基于像素系數和遺傳算法的圖像識別的研究

摘要 ?從遺傳算法優化神經網絡和零件圖像的相對邊緣像素系數作為零件特征的方法出發，提出了零件圖像識別的方法。首先，對零件圖像分別進行小波多尺度邊緣檢測，獲取零件圖像的相對邊緣像素系數作為特征樣本。然后，應用遺傳算法優化神網絡的連接權值，用特征樣本進行網絡訓練，獲取遺傳神經網絡并對零件圖像進行識別。實驗結果表明，文中提出的方法是有效的。

關鍵詞 ?小波變換 ?神經網絡 ?遺傳算法 ?圖像識別

Research of Part Image Recognition Based on Genetic Algorithm and Neural Network

1 ?引言

零件圖像特征可以是圖像中的零件輪廓曲線、紋理特征等，也可以是直方圖特征或者是頻譜等[1，2]。對于用邊緣來呈現原始特征的零件圖像，則可以利用圖像的相對邊緣像素系數作為零件圖像的特征[3]。傳算法有較強的宏觀搜索能力，具有簡單通用、魯棒性強和全局性并行處理的特點，適用于圖像處理和模式識別。本文將遺傳算法和神經網絡結合，用于零件圖像的識別，以提高零件圖像的識別率。

2 ?零件圖像的特征提取

2.1 ?圖像的小波邊緣檢測

2.3 ?邊緣圖像的特征提取

對于用邊緣來呈現原始特征的圖像，可以將邊緣的端點、分叉點等作為主要特征參數，本文是將圖像邊緣像素作為圖像特征。零件圖像經過小波邊緣檢測后，分為m×n個圖像矩陣，將圖像的邊緣像素和其余像素分別用1和0表示。統計各子矩陣中表示1的像素量與各子矩陣的像素和的比值作為相對像素系數，這樣得到相對像素系數矩陣[cij]m×n，即特征參數。將相對像素系數矩陣的各列，按自左到右，上下首尾相接的次序，組成行向量Ck，k=1，2，…，m×n，向量Ck為特征樣本。圖2是4×4的圖像矩陣，特征樣本Ck有16個特征參數。

3 ?遺傳算法

遺傳算法與神經網絡結合有幾種方法[5，6]，本文采用遺傳算法優化BP神經網絡各層之間的連接權值。

3.1 ?染色體編碼

3.2 ?選擇、交叉、變異

根據每個個體適應度值進行選擇、交叉和變異操作，構成下一代群體。再計算個體的適應度值，重復選擇、交叉和變異操作過程，直到訓練目標達到要求為止。

4 ?實驗

4.1 ?網絡模型

本文對3類零件進行圖像采集，每類零件在不同的光照度環境下分別采集3幅零件圖像，則每個圖像傳感器分別采集了3類零件共27幅圖像。27幅圖像經過小波邊緣檢測，分別處理成27組4×4相對像素系數矩陣，用于網絡訓練。網絡輸入層神經元數為16，輸出層神經元數為3，是零件類別數，隱層神經元數經過調試選擇18。

4.2 ?遺傳算法控制參數

個體數目選取24，選擇概率選取為0.06，交叉概率選取為0.5，變異概率選取為0.1，遺傳終止代數選取150。

4.3 ?仿真

本文用遺傳優化神經網絡和一個BP神經網絡對零件圖像分別進行識別，結果如表1所示，遺傳優化神經網絡的識別率高于BP神經網絡的識別率。遺傳優化神經網絡的訓練次數為76，BP神經網絡訓練為185次，在收斂方面，遺傳優化神經網絡要優于BP神經網絡，如圖3所示。

5 ?結論

本文利用遺傳算法優化BP神經網絡，提出基于遺傳神經網絡的圖像識別方法。實驗表明了將遺傳算法用于神經網絡的權值訓練，增強了神經網絡的全局搜索能力，提高了神經網絡的收斂速度和穩定性。因此，優化的神經網絡具有較高的零件圖像識別能力，有一定的實用性。

參考文獻

[1]邊肇祺，張學工等.模式識別[M].北京：清華大學出版社，2000

[2]程正興.小波分析算法與應用[M].西安：西安交通大學出版社，1998

[3]夏慶觀，盛黨紅，路紅等.零件圖像特征提取和識別的研究[J].中國機械工程，2005，16（23）

[4]Mallat S and Zhong S.Characterization of Signals from Multiscale Edges.IEEE Transactions on Pattern Analysis and Machine Intelligence，1992，14（7）：710-732

[5]王小平，曹立明.遺傳算法理論應用與軟件實現[M].西安：西安交通大學出版社，2002

[6]雷英杰，張善文，李續武等.MATLAB遺傳算法工具箱及應用[M].西安：西安電子科技大學出版社，2005

作者簡介：劉廈，出生年月：（1986-），性別：男，民族：漢，籍貫：江蘇南京，職務/職稱：技術總監，學歷：本科，單位：南京南戈特智能技術有限公司，研究方向：自動化、信息化、智能制造。