基于融合波動抑制的機械零件圖像智能分類算法設計

摘要：為提升圖像分類效果，提出雙目加權模型融合波動抑制的機械零件圖像分類算法。對圖像進行小波分解，獲取高頻分量，重構處理后的分量得到去噪圖像。將去噪后的圖像分解為拉普拉斯金字塔序列，通過平均梯度和區域能量融合系數融合圖像，引入雙目加權模型完成圖像重構抑制融合系數波動。采用CNN提取圖像特征，使用濾波器訓練特征，引入集成學習策略獲取分類標簽，實現圖像分類。實驗結果表明：所提算法的融合系數波動較小，圖像分類效果較好。

關鍵詞：雙目加權模型；融合波動抑制；機械零件；圖像分類；小波變換；卷積神經網絡

中圖分類號：TP391.41文獻標志碼：A文章編號：1671-5276（2024）06-0174-06

Abstract：To improve the image classification performance， a mechanical part image classification algorithm based on binocular weighted model fusion and fluctuation suppression is proposed. Wavelet decomposition on the image is performed to obtain high-frequency components， and the processed components are reconstructed to obtain a denoised image. The denoised image is decomposed into a Laplacian pyramid sequence， and by fusing the image through average gradient and regional energy fusion coefficient， a binocular weighted model is introduced to complete image reconstruction and suppress fusion coefficient fluctuations. With adoption of CNN to extract image features and filters to train features， ensemble learning strategies are introduced to gain classification labels， achieving image classification. The experimental results show that the proposed algorithm has small fluctuations in fusion coefficients and good image classification performance.

Keywords：binocular weighted model; fusion fluctuation suppression; mechanical parts; image classification; wavelet transform; convolutional neural network

0引言

高精密機械零件在工業發展領域占據十分重要的地位，現階段正在朝著種類繁多以及微型化等方向發展［1-2］。在機械零件的生產、科研以及應用等方面，機械智能化逐漸成為發展趨勢。在智能控制中，對機械零件的智能分類是一項基本基礎工作，所以設計一種機械零件圖像分類算法具有十分重要的意義。

現階段，專家針對該方面的內容已進行了大量的研究。李鳴等［3］優先對卷積神經網絡初始化處理，輸入特征BN處理，獲取歸一化數據輸入特征圖中，采用迭代方式參數調整，實現圖像分類。王鑫等［4］首先設計了一個全新的卷積神經網絡，共有7層。采用網絡對圖像訓練，得到圖像的高層特征；采用主成分分析對池化層輸出降維處理，后作為高層特征并將全部高層特征融合，獲取圖像特征，進而實現分類。

雖然現階段上述兩種算法取得了較為滿意的研究成果，但上述方法應用到機械零件智能圖像分類中，都是以單目立體視覺模式識別為基礎，在對目標圖像融合分類過程中，融合系數波動過大會導致圖像分類偏差及分類丟失比例較大。

針對上述問題，本文提出一種機械零件圖像分類算法，其與傳統方法不同之處在于抑制圖像的融合系數波動，降低機械零件圖像分類的分類偏差與復雜度，根據各個圖像塊的相似性獲取噪聲在圖像中分布的真實情況。通過雙目加權模型機械零件圖像合成對機械零件圖像分類，實現圖像的特征提取和分類，以期減少分類偏差，減少機械零件圖像分類丟失比例。

1機械零件圖像分類算法設計

1.1圖像去噪

圖像處理中的小波分析是目前研究的熱點之一，同時小波分析也是圖像預處理的一項重要手段。通過小波變換針對機械零件圖像去噪處理，具體的操作步驟如下。

先從攝像機成像角度出發，將機械零件圖像劃分為規則相同的塊，將圖像結構相似性較高的圖像組合在一起，構建三維數組［5-6］，即分組；再通過分組操作能夠有效濾除圖像中的噪聲。另外，聯合濾波可根據各個圖像塊的相似性獲取噪聲在圖像中分布的真實情況。

1）分組

圖像塊之間的相似性主要通過距離衡量。兩個圖像塊之間的距離越小，說明兩者的相似性越高。任意一個機械零件圖像塊均能夠設定為參考塊，結合匹配算法獲取的相似塊組合在一起即可形成三維數組，再計算每一個圖像塊之間的距離。

2）聯合濾波

設定一個含有n個圖像塊的組，對這個組聯合濾波處理，獲取n個估計值，即各個塊分別對應一個估計。如果機械零件的三維數據已經建立完成［7］，則聯合濾波的操作步驟如下：

a）對構建的圖像塊組線性變換；

b）通過收縮變換域的系數有效減少噪聲；

c）經過逆線性變換獲取不同圖像塊對應的估計值。

3）聚集

經過分組和濾波操作后，圖像塊可能會存在重疊區域，由于不同圖像塊之間的運行估計存在明顯差異，需要對其加權處理，整個操作過程即為聚集。考慮帶有噪聲的機械零件圖像z表示為

式中：y（x）為機械零件圖像的輸入節點；R為圖像信息特征集；η（x）為機械零件圖像的信息節點。

聚集的步驟如下：

a）對含有噪聲的機械零件圖像小波分解，獲取對應的高低頻分量；

b）圖像的高頻分量通過小波變換完成去噪；

c）圖像的低頻部分優先二次分解，同時重復步驟b）的去噪過程，直至圖像中的噪聲全部剔除，則停止操作；

d）采用小波逆變換逐層重構獲取去噪后的機械零件圖像。

1.2基于雙目加權模型的圖像融合系數抑制

完成機械零件圖像的分類需要優先對融合系數抑制［8-9］，具體的抑制過程如下：

1）采用高斯核將參與融合的機械零件圖像逐步分解為圖像序列；

2）將各層機械零件圖像和上一層的圖像作差，得到分解圖像；

3）從上至下均作差，構建拉普拉斯金字塔序列。

合成圖像中含有大量不同的信息，例如視差圖像信息等，以下需要通過雙目加權模型機械零件圖像合成，即

式中：IL為機械零件的左視點圖像；IR為右視點圖像；ωL為機械零件圖像左視點的融合系數；ωR為機械零件圖像右視點的融合系數；d為視差值；x為橫坐標值；y為縱坐標值。

通過加權雙目模型將機械零件圖像中的序列依次融合，設定GR，n為機械零件圖像右視點的平均梯度，ER，m為機械零件圖像右視點的區域能量，則有：

式中：M和N分別為左、右視點圖像的規格；ΔIx和ΔIy分別為像素（x，y）在x和y方向上的一階差分；μ（i，j）為區域像素值；i為特征量；j為圖像的噪聲節點。

結合上述操作過程，融合系數對應的計算式為：

式中：GL，n為機械零件圖像左視點的平均梯度；EL，m為機械零件圖像左視點的區域能量，ωR，n、ωL，n分別為機械零件圖像右、左視點平均梯度對應的融合系數，取值范圍為［0.4，0.6］；ωR，m、ωL，m分別為機械零件圖像右、左視點區域能量對應的融合系數，取值范圍為［0.4，0.6］。綜合上述分析，完成了機械零件圖像融合系數抑制。

1.3機械零件圖像分類

采用卷積神經網絡對經過合成的機械零件圖像特征提取［10-11］。接下來引入集成學習策略獲取最終的分類標簽，實現機械零件圖像分類，具體操作過程如圖1所示。

卷積神經網絡訓練是借鑒多層感知機網絡實現的，主要劃分為兩種不同的形式，分別為前向傳播和反向傳播。

前向傳播的具體操作步驟為：

1）通過輸入層填充大小，對機械零件圖像的邊緣部分填充［12］，獲取輸入張量xLi；

2）將網絡中隱藏層中的全部數據初始化處理；

3）輸出層第i個圖像的第L層為

式中zLi為機械零件圖像分布。

通過前向傳播可以完成輸入特征提取和分類，但是網絡中參數的更新更加適合反向傳播。通過兩種不同的傳播方式能夠更加真實地反映不同標簽之間的誤差取值。以下主要通過鏈式求導解決反向傳播問題。

針對前向傳播到輸出層形成的損失函數可以表示為

式中：σ為圖像的參數融合；w為隸屬度函數；b為圖像的分布點數。根據鏈式求導法則能夠獲取以下的計算式：

式中：J為參數分布集；zLwL為圖像殘差分量。

計算網絡中池化層的反向傳播，池化通常使用最大池化或者平均池化，求反向傳播的過程中，刪除最大值，計算平均值，整個過程即為下采樣過程［13-14］。經過求解獲取上一層的取值，具體的計算式如下：

為了獲取卷積層的δL，通過式（10）獲取δL－1k，結合遞推關系，獲取以下形式的計算式：

式中zL和zL-1兩者之間的關系可以表示為

式中：wL為L層隸屬度函數；bL為L層圖像的分布點數。

通過卷積神經網絡，提取合成圖像的主要特征，設定圖像的輸入為X，借助濾波器對模型優化，具體的表達式為

式中：Y為圖像輸出；λ為濾波系數；F為濾波器。通過卷積塊后獲取的特征需要采用濾波器F參數訓練，以下采用嶺回歸對其求解，具體的計算式為

式中I為系數向量。

在上述分析的基礎上，將i個濾波器集成處理，能夠獲取以下的表達式：

同理

針對訓練集，采用優化出來的F和w需要代入式（14）中，則有

由于單一層次的特征無法更好地表征機械零件的特征，對訓練集獲取的類別標簽以及真實的類別標簽［15］，需要求解兩者的歐式距離，具體的計算式為

在上述分析的基礎上，引入集成學習策略獲取最終的分類標簽，最終機械零件第i個圖像的分類計算如下：

根據上述公式計算，對機械零件圖像分類，實現圖像的特征提取和分類［16-17］。

2實驗結果與分析

為了驗證所提基于雙目加權模型的機械零件圖像分類算法的有效性與可行性，進行實驗分析。

2.1實驗環境與樣本采集

實驗在系統版本為Windows10，處理器為酷睿i9-9100、內存為8G的硬件條件下進行。實驗過程中選取二極管、三極管、電阻、電容等共16類常用機械零件作為測試對象，采用NC-8080半自動影像測量儀直接對實物測量獲取機械零件圖像，每一張圖像都是同一樣本在不同拍攝角度下得到的。圖像采集儀器如圖2所示，儀器參數如表1所示。

2.2實驗流程

1）圖像去噪：對采集的原始圖像實施小波分解，獲取高頻分量并重構實現圖像去噪，得到去噪后的圖像。

2）特征提取：針對去噪后的機械零件圖像，采用卷積神經網絡提取池化層中圖像的主要特征，并標記分類標簽。

3）圖像分類：根據分類標簽對常用機械零件圖像分類，得到分類結果。

根據本文提出的雙目加權模型分類算法，繪制的分類方法框架圖如圖3所示。

在上述實驗環境與參數設置條件下，分別采用所提算法、文獻［3］算法和文獻［4］算法進行圖像分類處理，將融合系數、分類偏差、分類復雜度以及丟失比例作為實驗指標，圖4—圖5為機械零件圖像特征提取與融合結果。

從圖4—圖5可以看出，本文方法能夠有效提取機械零件圖像特征，特征提取過程誤差較小，且特征融合穩定。原因在于本文方法根據各個圖像塊的相似性獲取噪聲在圖像中分布的真實情況，并通過雙目加權模型合成機械零件圖像對機械零件圖像分類，獲取現圖像的特征提取和分類結果，降低了噪聲干擾，有效減少了分類偏差，提升了特征提取效果。

2.3實驗結果分析

機械零件圖像融合系數對比結果如圖6所示。由上文可知，融合系數的取值范圍為［0.4，0.6］，其越接近0.5，表明算法性能越好。

分析圖6中的實驗數據可知，文獻［3］算法的融合系數曲線波動較大，融合系數最高值達到了0.59，最低值為0.36；文獻［4］算法的融合系數最高值達到了0.62，最低值為0.38。而所提算法的融合系數曲線均在取值范圍內，且波動較小，最高值與最小值僅為0.55和0.47。由此可知，所提算法的融合系數更加穩定，有效提高了機械零件圖像的分類效果。這是因為該算法考慮到合成圖像中含有大量不同的信息，所以通過加權雙目模型將機械零件圖像中的序列依次融合，提升了圖像融合效果。

不同算法的機械零件圖像分類偏差對比結果如表2所示。

分析表2中的實驗數據可知，隨著圖像樣本數量的持續增加，文獻［3］算法和文獻［4］算法的分類偏差均處于直線上升趨勢，在樣本數為280時，分別達到了0.217%和0.302%，所提算法的分類偏差最大值僅為0.030%，與文獻算法相比降低了0.187個百分點和0.272個百分點，并且所提算法的分類偏差則處于相對穩定的狀態。因此，所提算法有效降低了分類偏差，證明了所提算法的優越性。

在分類的過程中，由于各個算法的操作過程不同，導致分類復雜度也存在明顯的差異。以下實驗測試主要對比3種不同算法的分類復雜度，具體的實驗對比結果如圖7所示。

分析圖7中的實驗數據可知，所提算法的分類復雜度曲線波動更小，并且其最大復雜度僅為0.37，文獻［3］算法的最大分類復雜度為0.87，文獻［4］算法的最大分類復雜度為0.91。相比另外兩種算法，所提算法的分類復雜度明顯更低一些，表明所提算法的圖像分類效果更佳。

為了更加全面驗證所提算法的優越性，以下實驗測試重點對比3種不同算法的機械零件圖像分類丟失比例，具體實驗結果如表3所示。

分析表3中的實驗數據可知，所提算法的圖像分類丟失比例未隨著樣本數量的增加而增加，在測試中，最大丟失比例為0.04%，而文獻算法的丟失比例均隨著樣本數量的增加而增大。文獻［3］算法的最大丟失比例為0.21%，最小值為0.04%；文獻［4］算法的最大丟失比例為0.34%，最小值為0.08%。三者相比，文獻算法的最小丟失比例與所提算法的最大值相等，而隨著樣本數量的增加，丟失比例相差越大，最高分別差0.20個百分點和0.33個百分點。因此，說明所提算法有效降低了機械零件圖像分類丟失比例。

3結語

針對傳統機械零件圖像分類算法存在的一系列問題，本文對基于雙目加權模型的機械零件圖像分類算法進行了研究。其創新之處在于利用雙目加權模型抑制機械零件圖像融合系數波動，通過前向傳播可以完成輸入特征提取和分類。實驗結果表明，所提算法能夠有效降低分類偏差和分類復雜度，同時減少機械零件圖像分類丟失比例。但是，由于時間以及環境等因素的限制，所提算法仍然存在一定的弊端，后續將對其改進，提升整個算法的綜合性能。

參考文獻：

［1］ 梁承權. 電子器件測試設備信息遠程監控方法仿真［J］. 計算機仿真，2019，36（7）：134-138.

［2］ 鮑文霞，閻少梅，梁棟，等. 基于橢圓-雙曲線馬氏度量的圖像分類算法［J］. 系統工程與電子技術，2018，40（2）：456-462.

［3］ 李鳴，張鴻. 基于卷積神經網絡迭代優化的圖像分類算法［J］. 計算機工程與設計，2017，38（1）：198-202，214.

［4］ 王鑫，李可，徐明君，等. 改進的基于深度學習的遙感圖像分類算法［J］. 計算機應用，2019，39（2）：382-387.

［5］ 史靜，朱虹. 多特征融合的場景圖像分類算法［J］. 計算機系統應用，2018，27（5）：171-175.

［6］ 劉啟超，肖亮，劉芳，等. SSCDenseNet：一種空-譜卷積稠密網絡的高光譜圖像分類算法［J］. 電子學報，2020，48（4）：751-762.

［7］ 許開煒，楊學志，艾加秋，等. 點特征相似與卷積神經網絡相結合的SAR圖像分類算法研究［J］. 地理與地理信息科學，2019，35（3）：28-36.

［8］ 楊紅紅，曲仕茹，金紅霞. 基于包級空間多示例稀疏表示的圖像分類算法［J］. 西北工業大學學報，2017，35（4）：690-697.

［9］ 趙浩如，張永，劉國柱. 基于RPN與B- CNN的細粒度圖像分類算法研究［J］. 計算機應用與軟件，2019，36（3）：210-213，264.

［10］ 齊永鋒，李發勇. 基于局部保留降維卷積神經網絡的高光譜圖像分類算法［J］. 農業機械學報，2019，50（3）：136-143.

［11］ 畢曉君，周澤宇. 基于雙通道GAN的高光譜圖像分類算法［J］. 光學學報，2019，39（10）：297-308.

［12］ 姜代紅，張三友，劉其開. 基于特征重標定生成對抗網絡的圖像分類算法［J］. 計算機應用研究，2020，37（3）：932-935.

［13］ 馬曉麗，陸鍵. 基于灰度分析的路面裂縫圖像分類算法研究［J］. 武漢理工大學學報（交通科學與工程版），2018，42（5）：748-752，756.

［14］ 王燕，曹建芳，李艷飛. 融合混合優化組合的大規模場景圖像分類算法［J］. 計算機技術與發展，2019，29（9）：86-91.

［15］ 宋海峰，陳廣勝，景維鵬，等. 基于（2D）～2PCA的受限玻爾茲曼機圖像分類算法及其并行化實現［J］. 應用科學學報，2018，36（3）：495-503.

［16］ 吳蓉，趙敏，孫通，等. 基于深度卷積神經網絡的γ光子圖像分類識別研究［J］. 機械制造與自動化，2020，49（5）：139-141.

［17］ 洪慶，宋喬，楊晨濤，等. 基于智能視覺的機械零件圖像分割技術［J］. 機械制造與自動化，2020，49（5）：203-206.

收稿日期：20221102

基金項目：教育部行指委職業教育改革創新課題項目（HBKC215038）

作者簡介：紀永（1977—），男，吉林松原人，副教授，碩士，研究方向為機電智能控制，liugea1234@163.com。

DOI：10.19344/j.cnki.issn1671-5276.2024.06.035