基于PSO- BP神经网络的织物疵点分类方法2

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4300742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：织物；疵点检测；小波变换；粒子群优化算法；BP神经网络，分类中图分类号：TP274+.5文献标识码：AClassificationofFabricDefectBasedonPSO-BPNeuralNetworkLiuSuyi1LiuJingjing2ZhangLeduo1(1TheelectronicsandinformationdepartmentofWuhanUniversityofscienceandengineering,430074,Wuhan,china.2BusinessSchoolofWuhanInstituteofTechnology,430074，Wuhan,china)Abstract:Inthispaper,particleswarmoptimizationwasappliedinBPneuralnetworktraining.Itreasonablyconfirmsthresholdandconnectionweightofneuralnetwork,andimprovescapabilityofsolvingproblemsinrealities.Meanwhile,PSO-BPneuralnetworkisappliedintoclassificationoffabricdefect.Themethodoforthogonalwavelettransformwasusedtodecomposemonolayerfromfabricimage.Andthesub-imagesofhorizontalandverticaldirectionareextractedtorepresentrespectivelythetexturesoffabricinwarpandweft.ComparedclassificationofPSO-BPneuralnetworktoclassificationofBPneuralnetwork,itisshownthatPSO-BPneuralnetworkachievesfavorableresults.Keywords:Fabric;DefectDetection;Wavelettransform;Particleswarmoptimization;BPneuralnetwork;Classification1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(backpropagation)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(particleswarmoptimization，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粒子群优化算法PSO是基于群体和适应度的概念，源于对鸟类捕食行为的模拟，群体中的每个个体(粒子)代表一个可能的解，粒子具有位置和速度特征，算法通过适应度衡量粒子的优劣。随机初始化一群粒通过迭代找到最优解。每次迭代，粒子通过跟踪两个“极值”更新，一是粒子本身的最优解，这个最优解叫做个体极值pi=(pi1,pi2,…..pid)，二是整个种群目前找到的最优解，称为全局极值g=(g1,g2,…..gd)。在寻找这两个最优值时，粒子根据如下的公式来更新自己的速度和位置[5]：)(())(()21iiiiixgrandcxprandcvv（1）iiivxx其中：iv和ix——当前粒子的速度和位置；rand()是均匀分布在（0，1）之间的随机数；c1、c2是学习因子，通常221cc。2.2、BP神经网络设3层BP神经网络，隐层神经元和输出层神经元的激活函数都是s型函数xexf11)(（2）为了满足Sigmoid函数要求，将样本数据进行归一化处理，当实际输出与期望输出的误差小于预定值或达到预定的训练周期数时，停止训练。2.3粒子群优化算法与BP神经网络的结合用PSO训练BP网络时，定义粒子的位置kx为BP网络在全连接结构下的所有权重和隐含层节点的阈值，权重范围定为(1,1)，粒子使用实数编码。初始隐层节点数设为3，最大隐层节点数设为20，网络训练使用逐步增长法逐渐增加隐层节点数直至满足要求为止。适应度函数是评价神经网络解决问题能力的指标，用神经网络输出值的均方误差MSE生成目标函数，其倒数作为适应度函数，误差越小，则对应粒子的性能越好。目标函数的计算公式为:pimjijijydmpMSE11)(1（3）式中：m——输出节点个数；p——训练样本数；ijd——网络期望输出值；ijy——网络实际输出值。种群规模n为30；c1=c2=2.0；粒子最大速度Vmax=2.0；PSO训练BP网络的终止条件为迭代次数k=1000；k1=0.10；Pc=0.05；Pm=0.03。3、织物疵点图像的小波分解织物织物一般由经向纱线和纬向纱线交织而成，因此正常织物表面经纬向纹理结构具有规则性[6]。如果织物中包含疵点，那么疵点必会在经向或纬向纹理子图像上发生异常变化，基于这一规律，可以利用小波变换把织物图像分解为经向和纬向两个子图像。根据正交小波多分辨分析的思想[7]，假定jlis,为0尺度空间的剩余尺度系数序列，)(),(kgkh分别为二维离散小波函数的低通和高通滤波器，则二维小波变换的快速分解公式为[8]：1,,,1,,,1,,,1,,,)2()2()2()2()2()2()2()2(jmkmkjlijmkmkjlijmkmkjlijmkmkjlislmgikgdslmgikhbslmhikgaslmhikhs（4）其中，jlijlijlidba,,,，，分别为对应的小波空间的小波展开系数，jlis,为对应于尺度空间的展开系数。采用该算法对图像),(yxf进行二维小波变换，变换的每一层次，图像都被分解成为四个不同频率的图像，每个图像代表了原图像中的一部分信息，即水平、垂直、对角和低频部分。针对织物图像，即经过二维正交小波分解后得到的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，舍弃对角线信息和低频的信息。图1和图2为采用db3小波函数对正常织物图像及经向带有疵点的织物图像进行分解后的结果。从图中可以看出，织物经过一次小波分解后，其水平和垂直水平方向的子图像较好地包含了经纬向的纹理特征，并且疵点位置的纹理有明显的异常。(a)原始图像(b)经向子图像(c)纬向子图像图1正常织物图像的单层分解示意图(a)疵点图像(b)经向子图像(c)纬向子图像图2疵点织物图像的单层分解示意图4疵点特征量的选取图像的特征值是反映图像的类型、性质、状态等特征量，它是对对象进行识别的判据。因此，特征值的确定是相当重要的。由于织物的疵点是由于织造过程中经纬纱不规则交织造成的，因此织物疵点大多数带有经向或纬向的方向性。所以我们通过提取表示经向和纬向的上发生变化的值，来检测织物疵点是否存在，本文采用的特征值是能量、方差、熵等三个。（1）能量：反映了区域图像的均匀性或平滑性。其定义为：MiNjijHE2（5）（2）方差：反映了区域图像的离散程度。其定义为：MiNjijHH2)(（6）（3）熵：反映了图像随机性的量度。其定义为：MiijNjijHHQ22lg（7）式中，ijH为（i,j）的灰度值，M，N分别代表子图像的高和宽。对经过小波分解后的图1和图2进行以上特征值的计算，其结果见图3。（a）正常织物经向方差曲线图（b）断经织物经向方差曲线图（c）正常织物经向能量曲线图（d）断经织物经向能量曲线图（e）正常织物经向熵值曲线图（f）断经织物经向熵值曲线图图3正常织物图像与断经织物图像的特征值曲线由此可以看出，带有疵点的织物图像在小波分解后经向子图像的方差、能量和熵值分布曲线图与正常的织物图像有着明显的异常，在相同像素值下其特征值均超过正常范围，说明通过对这些特征值的计算可以检测出织物是否存在疵点。5、基于PSO-BP网络的织物疵点分类方法及结果分析5.1PSO-BP网络模型输入输出特征值的确定由公式（4）对织物图像进行小波分解后，得到了水平和垂直两个方向的子图像，然后采用（5）—（7）分别提取表示经向和纬向的纹理特征的特征值，即径向方差峰值、能量峰值、熵峰值，纬向方差峰值、能量峰值、熵峰值共六个，将其作为神经网络的输入向量。本次用于分类的织物疵点图像有经向缺纱、纬向缺纱、油污、破洞、粒节疵点等五种，其疵点典型图像见图4。(a)经向缺纱(b)纬向缺纱(c)油污(d)破洞(e)粒节疵点图4织物疵点图像对多幅不同疵点类型的图像进行小波分解及特征值提取后，得到了特征样本数据，并将该数据进行归一化处理，如表1所示。表1归一化处理后的特征样本序号归一化处理后样本特征值疵点类型经向纬向方差能量熵方差能量熵10.461540.40769-0.043956-0.25962-0.384620.18462经向20.535610.50769-0.043956-0.25962-0.217950.58462经向3-0.46439-0.292310.527470.677880.61538-0.41538纬向4-0.094017-0.0923080.527470.677880.53205-0.21538纬向5-0.094017-0.092308-0.472530.0528850.032051-0.21538油污6-0.05698-0.092308-0.32967-0.072115-0.051282-0.21538油污7-0.0199430.0076923-0.18681-0.25962-0.30128-0.015385破洞8-0.094017-0.0923080.527470.677880.53205-0.21538破洞9-0.131050.0076923-0.043956-0.25962-0.217950.18462粒节10-0.030952-0.142860.28627-0.066667-0.066667-0.055556粒节110.387460.20769-0.043956-0.25962-0.134620.38462经向12-0.42735-0.0923080.527470.365380.36538-0.21538纬向13-0.0199430.0076923-0.186810.0528850.032051-0.015385油污140.0170940.0076923-0.043956-0.134620.03