基于PSOBP神经网络的织物疵点分类方法分析讲解.docVIP

基于PSO- BP神经网络的织物疵点分类方法* 刘素一1 刘晶璟2 章乐多1 (1武汉科技学院电信系 湖北 武汉 430074 2武汉职业技术学院商学院 湖北 武汉 430074） 摘要：本文将粒子群优化算法运用于BP神经网络的训练，更合理地确定神经网络的连接权重和阈值，提高解决实际问题的能力。同时将PSO-BP神经网络的模型用于织物疵点的分类中。采用正交小波变换的方法对织物图像进行单层分解，并提取水平和垂直两个方向的子图像，分别代表织物的纬向和经向纹理，然后计算其经、纬向的能量、方差、熵等特征值，做为神经网络的输入值。将PSO-BP神经网络与BP神经网络分类的结果相比较，其结果表明PSO-BP神经网络能够取得较好的效果。 关键词：中图分类号： TP274+.5 文献标识码：Alassification of Fabric Defect Based on PSO-BP Neural Network Liu Suyi1 Liu Jingjing2 Zhang Leduo1 (1The electronics and information department of Wuhan University of science and engineering,430074, Wuhan, china. 2 Business School of Wuhan Institute of Technology, 430074，Wuhan, china) Abstract: In this paper, particle swarm optimization was applied in BP neural network training. It reasonably confirms threshold and connection weight of neural network, and improves capability of solving problems in realities. Meanwhile, PSO-BP neural network is applied into classification of fabric defect. The method of orthogonal wavelet transform was used to decompose monolayer from fabric image. And the sub-images of horizontal and vertical direction are extracted to represent respectively the textures of fabric in warp and weft. Compared classification of PSO-BP neural network to classification of BP neural network, it is shown that PSO-BP neural network achieves favorable results. Key words: Fabric; Defect Detection; Wavelet transform; Particle swarm optimization; BP neural network ;Classification 1 引言 长期以来，国内外学者对织物疵点的分类进行了大量的研究工作，但由于织物疵点种类繁杂以及织疵的其它特点决定了织疵分类是一个有相当难度的问题[1]。目前较多地应用BP神经网络进行分类。 BP(back propagation) 神经网络具有结构简单、工作状态稳定、易于硬件实现等优点，但其网络训练问题属于超高维的优化问题，存在时间长、容易陷入局部极小值等缺点，影响了算法的精度[2]。 粒子群优化算法(particle swarm optimization，PSO) [3-4]是一种全局优化算法，且搜索速度较快，可以得到比较好的优化结果。 因此本文将粒子群优化算法运用于BP神经网络的训练，更合理地确定神经 *湖北省数字化纺织装备重点实验室项目（编号DTI200606） 作者简介：刘素一(1962.12——)，女，博士，副教授。研究方向：非线性理论与复杂系统，检测技术等。 网络的连接权重和阈值，提高解决实际问题的能力。同时将PSO结合BP神经网 络的模型用于织物疵点的分类中，与BP神经网络分类的结果相比较，取得了良 好的效果。 2 粒子群神经网络的建立 2.1 粒子群优化算