm、距離瓶蓋150 mm高度的固定位置安放熱像儀，對每一個經(jīng)過此位置的目標進行圖像采集，保證每一個被采集的目標具有相同的加熱時間與冷卻時間，使每張熱像圖的采集環(huán)境相一致。同時保證在熱像圖采集過程中，熱像儀的焦距與其他參數(shù)保持不變。采集的不同類型熱像圖作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本與測試樣本。

1.3 熱像圖類型

本文實驗圖像數(shù)據(jù)采用美國福祿克Ti40型紅外熱像儀拍攝而成。通過大量采集流水線上瓶蓋的熱像圖，大體總結(jié)出6種常見的不同類型的熱像圖圖像，對應(yīng)的6種不同密封情況的熱像圖如圖3所示。

(a) 鋁箔片密封完好

(b) 鋁箔片有部分缺失

(c) 有鋁箔片沒有瓶蓋

(d) 沒有鋁箔片

(e) 受熱不均但密封完好

(f) 受熱不均且密封失敗

2 基于Gabor變換和極限學(xué)習(xí)機的算法設(shè)計

基于Gabor變換和極限學(xué)習(xí)機的算法流程如圖4所示。

輸入圖像 Gabor特征提取 ELM分類識別 識別結(jié)果

圖4 基于Gabor變換和極限學(xué)習(xí)機的算法流程

2.1 基于Gabor變換的特征提取

通過觀察發(fā)現(xiàn)，采集到的各類熱像圖具有明顯的紋理差異。利用Gabor變換提取圖像紋理特征有以下優(yōu)勢，Gabor小波對圖像邊緣很敏感卻對光照變化并不敏感[9]，且可接受一定的圖像變形，能有效提高算法魯棒性。Gabor小波的局部性和選擇方向性使其能夠充分描述圖像的紋理特征。利用Gabor小波基函數(shù)的正交性，不但能夠有效地提取紋理特征，而且可以去除冗余信息。該函數(shù)是利用高斯函數(shù)調(diào)制的一種復(fù)正弦函數(shù)，可以在已給定區(qū)域中提取局部頻域特征。2-D Gabor函數(shù)為h(x，y)，傅立葉變換H(u，v)如式(1)所示。

(1)

(2)

式中，hI為圖像I與濾波器h的卷積；S(x，y) 為通過高斯平滑后的Gabor濾波器所提取的特征圖像。

利用h(x，y)為母小波，對h(x，y)進行合適的尺度變換與旋轉(zhuǎn)變換，從而得到一組自相似的濾波器，即Gabor小波，如式(3)所示。

hmn(x，y)=a-mh(x′，y′)，a>1，m∈Z，n∈Z

(3)

式中，x′=a-m(xcosθ+ysinθ)；y′=a-m(-xcosθ+ysinθ)；θ=nπ/K;a-m為尺度因子；S和K分別為尺度和方向的數(shù)目；m=0，1，…，S-1；n=0，1，…，K-1。改變m與n的值，則能獲得一組尺寸與方向不相同的Gabor濾波器。如果小波族內(nèi)含有S個尺度，K個方向，而且頻率在[Ul，Uh]范圍內(nèi)，一種參數(shù)的選擇方式如式(4)所示。

(4)

復(fù)數(shù)：

g(x,y;λ,θ,ψ,σ,γ)

(5)

實部：

g(x,y;λ,θ,ψ,σ,γ)

(6)

虛部：

g(x,y;λ,θ,ψ,σ,γ)

(7)

式中，λ為正弦函數(shù)波長；θ為Gabor核函數(shù)的方向；Ψ為相位偏移；σ為高斯函數(shù)的標準差；γ表示空間的寬高比。

2.2 極限學(xué)習(xí)機(ELM)

2004年，南洋理工大學(xué)黃廣斌教授等[10-12]率先提出ELM算法。ELM算法是一種前饋神經(jīng)網(wǎng)絡(luò)，與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比較具有很大優(yōu)勢。該算法隱含層參數(shù)是隨機設(shè)定的，無需調(diào)試，相比于其他類型的基于梯度的學(xué)習(xí)算法，它不需迭代反復(fù)調(diào)整刷新，只需求解權(quán)值的最小二范數(shù)則可實現(xiàn)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，因此該算法訓(xùn)練參數(shù)少、訓(xùn)練速度極快、泛化能力強。對于N個不相同樣本(xi,yi)，其中xi=[xi1,xi2,…,xin]T∈Rn，yi=[yi1,yi2,…,yim]T∈Rm，假設(shè)ELM算法擁有L個隱含層節(jié)點，輸出函數(shù)如式(8)所示。

xi∈Rn,αi∈Rn,β∈Rm

(8)

式中，αi=[αi1,αi2,…,αin]T為網(wǎng)絡(luò)的輸入層到第i個節(jié)點的輸入權(quán)值；bi為第i個隱含層節(jié)點的偏置；βi=[βi1,βi2,…,βim]T為第i個隱含層節(jié)點的輸出權(quán)值；αixi為向量αi和xi的內(nèi)積。假設(shè)有L個隱含層節(jié)點的網(wǎng)絡(luò)以0誤差逼近這N個樣本，則有αi,bi,βi使得：

i=1,2,…,L

(9)

式(9)簡化為：

Hβ=Y

(10)

式(10)中：

(11)

(1) 訓(xùn)練集/測試集產(chǎn)生。ELM要求具有足夠多的訓(xùn)練樣本且具有較好的代表性。同時，訓(xùn)練集和測試集的格式應(yīng)符合ELM訓(xùn)練和預(yù)測函數(shù)的要求。

(2) ELM創(chuàng)建/訓(xùn)練。通過elmtrain()函數(shù)對訓(xùn)練樣本集進行訓(xùn)練，獲得訓(xùn)練網(wǎng)絡(luò)，調(diào)用格式為：

[IW，B，LW，TF，TYPE]

=elmtrain(P，T，N，TF，TYPE)。

式中，P為訓(xùn)練集的輸入矩陣；T為訓(xùn)練集的輸出矩陣；N為隱含層神經(jīng)元個數(shù)(默認為訓(xùn)練集的樣本數(shù))；TF為隱含層神經(jīng)元的激活函數(shù)，其取值可為“sig”、“sin”、“hardlim”；TYPE為ELM的應(yīng)用類型，0為回歸擬合，1為分類；IW為輸入層與隱含層間的連接權(quán)值；B為隱含層神經(jīng)元的閾值；LW為隱含層與輸出層的連接權(quán)值。

(3) ELM仿真測試。利用elmpredict()函數(shù)進行ELM的仿真測試，調(diào)用格式為：

Y=elmpredict(P，IW，B，LW，TF，TYPE)

式中，P為測試集的輸入矩陣；IW為輸入層與隱含層間的連接權(quán)值；B為隱含層神經(jīng)元的閾值；LW為隱含層與輸出層的連接權(quán)值；TF為隱含層神經(jīng)元的激活函數(shù)，其取值可為“sig”、“sin”、“hardlim”；TYPE為ELM的應(yīng)用類型，0為回歸擬合，1為分類；Y為測試集對應(yīng)的輸出預(yù)測值矩陣。

3 實驗設(shè)計及結(jié)果分析

3.1 實驗數(shù)據(jù)

本文實驗圖像數(shù)據(jù)6種類型共900張，每種類型150張。

3.2 實驗設(shè)計

首先利用Gabor小波提取圖像紋理特征配合ELM極限學(xué)習(xí)機對樣本進行訓(xùn)練、分類識別；再利用圖像RGB三基色數(shù)據(jù)進行中值濾波，對三基色求和提取顏色特征，配合BP神經(jīng)網(wǎng)絡(luò)對樣本進行訓(xùn)練、分類識別。將二者在相同訓(xùn)練樣本與測試樣本下的訓(xùn)練時間與檢測準確率進行對比，驗證算法優(yōu)越性。

實驗1：相同訓(xùn)練樣本與測試樣本條件下Gabor+ELM算法與RGB+BP神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練、分類識別，如表1、表2所示。

表1 Gabor+ELM算法的訓(xùn)練、分類識別

續(xù)表1

表2 RGB+BP神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練、分類識別

由表1、表2可知，Gabor+ELM算法的識別準確率為89.67%。而在訓(xùn)練樣本與測試樣本數(shù)量相同的情況下，RGB+BP神經(jīng)網(wǎng)絡(luò)算法的識別準確率為61.33%。結(jié)果表明Gabor+ELM算法檢測準確率高、效果好。

實驗2：不同測試樣本比例下Gabor+ELM算法與RGB+BP神經(jīng)網(wǎng)絡(luò)算法的識別準確率，如表3所示。

表3 不同測試樣本比例下的識別準確率 %

由表3可知，Gabor+ELM算法在不同測試樣本比例下有較高的識別準確率且準確率明顯高于RGB+BP神經(jīng)網(wǎng)絡(luò)算法。

實驗3：對比Gabor+ELM算法與RGB+BP神經(jīng)網(wǎng)絡(luò)算法在不同數(shù)量訓(xùn)練樣本下的訓(xùn)練時間，如表4所示。

表4 不同訓(xùn)練樣本下的訓(xùn)練時間

由表4可知，Gabor+ELM算法的訓(xùn)練用時少，訓(xùn)練速度明顯高于RGB+BP神經(jīng)網(wǎng)絡(luò)算法。

4 結(jié) 論

本文提出了一種檢測鋁箔封口密封性的新方法，根據(jù)鋁箔封口熱像圖的紋理特征不同，判斷鋁箔密封情況。首先用Gabor小波提取熱像圖紋理特征，然后采用ELM極限學(xué)習(xí)機對熱像圖進行分類識別。通過與提取顏色特征的BP神經(jīng)網(wǎng)絡(luò)相對比可以發(fā)現(xiàn)，Gabor+ELM分類器不僅識別準確率高、泛化性好，且速度快，在小樣本時也有良好的準確率。該算法識別準確率高、速度快，可以很好地滿足鋁箔封口密封性檢測的需求。

[1] 陸剛. 漫談鋁箔的包裝市場及其發(fā)展趨勢[J]. 塑料包裝，2013，24(3):8-14.

[2] 張紅普.密封性測試在軟包裝行業(yè)的應(yīng)用[J].中國包裝工業(yè)，2004(4):66-67.

[3] 咼潤華，蘇婷婷，馬曉偉. BP神經(jīng)網(wǎng)絡(luò)聯(lián)合模板匹配的車牌識別系統(tǒng)[J].清華大學(xué)學(xué)報(自然科學(xué)版)，2013(9)：1221-1226.

[4] 金忠，胡鐘山，楊靜宇.基于BP神經(jīng)網(wǎng)絡(luò)的人臉識別方法[J].計算機研究與發(fā)展，1999，36(3):274-277.

[5] 金龍，黃穎，何如.衛(wèi)星云圖的遺傳神經(jīng)網(wǎng)絡(luò)集合預(yù)測模型研究[J].計算機工程與應(yīng)用，2011，47(32):231-235.

[6] 徐偉棟，劉偉，厲力華，等.基于特性模型與神經(jīng)網(wǎng)絡(luò)的乳腺圖像腫塊自動檢測技術(shù)[J].電子與信息學(xué)報，2009，31(7)：1653-1658.

[7] 顧妍午，李平，陶文華，等.基于改進BP神經(jīng)網(wǎng)絡(luò)的手寫郵政編碼識別[J].遼寧石油化工大學(xué)學(xué)報，2008，28(1)：52-54.

[8] 黃越洋，李平，劉宣宇.基于BP神經(jīng)網(wǎng)絡(luò)的非線性預(yù)測控制[J].遼寧石油化工大學(xué)學(xué)報，2008，28(1)：59-61.

[9] 李云峰．基于Gabor小波變換的人臉識別[D].大連：大連理工大學(xué)，2005．

[10] Huang G B，Zhu Q Y，Siew C K. Extreme learning machine：Theory and applications[J]. Neurocomputing，2006，70(1):489-501.

[11] Huang G B，Zhu Q Y，Siew C K. Extreme learning machine：a new learning scheme of feedforward neural networks[C]//IEEE Internationl Joint Conference on Neurol Netuorks,2004,Proceeding. IEEE,2005,2:985-990.

[12] Huang G B. An insight into extreme learning machines：random neurons，random features and kernels[J]. Cognitive Computation，2014，6(3)：376-390.

(編輯 陳 雷)

Aluminum Foil Sealing Seal Detection Based on Gabor Transformation and Extreme Learning Machine

Chang Jiaming，Li Weijun，Shi Chengjiang

(SchoolofMechanticalEngineering，LiaoningShihuaUniversity，F(xiàn)ushunLiaoning113001，China)

After the research on the distribution characteristic of temperature field for aluminum seal , a kind of inspection method for the sealing based on Gabor transformation and extreme learning machine (ELM) was proposed. The Gabor transformation was conducted on various thermal images ，and the textural features are extracted to train the ELM neural network. Then the training results are used to classify and identify the thermal images，and the sealing of aluminum seal could be judged through the classification features of the thermal images. Compared and analysed with BP neural network which extracts color features，it is found that the algorithm based on Gabor transformation and ELM has the advantages of strong generalization，fast response speed，high precision，etc.

Aluminum foil sealing detection； Thermal image； Gabor transformation； Extreme learning machine (ELM)； Classification recognition

1672-6952(2017)03-0064-06 投稿網(wǎng)址：http://journal.lnpu.edu.cn

2016-10-22

2016-11-02

常珈銘(1989-)，男，碩士研究生，從事過程裝備監(jiān)測與控制技術(shù)方面的研究；E-mail:804384910@qq.com。

石成江(1962-)，男，博士，教授，從事機械設(shè)備自動檢監(jiān)測與控制方面的研究；E-mail：shicj-2008@163.com。

TB487

A

10.3969/j.issn.1672-6952.2017.03.014