瓷砖表面缺陷检测中布尔神经网络方法运用.docVIP

瓷砖表面缺陷检测中布尔神经网络方法运用 　　摘要：机器视觉中自动视觉检测是其中的一项重要应用，目前在我国很多的瓷砖表面缺陷检测依旧处在人工检测水平，其工作量大，工作效率低，而检测额精度又无法满足实际生产需要，面对这种的情况，文章重点对布尔神经网络方法在瓷砖表面缺陷检测中的运用做了阐述。 　　关键词：瓷砖表面缺陷；布尔神经网络；瓷砖检测 　　中图分类号：TP274 文献标识码：A 文章编号：1009-2374（2013）30-0031-02 　　过去的神经网络没有解释能力，其不能很好地观测物体内部机理构造，而本文所论述的布尔神经网络是在过去神经网络上的一种升级，它将原始数据按照某种规则进行了编码，然后利用编码后得到的数据信息来重新驱动网络，其各个节点具备有效的物理意义。当前瓷砖表面的缺陷依据瓷砖不规则性及颜色可分为几种，按照缺陷所对应的类型可选择使用不同的滤波器来进行检测，因为缺陷瓷砖表面通常存在不规则形，所以滤波器在使用过程中有着极大的局限性，针对缺陷本身来说，虽然不同的瓷砖产品有着一定的差异，但是同种瓷砖又基本保持不变。而布尔神经网络其可在大范围内有效控制检测的精度及速度，并具有智能型，因此对它的研究将具备极为重要的现实意义。 　　1 布尔神经网络应用背景 　　随着社会经济的不断发展，客户对各类型产品表面的质量要求越来越苛刻，表面质量已经成为了直接决定产品价格及各个企业之间竞争的重要指标，另外，过去的人工目视检测方法存在很多的缺陷及不足，如无法适应高速机组，对细小表面缺陷的检测效率极低，并且如果长期进行检测，检测人员易出现视觉疲劳而无法长时间有效地进行整个材料表面的检测。总之，传统的检测已经无法满足现代化生产的需要。在这种背景下，新的检测方法必然出现，而其中布尔神经网络的应用就是其中的一种有效的检测手段。 　　2 广义的布尔神经网络 　　过去的BP网络在分类上属于一种分层网络，其各个节点域下一层节点在连接时通常是完全均匀的，而这种均匀直接连接在图像感知时通常会致使网络感知能力受到限制，但是广义的布尔神经网络是通过研究过去的前向神经网络的优点及缺陷之后升级而来。如果单独从数据驱动方面来讲，布尔神经网络也可叫做前向传播网络。在该网络中其各个权重和神经网络只能取值两个，分别为{-1，1}、{0，1}，其阈值也被限定为整数。 　　但是在具体进行运算阶段通常是使用二进乘法、整数加法、比较操作法等几种方法，因此与传统的方法相比较其运算速度得到了提高，另外，这种网络在训练阶段因为不存在反向传播过程，所以其不需要反复迭代，这使得其运算速度又得到了进一步提高。 　　设总数是K的训练样本为ak，当，根据样本ak，可计算对应的权值wk=2ak-1，由于ak的取值范围在[0、1]，因此，其第k节点的阈值表达式为： 　　在该式中rk表示神经网络第k节点的吸引域，在该吸引域中心是该神经网络的权重矢量中心wk，而在对样本进行具体检测时通常应用的方法为汉明距离测量法，如果测试样本在进入某节点吸引域，那么对应的节点则被激活，其值显示为1。 　　2.1 布尔神经网络检测流程 　　布尔神经网络是一种三层网络，如图1所示，其第一层通常设置为输入层，在进行检测过程中在该层输入标本模式数据，在分类过程则输入采样样本数据信息，其第二层通常是以C个节点所组成，其各个节点都与输入点相互连接，各个节点均有三个相同的参数，即权重、阈值及吸引域，这些参数必须要由训练算法来求算，第三层包括两个节点，分别是接受节点与拒绝节点，接受节点的阈值为1，和各个种类的节点相互连接的阈值也是1，拒绝的节点的阈值则为θ，其和第二层的连接权重则为-1，当种类层中出现多个节点是1的时候，那么接收点将被激活，与之相反当所有的种类节点显示为0时，那么拒绝节点将被激活，说明该次输入为奇异点，也叫做缺陷点，进而完成对缺陷的检测。 　　2.2 布尔神经网络的连续特征值 　　以上所述的布尔神经网络需要输入的驱动数据是二进制数，但在实际运用过程通常是连续值，因此必须要对该网络所对应的连续特征值进行研究，首先要对连续值做好编码，将这些数据信息转化为和其完全对应的二进制数，而其具体的网络结构图如图2所示，该处通常利用温度计进行编码，在实际操作过程中使用一连串的1来对连续值进行对应表示。因为其存在对应关系，因此该串1的长度和连续量的值一般为正比关系，在具体进行编码过程中，由于要对一些特征值进行归一化数，导致同类型的特征值在差异方面出现了更大的变化。 　　2.2.1 编码算法。（1）对所有的特征值进行归一化，让其值的分布区间在[0，1]，即以其最大值除去其所有的同种特征值。（2）选定一个有效的正整数，称编码为阶次，使用该阶次与所得归一化特征值相乘，再加上0.5，并和其最为靠近的整数相互替换