资源描述：
《基于纹理特性的织物表面缺陷图像的分类研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、第21卷第4期中原工学院学报Vol.21No.42010年8月JOURNALOFZHONGYUANUNIVERSITYOFTECHNOLOGYAug.,2010文章编号:1671-6906(2010)04-0033-04基于纹理特性的织物表面缺陷图像的分类研究刘洲峰,高二金,李春雷(中原工学院,郑州450007)摘要:研究了BP神经网络和小波神经网络的分类器,并利用BP神经网络和小波神经网络对缺陷图像进行疵点识别,通过两者的仿真结果得出结论:小波神经网络具有逼近能力强、收敛速度快、网络参数(隐层结点数和权重)的选取
2、有理论依据的优点.关键词:疵点检测;BP神经网络;小波神经网络中图分类号:TP391.41文献标识码:ADOI:10.3969/j.issn.1671-6906.2010.04.009纹理缺陷检测在织物、钢铁、木材、玻璃、纸张等表域都具有表征信号局部特征的能力,在低频部分具有[1]面检测中广泛应用.从20世纪70年代起,研究者较高的频率分辨率和较低的时间分辨率,在高频部分就对图像纹理进行了大量的研究,主要集中在图像纹具有较高的时间分辨率和较低的频率分辨率.理的分析、理解与描述和计算机自然纹理生成两大方
3、1.2BP神经网络分类器[2]面,对纹理分类产生了深远的影响.缺陷检测的难BP模型与其他神经网络一样,也是由处理单元、点主要在于,既要准确地识别出各类疵点又要满足检网络拓扑结构和学习规则3部分组成的.整个网络大[3]测实时性要求.灰度共生矩阵(GLCM)是被广泛应致可以看作一个3层的前馈网络,即输入层、隐含层、用的纹理提取算法,但生成的灰度共生矩阵在一般情输出层各处理单元之间前向连接.3层的神经网络结况下都为稀疏矩阵,导致特征值计算有大量冗余,运行构如图1所示.[4]缓慢.本文针对实践中具有代表性的纹理图像,提出BP神经网
4、络和小波神经网络的分类器,并利用BP神经网络和小波神经网络对缺陷图像进行疵点识别.实验证明,小波神经网络更简单,计算效率更高,而且能更好地表现不规则纹理,最终实现基于纹理特性的织物表面缺陷图象的分类研究.1小波分析和神经网络图13层BP神经网络结构图1.1小波分析基本理论1.3实验结果与分析小波变换(WaveletTransform)是近年来发展起此实验中,输入端是在矩的基础上对每一个纹理来的一种用于信号分析的数学方法.它是一种信号的特性的织物表面缺陷图像进行二次特征提取,得到4时间尺度(时间频率)分析方法,具有
5、多分辨率分个特征值,将这4个特征值作为BP神经网络的输入.析(multiresolutionanalysis)的特点,而且在时、频两算法的具体实现步骤如下:收稿日期:2010-06-07基金项目:河南省教育厅自然科学基金项目(200410465201;200510465002)作者简介:刘洲峰(1962-),男,河南新乡人,教授,博士.中原工学院学报2010年第21卷∃34∃(1)设计输入层和输出层:采用每幅图像的二次特征的4个特征作为训练和识别的依据,而需要识别52小波神经网络种缺陷图像,所以输入层的维数为4,输
6、出层的维数为5;2.1小波神经网络模型(2)设计隐层:对于非特殊的识别问题,一般采用小波神经网络可以看作是以小波函数为基底的一3层网络即可满足要求,本识别系统也采用了3层网种函数连接型网络,也可以认为是径向基函数(RBF)络,在3层网络中,隐含层神经元个数n2和输入层神网络的推广.它具有与一般的前馈网络和RBF网络经元个数n1之间有以下近似关系:n2=2n1+1,由于不同的特点,在神经网络研究领域中具有重大潜力.输入神经元的个数为4,所以隐层神经元个数为9.其小波神经网络结合小波变换和神经网络的优点,特别中隐层节点数的确定
7、很关键,因为它直接决定了识别适合于函数逼近、系统辨识、数据压缩等领域.的效果.仿真实验研究表明,过少的隐层节点导致识小波神经网络相对于BP神经网络的一个优点就别结果较差,过多的隐层节点数虽然会带来许多细节是小波神经网络的初始化有一定的理论指导,从而使信息,但是这些信息对分类识别的贡献率不大,反而增得小波神经网络的学习有可能比BP神经网络的学习加了系统的工作量;更快地收敛.在初始化方面,BP神经网络只是简单地(3)网络训练:对于需要识别的5种缺陷图像,提选取一些差不多的随机数,而且取值的范围都是依靠取每种缺陷图像的5个样本,共
8、55=25个样本,在经验来大致确定.矩的基础上进行二次特征提取,得到4个参数:均值、小波神经网络模型结构与BP模型相似,所不同能量、标准方差、平均方差,组成1个425的训练样的是隐层单元激励函数为小波变换函数,图3所示为本矩阵进行训练;小波神经网络系统结构.对于多变量输入、输出系统mn(4
