基于PCNN和FCM的鋼帶表面缺陷檢測

亢伉

(寶雞文理學院 陜西 寶雞 721016)

基于PCNN和FCM的鋼帶表面缺陷檢測

亢伉

(寶雞文理學院 陜西 寶雞 721016)

針對目前還沒有較好的方法正確的檢測金屬鋼帶表面缺陷,提出一種結合耦合神經網絡(PCNN)和模糊C-均值(FCM)的鋼帶表面缺陷檢測算法,首先通過有效性指數求得聚類中心,其次用PCNN最短路徑法確定目標函數極小值,最后通過改進的FCM分割目標。通過對比實驗表明,該算法能夠快速的分割出缺陷目標,正確率在95﹪以上。

缺陷檢測；最短路徑；耦合神經網絡；模糊聚類

金屬鋼帶廣泛的應用于機械制造、汽車、造船、航空航天等領域,是其重要的原材料。由于金屬鋼帶的生產環節及環境相當復雜,會產生夾雜、氧化鐵皮壓入、斑跡、輥印、擦傷等表面缺陷,如不及時發現處理,會對最終產品的外觀、性能造成不良影響,甚至造成產品降級或者報廢,因此,鋼帶表面的缺陷檢測具有重要的意義和經濟價值。

傳統的鋼帶表面缺陷檢測依靠大型自動化設備完成,這種設備不但價格昂貴而且誤檢率高,對于安裝環境有較高要求。近年來,隨著計算機的飛速發展,機器視覺的方法得到了廣泛的應用,國內外的學者提出了一些基于圖像的鋼帶表面監測算法。電子科技大學的羅新斌等人［1］提出一種基于統計學習背景模型的檢測算法,這種方法需要人工設置閾值,自適應能力差；武漢科技大學的梁文豪［2］提出一種BP的神經網絡算法,這種算法需要提前進行大量模型訓練；華中科技大學的譚紹華［3］提出一種基于Sobel和PHOT的檢測算法,這種算法對于噪聲的抑制較差；Kumar［4］提出一種小波分解鋼帶圖像的算法；Borselii［5］提出一種神經網絡的算法,但是上述算法都停留在理論研究階段。

根據鋼帶表面的缺陷特征,提出一種快速的缺陷檢測算法。通過有效性指數求得聚類中心,再用PCNN最短路徑法確定目標函數極小值矩陣,最后代入改進的FCM算法分割目標。實驗結果表面,本文提出的算法檢測缺陷精確,運算速度快。

1 改進的PCNN最短路徑算法

1.1 經典PCNN模型

上世紀九十年代,Eckhorn,Johnson等人提出了一種第三代人工智能神經網絡-耦合脈沖神經網絡 （Pulse Coupled Neural Network，PCNN）。PCNN通過神經元相互之間的脈沖觸發耦合,使其具有不需要提前進行模型訓練的優點［6］。

PCNN神經元的基本結構如圖1所示,由3個部分組成:接收域、調制域和脈沖產生域。接收域有兩條通道,分別是接受來自上一級神經元脈沖Lij的L通道和接受外部固定輸入Ij的F通道,L通道和F通道的信號變化分別如公式（1）、（2）所示。其中,當接收到上一級脈沖信號時,L通道為1,否則為0。

在調制部分,調制結果Uij由連接輸入Lij和反饋輸入Fij兩部分調制得到,如公式（3）所示,其中,β為連接系數。

在脈沖產生部分,通過比較調制結果Uij與神經元的動態門限θij來判斷是否發射脈沖信號。θij由公式（3）決定,神經元的輸出Yij是一個階躍函數,當調制結果Uij大于動態門限θij時點火,輸出1,否則輸出0。整個過程稱之為神經元的一次脈沖,如公式（4）所示。

圖1 PCNN神經元模型Fig.1 Model of PCNN nerve cell

利用PCNN尋求最短路徑的原理可以大致描述為:路徑圖中每一個節點分別對應該一個神經元,各神經元是一種級聯關系,即神經元與它的前一級神經元相連。首先點火起始神經元,同時其他神經元均不點火；然后所有可能路徑上的神經元被紛紛點火,且每個神經元只點火一次；最后,直到終點神經元點火后停止尋找,此時就得到了最短路徑。

1.2 改進的PCNN最短路徑算法

由于經典PCNN算法參數較多,計算復雜,迭代點火速度較慢,不利于鋼帶表面的快速檢測。提出一個快速尋找最短路徑的PCNN算法。

連接系數β反映的是此神經元的特征與其鄰域像素的相關性,相關性越大,越容易點火。因此,連接系數β應該與神經元的相關程度有關,提出一種自適應的確定連接系數β的方法。

神經元之間的點火時延可以稱之為神經元之間的距離d,兩者距離越近,則點火越早,相關性越大。因此,神經元之間的距離d與其連接系數β相關,這些相關的神經元就比其他輸入神經元更容易被捕獲點火,反之亦然。連接系數β的確定公式為

其中,下標i，j表示數字圖像中的某個像素,f為圖像的灰度值。

所有神經元按照公式（5）進行點火,某一條路徑上門限θij由上級神經元和上級輸出共同決定,當該路徑上門限增大到一個非常大的值時,該路徑不會被再次點火。因為每一條路徑兩兩神經元距離d不同,所以每一條路徑的點火時間肯定不會完全相同,根據圖倫的最短路徑理論,最先始終點神經元點火的路徑就是最短路徑。

2 改進的FCM圖像分割

2.1 經典FCM算法

模糊C均值聚類（FCM）是最經典、應用最廣泛的模糊聚類圖像分割算法。通過對最小化目標函數過程實現數據集的模糊劃分,判斷準則是最小類內平方誤差［7］。

首先提取圖像所有像素特征值并構成數據集Data=｛X1，X2，…，XN｝,并且依據目標函數最小化原則將圖像像素分為K類,目標最小化函數J（U，C）表達式為

其中,V=｛v0，v1，…，vK-1｝為聚類中心矢量的集合,m為隸屬度函數指數m∈［2，∞］,為模糊聚類矩陣,用來定義像素點對聚類中心的隸屬度,表示像素點xj到第i類的距離,表達式為dij=‖xj-ci‖,表示為歐幾里得距離。

為求得目標函數極小值min｛J（U，C）｝,FCM聚類算法如下:

1）設置聚類數目K（2≤K≤N）與隸屬度函數m,初始化模糊聚類矩陣U（n）的初始值。

2）計算C（n）:

其中,j∈［1，K］。

3）由U（n）,C（n）和

計算出U（n+1）.

4）設置迭代終止閾值α,計算‖U（n+1）-U（n）‖的值,若其大于閾值α,則繼續重復上述步驟,否則迭代停止。

對于任意個像素,選擇其模糊聚類矩陣中的最大值并將其標記為k類,對于圖像中所有像素進行這一操作,完成對圖像的分割。

2.2 改進FCM分割算法

雖然FCM算法已經成功的應用于各種類型的圖像分割領域,但是這種算法容易陷入局部最優,分割的正確與否與初始點的選擇有很大關系,并且計算量巨大。針對以上問題,提出一種根據PCNN最短路徑的FCM算法,快速準確的完成鋼帶裂紋分割。

在圖像中,兩點之間的相連關系不僅可以通過像素的灰度值得以體現,而且還可以通過像素之間的最短距離確定。在鋼帶表面缺陷圖像中,缺陷可能存在不同區域,像素的8鄰域不能夠很好地體現這種相關性,設置一個M×M的鄰域,定義公式（9）的邊權,更好地反映鄰域像素之間的時間復雜度和相互影響度。通過1.2節改進的PCNN算法計算中心點與所劃分的鄰域個點的最短距離,用以表達它們之間的相關性。

其中,f表示像素灰度值,β表示分屬兩個不同類的閾值,‖·‖表示兩像素的歐氏距離。

經典FCM算法需要在計算之初給定初始聚類中心,并且初始聚類中心的選取對于分割效果影響很大,針對人工設置聚類中心自適應能力差的問題,采用有效性指數的方法自適應確定。雖然在鋼帶表面缺陷圖像中,缺陷區域和背景灰度差別較小,但是一定存在一個邊界點,此邊界點的特征和區域內像素的特征具有較強的相關性,為了加強區分度,可以通過圖像的顯著性對圖像進行預分割,其目的是提高不同區域的區分度,降低同一區域內像素點的差別。因此,圖像的初始聚類中心可以通過圖像不同區域邊界的灰度值分布來估計,如公式（10）所示:

其中,e（m，n）表示圖像像素f的局部特征,g（·）是其局部特征函數。

2.3 本文算法流程

以下是基于PCNN最短路徑FCM的鋼帶表面缺陷分割步驟,流程圖如圖2所示。

圖2 本文算法流程圖Fig.2 Flow chart the algorithm

1）初始化相關閾值,通過有效性指數h（i）自適應求得初始聚類中心；

2）通過計算得到的U（n）,U（n+1）矩陣,通過PCNN最短路徑算法快速確定目標函數極小值min｛J（U，C）｝；

3）通過目標函數極小值對鋼帶表面缺陷圖像進行缺陷目標分割。

3 實驗與結果分析

為了驗證本文算法的有效性,在配置為:2.5 GHz四核CPU,4 GB內存,系統為Windows 7旗艦版,軟件環境為Matlab 2010b的測試平臺上編程通過,分別與經典FCM算法、文獻［8］的算法進行比較。試驗中,所采用的圖像大小均為256×256的灰度圖像。上述算法處理結果如圖3所示。

圖3 不同算法分割比較Fig.3 Segmentation for images by different algorithms

為了進一步驗證本文算法的優越性,選取100張夾雜缺陷圖片、100張異物壓入缺陷、100張擦劃傷缺陷圖片,分別進行橫向對比測試,實驗結果如表1所示。

表1 三種分割算法對比評估Tab.1 Assessment of algorithms

可以看出,本文算法對各類缺陷都能保持較高的識別率,對于未能100﹪識別,主要原因在于有些缺陷過于輕微或鋼板上粘有雜質,造成了誤判。經典FCM算法對于本文中的圖像適應能力較差,容易將噪聲和缺陷目標分割在一起,文獻［8］的算法雖然能夠較好的分割缺陷目標,但是運算時間長,不能夠滿足實時在線監測的需要。

4 結論

由于鋼帶表面缺陷復雜多變,傳統目標分割算法難以滿足需要,因此本文提出一種基于PCNN最短路徑的FCM快速鋼帶表面缺陷算法,該算法通過有效性指數自適應求得FCM初始聚類中心,然后通過改進的PCNNN最短路徑算法快速比較確定FCM目標函數極小值,最后通過得到的目標函數極小值矩陣,分割出缺陷目標。

實驗結果表面,本文算法的適應性和正確率都較高。如何在光照變換復雜的情況下正確分割缺陷目標,是本文下一步研究方向。

［1］羅新斌，康戈文.基于統計學習背景模型的鋼帶表面缺陷分割［J］.儀器儀表用戶，2007，14（5）:106-107.LUO Xin-bin，KANG Ge-wen.Surface defects inspection of metal strips based on Statistical learning background model［J］.Electronic Instrumentation Customer.2007，14（5）:106-107.

［2］梁文豪.基于機器視覺的帶鋼表面缺陷識別研究［D］.武漢:武漢科技大學，2010.

［3］譚紹華.基于機器視覺的帶鋼表面缺陷檢測系統研究［D］.武漢:華中科技大學.2012.

［4］Kumar A，Pang G.Identification of surface defects in textured materials using wavelet packets［C］.Conference Record-IAS Annual Meeting，2001（1）:247-251.

［5］Borselli A，Colla V.Surface defects classification in steel products:A comparison between different artificial intelligence-based approaches［C］.Proceedings of the 11th IASTED International Conference on Artificial Intelligence and Applications，2011:129-14.

［6］鄭皓天，顧曉東.基于帶寬剩余率的脈沖耦合神經網絡最短路徑算法［J］.系統工程與電子技術，2013，35（4）:859-863.ZHENG Hao-tian，GU Xiao-dong.PCNN shortest path algorithm based on bandwidth remaining rate［J］.Systems Engineering and Electronics，2013，35（4）:859-863.

［7］Zhao Zaixin，Cheng Lizhi，Cheng Guangquan.Neighbourhood weighted fuzzy c-means clustering algorithm for image segmentation［J］.Image Processing，2014，8（3）:150-161.

［8］徐少平，劉小平，李春泉，等.基于區域特征分析的快速FCM圖像分割改進算法 ［J］.模式識別與人工智能，2012，25（6）: 987-995.XU Shao-ping，LIU Xiao-chun，LI Chun-quan，et al.An improved fast FCM image segmentation algorithm bsed on regin feature analysis［J］.Pattern Recognition and Artificial Intelligence，2012，25（6）:987-995.

Surface defects inspection of metal strips based on PCNN and FCM

KANG Kang
（Baoji University of Arts and Sciences,Baoji 721016，China）

For there is no better way to detect the defects of metal strip accurately，it presents a new algorithm based on improved pulse coupled neural network（PCNN）and Fuzzy C-means（FCM）.Firstly it can be obtained a clustering center through the effectiveness index.Secondly，through the PCNN shortest path algorithm，the objective function minimum values was determined.Finally，it can be detected the defects of metal strips by improved FCM.By the comparison Experiments，it shows that this algorithm can rapidly detect the defects，the proposed method can increase segmentation accuracy rate to 95﹪.

defect inspection；the shortest path；pulse coupled neural network（PCNN）；fuzzy clustering

TN919.8

：A

：1674-6236（2015）18-0061-04

2015-02-02稿件編號：201502003

寶雞文理學院校級重點項目(ZK14087)

亢 伉（1987—）,男,陜西寶雞人,碩士,助教。研究方向:機器視覺、人工智能。