基于極限學習機的玻璃瓶口缺陷檢測方法研究

黎牧星　黃志鴻

摘要：針對目前玻璃空瓶回收再生產(chǎn)過程中造成瓶口缺陷破損的在線實時檢測難題，提出一種基于極限學習機（Extreme Learning Machine， ELM）的檢測算法。首先對采集的瓶口進行預(yù)處理，通過研究表面缺陷，提取灰度方差等6種表面特征。然后運用遺傳算法對極限學習機的輸入層層的閾值和權(quán)值進行優(yōu)化，提高算法的檢測精度。最后現(xiàn)場選取569個樣本對所設(shè)計ELM分類器進行訓練學習與測試，并與LVQ算法、BP分類器對比實驗。結(jié)果表明該算法能夠滿足對機器視覺檢測系統(tǒng)缺陷檢測高速高精度的要求。

關(guān)鍵詞：缺陷檢測；機器視覺；特征提取；極限學習機

中圖分類號：TP391.4文獻標識碼：A

Abstract：A novel defect detection method based on Extreme Learning Machine was proposed for beer bottle mouth， which tackles with the problem of beer online realtime defect detection in recycling and reproduction process. The proposed method consists of the following steps. First， the bottle mouth is preprocessed by researching on the characteristics of surface defect bottle mouth， which extracts six kinds of surface features such as gray scale variance. Then， to improve the detection accuracy， we optimize Extreme Learning Machine （ELM） input and output layers of threshold and weight by using genetic algorithm. Finally， 569 samples from experimental test platform are selected to design the ELM classifier， and experimental results are compared with LVQ algorithm and BP algorithm. Experimental results show that the proposed ELM based classifier is able to obtain much higher speed and higher detection accuracy， which can meet the requirements of the production enterprise for machine vision system.

Key words：defect detection； machine vision； feature extraction； extreme learning machine

1引言

質(zhì)檢行業(yè)面臨勞動力供給不足和勞動力成本上升的壓力，采用自動化視覺機器代替人工操作崗位，是解決制造業(yè)用工問題的最有效途徑。機器視覺檢測已在集成電路質(zhì)檢、醫(yī)藥灌裝、電力線路巡檢等方面取得廣泛的應(yīng)用[ 1-4]，采用機器視覺檢測代替人工檢測。

2圖像采集預(yù)處理

空瓶檢測機器人是基于機器視覺檢測、光機電一體化、圖像處理和軟件編程技術(shù)設(shè)計的智能化裝備，由多個CCD相機、專用LED光源、空瓶傳送系統(tǒng)、次瓶分揀裝置和檢測控制系統(tǒng)組成。圖1為啤酒瓶視覺檢測系統(tǒng)。

采用低角度環(huán)形LED光源的，所發(fā)出的光線照射在瓶口上，瓶口反射的光線進入相機[6，7]，相機從該光源的孔中對瓶口進行拍照來獲得瓶口的圖像。

受外界環(huán)境因素的干擾，采集的瓶口圖像存在噪聲需要對圖像進行預(yù)處理以突出瓶口表面特征[8]，同時抑制目標圖像中的噪聲。

對瓶口圓心進行準確、高速地定位。現(xiàn)場采集200個瓶口樣本。將200個瓶口樣本隨機分成4組，分別用四種瓶口定位檢測法進行測試。從最大圓檢測時間、最大定位誤差等兩個實驗參數(shù)進行比較。表1 為四種瓶口定位檢測結(jié)果比較。

通過實驗比較，多次隨機圓法在時間和精度上都優(yōu)于其他3種算法采用多次隨機圓檢測的瓶口定位方法，來實現(xiàn)對瓶口的精準定位。

瓶口缺陷面積、周長、填充度、圓形度、相對圓心距離、灰度方差等六特征。

3基于極限學習機的檢測算法設(shè)計

在獲得提取的瓶口圖像特征后，需要選擇合適的分類算法對瓶口質(zhì)量進行判決。已有多種傳統(tǒng)的分類算法運用在缺陷檢測中，例如LVQ分類器、BP算法、以及ELM神經(jīng)網(wǎng)絡(luò)。，選擇ELM。

3.1極限學習機

極限學習機算法是Huang[10]等人在2006年提出，它是在單隱含層神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上的一種改進算法，前饋神經(jīng)網(wǎng)絡(luò)存在訓練速度較慢、合適學習率選擇困難以及容易陷入局部極小點等問題。如圖4所示ELM神經(jīng)網(wǎng)絡(luò)。

3.2使用極限學習機進行分類

對于瓶口檢測而言，產(chǎn)品為兩類：一類為質(zhì)量合格的瓶口，另一類為含缺陷的瓶口。

極限學習機常用的激勵函數(shù)包括三角基函數(shù)、hardlim函數(shù)、正弦函數(shù)和Sigmoid函數(shù)、徑向基核函數(shù)（RBF）等5種。根據(jù)，最終選用徑向基核函數(shù)作為極限學習機的激勵函數(shù)：

K（X，Xi）=exp （-12σ2‖x-xi‖2）（2）

式中σ為調(diào)控參數(shù)，通過調(diào)控參數(shù)σ，RBF核函數(shù)在實際應(yīng)用上具有相當高的靈活性，也是使用最廣泛的激勵函數(shù)之一[11]。圖為五種激勵函數(shù)分類性能的比較。在確定參數(shù)σ時，提出使用遺傳算法來進行優(yōu)化選擇。遺傳算法的適應(yīng)函數(shù)為：

F=k1-C（3）

式中C為分類準確率，交叉驗證處理后得到。

確定核函數(shù)的參數(shù)后，使用訓練樣本對進行訓練。提取到特征值輸入到極限學習機前，將數(shù)據(jù)進行歸一化處理到[0，1]區(qū)間內(nèi)。

基于遺傳算法的極限學習機的分類方法，其RBF核函數(shù)的參數(shù)用遺傳算法進行優(yōu)化后選擇，對瓶口的參數(shù)選擇取0.51。

4實驗與分析

現(xiàn)場采集569個瓶口樣本用于實驗其中400個樣本用于ELM神經(jīng)網(wǎng)絡(luò)的訓練，即有400組特征向量；另外169個樣本用于分類器測試，，作極限學習機算法的輸入向量。

計算訓練集每張瓶口樣本圖像所對應(yīng)的灰度方差等六個特征向量，并將提取出來的400組特征向量逐一添加到ELM分類器中進行分類訓練，訓練終止誤差設(shè)置為 0.001。ELM分類器訓練結(jié)束后，再將剩余169個樣本添加到ELM分類器進行分類測試，部分檢測結(jié)果見圖。

從表2可看出，ELM分類器識別率可以達到99.41%，比BP神經(jīng)網(wǎng)絡(luò)和LVQ神經(jīng)網(wǎng)絡(luò)的正確率有較大提高，同時訓練神經(jīng)網(wǎng)絡(luò)也比其他兩種算法，說明使用極限學習機用于，能夠滿足生產(chǎn)過程中高速高精度的要求。

5結(jié)論

首先對瓶口進行預(yù)處理，提取圖像灰度方差等六種特征。通過比較幾種激勵函數(shù)的分類性能，選擇RBF徑向基函數(shù)作為ELM算法的激勵函數(shù)，并通過遺傳算法計算出參數(shù)σ。現(xiàn)場采集的569份瓶口樣本，對所設(shè)計的ELM網(wǎng)絡(luò)進行訓練和測試，實驗結(jié)果表明所設(shè)計的極限學習機的分類性較傳統(tǒng)的BP、LVQ神經(jīng)網(wǎng)絡(luò)有很大的提高。基于遺傳算法的極限學習機對啤酒瓶口質(zhì)量檢測的準確性較高，同時具有推廣性能隨著研究，一些學者提出許多改進的方法，如在線學習ELM[11]、進化ELM[12]等，取得不錯的效果。從實際應(yīng)用而言，基于極限學習機的分類算法有的發(fā)展前景，值得進一步的研究。

參考文獻

[1]WU F，ZHANG X，KUAN Y，et al.An AOI algorithmfor PCB based on feature extraction[C].Intelligent Control and Automation， 2008. Wcica 2008. World Congress on. 2008：240-247.

[2]吳成中，王耀南.基于機器視覺的注射液中不溶異物檢測方法研究[J]. 儀器儀表學報，2015，07：1451-1461.

[3]WU C Z， WANG Y N. Based on Machine Vision injection should not matter detection [J]. Chinese Journal of Scientific Instrument， 2015，07： 1451-1461.

[4]MARTINEZ C，SAMPEDRO C，CHAUHAN A，et al.Towards autonomous detection and tracking of electric towers for aerial power line inspection[C] International Conference on Unmanned Aircraft Systems. 2014：284-295.

[5]WE YRICH M，WANG Y，SCHARF M. Quality assessment of row crop plants by using a machine vision system[J]. 2013， 20（11）：2466-2471.

[6]王耀南，陳鐵健.智能制造裝備視覺檢測控制方法綜述[J].控制理論與應(yīng)用，2015，03：273-286.

[7]LI Z，GENG Q X. An Image Preprocessing Algorithm of Weak and Small Target in Digital Video Interpretation System[C].International Conference on Electrical and Control Engineering. 2010：388-390.

[8]劉煥軍，王耀南，段峰.空瓶的智能檢測算法研究[J].湖南大學學報：自然科學版，2005，01：20-24.

[9]周顯恩，王耀南，李康軍，等.一種多次隨機圓檢測及擬合度評估的瓶口定位法[J].儀器儀表學報，2015，09：2021-2029.

[10]HUIFUANG， Ng. Automatic thresholding for detect detection[J]. Pattern Recognition Letters， 2006， （27）： 1644-1649

[11]HUANG G B，ZHU Q Y，SIEW C K. Extreme learning machine： Theory and applications[J]. Neurocomputing， 2006， 70（1-3）：489-501.

[12]HUANG G B，SIEW C K. Extreme Learning Machine with Randomly Assigned RBF Kernels[J].International Journal of Information Technology， 2005， 11（1）：16-24.