一種基于機器視覺的紙病識別方法

張學蘭 李 軍 孟范孔

(1.華南理工大學制漿造紙工程國家重點實驗室，廣東廣州，510640;2.華南理工大學廣東省造紙技術與裝備公共實驗室，廣東廣州，510640;3.華南理工大學機械與汽車工程學院，廣東廣州，510640)

在紙張生產過程中，由于設備磨損、生產原料質量和環境污染等原因，會造成一些外觀紙?。?］，而利用傳統的人工檢測方式進行紙病檢測已經難以滿足生產過程的需要?；跈C器視覺技術的紙病檢測系統的出現，不僅大大提高了檢測效率，還實現了在線分析與控制。該技術能實時有效地監測運行中紙幅上的各種紙病，以便于操作人員及時反應，迅速找到導致紙病的原因，從而降低損紙率，提高成品率，減少操作人員的工作量［2］。

紙病的智能化在線檢測的目的在于開發一套機器視覺系統，應用快速有效的算法，實現紙病的精確檢測和定位［3］。紙病的智能化在線檢測，即運用紙張圖像的形態特征、灰度級統計、紋理特征、形態學、模糊邏輯及神經網絡等進行紙病圖像的分割和識別。針對現有的算法不能對同時含有不同種類紙病的圖像進行分類識別，本研究提出了一種基于圖像灰度變換和BP神經網絡的紙病識別算法。

1 紙病圖像預處理

1.1 紙樣圖像的獲取

本研究所用的圖像是在反射光照條件下，通過掃描儀獲取的紙病圖像，像素大小為640×480，如圖1和圖2所示，分別為合格紙樣圖像和帶有孔洞、臟點和褶皺的紙病圖像。

1.2 紙病圖像預處理

觀察圖2可以發現，孔洞和臟點與背景灰度有較大的區別，因此屬于高對比度的紙病圖像。大量實驗統計表明，孔洞處的灰度比背景灰度均值高15%以上;臟點處的灰度比背景灰度均值低30%以上;褶皺處的灰度與背景灰度均值相差不大，但有很明顯的灰度階躍。

基于上述對3類紙病灰度特征的分析，本研究采用一種基于灰度經驗的動態雙閾值分割方法［4］來提取孔洞和臟點。首先計算得出紙病圖像的背景灰度均值為220，再用圖像背景灰度均值的1.15倍和0.70倍作為閾值進行分割，其中高于220×1.15的設為255，低于220×0.70的設為0，其余設為128。將圖2的紙病圖像進行雙閾值分割后的結果如圖3所示。

對比圖2和圖3可以發現，圖3中保留了圖2的孔洞和臟點的信息，而失去了褶皺的信息，原因是經過動態雙閾值分割后褶皺處的灰度值被設為128。對于褶皺，由于其灰度階躍比較明顯，因此采用Prewitt算子來對其分割。經過Prewitt算子和形態學閉合運算后的圖像如圖4所示。在此檢測過程中也可以將孔洞和臟點的邊緣檢測出來，但由于邊緣檢測后的臟點和孔洞的形態很接近，在后續識別中無法區分，因此還需要進一步處理。對圖3和圖4進行圖像合成中的加運算，得到圖5。從圖5可以發現，臟點處的灰度為0，孔洞和褶皺處的灰度為255，但褶皺近似于直線，孔洞接近于圓形，這樣就將孔洞、臟點和褶皺的代表性特征集合到一副圖像中。但在臟點的外圍同時有一個白色的圓環，其形態和孔洞很相似，在識別過程中會被當作孔洞來識別。因此，最終孔洞的數量應為識別出的孔洞的數量減去臟點的數量。

2 紙病特征的提取和選擇

在圖像識別中，常見的特征量按其類型可以分為形態特征、灰度特征、紋理特征。目標的形態特征［5］包括面積、長寬比、矩形度、周長、圓形度和偏心率等?；叶忍卣靼ɑ叶绕骄?、方差、歪度、峭度、能量和熵等。紋理特征［6］包括二階矩、對比度、相關度、紋理熵和紋理能量等。因此，圖像預處理之后，就可以提取各類紙病的典型特征，以便對紙病進行分類。

經過對紙病圖像的特征數據的統計，最終本研究選擇目標的平均灰度、圓形度、長寬比和矩形度作為紙病識別的特征值。

(1)平均灰度

目標平均灰度Mean的計算公式［5］為:

式中，M表示目標像素的總數，P(x，y)表示目標范圍內個各像素的灰度值。對圖5進行特征提取后可知，對于孔洞和褶皺，其平均灰度應為255，而臟點處的平均灰度為0。因此，利用平均灰度便可以很好地將形態上很相近的孔洞和臟點區分開。

(2)圓形度

圓形度(ρc)是描述目標與圓形相似程度的量［5］。根據圓周長與圓面積的計算公式，圓形度的計算公式如下:

式中，As為目標區域的面積;Ls為目標區域的周長。圓形度越大，表明目標與圓形的相似程度越高。分別對20個形態各異的孔洞、臟點和褶皺的圓形度進行統計，結果如圖6所示。

圖6 紙病的圓形度

(3)長寬比

目標區域長寬比(ρWL)的計算公式［5］為:

式中，WR是包圍目標區域的最小矩形的寬度，LR是包圍目標區域的最小矩形的長度。分別對20個形態各異的孔洞、臟點和褶皺的長寬比進行統計，結果如圖7所示。

圖7 紙病的長寬比

(4)矩形度

矩形度(ρR)是描述目標區域與矩形相似程度的量［5］，其計算公式如下:

式中，AS為目標區域的面積，AR是包含該目標區域的最小矩形的面積。對于矩形目標，矩形度取最大值1，對細長而彎曲的目標，矩形度的值較小。分別對20個形態各異的孔洞、臟點和褶皺的矩形度進行統計，結果如圖8所示。

圖8 紙病的矩形度

觀察圖6～圖8可知，孔洞和臟點的圓形度和矩形度都遠高于褶皺的，褶皺的長寬比遠大于孔洞和臟點的，因此可以將褶皺識別出來。而對于在形態上十分相似的孔洞和臟點，主要是通過平均灰度來區分。這樣利用平均灰度、圓形度、長寬比和矩形度便可以將3種紙病區分開。

圖9 BP神經網絡結構

3 紙病分類設計

本研究采用BP神經網絡來建立紙病特征值和紙病種類之間的神經網絡模型，并通過實驗來驗證該方法的可行性和準確性。

3.1 BP神經網絡

基本BP算法［7］包括2個方面:信號的前向傳播和誤差的反向傳播，即計算實際輸出時按從輸入到輸出的方向進行，而權值和閾值的修正從輸出到輸入的方向進行。BP神經網絡結構如圖9所示，輸入層m個神經元節點，隱含層n個神經元節點，輸出層p個神經元節點。輸入層第i個神經元節點與隱含層第j個神經元節點之間的權值為wji，隱含層第j個神經元節點閾值為bj;隱含層第j個神經元節點與輸出層第k個神經元節點之間的權值為wkj，輸出層第k個神經元節點閾值為bk。隱含層作用函數為sigmoid函數，輸出層的作用函數采用純線性函數。

3.2 分類器設計

3.2.1 輸入層和輸出層神經元節點數的確定

根據之前的分析可知，選取平均灰度、圓形度、長寬比和矩形度4個特征值便可以區分出孔洞、臟點和褶皺，因此BP神經網絡的輸入層神經元節點數為4個。根據3種紙病的特征值的特點，可以采用如下形式來表示輸出:

孔洞:(1，1，0，1);臟點:(0，1，0，1);褶皺:(1，0，1，0)

每4個單元的輸出代表一種紙病，因此輸出層的神經元節點數也采用4個。

3.2.2 隱含層神經元節點數的確定

隱含層神經元節點數太少，容錯性差，不能識別訓練樣本集中不包含的樣本，而隱含層神經元節點數過多，不但使參數增多導致學習時間過長，而且會導致對樣本的學習能力降低，使BP神經網絡總體性能變差［8］。因此，實際應用中需要選擇一個最佳隱含層神經元節點數?？筛鶕⒖际剑?］(5)～(7)求取最佳隱含層神經元節點數:

式中，m為隱含層神經元節點數;n為輸入層神經元節點數;l為輸出層神經元節點數;δ為1～10之間的常數［10］。由此可知，最佳隱含層神經元節點數在2～14之間。

3.2.3 分類器訓練

本研究應用Matlab 7.6軟件對紙病識別BP神經網絡模型進行學習訓練，以之前的60組數據作為訓練樣本進行訓練。輸入層和輸出層均為4個神經元節點，隱含層神經元節點數在2～14之間，目標誤差平方和為0.001，最高訓練次數為1500，設置不同的隱含層神經元節點數達到訓練精度時所需要的訓練次數如圖10所示。

圖10 設置不同隱含層神經元節點數所需要的訓練次數

因此，隱含層神經元節點數為12時，所需的訓練次數最少，即BP神經網絡的收斂速度最快。訓練參數和訓練結果圖分別如表1和圖11所示。

表1 BP神經網絡的訓練參數

3.3 分類器測試結果

BP神經網絡分類器測試用的樣本為通過掃描儀獲取的含有若干個孔洞、臟點和褶皺的20幅紙病圖像。根據網絡實際輸出和目標樣本對照，對測試樣本進行檢測，紙病識別結果如表2所示。由表2可知，所選用的特征量和設置的訓練參數是合理的。BP神經網絡分類器對臟點的識別率可達到100%，但對于孔洞和褶皺的識別率卻不能達到100%。主要原因是由于對于灰度階躍不是很明顯的褶皺，在圖像預處理階段容易造成欠檢測而丟失掉褶皺的信息，導致后續無法識別;其次是掃描儀獲取的圖像的清晰度不夠高。而對于孔洞的正確識別的關鍵是圖像預處理過程中可以得到連通的臟點的邊緣，這樣識別出的孔洞的數量減去臟點的數量才是真正孔洞的數量。但由于實際臟點的多樣性，會導致無法得到連通的臟點邊緣，從而造成對孔洞的識別存在誤差。

圖11 BP神經網絡的訓練誤差

表2 分類器識別結果

4 結論

4.1 采用的雙閾值分割和圖像合成相結合的預處理方法，將孔洞、臟點和褶皺的特征信息集合到一幅圖像中，再利用BP神經網絡，可以很好地識別出同時含有孔洞、臟點和褶皺的圖像中紙病的種類和數量，但識別率尚不能達到100%，主要是由于圖像預處理階段存在欠檢測。因此，還需進一步改進圖像的預處理算法，同時，嘗試采用清晰度更高的圖像獲取設備。

4.2 實驗結果表明，選取平均灰度、圓形度、長寬比和矩形度作為紙病的特征值，即作為BP神經網絡的輸入值，可以很好地對孔洞、臟點和褶皺進行分類。

4.3 由于本研究只討論了3種常見的紙病類型，對于其他種類的紙病還存在著局限性。因此，在紙病樣本的特征值選擇和算法方面還需進行進一步的研究和優化，以便對更多的紙病類型進行檢測。

［1］關建華.全幅紙病檢測技術及在造紙中的應用［J］.中國造紙，2002，21(6):32.

［2］徐 杰.基于機器視覺的紙病檢測方法研究與應用［D］.南京:南京林業大學，2008.

［3］陳文凱.基于機器視覺的紙病檢測算法研究與集成［D］.南京:南京林業大學，2009.

［4］吳 冰，秦志遠.自動確定圖像二值化最佳閾值的新方法［J］.測繪學院學報，2001，18(4):283.

［5］朱 虹.數字圖像處理基礎［M］.北京:科學出版社，2005.

［6］劉 禾.數字圖像處理及應用［M］.北京:中國電力出版社，2006.

［7］韓力群.人工神經網絡教程［M］.北京:科學出版社，2005.

［8］金成曉，俞婷婷.基于BP神經網絡的我國制造業產業安全預警研究［J］.北京工業大學學報:社會科學版，2010(1):8.

［9］范秋芳.基于BP神經網絡的中國石油安全預警研究［J］.運籌與管理，2007(10):91.

［10］Gallant Stephen I.Neural network learning and expert systems［M］.London:The MIT Press，1993.