BP神經網絡在金剛石鋸片磨粒識別中的應用①

邢延動,李遠

(華僑大學脆性材料加工技術教育部工程研究中心,福建廈門361021)

BP神經網絡在金剛石鋸片磨粒識別中的應用①

邢延動,李遠

(華僑大學脆性材料加工技術教育部工程研究中心,福建廈門361021)

為了提高金剛石鋸片磨粒識別的效率和質量,將BP神經網絡算法應用于金剛石鋸片磨粒的識別。以三維形貌的高度、梯度、二階差分作為神經網絡的輸入,磨粒、結合劑作為神經網絡模式識別的二類輸出,應用處理過的形貌對網絡進行訓練,建立了磨粒識別的神經網絡模型。實現了對三維金剛石磨粒的自動識別,避免了人為判斷的主觀性。實例表明,該方法可以有效地識別磨粒,具有較好的推廣價值。

BP神經網絡;金剛石鋸片;三維形貌;磨粒

0 引 言

金剛石鋸片被廣泛應用于各種硬脆性材料,如石材、玻璃、陶瓷、半導體材料的磨削加工過程中。金剛石工具的應用大大提高了硬脆材料的加工效率,然而要同時保證效率與精密卻是非常困難的事情。鋸片刀頭上磨粒的分布、磨粒的幾何形狀、結合劑的形態等構成了刀頭的形貌。刀頭的形貌對鋸切的精度與效率有著很大的影響[1]。為此,對鋸片形貌做定量分析成為亟待解決的問題,從數字形貌中識別出金剛石磨粒成為了鋸片形貌定量分析的關鍵[2]。神經網絡技術的不斷發展,為金剛石磨粒自動化識別提供了新的方法和手段。

在磨粒的邊界識別方面,前人也做了不少工作。華僑大學的周麗君將canny梯度算子應用于砂輪磨粒識別中[3]。這種方法對于單顆磨粒且形貌起伏不大的砂輪形貌比較有效,但是本人研究的鋸片形貌存在明顯的溝槽起伏特點,所以并不適用。龔俊峰等人做了基于Snake模型的磨粒輪廓提取,天津大學的張秀芳等人做了基于閾值分割的磨粒輪廓識別[4-5],但是這些方法主要是針對二維圖像的,在三維形貌里面并不適用。本研究將神經網絡技術應用于鋸片三維形貌的磨粒識別,獲得了較理想的識別效果。

1 神經網絡系統

人工神經網絡(Artificial Neural Networks,簡寫為ANNs)或稱作連接模型(Connection Model),

它是一種模擬動物神經網絡行為特征,進行分布式并行信息處理的算法數學模型。這種網絡依靠系統的復雜程度,通過調整內部大量節點之間相互連接的關系,從而達到處理信息的目的[6]。

圖1為多層神經網絡模型,其中輸入節為Ii,輸出節點為Oi,隱藏節點為Hi,節點的作用函數為sigmoid函數。

圖1 多層神經網絡模型Fig.1 Multilayer neural network model

網絡的學習規則:對已給定的輸入,比較其實際輸出和希望輸出,得到誤差量,以此控制權值連接強度的調整,經多次訓練后收斂到一個確定的權值。學習的目標是實現誤差量的最小化。將誤差函數定義為:

采用梯度下降法時,節點神經元加權量定義為: ΔW=ηδiOi。其中,ΔW為節點神經元加權量:δi為第i個節點的輸出誤差;η為學習效率,0＜η＜1。取值越大,網絡的學習效率越高。

2 形貌的模式分類及其特征量的選取

2.1 形貌分類

采用LSM700激光共聚焦顯微鏡掃描Φ400的金剛石鋸片,得到鋸片刀頭的數字形貌。形貌重構后如圖2所示。在基于神經網絡的模式識別中,首先要確定模式類別。金剛石砂輪表面形貌由結合劑和磨粒組成,故砂輪形貌可以分為兩類。將結合劑磨粒設定為第一類,磨粒設定為第二類(表1)。

表1 模式識別分類表Table 1 Pattern recognition classification

圖2 形貌圖形Fig.2 Morphology image

圖2a、圖2b分別是形貌的平面圖、三維圖,在圖中可以看出磨粒區域的灰度、高度明顯異于周圍結合劑。

2.2 形貌特征量的選取

砂輪形貌中磨粒區別于結合劑的主要特征是磨粒突出于周圍結合劑。能體現這一特征的特征量有高度值、梯度、二階差分等[7]。所以把這三個量設定為磨粒識別的特征量。

將高度矩陣f做梯度運算,計算公式如下。梯度矩陣Gf:

其中:

Δmf=f(m,n)-f(m+1,n) Δnf=f(m,n)-f(m,n-1)

將高度矩陣f做二階差分運算,計算公式如下。

二階差分矩陣?2f:

所用的二階差分算子:

其中m是矩陣的行標,n是矩陣的列標。

經過上述的運算,可以得到形貌的梯度矩陣和二階差分矩陣。形貌的特征向量就是[f;Gf;?2f]。

3 BP神經網絡的建立及訓練過程

3.1 網絡的建立

BP(Back Propagation)網絡1986年由Rumelhart和McCelland為首的科學家小組提出,是一種按誤差反向傳播算法訓練的多層前饋網絡,是目前應用最廣泛的神經網絡模型之一[8]。BP網絡能學習和存貯大量的輸入-輸出模式映射關系,而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法,通過誤差反向傳播來不斷調整網絡的權值和閾值,使網絡的誤差平方和最小。BP神經網絡模型拓撲結構包括輸入層(Input Layer)、隱層(Hide Layer)和輸出層(Output Layer)[9]。

在所要建立的網絡中,輸入是3維的形貌特征量,所以輸入層是3個神經元。根據數據的復雜程度,選取1層隱層,神經元選取20個。輸出層是根據模式類別的數量選取的,取2個神經元。BP神經網絡的結構如圖3所示。隱層節點的作用函數選用log-sigmoid,表達式是f(x)=1/(1+e-x)。

圖3 BP神經網絡結構Fig.3 BP neural network structure

3.2 訓練樣本的獲取

華僑大學的胡捷等人,將聚類分析的方法應于砂輪形貌的單顆金剛石磨粒識別中,該方法能較好地識別出形貌中的磨粒邊界[10]。但是該方法數據運算量較大、內存容易溢出,因此不適用于較大面積的多顆粒識別。神經網絡采用分布式處理的方式,具有較強的魯棒性、非線性映射能力,有效地避免了內存溢出。筆者用聚類分析的方法獲取較大面積的網絡訓練樣本。為了避免上述缺點,采用了分區域聚類,即只在有磨粒的區域對每顆磨粒分別聚類。圖4、圖5即得到的訓練樣本。但是因為分區聚類要有人為干預才能進,所以自動化程度低,效率低。神經網絡有強大的自學習能力,自動化程度高,因此具有較好推廣價值。

3.3 網絡的訓練

將已經處理好的形貌數據(圖4、圖5所示),用于網絡的訓練。圖4是一個1200*742的高度矩陣f的形貌,經過計算可以得到其梯度矩陣Gf和二階差分矩陣?2f。網絡訓練的輸入向量是[f;Gf;?2f]。圖5是磨粒分布的二值圖像,是網絡的期望輸出。網絡的期望輸出向量是[1;0]和[0;1],分別代表結合劑和磨粒。在訓練過程中,70%的數據用于做網絡訓練,用于根據誤差大小調整權值。15%的數據用于網絡驗證,訓練過程中測試網絡的泛化能力,當泛化能力不再提高時,就會終止訓練。15%的數據用于網絡測試,測試過程是獨立于訓練過程的,在訓練過程中,會測試網絡的性能。訓練的方法選用的是Scaled共軛梯度算法。Scaled共軛梯度算法收斂所需的迭代次數一般比其他共軛梯度算法要多,但是每一次迭代所需要的計算量卻大大減少了,因為在這種算法中,不需要計算搜索方向。

圖4 形貌圖像Fig.4 Morphology image

圖5 磨粒位置圖像Fig.5 Abrasive position image

表2是訓練的結果,結合劑的正確率是指識別正確的結合劑的數據量占結合劑數據量的百分比。磨粒的正確率概念也是一樣的。綜合的正確率是指識別正確的結合劑、磨粒的數據量之和占總體數據的百分比。可以看到網絡對任意一組的識別效果,識別的正確率均高于99%,總體數據的綜合正確率達到98%以上。由此可知網絡的分類效果良好。

表2 訓練結果Table 2 The training results

4 網絡的仿真

將訓練好的網絡,用于形貌數據的處理。圖6中a1、b1、c1、d1是已經獲得的形貌數據圖,經過網絡的處理,分別得到a2、b2、c2、d2磨粒分布二值圖像。

圖6 仿真結果Fig.6 The simulation results

由形貌處理結果可以看出,神經網絡在金剛石鋸片刀頭磨粒識別中效果是良好的。基于BP神經網絡的形貌分類器具有較強的泛化能力。

5 結論

(1)應用高度、梯度、二階差分作為形貌磨粒識別的特征量是可行的。

(2)將BP神經網絡應用于金剛石鋸片磨粒識別中,該方法具有較好的泛化能力,能大大提高形貌分析的效率和質量。

[1] 呂長飛,李郝林.外圓磨削砂輪形貌仿真與工件表面粗糙度預測[J].中國機械工程,2012,23(6):666-670.

[2] 霍鳳偉,金沫吉,康仁科,等.細粒度金剛石砂輪表面磨粒識別研究[J].大連理工大學學報,2007,47(3):538-361.

[3] 周麗君.基于垂直掃描白光干涉測量法的砂輪磨粒測量及評定[D].廈門:華僑大學,2013.

[4] 龔俊峰,徐西鵬.計算機視覺檢測砂輪形貌的基礎研究[D].廈門:華僑大學,2007.

[5] 張秀芳,于愛兵,賈大為.應用數字圖像識別法檢測金剛石磨粒的形狀與粒度[J].金剛石與磨料磨具工程,2007,1:47-49.

[6] 朱凱,王正林.精通MATLAB神經網絡[M].北京:電子工業出版社,2010:45-46.

[7] 張認成,杜建華,楊建紅.火災早期過程特征提取與火災源識別方法[J].安全與環境學報,2010,10(2):152-155.

[8] 胡春海,苑茂存.神經網絡在磨損顆粒自動識別中的應用[J].機械工程與自動化,2005,3:56-57.

[9] 顧大強,汪久根.磨損磨粒識別的神經網絡模型探討[J].機械科學與技術,1995(增):32-34.

[10] 胡捷.白光垂直掃描干涉系統數據處理及其在砂輪形貌測量中的應用[D].廈門:華僑大學,2012.

Application of BP neural network to recognize the diamond saw blade abrasive grain

XING Yan-dong,LI Yuan
(Engineering Research Center for Brittle Materials Machining,Huaqiao University,Xiamen 361021,China)

In order to improve the efficiency and quality of diamond saw blade abrasive grain of recognition,BP neural network algorithm was applied to the recognition of diamond saw blade abrasive grain.Abrasive grain identification of neural network model is established through neural network input with the height,gradient and the second order difference of 3D morphology,second neural network output with abrasive grain and bonding agent,and training neural network with processed morphology.Thereby,it achieves automatic identification of the 3D diamond abrasive grain,avoids subjectivity of human judgment.Examples show that the method can efficiently identify the abrasive grain, which owns a good promotion ability.

BP neural network;diamond saw blade;3D morphology;abrasive grain

TG580;TQ164

A

1673-1433(2014)01-0001-04

2014-02-10

邢延動(1987- ),男,華僑大學機電學院研究生,主要研究方向為脆性材料加工,E-mail:626189608@qq.com;

國家科技支撐計劃(2012BAF13B04)、國家自然科學基金(51175194,51105148)、新世紀優秀人才支持計劃(NCET-11-0852)