基于MLP 深度學習的紗網缺陷檢測方法

賀子芙，劉春鵬，李亞萍

（河南機電職業學院，河南鄭州 451191）

0 引言

隨著紗網工業的高速發展，紗網產品的質量越來越高。為了能夠滿足紗網缺陷檢測的準確度和靈敏度，對于紗網缺陷檢測設備的精度和功能的要求也越來越高[1-3]。

紗網的檢測方式以紅外光譜技術和傳統圖像識別技術為主，由于光的色散，紅外光譜檢測在靈敏度上受到限制[4-5]。傳統圖像識別運用了紋理模型法，無法有效降低計算的復雜度和提高檢測的準確度[6-9]。隨著人工智能在各個行業的廣泛應用，相繼出現多種智能化檢測方式，智能機器視覺檢測成為未來缺陷檢測方式的發展趨勢。

在使用機器視覺檢測過程中，本文提出了一種基于MLP（Multiple Perceptron）深度學習的紗網缺陷檢測方法，該檢測系統在檢測缺陷時將比對與訓練學習到的紗網特征，并標注出被檢測紗網所含有的缺陷，檢測信號輸送到下位機，以便設備能夠精確處理有缺陷的紗網。經仿真實驗可知，在紗網產品的缺陷檢測等過程中，該方法能夠提高紗網產品檢測靈敏度和準確度。在實際應用中，該方法具有完善行業自動化的程度、縮短紗網缺陷檢測時間、降低人工成本、提高生產效率等優勢。

1 紗網缺陷檢測整體設計

基于MLP 深度學習的紗網缺陷檢測，主要分為圖像采集、圖像算法、人機交互3 個部分（圖1）。

圖1 設計流程

圖像采集系統一般由鏡頭、光源、相機組成。在固定光源條件下，數碼相機進行圖像采集，并將其轉換為圖像信號，通過采集卡將信號傳輸到處理模塊。為了便于深度學習的比較，圖像的像素和每個圖像的亮度必須相同，且應使用相同像素及固定相機與被檢測物的物相距。

本文提出的基于MLP 深度學習的紗網缺陷檢測，需要高質量圖像和高靈敏度：①在圖像采集時經分析對比，選用分辨率為500 萬像素、傳感器為全幀轉移的DH-SV1411FC/FM 大恒數字CCD 工業相機，同時加入閃光燈用來解決彌散現象的缺點；②對SV-5014H、SV-03514、HF35HA-1B 三種鏡頭進行多次拍攝試驗后，經過清晰度對比，確定選用SV-5014H 的50 mm 的定焦鏡頭；③經多次試驗，光源采用環形白色LED 光，光源打光方式選擇為垂直照射環形光源時效果最佳。

2 紗網缺陷檢測算法分析

本文的紗網特征學習，通過像素值來判定明亮與黑暗，將提取的特征圖中亮色部分置暗，暗色部分置亮，去掉檢測區域內的邊緣部分，通過圖像中的像素值區分出的明亮與黑暗，可以準確區分出紗網明亮紋路與暗色背景。

MLP 分類是人工神經網絡的典型結構，它比其他人工神經網絡具有結構簡單、識別率高和分類速度快的特點。相比于單層的網絡，由單獨的輸出單元變為多個輸出單元，在輸入與輸出單元之間增加n（n≥2）個隱藏層單元，通過多個簡單的非線性函數的疊加，使多層網絡近似非線性函數。

MLP 用于分類，每個輸出對應不同的類別，當類別多時輸出層以Softmax 函數作為激勵函數。建立MLP 分類器時，隱藏層數會影響分類的結果，因此需要仔細調整隱藏層的單元數。如圖2 所示，隱藏層單元數過小時會形成一個不太復雜的分離超平面，導致出現欠擬合；隱藏層單元數過大時可能會出現過度擬合情況，使分類器失去泛化能力。

圖2 隱藏層單元數曲線

MLP 分類需要調整參數，合適的參數才能提高分類結果的準確性。經過多次試驗，MLP 學習訓練參數的設定為5 維特征向量、8層神經元隱藏層，輸出設定為兩類，使用主成分分析，特征向量所在的組件數為3，隨機數初始化種子為42，使用的激勵函數

使用MLP 多層感知器進行分類時，需要調整網絡權值。利用完整的紗網圖像對MLP 網絡進行訓練，形成一個處理單元，將新的數據輸入到輸入層，由訓練后的MLP 網絡形成的處理單元進行處理，然后將輸出結果與預期結果進行對比。如果不匹配，則繼續調整網絡權重，網絡權重計算結果比經典反向傳播算法得到的結果要更加精確完整。圖3 為待學習紗網圖和經過基于MLP 紗網深度學習算法對紗網進行特征學習后，區分出的紗網明亮紋路與暗色背景。

圖3 待學習紗網圖和MLP 算法紗網特征

3 紗網形狀模板匹配

與其他模板匹配方法相比，灰度值的模板匹配是最為基礎的一類匹配算法。本文基于形狀的模板匹配采用灰度值模板匹配，不僅能夠解決因外界環境因素導致的匹配精度降低的問題，而且其檢測過程的計算量也低于相關性的模板匹配（圖4）。

圖4 形狀模板匹配流程

創建形狀模板需要先定義圖像中的模板區域點集Pi=（ri，ci）T，每個像素點所關聯方向向量di=（ti，ui）T，其中i=1，…，n。對被檢測圖像上每個點進行模板匹配，需要計算像素點的方向向量e（r，c）=（v（r，c），wr，c）。在模板匹配過程中，利用仿射變換矩陣M 對模板進行仿射變換，之后模板區域的點集PMi=Mpi，在被檢測的圖像特點處計算所有與該點對應的方向向量與被檢測的圖像中對應的點處方向向量的積，和作為交換后的模板在q 處的相似度量S，S=

4 紗網檢測仿真

為驗證該紗網缺陷檢測方法的正確性和有效性，在Halcon視覺軟件中篩選實驗所需的深度學習算子，設計并完成紗網缺陷檢測的算法設計，利用紗網檢測程序進行缺陷檢測。

該方法在訓練檢測時，能夠去除其他不需要區域的影響，逐漸取得最終理想的檢測圖。檢測仿真過程運用離線檢測，即對生產線生產過程中指定間隔時間拍攝待檢測紗網圖片進行每一段紗網表面的缺陷檢測。圖5 為紗網待檢測圖，圖6 為MLP 算法對紗網缺陷檢測圖。

圖5 紗網待檢測圖

圖6 MLP 算法缺陷檢測圖

根據MLP 算法進行的紗網缺陷檢測效果可以看出，紗網含有的缺陷被精確地覆蓋，去除噪聲情況較好，能夠去除其他所不需要區域的影響，逐漸取得最終理想的檢測圖，基本上沒有區域的誤判，在準確性和靈敏性方面有很好的表現。通過仿真檢測數據分析可知，檢測正確率在98%以上，能夠滿足生產效率的要求；每個算子的平均處理時間為375 ms，小于紅外光譜檢測技術和傳統圖像識別檢測技術所消耗的時間。如果不考慮其他外界因素影響，其每小時能夠檢測近萬張紗網圖片。

5 結束語

本文提出的基于MLP 深度學習的紗網缺陷檢測方法，運用了機器視覺的深度學習，在準確性上有較大優勢。經仿真實驗驗證，該檢測方法可應用于實際的紗網檢測系統，具有一定的工程價值。但該方法在實驗仿真時，主要針對于紗網中的破損和斷網問題，未涉及紗網中網格尺寸是否合格，因此該缺陷檢測方法還有提升空間。