王亞波 周 強(qiáng),* 王偉剛 王 瑩

(1.陜西科技大學(xué)電氣與信息工程學(xué)院，陜西西安，710021;2.陜西科技大學(xué)材料科學(xué)與工程學(xué)院，陜西西安，710021)

·紙病二次辯識·

基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的紙病二次辨識

王亞波1周 強(qiáng)1,*王偉剛1王 瑩2

(1.陜西科技大學(xué)電氣與信息工程學(xué)院，陜西西安，710021;2.陜西科技大學(xué)材料科學(xué)與工程學(xué)院，陜西西安，710021)

針對造紙生產(chǎn)線上寬幅高速紙機(jī)紙病檢測系統(tǒng)快速性和精確性的挑戰(zhàn)，提出“工業(yè)相機(jī)+FPGA(Field-Programmable Gate Array)+計算機(jī)”模式下的基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的紙病二次辨識方法。使用CCD相機(jī)采集紙張圖像，通過FPGA完成圖像預(yù)處理和一次辨識(粗辨識+過辨識)；計算機(jī)通過自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)對疑似紙病區(qū)域二次辨識(精確辨識)，判斷出紙病和種類。實驗表明，該方法能夠準(zhǔn)確地辨識各種紙病。

機(jī)器視覺；FPGA；紙病二次辨識；自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)

隨著造紙生產(chǎn)自動化的不斷提升，當(dāng)前紙機(jī)幅寬可達(dá)11 m，最高車速可達(dá)2000 m/min，加之造紙纖維、工藝流程、機(jī)械設(shè)備等不確定因素存在，使得紙張抄造過程中會面臨缺陷(常見外觀紙病)的風(fēng)險，外觀紙病嚴(yán)重影響紙張外觀、降低成紙質(zhì)量，給企業(yè)造成直接或間接的損失。傳統(tǒng)的以人工肉眼完成紙病檢測的方法因其檢測效率差、精度低、實時性較低及檢測標(biāo)準(zhǔn)不一等缺點早已不能滿足生產(chǎn)需要；新興的基于機(jī)器視覺的紙病在線檢測技術(shù)被應(yīng)用于造紙工業(yè)中[1]，該技術(shù)通過對紙張圖像處理和辨識，能夠辨識出褶皺、黑斑、孔洞、光斑、邊緣裂縫等常見紙病，其分辨率可以達(dá)0.5 mm，是紙病在線檢測技術(shù)的發(fā)展方向。

目前，基于機(jī)器視覺的紙病在線檢測系統(tǒng)一般采用“工業(yè)相機(jī)+計算機(jī)”的結(jié)構(gòu)模式和一次辨識的工作方式[2]，即(線陣)工業(yè)相機(jī)拍攝紙張表面，由相機(jī)的采集卡形成紙張表面的整幅圖像并傳遞給計算機(jī)，由計算機(jī)對圖像進(jìn)行處理，通過圖像預(yù)處理、紙病特征提取和紙病辨識等環(huán)節(jié)判斷出有無紙病以及紙病的種類[3]。但是，由于作為檢測系統(tǒng)核心的計算機(jī)數(shù)據(jù)處理能力的限制，檢測系統(tǒng)越來越難以實時處理寬幅、高速紙機(jī)帶來的大量圖像數(shù)據(jù)。以10 m 寬紙幅、1500 m/min車速的造紙生產(chǎn)線為例，要達(dá)到0.5 mm紙病分辨率，每秒要處理的圖像數(shù)據(jù)將達(dá)到1G以上，這是以串行數(shù)據(jù)處理方式為主的計算機(jī)運(yùn)算能力無法達(dá)到的，使得紙病檢測系統(tǒng)的快速性和精確性難以持續(xù)提升。

圖1 紙病在線檢測系統(tǒng)硬件框圖

圖2 FPGA系統(tǒng)配置

為了解決基于機(jī)器視覺的紙病檢測系統(tǒng)數(shù)據(jù)處理能力不足的問題，本課題在“工業(yè)相機(jī)+FPGA+計算機(jī)”的檢測系統(tǒng)結(jié)構(gòu)模式下，提出一種紙病“二次辨識”的處理方法。由FPGA承擔(dān)紙病一次辨識，一次辨識的內(nèi)容包括：①紙張圖像預(yù)處理；②紙病粗判(僅判斷紙病可能存在否，不判斷紙病的種類)；③提取疑似紙病區(qū)域；④將疑似紙病區(qū)域發(fā)送給計算機(jī)。由計算機(jī)對疑似紙病區(qū)域進(jìn)行精確的二次辨識，二次辨識內(nèi)容包括：①多特征量的提??；②基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)的紙病精確辨識。

該方法的特點是利用分布式的硬件系統(tǒng)，分解紙病檢測的快速性問題和精確性問題。利用FPGA的并行數(shù)據(jù)處理能力對海量紙張表面圖像數(shù)據(jù)進(jìn)行預(yù)處理和粗辨識，根據(jù)“過辨識”原則將疑似紙病區(qū)域判斷出來并傳送給計算機(jī)；由于疑似紙病部分的數(shù)據(jù)僅占總數(shù)據(jù)量0.1%以下，計算機(jī)的運(yùn)算負(fù)擔(dān)大大減輕，可以利用計算機(jī)編程的靈活性，實現(xiàn)復(fù)雜的算法以精確辨識紙病類型。

實驗表明，“工業(yè)相機(jī)+FPGA+計算機(jī)”模式下基于自適應(yīng)神經(jīng)模糊推理的紙病在線檢測系統(tǒng)運(yùn)行穩(wěn)定，檢測速度快、精度高，滿足造紙現(xiàn)場紙病檢測實時高效的應(yīng)用需求。

1 紙病檢測系統(tǒng)結(jié)構(gòu)和工作方式

本課題按照“工業(yè)相機(jī)+FPGA+計算機(jī)”結(jié)構(gòu)模式，構(gòu)建一種分布式的紙病檢測硬件系統(tǒng)，該系統(tǒng)按照二次辨識的工作方式檢測紙病。

1.1 “工業(yè)相機(jī)+FPGA+計算機(jī)”的紙病檢測硬件系統(tǒng)結(jié)構(gòu)

與傳統(tǒng)“工業(yè)相機(jī)+計算機(jī)”的紙病檢測系統(tǒng)結(jié)構(gòu)不同，本課題構(gòu)建的是“工業(yè)相機(jī)+FPGA+計算機(jī)”的具有分布式結(jié)構(gòu)的紙病檢測系統(tǒng)，該系統(tǒng)由線性光源系統(tǒng)、CCD工業(yè)相機(jī)、FPGA、計算機(jī)、輔助設(shè)備(含報警器和投標(biāo)器(當(dāng)系統(tǒng)檢測到缺陷時即輸出信號控制投標(biāo)器在產(chǎn)品邊沿打上標(biāo)記))等組成，系統(tǒng)結(jié)構(gòu)見圖1。

(1)光源系統(tǒng)搭建。由于光源的選擇及其照射方式會嚴(yán)重影響相機(jī)成像灰度、圖像均勻性及缺陷對比度等。綜合考慮各種因素，本系統(tǒng)選擇線型LED前光源和線型LED背光源，同時為線陣CCD工業(yè)相機(jī)所拍攝的線型區(qū)域進(jìn)行照明，且每個LED點光源的亮度可調(diào)，以確保被測紙張照明區(qū)域亮度的均勻性。

(2)CCD相機(jī)的選擇。根據(jù)對紙病檢測系統(tǒng)0.5 mm 的分辨率要求，以及紙機(jī)車速400 m/min和幅寬3 m等工況條件，選擇3臺DALSA的Spyder2系列線陣CCD相機(jī)。

(3)FPGA系統(tǒng)配置。為了解決檢測系統(tǒng)的快速性問題，承擔(dān)紙張圖像采集、預(yù)處理、紙病一次辨識和疑似紙病分割與傳輸?shù)裙δ艿腇PGA系統(tǒng)，其配置如圖2所示[4]，按模塊分為：Camera Link接口模塊、視頻圖像控制采集模塊、用戶自定義邏輯模塊(圖像處理)、以太網(wǎng)控制模塊、存儲模塊、Nios II軟核處理器和按鍵等[5]。

1.2 二次辨識的工作方式

現(xiàn)有的紙病檢測系統(tǒng)都是采用一次辨識的工作方式，即將紙病圖像預(yù)處理、特征量提取和紙病分類等工作，由計算機(jī)單獨完成。這種工作方式給計算機(jī)帶來了巨大的運(yùn)算量，造成計算機(jī)卡頓、死機(jī)等現(xiàn)象頻發(fā)。為此本課題提出了一種二次辨識的工作方式，工作過程見圖3。

(1)FPGA一次辨識

利用FPGA的數(shù)據(jù)并行處理能力，每個FPGA負(fù)責(zé)對一臺CCD相機(jī)的紙張表面圖像進(jìn)行預(yù)處理，按照“過辨識”的原則對紙病進(jìn)行“粗”辨識，判斷出疑似紙病，分割出疑似紙病區(qū)域并將該區(qū)域傳送至計算機(jī)。由于FPGA承擔(dān)了98%以上的數(shù)據(jù)處理任務(wù)，從而解決了系統(tǒng)的快速性問題。

圖3 紙病檢測二次辨識的工作示意圖

(2)計算機(jī)二次辨識

利用計算機(jī)中運(yùn)行的高級語言平臺(本課題采用VS2010)的強(qiáng)大編程能力，通過特征提取環(huán)節(jié)和分類環(huán)節(jié)，對疑似紙病進(jìn)行二次辨識，確定紙病的存在并精確判斷出紙病的種類[6-7]。該工作解決了紙病檢測的精確性問題。

2 基于FPGA的紙病一次辨識

FPGA接收到工業(yè)相機(jī)通過Camera Link通信線傳送過來的線陣數(shù)據(jù)后，進(jìn)行以紙病一次辨識為核心的紙張表面圖像處理，具體過程如下。

(1)圖像預(yù)處理

首先，對CCD線陣相機(jī)拍攝到的線陣數(shù)據(jù)進(jìn)行暫存和整合，構(gòu)成一幀完整的紙張表面圖像數(shù)據(jù)，即每一幅1024 mm×480 mm紙張表面圖像形成一個2048×480的8位二進(jìn)制灰度矩陣F：

(1)

其中，2048≥c≥1 480≥d≥1。

其次，對矩陣F進(jìn)行中值濾波處理，消除其噪聲成分，獲得矩陣F′。

(2)紙病一次辨識

首先，使用5×5的Sobel算子對F′進(jìn)行處理，獲得一個2048×480的矩陣S：

(2)

其次，設(shè)定一個上限閾值smax和一個下限閾值smin，對S中的每一個元素進(jìn)行二值化處理。

(3)

其中，2048≥a≥1，480≥b≥1，S中為1的元素就是可能存在紙病的對應(yīng)區(qū)域，為了不漏掉任何紙病，本課題制定了“過辨識”的原則，將[smin，smax]的范圍設(shè)定的較窄，這樣就將一些不能確定是否存在紙病的區(qū)域也劃入到疑似紙病區(qū)域，由計算機(jī)進(jìn)行二次辨識。

(3)疑似紙病區(qū)域分割

根據(jù)矩陣S中元素“1”組成的區(qū)域即一次辨識得到的疑似紙病區(qū)域，將這類區(qū)域投影到矩陣F中，使用最小外接矩形將這些疑似紙病區(qū)域Wi(i=1，2，…)提取出來。

(4)疑似紙病圖像傳輸

統(tǒng)計表明，疑似紙病區(qū)域Wi的數(shù)據(jù)量總和僅僅占矩陣F數(shù)據(jù)量的0.01‰～1‰，以本系統(tǒng)400 m/min車速紙機(jī)，每個線陣相機(jī)掃描寬度為1 m，辨識分辨率0.5 mm為例，每個FPGA要處理的圖像數(shù)據(jù)為26.7 M/min，F(xiàn)PGA處理后得到的疑似紙病區(qū)域的數(shù)據(jù)量小于27 K/min，因此本課題采用以太網(wǎng)將數(shù)據(jù)由FPGA傳送給計算機(jī)[8]。

FPGA一次辨識的具體模塊實現(xiàn)如圖4所示。

圖4 FPGA的一次辨識模塊設(shè)計

3 基于ANFIS的紙病檢測二次辨識

為了確定疑似紙病并分辨出紙病類型，計算機(jī)進(jìn)行紙病的二次辨識，該過程包括特征量提取和紙病確定與分類兩個步驟。

3.1 紙病二次辨識的特征量選取

按照完備性和獨立性的原則選擇能夠反映紙病及類型的特征量。最常用的灰度特征，如灰度均值，能夠反映黑斑、孔洞和亮斑等紙病的存在，另外由于紙病檢測系統(tǒng)背光源的使用，使得紙張圖像灰度的均勻性變化突出，灰度標(biāo)準(zhǔn)差這個特征量能夠反映紙張表面質(zhì)量，而且能夠辨識隱藏于紙張內(nèi)部的缺陷，但無論是灰度均值還是標(biāo)準(zhǔn)差對于褶皺、劃痕、紙張邊緣裂紋等灰度特征差異較小的紙病則無明顯變化；紋理特征(如灰度共生矩陣)能夠反映褶皺、劃痕等紙病的存在；而幾何特征(如周長面積比)能夠反映紙張邊緣裂紋等形狀特殊的紙病存在。因此本課題選擇的紙病二次辨識的特征量為：灰度特征包括灰度均值和灰度標(biāo)準(zhǔn)差；幾何特征包括紙病區(qū)域的周長面積比；紋理特征包括灰度共生矩陣的自相關(guān)和灰度共生矩陣的熵。

(1)灰度均值

(4)

式中，g(x，y)表示濾波后圖像在(x,y)處的灰度值，∑{}表示對紙病圖像S內(nèi)像素點灰度值求和，M為紙病區(qū)域內(nèi)像素點的個數(shù)。

(2)灰度標(biāo)準(zhǔn)差

(5)

灰度標(biāo)準(zhǔn)差用以描述紙病區(qū)域內(nèi)灰度值相對灰度均值的偏離程度。

(3)周長面積比

Ratio=P/A

(6)

式中，周長P=∑{F(x，y)=1|x，y∈L}，∑{}表示統(tǒng)計紙病區(qū)域L上的像素點灰度值F(x，y)=1的個數(shù)；紙病區(qū)域S上的面積表示為A=∑{F(x，y)=1|x，y∈S}。F(x，y)為二值化紙病圖像灰度值，∑{}表示統(tǒng)計紙病區(qū)域S上的像素點灰度值F(x，y)=1的個數(shù)。

(4)灰度共生矩陣的自相關(guān)

(7)

自相關(guān)用來度量圖像的灰度級在行或列方向上的相似程度，因此，相關(guān)值得大小反應(yīng)了局部灰度相關(guān)性。

(5)灰度共生矩陣的熵

(8)

熵被用來度量圖像紋理的隨機(jī)性。當(dāng)共生矩陣中所有值均相等或者像素值表現(xiàn)出最大的隨機(jī)性時，熵最大，即圖像越復(fù)雜，熵值越大。

計算出以上5個特征量后，需要在分類辨識器中對其進(jìn)行信息融合，從而實現(xiàn)紙病的二次辨識。

3.2 基于ANFIS的紙病分類辨識器

自適應(yīng)神經(jīng)模糊推理系統(tǒng)(Adaptive Neural-Fuzzy Inference System，ANFIS)是一種將模糊推理系統(tǒng)的模糊語言表達(dá)能力和神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力有機(jī)地結(jié)合起來的技術(shù)[9]。它利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)機(jī)制來確定和優(yōu)化模糊邏輯規(guī)則及隸屬度函數(shù)參數(shù)，以使模糊系統(tǒng)具有以任意精度逼近非線性函數(shù)的能力，從而使ANFIS運(yùn)用于非線性系統(tǒng)的精確辨識成為可能[10]。因此本課題采用ANFIS技術(shù)構(gòu)建紙病分類辨識器，該辨識器結(jié)構(gòu)圖如圖5所示。

3.2.1ANFIS紙病分類辨識器的構(gòu)建

(1)輸入量和輸出量

構(gòu)建的ANFIS具有5個輸入量、6個輸出量以及4個前向神經(jīng)網(wǎng)絡(luò)層，具體見圖5。5個輸入量分別是灰度均值Mean、灰度標(biāo)準(zhǔn)差Std、周長面積比Ratio、自相關(guān)Corr、灰度熵ENT；6個輸出量s1、s2、…、s6，其二值化的輸出量1或-1，分別代表ANFIS的判斷出黑斑、亮斑、孔洞、褶皺、劃痕、裂紋等6種紙病的結(jié)果。

(2)四層ANFIS的結(jié)構(gòu)

第一層網(wǎng)絡(luò)(紙病特征量模糊化層)，由15個高斯函數(shù)組成，它們是對灰度均值、標(biāo)準(zhǔn)差等5個特征量按照L(大)、M(中)、S(小)3種模糊語言進(jìn)行模糊化計算，函數(shù)的輸出量是某一特征量在某一模糊語言下的隸屬度，計算見式(9)。

(9)

式中，i=1，2，…，15；j=1，2，…，5；X1，X2，…，X5分別為Mean，Std，Ratio，Corr，ENT等輸入量。

圖5 ANFIS紙病分類辨識器結(jié)構(gòu)圖

第二層網(wǎng)絡(luò)(紙病發(fā)生概率模糊規(guī)則層)，由6個神經(jīng)元組成，其輸出分別代表黑斑、亮斑、孔洞、褶皺、劃痕、裂紋等6種紙病的發(fā)生概率，神經(jīng)元的激勵函數(shù)計算見式(10)。

(10)

式中，k=1，2，…，6；wik是第一、二層間網(wǎng)絡(luò)權(quán)值，其物理意義是某一特征量(模糊語言)與某種紙病的關(guān)聯(lián)關(guān)系，紙病多特征量的信息融合就發(fā)生在該層。

第三層網(wǎng)絡(luò)(紙病發(fā)生概率歸一化層)由6個神經(jīng)元組成，該層的神經(jīng)元激勵函數(shù)計算見式(11)。

(11)

第四層網(wǎng)絡(luò)(二值化判斷層)由6個神經(jīng)元組成，激勵函數(shù)采用為二值函數(shù)表示，見式(12)。

(12)

函數(shù)輸出1代表有紙病或-1代表無紙病。

該ANFIS中有一些參數(shù)需要通過訓(xùn)練來確定，包括：第一層激勵函數(shù)的參數(shù)ai、bi(i=1，2，…，15)，第四層激勵函數(shù)的參數(shù)ck(k=1，2，…，6)，以及第一、二層間網(wǎng)絡(luò)權(quán)值wik(i=1，2，…，15；k=1，2，…，6)。

3.2.2ANFIS紙病分類辨識器的訓(xùn)練

將{xi′，sk′|i=1，2，…，5；k=i=1，2，…，6}訓(xùn)練樣本的xi′和sk′分別從輸入端和反饋輸入端輸入，根據(jù)ANFIS擬合偏差，利用BP算法沿著由輸出端到輸入端的反方向依次對ANFIS的ck、wik，ai和bi等126個參數(shù)進(jìn)行訓(xùn)練，并使用部分未使用過的訓(xùn)練樣本檢驗ANFIS的泛化能力。完成訓(xùn)練的ANFIS就可以作為紙病分類辨識器工作。

4 實 驗

為了檢驗提出的紙病在線檢測系統(tǒng)效果，本課題選取邊緣裂縫、黑斑、孔洞、亮斑、褶皺、劃痕等6種常見紙病，分別選取每種紙病圖像200幅，其中140張圖像用于訓(xùn)練基于ANFIS的紙病分類辨識器，60幅圖像用于預(yù)測分類辨識結(jié)果。

4.1 實驗過程

(1) 一次辨識

對所采集到的6種常見紙病圖像在FPGA上硬件實現(xiàn)所編寫的算法模塊，實現(xiàn)模塊如上圖4所示，完成紙病的一次辨識和疑似紙病區(qū)域分割，由于篇幅限制，僅給出孔洞及邊緣裂縫的處理結(jié)果見表1。

表1 FPGA一次辨識結(jié)果

通過邊緣檢測可以獲得紙張圖像的紙病區(qū)域，對不規(guī)則類型紙病求取其最小外接矩形對該區(qū)域進(jìn)行分割，以降低數(shù)據(jù)的傳輸量和計算機(jī)處理的數(shù)據(jù)量。

表2 紙病特征量的提取

(2)二次辨識

通過對紙病圖像的灰度特征、幾何特征及紋理特征的常見特征量的實驗仿真和分析，根據(jù)特征量選取的原則，最終確定以下特征量，實驗數(shù)據(jù)如表2所示。

不同的紙病其特征向量也表現(xiàn)不同，通過選擇不同的特征量構(gòu)成的紙病特征向量與紙病成一一對應(yīng)關(guān)系。從表2可以看出，黑斑的灰度均值最小，而亮斑的灰度均值最大；孔洞的灰度標(biāo)準(zhǔn)差最大；周長面積比可以明顯地區(qū)分劃痕、裂縫和褶皺等線形紙病與黑斑、孔洞和亮斑等弧形紙病；褶皺的熵略低于邊緣裂縫，但其自相關(guān)卻高于邊緣裂縫；劃痕的自相關(guān)低于亮斑，但普遍高于其他紙病。可見，通過上述特征量可以明顯且精確地辨識紙病種類，從而避免紙病誤判的風(fēng)險。

計算機(jī)端利用VS2010編程平臺采用C++編程語言編程的靈活性，編寫上位機(jī)實現(xiàn)對一次辨識后所傳輸紙病圖像的特征量提取、輸入Mean、Std、Ratio、Corr、ENT等特征量訓(xùn)練ANFIS分類器，ANFIS根據(jù)式(9)～式(11)進(jìn)行前向推理運(yùn)算，使用LMS算法根據(jù)輸出誤差e修改網(wǎng)絡(luò)權(quán)值，從而實現(xiàn)紙病的二次辨識。

4.2 實驗結(jié)果和實驗分析

通過每類紙病各160幅對ANFIS分類辨識器訓(xùn)練，之后輸入每類紙病各60幅驗證分類器的辨識精度，實現(xiàn)對FPGA上傳的疑似紙病區(qū)域的二次辨識。其辨識結(jié)果如表3所示。

表3 紙病辨識結(jié)果

表3中分別給出了6種紙病的辨識結(jié)果，其中，辨識率為正確辨識出紙病的比值；誤檢率為檢測為紙病但分類出錯所占比值；漏檢率表示未能辨識出紙病所占比值。由表3可以看出，孔洞的辨識正確率最高，而劃痕的辨識正確率最低，究其原因主要在于劃痕的目標(biāo)灰度和背景灰度區(qū)別較小，根據(jù)灰度難以檢測到劃痕，導(dǎo)致劃痕的漏檢率較高(考慮到二次辨識的時效性，若對彩色圖像處理，無疑會增加處理的數(shù)據(jù)量和算法的復(fù)雜性)。總體而言，基于本課題提出的辨識方法，不僅具有較高的辨識正確率，而且具有一定的魯棒性。

將FPGA硬件平臺和計算機(jī)上算法實現(xiàn)的算法時間進(jìn)行統(tǒng)計，結(jié)果見表4。

從表4中可以看出，利用FPGA的并行運(yùn)算可以快速完成圖像的一次辨識并大大減小圖像的傳輸量，從而極大地提高了計算機(jī)對圖像進(jìn)行二次辨識的速度，這將使紙病標(biāo)記及產(chǎn)品復(fù)卷剔除更為精準(zhǔn)。

表4 FPGA與PC算法時間統(tǒng)計

5 結(jié) 論

本課題在分析當(dāng)前基于機(jī)器視覺的紙病在線檢測系統(tǒng)的模式及其制約的基礎(chǔ)上，提出了“工業(yè)相機(jī)+FPGA+計算機(jī)”的檢測系統(tǒng)結(jié)構(gòu)模式下紙病二次辨識的處理方法。利用FPGA的并行運(yùn)算實現(xiàn)紙病一次辨識的硬件加速，同時有效減少傳輸至計算機(jī)端的數(shù)據(jù)量；在計算機(jī)上利用復(fù)雜算法編程的靈活性提取紙病多個特征量訓(xùn)練基于ANFIS的紙病分類器，從而實現(xiàn)紙病的實時精確地辨識。實驗表明，該方法檢測速度快、檢測精度高，該方法對實際生產(chǎn)具有一定的指導(dǎo)意義。

[1] GUAN Jian-hua. Web Inspection Technology and Application in Paper Making[J]. China Pulp & Paper, 2000, 19(6): 32．

關(guān)健華. 全幅紙病檢測技術(shù)及在造紙中的應(yīng)用[J]. 中國造紙, 2000, 19(6): 32．

[2] YANG Bo, ZHOU Qiang, ZHANG Gang-qiang. Study on Algorithm of Paper Defect Detection Based on Geometric and Gray Feature[J]. China Pulp & Paper, 2011, 30(9): 50．

楊 波, 周 強(qiáng), 張剛強(qiáng). 基于幾何及灰度特征的紙病檢測算法研究[J]. 中國造紙, 2011, 30(9): 50．

[3] ZHOU Qiang, CHEN Ying, SHEN Tian-yu, et al. Review on Development of Paper Defect Detection System Based on Machine Vision Technology[J]. China Pulp & Paper, 2016, 35(5): 72.

周 強(qiáng), 陳 穎, 沈天宇, 等. 基于機(jī)器視覺的紙病檢測系統(tǒng)發(fā)展綜述[J]. 中國造紙, 2016, 35(5): 72．

[4] LIU Yong, ZHOU Qiang, LIU Tao, et al. Paper Defect Pretreatment System Based on FPGA[J]. China Pulp & Paper, 2013, 32(8): 46．

劉 勇, 周 強(qiáng), 劉 濤, 等. 基于FPGA的紙病檢測預(yù)處理系統(tǒng)研制[J]. 中國造紙, 2013, 32(8): 46．

[5] Tang Wei, Wang Xiantong, Wang Feng, et al. Design and Implementation of Web Inspection System Based on FPGA and CCD Camera[J]. Transactions of China Pulp and Paper, 2016, 31(1): 57.

湯 偉, 王先通, 王 鋒, 等. 基于FPGA和CCD相機(jī)的紙病檢測系統(tǒng)的設(shè)計與實現(xiàn)[J]. 中國造紙學(xué)報, 2016, 31(1): 57．

[6] WANG Yong-jun, CHEN Wen-kai, XIONG Zhi-xin, et al. Web Inspection Based on Hough Transform[J]. China Pulp & Paper, 2010, 29(3): 59.

王勇軍, 陳文凱, 熊智新, 等. 基于Hough變換的紙病檢測分析[J]. 中國造紙, 2010, 29(3): 59．

[7] Ren Peng. Detection System of Paper Defects Based on Machine Vision and Implimentation with C/C++[D]. Xi’an: Shaanxi University of Science & Technology, 2013.

任 鵬. 基于機(jī)器視覺C/C++實現(xiàn)的紙病檢測系統(tǒng)研制[D]. 西安: 陜西科技大學(xué), 2013．

[8] Ma Wenchao, Zhang Tao. Ethernet High-speed Transmission Platform Based on FPGA[J]. Computer Engineering, 2012, 38(1): 242．

馬文超, 張 濤. 一種基于FPGA的以太網(wǎng)高速傳輸平臺[J]. 計算機(jī)工程, 2012, 38(1): 242．

[9] Wang Tao, Liu Yuan, Xie Zhenping. Video Smoke Detection Based on Adaptive Neturo-fuzzy Inference System[J]. Computer Engineering, 2011, 37(23): 186．

王 濤, 劉 淵, 謝振平. 基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的視頻煙霧檢測[J]. 計算機(jī)工程, 2011, 37(23): 186．

[10] Liu Qian, Han Pu, Wang Dongfeng. Soft-Sensing of Oxygen Content in Flue Gas Based on ANFIS Model[J]. Computer Simulation, 2014, 31(10): 437．

TheSecondaryIdentificationofPaperDefectsBasedonAdaptiveNeural-fuzzyInferenceSystem

WANG Ya-bo1ZHOU Qiang1,*WANG Wei-gang1WANG Ying2

(1.CollegeofElectricalandInformationEngineering,ShaanxiUniversityofScience&Technology,Xi’an,ShaanxiProvince, 710021;2.MaterialScienceandEngineeringInstitute,ShaanxiUniversityofScience&Technology,Xi’an,ShaanxiProvince, 710021)

In order to ensure the contradiction between the speed and accuracy in paper defects detection on the wide and high speed paper machine, a method of paper defects secondary identification was put forward based on adaptive neural-fuzzy inference system (ANFIS) on the mode of “FPGA+computer”. The paper images collected by CCD cameras were completed image preprocessing and the first identification through FPGA; by using the ANFIS, the computer was able to complete the second identification of the suspected paper defects area to determine whether the paper defects existed and its type. Experiments showed that the method could accurately identify various paper defects.

machine vision; FPGA; secondary identification of paper disease; adaptive neural-fuzzy inference system (ANFIS)

王亞波先生，在讀碩士研究生；主要研究方向：機(jī)器視覺。

TS736

A

10.11980/j.issn.0254- 508X.2017.12.010

2017- 07-19(修改稿)

陜西省教育廳專項科技項目(16JK1105)；陜西省科技攻關(guān)項目(2016GY- 005)。

*通信作者：周 強(qiáng)，博士，教授；主要研究領(lǐng)域為智能信息處理技術(shù)。

(*E-mail: zhouqiang@sust.edu.cn)

馬 忻)