摘要 ?從遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)和零件圖像的相對(duì)邊緣像素系數(shù)作為零件特征的方法出發(fā)，提出了零件圖像識(shí)別的方法。首先，對(duì)零件圖像分別進(jìn)行小波多尺度邊緣檢測(cè)，獲取零件圖像的相對(duì)邊緣像素系數(shù)作為特征樣本。然后，應(yīng)用遺傳算法優(yōu)化神網(wǎng)絡(luò)的連接權(quán)值，用特征樣本進(jìn)行網(wǎng)絡(luò)訓(xùn)練，獲取遺傳神經(jīng)網(wǎng)絡(luò)并對(duì)零件圖像進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明，文中提出的方法是有效的。

關(guān)鍵詞 ?小波變換 ?神經(jīng)網(wǎng)絡(luò) ?遺傳算法 ?圖像識(shí)別

Research of Part Image Recognition Based on Genetic Algorithm and Neural Network

1 ?引言

零件圖像特征可以是圖像中的零件輪廓曲線(xiàn)、紋理特征等，也可以是直方圖特征或者是頻譜等[1，2]。對(duì)于用邊緣來(lái)呈現(xiàn)原始特征的零件圖像，則可以利用圖像的相對(duì)邊緣像素系數(shù)作為零件圖像的特征[3]。傳算法有較強(qiáng)的宏觀(guān)搜索能力，具有簡(jiǎn)單通用、魯棒性強(qiáng)和全局性并行處理的特點(diǎn)，適用于圖像處理和模式識(shí)別。本文將遺傳算法和神經(jīng)網(wǎng)絡(luò)結(jié)合，用于零件圖像的識(shí)別，以提高零件圖像的識(shí)別率。

2 ?零件圖像的特征提取

2.1 ?圖像的小波邊緣檢測(cè)

2.3 ?邊緣圖像的特征提取

對(duì)于用邊緣來(lái)呈現(xiàn)原始特征的圖像，可以將邊緣的端點(diǎn)、分叉點(diǎn)等作為主要特征參數(shù)，本文是將圖像邊緣像素作為圖像特征。零件圖像經(jīng)過(guò)小波邊緣檢測(cè)后，分為m×n個(gè)圖像矩陣，將圖像的邊緣像素和其余像素分別用1和0表示。統(tǒng)計(jì)各子矩陣中表示1的像素量與各子矩陣的像素和的比值作為相對(duì)像素系數(shù)，這樣得到相對(duì)像素系數(shù)矩陣[cij]m×n，即特征參數(shù)。將相對(duì)像素系數(shù)矩陣的各列，按自左到右，上下首尾相接的次序，組成行向量Ck，k=1，2，…，m×n，向量Ck為特征樣本。圖2是4×4的圖像矩陣，特征樣本Ck有16個(gè)特征參數(shù)。

3 ?遺傳算法

遺傳算法與神經(jīng)網(wǎng)絡(luò)結(jié)合有幾種方法[5，6]，本文采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)各層之間的連接權(quán)值。

3.1 ?染色體編碼

3.2 ?選擇、交叉、變異

根據(jù)每個(gè)個(gè)體適應(yīng)度值進(jìn)行選擇、交叉和變異操作，構(gòu)成下一代群體。再計(jì)算個(gè)體的適應(yīng)度值，重復(fù)選擇、交叉和變異操作過(guò)程，直到訓(xùn)練目標(biāo)達(dá)到要求為止。

4 ?實(shí)驗(yàn)

4.1 ?網(wǎng)絡(luò)模型

本文對(duì)3類(lèi)零件進(jìn)行圖像采集，每類(lèi)零件在不同的光照度環(huán)境下分別采集3幅零件圖像，則每個(gè)圖像傳感器分別采集了3類(lèi)零件共27幅圖像。27幅圖像經(jīng)過(guò)小波邊緣檢測(cè)，分別處理成27組4×4相對(duì)像素系數(shù)矩陣，用于網(wǎng)絡(luò)訓(xùn)練。網(wǎng)絡(luò)輸入層神經(jīng)元數(shù)為16，輸出層神經(jīng)元數(shù)為3，是零件類(lèi)別數(shù)，隱層神經(jīng)元數(shù)經(jīng)過(guò)調(diào)試選擇18。

4.2 ?遺傳算法控制參數(shù)

個(gè)體數(shù)目選取24，選擇概率選取為0.06，交叉概率選取為0.5，變異概率選取為0.1，遺傳終止代數(shù)選取150。

4.3 ?仿真

本文用遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)和一個(gè)BP神經(jīng)網(wǎng)絡(luò)對(duì)零件圖像分別進(jìn)行識(shí)別，結(jié)果如表1所示，遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)的識(shí)別率高于BP神經(jīng)網(wǎng)絡(luò)的識(shí)別率。遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)為76，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練為185次，在收斂方面，遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，如圖3所示。

5 ?結(jié)論

本文利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，提出基于遺傳神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法。實(shí)驗(yàn)表明了將遺傳算法用于神經(jīng)網(wǎng)絡(luò)的權(quán)值訓(xùn)練，增強(qiáng)了神經(jīng)網(wǎng)絡(luò)的全局搜索能力，提高了神經(jīng)網(wǎng)絡(luò)的收斂速度和穩(wěn)定性。因此，優(yōu)化的神經(jīng)網(wǎng)絡(luò)具有較高的零件圖像識(shí)別能力，有一定的實(shí)用性。

參考文獻(xiàn)

[1]邊肇祺，張學(xué)工等.模式識(shí)別[M].北京：清華大學(xué)出版社，2000

[2]程正興.小波分析算法與應(yīng)用[M].西安：西安交通大學(xué)出版社，1998

[3]夏慶觀(guān)，盛黨紅，路紅等.零件圖像特征提取和識(shí)別的研究[J].中國(guó)機(jī)械工程，2005，16（23）

[4]Mallat S and Zhong S.Characterization of Signals from Multiscale Edges.IEEE Transactions on Pattern Analysis and Machine Intelligence，1992，14（7）：710-732

[5]王小平，曹立明.遺傳算法理論應(yīng)用與軟件實(shí)現(xiàn)[M].西安：西安交通大學(xué)出版社，2002

[6]雷英杰，張善文，李續(xù)武等.MATLAB遺傳算法工具箱及應(yīng)用[M].西安：西安電子科技大學(xué)出版社，2005

作者簡(jiǎn)介：劉廈，出生年月：（1986-），性別：男，民族：漢，籍貫：江蘇南京，職務(wù)/職稱(chēng)：技術(shù)總監(jiān)，學(xué)歷：本科，單位：南京南戈特智能技術(shù)有限公司，研究方向：自動(dòng)化、信息化、智能制造。