GA-BP模型在產(chǎn)品質(zhì)量狀態(tài)標(biāo)識管理中的應(yīng)用

楊道清，侯開虎，包 迪，曹如玥，姬思陽

（昆明理工大學(xué) 機電工程學(xué)院工業(yè)工程系，昆明 650500）

0 引言

在產(chǎn)品生產(chǎn)過程中，若不同質(zhì)量狀態(tài)的產(chǎn)品發(fā)生混淆，使“不合格”的產(chǎn)品投入到下一道工序的生產(chǎn)中，不僅僅造成工作量的加大，還會造成最終產(chǎn)品的質(zhì)量問題，嚴(yán)重時還會導(dǎo)致批量廢品。因此，如何避免產(chǎn)品質(zhì)量安全事故的發(fā)生，實現(xiàn)產(chǎn)品生產(chǎn)有序、高效地進行成為國內(nèi)外專家的研究熱點。

為了使產(chǎn)品質(zhì)量處于受控狀態(tài)，許多專家提出在產(chǎn)品生產(chǎn)、搬運過程中實現(xiàn)自動化，盡量減少人力操做，甚至取消人作業(yè)[1～3]。何楠等人則提出對生產(chǎn)現(xiàn)場進行標(biāo)識管理[4，5]，通過使用標(biāo)識牌、標(biāo)識符、標(biāo)簽以及語義符號等來區(qū)分識別不同的產(chǎn)品或區(qū)域[6～8]。但在以上提出的生產(chǎn)現(xiàn)場標(biāo)識管理中，標(biāo)識的識別仍由工作人員完成，不適合于產(chǎn)品質(zhì)量管理。因為產(chǎn)品的質(zhì)量檢驗狀態(tài)不是固定不變的，剛剛還是“待檢”狀態(tài)，一會又變?yōu)椤昂细瘛睜顟B(tài)，當(dāng)產(chǎn)品經(jīng)過下一道工序加工后又變?yōu)榱恕按龣z”狀態(tài)[4]。當(dāng)產(chǎn)品批量大時，很多員工都參與到產(chǎn)品標(biāo)識的分類識別，產(chǎn)品搬運和分區(qū)存放的工作中，因此，發(fā)生失誤的概率也就變大。

為了實現(xiàn)更精準(zhǔn)的標(biāo)識識別，劉成云等人基于感興趣區(qū)域和HOG-MBLBP特征對交通標(biāo)識進行檢測[9]，徐蔚等人就將雙BP神經(jīng)網(wǎng)絡(luò)用于標(biāo)識牌的識別中[10]。由此，本文針對4種不同的產(chǎn)品質(zhì)量狀態(tài)，設(shè)計了4種簡單易識別的產(chǎn)品質(zhì)量狀態(tài)標(biāo)識符，將GA-BP神經(jīng)網(wǎng)絡(luò)[11～14]與機器視覺AGV結(jié)合來實現(xiàn)對標(biāo)識符的分類識別[15]，AGV根據(jù)識別結(jié)果，對不同質(zhì)量狀態(tài)的產(chǎn)品進行搬運與分區(qū)存放，讓產(chǎn)品生產(chǎn)高效有序地進行，降低產(chǎn)品質(zhì)量事故發(fā)生的概率。

1 產(chǎn)品質(zhì)量檢驗狀態(tài)標(biāo)識符的設(shè)計

為了減少標(biāo)識符圖像處理過程中的運算量，加快識別速度，以滿足實時性需求，本文設(shè)計的標(biāo)識符以簡單易識別為標(biāo)準(zhǔn)。4種標(biāo)識符“待檢”、“合格”、“待處理”以及“不合格”，其具體設(shè)計圖分別如圖1所示。標(biāo)識符由簡單的圖形和字母組成，每個字母分別代表的含義如下。

圖1 產(chǎn)品質(zhì)量狀態(tài)標(biāo)識符設(shè)計圖

1）字母C代表“check”，即產(chǎn)品質(zhì)量狀態(tài)為待檢驗。

2）字母Y代表“yes”，即經(jīng)質(zhì)檢員檢驗以后，判斷為合格的產(chǎn)品。

3）字母P代表“pend”，即待處理，指產(chǎn)品并不是不合格，只是存在一定的瑕疵，需進行進一步的檢驗判斷，再決定去處。

4）字母N代表“no”，即不合格的產(chǎn)品。

2 基于GA-BP模型的產(chǎn)品質(zhì)量檢驗狀態(tài)標(biāo)識符的分類識別

人工神經(jīng)網(wǎng)絡(luò)在圖像分類識別中應(yīng)用廣泛，其中應(yīng)用最多的是BP神經(jīng)網(wǎng)絡(luò)，傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的參數(shù)是隨機產(chǎn)生的，因此魯棒性較差，模型訓(xùn)練過程容易陷入“局部最優(yōu)”。因此，本文采用基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)（GA-BP模型）對標(biāo)識符進行分類識別，相對于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)，GA-BP神經(jīng)網(wǎng)絡(luò)性能更優(yōu)。

2.1 BP神經(jīng)網(wǎng)絡(luò)的原理和結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)是一種信息前向傳播，誤差逆向傳播的監(jiān)督學(xué)習(xí)算法，由輸入層、隱含層、輸出層組成，其模型結(jié)構(gòu)如圖1.1所示。輸入層接收外界信號后經(jīng)過隱含層，最后到達(dá)輸出層，各層之間通過權(quán)重進行連接傳遞，即輸入信息是正向傳播的。從圖1中可以看出，在信息的傳播過程中，不同層神經(jīng)元之間是相互影響的。即每層神經(jīng)元的信息輸入與其所占有的比例都對下一層神經(jīng)元所獲得的信息總量產(chǎn)生影響。信息輸入量保持不變，改變其內(nèi)部的權(quán)重分配，都會改變下一層神經(jīng)元的輸入總量。BP神經(jīng)網(wǎng)絡(luò)的核心正是通過這一特性來進行逆向反饋。即得到輸出層與期望值的誤差，然后將誤差按照原來的網(wǎng)絡(luò)路徑反向傳遞回來，不斷地修正權(quán)重和閾值，減小輸出層輸出結(jié)果與期望值之間的誤差。

由圖2可知，BP神經(jīng)網(wǎng)絡(luò)的模型可以用如下公式表示，其中式(1)中ωij為輸入層到隱含層的各輸入變量的權(quán)重，f1為隱含層的激活函數(shù)。式(2)中為ωjh隱含層各變量到輸出層的權(quán)重，為輸出層的激活函數(shù)。式(3)和式(4)為權(quán)重調(diào)整公式，其中η∈(0，1)稱為學(xué)習(xí)率，為期望輸出值，學(xué)習(xí)器將根據(jù)錯誤的程度進行權(quán)重的多次調(diào)整。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

在BP神經(jīng)網(wǎng)絡(luò)中，輸出層是M-P神經(jīng)元，M-P神經(jīng)元模型將復(fù)雜的生物神經(jīng)元活動通過簡單的數(shù)學(xué)模型表達(dá)出來。在這個模型中，神經(jīng)元接收來自其他n個神經(jīng)元的帶有權(quán)重的輸入信號，然后將這些總輸入值與自身的閾值進行比較，最后通過“激活函數(shù)”的處理以產(chǎn)生神經(jīng)元的輸出。常用的“激活函數(shù)”有S型函數(shù)（Sigmoid）、雙極S型函數(shù)、線性函數(shù)等。M-P神經(jīng)元模型結(jié)構(gòu)如圖3所示。

圖3 M-P神經(jīng)元模型

圖中x1～xi為神經(jīng)元的輸入變量，ω1～ωi為連接權(quán)重，代表的是各輸入變量所占比重，θ表示該神經(jīng)元的閾值，當(dāng)神經(jīng)元接收到的總輸入值大于閾值時，神經(jīng)元才會被激活，即。

2.2 GA算法原理

遺傳算法（GA）的基本思想就是首先產(chǎn)生一個初始種群，然后根據(jù)設(shè)定的目標(biāo)函數(shù)得到種群中每個個體的的適應(yīng)度值，根據(jù)適應(yīng)度值的大小來進行選擇，被選中的個體進行復(fù)制、交叉、變異、產(chǎn)生新的適應(yīng)度更高的種群，這一過程將持續(xù)到輸出的種群中個體適應(yīng)度值最優(yōu)為止。

2.3 GA-BP算法流程

本文提出的遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)主要分為以下三個部分：

1）創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)，并用其進行分類訓(xùn)練；

2）用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值；

3）將新的權(quán)值和閾值賦予BP神經(jīng)網(wǎng)絡(luò)，得到GA-BP模型。其具體算法流程如圖3所示。

2.4 GA-BP神經(jīng)網(wǎng)絡(luò)算法的實現(xiàn)

1）創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)

在實驗過程中，首先要確定BP神經(jīng)網(wǎng)絡(luò)的具體結(jié)構(gòu)，本文所創(chuàng)建的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為81-45-4，為三層結(jié)構(gòu)，輸入層神經(jīng)元個數(shù)為81，隱含層神經(jīng)元個數(shù)為45，輸出層神經(jīng)元個數(shù)為4，由神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可得其初始權(quán)值和閾值的數(shù)目表1。

表1 權(quán)值和閾值數(shù)目

圖4 GA-BP神經(jīng)網(wǎng)絡(luò)流程圖

當(dāng)確定了BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)以后，開始創(chuàng)建網(wǎng)絡(luò)，對其進行參數(shù)設(shè)置，包括最大訓(xùn)練次數(shù)，學(xué)習(xí)速率，訓(xùn)練要求精度等，BP神經(jīng)網(wǎng)絡(luò)模型參數(shù)設(shè)置如表2所示。

表2 模型參數(shù)表

在信息傳遞過程中，當(dāng)輸入層各輸入變量與各變量權(quán)值乘積的總和大于隱含層各神經(jīng)元上的閾值時，才可以被激活函數(shù)處理以產(chǎn)生神經(jīng)元的輸出。本文中的BP神經(jīng)網(wǎng)絡(luò)算法將隱含層的激活函數(shù)設(shè)為tansig函數(shù)，其表達(dá)式如式(4)所示，而輸出層的激活函數(shù)設(shè)為purelin函數(shù)，其表達(dá)式如式(5)所示。

2）遺傳算法（GA）的優(yōu)化

當(dāng)創(chuàng)建好BP神經(jīng)網(wǎng)絡(luò)以后，對其進行優(yōu)化，優(yōu)化步驟如下：

Step1：確定編碼方式并進行編碼。本次優(yōu)化采用了實數(shù)編碼，編碼長度由BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及神經(jīng)層閾值和權(quán)值數(shù)目確定，由表3得到編碼長度為3874。其計算公式如式(6)，式中S為編碼長度，R為輸入神經(jīng)元個數(shù)，S1為隱層神經(jīng)元個數(shù)，S2為輸出神經(jīng)元個數(shù)。

Step2：隨機產(chǎn)生初始化種群。種群規(guī)模最好設(shè)置在40～100之間，對于本次優(yōu)化，通過多次仿真得到種群規(guī)模設(shè)置為50時，仿真結(jié)果最好，因此種群規(guī)模設(shè)置為50。

Step3：確定適應(yīng)度函數(shù)。在本文設(shè)置的適應(yīng)度函數(shù)中，首先求出真實標(biāo)記矩陣與模型輸出層的輸出矩陣之間的均方誤差，然后再對其求倒，得到的值作為個體的適應(yīng)度值。

Step4：進行選擇，交叉，變異操作。算出種群中個體適應(yīng)度值后，以個體適應(yīng)度值為依據(jù)，進行種群的選擇，選擇概率為0.05。然后在GAOT工具箱中分別調(diào)用arithXover交叉函數(shù)和nonUnifMutation變異函數(shù)，對選擇出來的種群進行交叉、變異，得到新的種群，如果新種群符合條件，則終止，不然又重新進行迭代優(yōu)化，直至滿足條件為止或達(dá)到最大迭代次數(shù)為止。本次算法優(yōu)化設(shè)置的最大迭代次數(shù)為100。

3 實驗仿真及結(jié)果分析

3.1 實驗環(huán)境

為了驗證模型的性能，進行仿真實驗驗證。此次仿真軟件環(huán)境為MATLAB2016a，操作系統(tǒng)為Windows8。

3.2 實驗數(shù)據(jù)集的獲取與處理

1）標(biāo)識符圖像的獲取

在本次實驗中所用到的標(biāo)識符數(shù)據(jù)集，均為手繪圖像，像素為50×50，總共有400張。

2）標(biāo)識符圖像的預(yù)處理

在對標(biāo)識符圖像的預(yù)處理過程中，本文首先對圖像進行反色處理，然后使用閾值變化法將灰度圖像轉(zhuǎn)換為二值圖像，通過查找圖像上所有像素點坐標(biāo)，截取包含完整標(biāo)識符的最小區(qū)域。最后將截取的包含完整標(biāo)識符的最小區(qū)域圖像轉(zhuǎn)成81維數(shù)據(jù)。

3）標(biāo)識符圖像數(shù)據(jù)集的劃分

本文采用留出法直接將圖像數(shù)據(jù)集D劃分為兩個互斥的集合，分別為訓(xùn)練集S，測試集T，訓(xùn)練集S與測試集T以8比2的比例劃分，即D=S∪T，S∩T=φ，S∶T=8∶2。

3.3 實驗流程

在本次實驗中首先進行標(biāo)識符圖片的獲取，然后對獲取的圖片進行預(yù)處理，轉(zhuǎn)化為數(shù)據(jù)矩陣。將處理所得的數(shù)據(jù)集劃分為訓(xùn)練集和測試集。訓(xùn)練集用于訓(xùn)練GA-BP模型，然后使用訓(xùn)練好的模型對測試集標(biāo)識符圖像進行分類識別，通過測試集來對創(chuàng)建的模型進行性能評估。其具體的實驗流程圖如圖5所示。

圖5 實驗流程圖

3.4 實驗過程與結(jié)果分析

1）遺傳算法（GA）優(yōu)化實驗

（1）種群中個體適應(yīng)度值是優(yōu)化過程中選擇操作的依據(jù)，本次優(yōu)化過程如圖6所示。

從圖6中可以看出，隨著遺傳代數(shù)的增加，每一代的平均適應(yīng)度函數(shù)值越接近于最優(yōu)個體，大約在60代左右，平均適應(yīng)度值等于種群中個體最優(yōu)適應(yīng)度值，即每個個體均達(dá)到最優(yōu)。且60代以后，隨著遺傳代數(shù)的增加，最佳適應(yīng)度值變化很小。從圖中可以看出，最優(yōu)種群的適應(yīng)度值大約為0.85，實際實驗輸出為0.8524。

圖6 種群適應(yīng)度函數(shù)值變化曲線

（2）遺傳算法優(yōu)化的目的是為了得到最佳權(quán)值和閾值，經(jīng)實驗仿真，得到了輸入層與隱含層之間的一個45×81連接權(quán)值矩陣，隱含層與輸出層之間4×45的連接權(quán)值矩陣以及45個隱含層閾值和4個輸出層閾值。然后將所獲得的最佳權(quán)值與閾值賦予BP神經(jīng)網(wǎng)絡(luò)，使用訓(xùn)練集進行網(wǎng)絡(luò)的訓(xùn)練，得到GA-BP模型。

2）實驗結(jié)果分析

（1）模型好壞是相對的，它不僅僅取決于算法和數(shù)據(jù)，還取決于任務(wù)需求。當(dāng)GA-BP神經(jīng)網(wǎng)絡(luò)用于分類任務(wù)，精度是最常用的性能度量，精度即分類正確樣本數(shù)占樣本總數(shù)的比例。通過實驗，得到GA—BP模型識別標(biāo)識符的混淆矩陣，如表3所示。

表3 GA-BP模型識別模式的混淆矩陣

由表3GA-BP模型識別模式的混淆矩陣可以得到，待檢驗標(biāo)識符、合格標(biāo)識符以及不合格標(biāo)識符的識別率均為95%，待處理標(biāo)識符的識別率為90%，平均識別率為93.75%。

（2）為了測試GA-BP模型的穩(wěn)定性，進行了多次實驗仿真，得到各個標(biāo)識符識別率的變化曲線如圖7所示。

從圖7可以看出，經(jīng)過多次實驗仿真，不同標(biāo)識符識別率曲線變化均比較平緩。平均識別率曲線也比較平緩，基本在92%上下波動，說明GA-BP模型具有較好的魯棒性，用于本文設(shè)計的產(chǎn)品質(zhì)量狀態(tài)標(biāo)識符的分類識別是可行的。

圖7 不同標(biāo)識符識別率變化曲線

4 結(jié)語

通過實驗仿真得到，GA-BP算法能夠?qū)Ρ疚脑O(shè)計的四種產(chǎn)品質(zhì)量狀態(tài)標(biāo)識符進行快速準(zhǔn)確地分類與識別。這表明將GA-BP算法應(yīng)用于AGV的圖像處理系統(tǒng)，使AGV對采集到的標(biāo)識符圖像進行分類識別，根據(jù)識別結(jié)果進行產(chǎn)品的搬運與分區(qū)是可行且可靠的，除此之外，能夠有效避免人工失誤，提高質(zhì)檢工作效率。