摘 要： 基于人工分揀的墻地磚質(zhì)量檢測環(huán)節(jié)不僅造成人力資源的浪費(fèi)，更無法保證質(zhì)量檢測的準(zhǔn)確度，影響了墻地磚產(chǎn)品的檔次提高。為了節(jié)省成本，進(jìn)一步提高墻地磚的生產(chǎn)效率，本文利用顏色通道下的共生矩陣特征作為圖像視覺特征，并充分利用圖像的紋理信息和顏色信息，訓(xùn)練出一個(gè)適用于墻地磚缺陷分類的BP神經(jīng)網(wǎng)絡(luò)。通過實(shí)驗(yàn)結(jié)果的數(shù)據(jù)分析，基于BP神經(jīng)網(wǎng)絡(luò)的墻地磚缺陷檢測技術(shù)能夠?qū)Χ喾N尺寸規(guī)格、顏色、圖案的墻地磚得到較好的檢測結(jié)果。

　　關(guān)鍵詞： 顏色通道；共生矩陣特征；墻地磚缺陷；BP神經(jīng)網(wǎng)絡(luò)

0 引言

　　我國墻地磚行業(yè)龐大，從事墻地磚生產(chǎn)的企業(yè)眾多，其經(jīng)濟(jì)生產(chǎn)在國民經(jīng)濟(jì)中占有重要位置[1]。然而，目前大多數(shù)墻地磚生產(chǎn)廠家的質(zhì)量檢測主要依靠人工進(jìn)行，在實(shí)際生產(chǎn)過程中，針對墻地磚產(chǎn)品的顏色和外形缺陷的自動(dòng)化檢測技術(shù)相對滯后[2-4]。并且，國內(nèi)利用計(jì)算機(jī)視覺技術(shù)進(jìn)行墻地磚智能化檢測系統(tǒng)的開發(fā)起步較晚，但受到墻地磚生產(chǎn)企業(yè)的需求刺激，近年來大量關(guān)于墻地磚缺陷的理論研究也隨之展開[5-7]。本文首先利用灰度閾值分割法，將目標(biāo)圖像與背景圖像進(jìn)行分割，提取出數(shù)字圖像中的墻地磚目標(biāo)。然后，利用圖像去噪、圖像特征提取與分析、改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)等實(shí)際技術(shù)手段實(shí)現(xiàn)墻地磚的質(zhì)量檢測。最后，深入研究這些方法在實(shí)際檢測過程中的應(yīng)用，并通過實(shí)驗(yàn)結(jié)果的數(shù)據(jù)分析，驗(yàn)證了該檢測技術(shù)可以提高墻地磚檢測的準(zhǔn)確度和速度。

1 墻地磚目標(biāo)圖像獲取

　　實(shí)際的圖像獲取中，由于CCD攝像頭的光電傳感器尺寸是固定的，因此，得到的數(shù)字圖像不可能僅包含待檢測的墻地磚產(chǎn)品，或多或少地都會(huì)有一定的背景存在。缺陷檢測的目標(biāo)只是墻地磚，背景不僅會(huì)增大計(jì)算量，還會(huì)影響檢測效果。為此，在圖像預(yù)處理環(huán)節(jié)采用灰度閾值分割法，將待檢測目標(biāo)從背景中分割出來，進(jìn)而得到目標(biāo)圖像。

　　假設(shè)圖像g(x,y)的灰度范圍為[0,L]， 則可以在[0,L]之間選取一個(gè)灰度值T作為閾值，進(jìn)而進(jìn)行二值化，得到二值圖像：

　　若期望保留背景部分，僅將背景部分的像素灰度設(shè)置為0，可采用半灰度閾值法。假設(shè)背景部分較暗，即：

　　為了得到最優(yōu)的灰度閾值，使得方差最大，需要對圖像中所有像素點(diǎn)的灰度值進(jìn)行方差計(jì)算。假設(shè)一個(gè)數(shù)字圖像的灰度級數(shù)為L，灰度值為i的像素?cái)?shù)為ni，此時(shí)可以得到總像素?cái)?shù)為：

　　各個(gè)灰度出現(xiàn)的頻率為：

　　假設(shè)，取灰度值k作為灰度閾值，那么可以將灰度值劃分為C1和C2兩個(gè)部分，其中，C1=（0，1，…, k-1）， C2=（k, k+1, …, L-1）。兩類灰度值分別產(chǎn)生的概率為：

　　兩類灰度值分別產(chǎn)生的灰度平均值為：

　　其中，μ為圖像中所有限速灰度的平均值：

　　兩類灰度值的方差和為：

　　根據(jù)Ostu方法的思想，只需要在[0, L-1]的范圍內(nèi)改變k的值，找到使得方差最大的k值，即是最優(yōu)的灰度閾值。

2 顏色通道下的共生矩陣的圖像特征提取

　　不言而喻，顏色對于墻地磚缺陷檢測系統(tǒng)是一個(gè)很重要的特征。人類視覺對顏色的變化非常敏感，顏色也是人類感知環(huán)境的重要特征，不同顏色代表的信息含量也不相同[8]。隨著人們對計(jì)算機(jī)視覺技術(shù)的深入研究，以及對圖像處理技術(shù)的進(jìn)一步探索和深入，灰度圖像包含的信息已經(jīng)不能滿足人們的需求。為了彌補(bǔ)灰度圖像丟失掉的細(xì)節(jié)和重要的色彩信息，結(jié)合顏色的計(jì)算機(jī)視覺技術(shù)得到了廣泛應(yīng)用。因此，本文在系統(tǒng)中引入了在顏色通道下的圖像紋理特征。

　　對于非純色墻地磚而言，為了更好地描述墻地磚的特性，必須在特征中加入顏色特征，這樣才能保證檢測的客觀性和準(zhǔn)確性。CCD攝像系統(tǒng)能夠拍攝出墻地磚的RGB圖像，利用3種顏色通道下的統(tǒng)計(jì)信息，計(jì)算6個(gè)顏色特征，分別是紅綠藍(lán)3種顏色分量的均值tr，tg，tb和方差vr，vg，vb。利用這6個(gè)顏色特征和之前提出的6個(gè)統(tǒng)計(jì)量，作為表征圖像的特征向量：

　　并以此反映墻地磚整體顏色和紋理分布的情況。

　　由于圖像獲取過程中存在噪聲的干擾，以及存在可接受缺陷的二等品墻地磚等原因，使得標(biāo)準(zhǔn)墻地磚之間的參數(shù)也會(huì)存在一定差異。為了解決這個(gè)問題，對每種類型的墻地磚都訓(xùn)練出獨(dú)立的一組判斷向量T。

　　首先，假設(shè)一組擁有n個(gè)標(biāo)準(zhǔn)或可接受缺陷的訓(xùn)練樣本，分別提取出特征向量Fk，k=1,2,…,n，進(jìn)而，計(jì)算得到這n個(gè)特征向量的均值和方差，那么判斷向量的第z個(gè)元素為：

　　本文中，α取1.5~3之間的實(shí)數(shù)，調(diào)整這個(gè)參數(shù)可以調(diào)節(jié)判斷向量的檢測靈敏度。其中，對于z=1,2,3,…

　　對于某一待測試墻地磚提取的特征向量F，與判斷向量c進(jìn)行比較，如果滿足以下不等式：

　　則說明該塊墻地磚存在缺陷。

　　3 建立BP神經(jīng)網(wǎng)絡(luò)

　　標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)的收斂速度較慢，而且容易陷入局部極小值，無法達(dá)到全局最優(yōu)解[9-10]。為了解決這兩個(gè)問題，本文采用優(yōu)化策略，對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行整體的性能優(yōu)化。

　　⑴ 采用動(dòng)量權(quán)值調(diào)整策略改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法。動(dòng)量權(quán)值調(diào)整策略的中心思想是將上一輪權(quán)值調(diào)整量作為更新值的一部分迭加到本次的誤差計(jì)算上，以獲得反饋后的權(quán)值調(diào)整量，即：

　　其中，α為動(dòng)量系數(shù)，一般取(0,1)范圍內(nèi)的數(shù)值；η為學(xué)習(xí)率，在實(shí)際工程中，按照經(jīng)驗(yàn)，一般取(0.01,0.8)范圍內(nèi)的數(shù)值。這種方法加入動(dòng)量系數(shù)本質(zhì)上是加入一個(gè)阻尼項(xiàng)，減緩了學(xué)習(xí)過程中的震蕩趨勢，從而改善神經(jīng)網(wǎng)絡(luò)參數(shù)的收斂性。

　　⑵ 自適應(yīng)調(diào)整訓(xùn)練速率。造成標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)收斂速度緩慢的一個(gè)重要原因是學(xué)習(xí)率的選擇不當(dāng)，為了解決這個(gè)問題，加速參數(shù)的收斂速度，可以在調(diào)整學(xué)習(xí)率的過程中采用自適應(yīng)的調(diào)整方法。自適應(yīng)調(diào)整的基本思想是，在訓(xùn)練收斂的情況下，放大學(xué)習(xí)率，以減少訓(xùn)練時(shí)間；在訓(xùn)練不收斂的情況下，縮小學(xué)習(xí)率，以保證訓(xùn)練的收斂性，直到參數(shù)收斂為止。

　　自適應(yīng)的調(diào)整方法有很多，本文采用如下方法：首先初始化學(xué)習(xí)率η0，若經(jīng)過一輪權(quán)重調(diào)整后，神經(jīng)網(wǎng)絡(luò)的總誤差放大，則減小學(xué)習(xí)率，令η1=a η0（0< a <1）；若總誤差減小，說明權(quán)值調(diào)整有效，則令η1=b η0（ b>1）。

4 實(shí)驗(yàn)設(shè)計(jì)及結(jié)果比較

　　4.1 實(shí)驗(yàn)設(shè)計(jì)

　　實(shí)驗(yàn)數(shù)據(jù)包括兩個(gè)部分：訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集。其中，訓(xùn)練數(shù)據(jù)集包括100塊標(biāo)準(zhǔn)墻地磚圖像，用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的參數(shù)；測試數(shù)據(jù)集包括500塊未知質(zhì)量的墻地磚圖像，用來測試神經(jīng)網(wǎng)絡(luò)的性能。

　　本文構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)僅含有一層隱含層，即最基本的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。神經(jīng)網(wǎng)絡(luò)中的權(quán)值和閾值都初始設(shè)置為1，第一次的傳遞函數(shù)選用雙曲正切函數(shù)，第二次的傳遞函數(shù)選用對數(shù)函數(shù)。通過抽取部分樣本進(jìn)行反復(fù)實(shí)驗(yàn)，選用帶動(dòng)量的批處理梯度下降法對模型進(jìn)行優(yōu)化。

　　共生矩陣的特征向量共有6個(gè)部分，分別是共生矩陣的二階矩、對比度、相關(guān)性、方差、熵和逆差矩。因此分類器的輸入層包含6個(gè)節(jié)點(diǎn)，分別對應(yīng)這6個(gè)特征值。輸出層包括兩個(gè)節(jié)點(diǎn)，當(dāng)輸出組合為[1,0]時(shí)，表示當(dāng)前樣本為合格產(chǎn)品，當(dāng)輸出組合為[0,1]時(shí)，表示當(dāng)前樣本為不合格產(chǎn)品。按照抽取部分樣本進(jìn)行重復(fù)實(shí)驗(yàn)，本文構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)隱含層包含13個(gè)節(jié)點(diǎn)。

　　類似地，對差分矩陣特征和顏色通道下的共生矩陣特征均建立對應(yīng)的BP神經(jīng)網(wǎng)絡(luò)。

　　4.2 結(jié)果比較

　　基于100塊訓(xùn)練樣本訓(xùn)練得到的BP神經(jīng)網(wǎng)絡(luò)對500塊測試樣本進(jìn)行測試。為了驗(yàn)證本文設(shè)計(jì)的系統(tǒng)的檢測性能，本文重現(xiàn)了參考文獻(xiàn)[11]中基于馬爾科夫隨機(jī)場對墻地磚缺陷進(jìn)行檢測的方法。參考文獻(xiàn)[11]中檢測方法主要對墻地磚的兩種缺陷檢測進(jìn)行了討論，包括色斑缺陷和孔穴缺陷。下面將驗(yàn)證對比參考文獻(xiàn)[11]中方法的檢測性能，以及本文中利用顏色通道下的共生矩陣特征訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)的檢測性能。檢測的主要缺陷項(xiàng)目除了參考文獻(xiàn)[11]中提到的色斑缺陷和孔穴缺陷，還包括裂紋、凸塊、凹陷和紋理不勻。

　　同時(shí)，為了驗(yàn)證圖像目標(biāo)提取過程對實(shí)驗(yàn)的影響，將沒有進(jìn)行墻地磚目標(biāo)獲取的數(shù)字圖像作為輸入，采用BP神經(jīng)網(wǎng)絡(luò)對墻地磚缺陷進(jìn)行檢測。表1展示了這3種方法對6種缺陷的檢測率。

　　從表1中可以看出，相比于馬爾科夫隨機(jī)場，利用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的墻地磚缺陷分類器具有較強(qiáng)的分類性能。由于原始的數(shù)字圖像的背景部分較小，即使沒有目標(biāo)獲取過程，產(chǎn)生的分類性能也要遠(yuǎn)遠(yuǎn)比馬爾科夫隨機(jī)場訓(xùn)練出來的分類器更優(yōu)異。但是加入目標(biāo)獲取過程，得到的性能顯然更好。加入墻地磚目標(biāo)獲取環(huán)節(jié)對整個(gè)墻地磚缺陷智能檢測系統(tǒng)很有幫助。

5 結(jié)論

　　基于BP神經(jīng)網(wǎng)絡(luò)的墻地磚缺陷檢測技術(shù)能夠滿足當(dāng)前我國墻地磚企業(yè)的生產(chǎn)需求。通過融合計(jì)算機(jī)視覺檢測技術(shù)和軟硬件環(huán)境，實(shí)現(xiàn)較為理想的墻地磚質(zhì)量檢測效果。通過實(shí)驗(yàn)分析，該系統(tǒng)擁有較高的質(zhì)量檢測準(zhǔn)確度和運(yùn)行穩(wěn)定性，能夠滿足不同尺寸、不同顏色、不同花色的墻地磚質(zhì)量檢測，具有較高的實(shí)際應(yīng)用意義。在保證質(zhì)量檢測性能的基礎(chǔ)上，該系統(tǒng)能夠大大降低人工勞動(dòng)強(qiáng)度，提高墻地磚生產(chǎn)的自動(dòng)化程度。

參考文獻(xiàn)

　　[1] 李先平. 墻地磚的自動(dòng)揀選[J]. 天津城市建設(shè)學(xué)院學(xué)報(bào), 1995(3):39-45.

　　[2] 陳帆. 現(xiàn)代陶瓷工業(yè)技術(shù)裝備（第2版）[M]. 北京:中國建材工業(yè)出版社, 1995.

　　[3] 陶瓷墻地磚生產(chǎn)組. 陶瓷墻地磚生產(chǎn)[M]. 北京:中國建材工業(yè)出版社, 1983.

　　[4] Hocenski Z F,Nyarko E K. Surface quality control of ceramic tiles using neural networks approach [C]. Proceedings of the 2002 IEEE International Synposium on Industrial Electronics, 2002.

　　[5] 朱大國. 瓷質(zhì)墻地磚顏色及尺寸在線監(jiān)測方法[D]. 武漢:華中科技大學(xué), 2002.

　　[6] 趙新亞. 墻地磚缺陷的智能檢測技術(shù)研究[D]. 沈陽:沈陽建筑大學(xué), 2011.

　　[7] 邢希東,高軍. 潑水算法與墻地磚表面缺陷的識(shí)別與分級研究[J]. 山東工程學(xué)院學(xué)報(bào), 2002,16(2):48-50.

　　[8] 耿國華, 王克剛, 李康. 基于色彩紋理特征的圖像分類及應(yīng)用[J]. 西北大學(xué)學(xué)報(bào), 2010,40(1):53-56.

　　[9] 鐘珞,饒文碧,鄒承明. 人工神經(jīng)網(wǎng)絡(luò)及其融合應(yīng)用技術(shù)[M]. 北京: 科學(xué)出版社, 2008.

　　[10] 薩馬拉辛克. 神經(jīng)網(wǎng)絡(luò)在應(yīng)用科學(xué)和工程中的應(yīng)用[M]. 史曉霞,陳一民,李軍治,等,譯. 北京: 機(jī)械工業(yè)出版社, 2010.

　　[11] 艾矯燕. 基于計(jì)算機(jī)視覺的墻地磚顏色分類和缺陷檢測研究[D]. 廣州:華南理工大學(xué), 2003.