基于前饋神經(jīng)網(wǎng)絡的毛粘混紡紗線材質(zhì)識別

林森

摘要：針對快速準確識別混紡紗線不同材質(zhì)的問題，本文首先使用BP神經(jīng)網(wǎng)絡應用平均影響值（MIV）方法，篩選混紡紗線橫截面圖像中的羊毛和粘膠形態(tài)特征指標，然后利用概率神經(jīng)網(wǎng)絡、支持向量機、極限學習機分別對羊毛和粘膠材質(zhì)進行識別。結(jié)果顯示選取合適類型的前饋神經(jīng)網(wǎng)絡，均可快速獲取約為90%的識別準確率，具有潛在的實用價值。

關(guān)鍵詞：前饋神經(jīng)網(wǎng)絡；材質(zhì)識別；羊毛；粘膠；MIV；圖像處理

中圖分類號：TP391；TS137

文獻標志碼：A

Identifying the Materials of Wool/Viscose Blended Yarns Based on Feed-forward Neural Network

Abstract： In order to identify the materials of blended yarns， the article first selected the indicators that can reflect the morphological characteristics of wool and viscose fibers in the cross-section images of blended yarn by using MIV-BP method. Then it used probabilistic neural network/support vector machine/extreme learning machine to identify wool and viscose materials. The identification results show that by using suitable feed-forward neural network， the materials can be quickly identified with accuracy up to about 90% and the method has the potential for practical use.

Key words： feed-forward neural network； material identification； wool； viscose； MIV； image processing

傳統(tǒng)的混紡紗線檢測多由人工完成，工作量大，易于出錯。隨著數(shù)字圖像技術(shù)的發(fā)展和神經(jīng)網(wǎng)絡的不斷完善，通過圖像技術(shù)提取纖維特征，利用神經(jīng)網(wǎng)絡進行識別，是現(xiàn)今最主要的自動檢測方式。但是纖維特征的篩選多由主觀確定，且大多利用BP神經(jīng)網(wǎng)絡來構(gòu)造材質(zhì)識別的分類器。由于BP神經(jīng)網(wǎng)絡的學習速度慢，難以滿足纖維檢測的實時性，所以本文嘗試將前饋神經(jīng)網(wǎng)絡的多種典型形式結(jié)合圖像處理技術(shù)，進行羊毛/粘膠混紡紗線的特征選取，訓練計算機更為客觀、準確、迅速的實現(xiàn)毛粘混紡紗線中的材質(zhì)識別。

1羊毛和粘膠的形態(tài)特征

1.1基于圖像處理的羊毛/粘膠特征提取

通過配套PC圖像采集接口的CU-Ⅱ型纖維細度儀，顯微拍攝利用哈氏切片法獲取的羊毛/粘膠混紡紗線橫截面圖片（圖1）。其中羊毛和粘膠為待識別目標，需要保留；而火棉膠溶液的作用是固化紗線，可看作為背景，需要去除。經(jīng)圖像灰度化、去噪、增強、二值化、形態(tài)學處理之后得到的羊毛和粘膠個體示意圖如圖2和圖3所示。通過觀察可以發(fā)現(xiàn)，羊毛和粘膠從圖像的角度來看，最大的差異在于羊毛個體的形態(tài)較飽滿，外廓參差較少；粘膠個體形態(tài)較干癟，外廓參差較多。

通過Matlab中用來度量圖像區(qū)域?qū)傩缘暮瘮?shù)regionprops，獲取第一至第六個特征指標，分別為Area、Eccentricity、EquivDiameter、Solidity、Extent、Perimeter；如圖4所示，第七個特征指標定義為Bc，即從水平與垂直兩個方向獲取的目標個體長度，然后將以較小長度Lmin作為直徑的圓的面積與以較大長度Lmax作為直徑的圓的面積相除（式（1））；如圖5所示，第八個特征指標定義為SMr，Sh和Sv分別是目標個體從水平方向逐行和垂直方向逐列掃描得到的缺口面積總和，S是目標個體的橫截面面積（式（2））。

Bc=L2min/L2max（1）

SMr=1-（Sh+Sv）/S（2）

在本文的研究中總共提取了215個羊毛個體和152個粘膠個體的特征值，部分羊毛和粘膠個體特征值的原始數(shù)據(jù)見表1。

1.2基于BP神經(jīng)網(wǎng)絡的羊毛/粘膠特征篩選

標準前饋神經(jīng)網(wǎng)絡的內(nèi)部結(jié)構(gòu)分為：一層輸入層、若干層隱藏層和一層輸出層。各層之間全連接，同層之間無連接，信號從輸入層開始，逐步向前傳遞，直至輸出層。BP神經(jīng)網(wǎng)絡則是一種基于梯度算法的信號前向傳遞，誤差反向傳播的單隱藏層前饋神經(jīng)網(wǎng)絡。相對于常見的特征篩選方法（例如主成分分析法僅僅是利用坐標變換來去除材質(zhì)特征間的冗余信息），利用BP神經(jīng)網(wǎng)絡進行材質(zhì)特征的篩選，可以為后續(xù)前饋神經(jīng)網(wǎng)絡分類器提供合適的經(jīng)過機器學習后確認的素材。由于所提取的8個羊毛和粘膠特征必然在利用BP神經(jīng)網(wǎng)絡進行識別分類的過程中會發(fā)揮不同程度的作用，因此必須保留重要的特征，去除次要的特征。如圖6所示，BPMIV算法即在利用原始特征數(shù)值訓練正確的BP神經(jīng)網(wǎng)絡的基礎上，對每個羊毛/粘膠個體的8個特征值依次進行增加10%和減少10%的數(shù)值變化，然后再將增減變化后的特征數(shù)值置入訓練好的正確的BP神經(jīng)網(wǎng)絡中進行測試，得到兩個對應的測試結(jié)果并求差值，即為變動該特征值后測試結(jié)果的變化值（IV，ImpactValue），最后將各個羊毛/粘膠個體的IV值按特征種類的區(qū)別，求平均得到每個特征的平均影響值（MIV，MeanImpactValue），再根據(jù)MIV絕對值的大小排序篩選。

由于BP神經(jīng)網(wǎng)絡各層間的連接權(quán)值及閾值均為隨機產(chǎn)生的，故每次BP-MIV算法運行后的結(jié)果不盡相同。本文涉及的所有程序均在Matlab7.8環(huán)境下運行。設定BP神經(jīng)網(wǎng)絡訓練函數(shù)train的參數(shù)為：學習速率0.005，附加動量因子0.9，訓練次數(shù)3000。隨機實驗100次，記錄下每次實驗后得到的8個特征所對應的︱MIV︱，按照從大到小的順序進行排序，︱MIV︱排名第一的特征對神經(jīng)網(wǎng)絡輸出的影響最大、重要性最強，排名第二的次之，依此類推。然后統(tǒng)計在這100次的隨機實驗中，8個特征的︱MIV︱分別出現(xiàn)在︱MIV︱排名的第一名、第二名和第三名的次數(shù)，如表2所示。可以發(fā)現(xiàn)特征四、特征五和特征八對應的︱MIV︱位于︱MIV︱排名第一名的次數(shù)，依次為67、17和16次，其余5個特征均為0次；特征四、特征五和特征八對應的︱MIV︱位于︱MIV︱排名前三名的次數(shù)，總計為93、71和68次，遠高于其余5個特征。因此，特征四、特征五、特征八是最為重要的3個特征，對羊毛和粘膠的識別起到最大作用。

2羊毛/粘膠材質(zhì)識別實驗與結(jié)果分析

圖7為包含215個羊毛個體和152個粘膠個體的原始圖像，共6幅包含367個個體。由于紗線在切片過程中會產(chǎn)生少量纖維粘連、扭曲和模糊的現(xiàn)象，故本文將這些不良個體予以人工標識并去除。如圖8所示，經(jīng)圖像處理后，白色部分為待識別目標羊毛和粘膠個體，黑色部分為背景。

如圖9所示，訓練個體與測試個體的選擇方法為：在總共6幅圖片中，如若將某幅圖片中的羊毛和粘膠個體作為測試個體，則剩余圖片中的羊毛和粘膠個體將被作為訓練個體。待訓練神經(jīng)網(wǎng)絡分類器為前饋神經(jīng)網(wǎng)絡的典型形式：隸屬于RBF神經(jīng)網(wǎng)絡的概率神經(jīng)網(wǎng)絡（PNN），支持向量機（SVM），極限學習機（ELM）。

概率神經(jīng)網(wǎng)絡由函數(shù)newpnn創(chuàng)建，徑向基函數(shù)的擴展速度spread設為0.1；支持向量機由臺灣大學林智仁等開發(fā)設計的LIBSVM工具箱創(chuàng)建，包括懲罰參數(shù)和核函數(shù)參數(shù)等的各項參數(shù)設置均為默認值；極限學習機由新加坡南洋理工大學黃廣斌等提出的ELM學習算法創(chuàng)建，隱含層神經(jīng)元個數(shù)默認為訓練個體數(shù)，隱含層神經(jīng)元激活函數(shù)默認為sigmoid函數(shù)。由于神經(jīng)網(wǎng)絡各層間的連接權(quán)值及閾值產(chǎn)生具有隨機性并且程序每次運行時的環(huán)境也不可能完全相同，故隨機運行程序10次，記錄下材質(zhì)識別時的最小與最大準確率以及程序平均運行時間，如表3所示。

以概率神經(jīng)網(wǎng)絡分類器為例，材質(zhì)識別后分離出來的羊毛和粘膠個體示意圖如圖10和圖11所示（以前3幅為例）。從實驗結(jié)果可見，文中選取的3種前饋神經(jīng)網(wǎng)絡分類器識別效果大體相當，針對實驗所選6幅圖片的材質(zhì)識別準確率最低不小于87.30%，最高可達到96.55%。同時在材質(zhì)識別消耗的時間方面，概率神經(jīng)網(wǎng)絡平均耗時最多為1.12s，支持向量機平均耗時最少為0.40s，極限學習機平均耗時居中為0.80s。相對傳統(tǒng)人工檢測耗時長，易于疲勞，人為造成錯誤的概率較高而言；利用前饋神經(jīng)網(wǎng)絡進行檢測，耗時大為縮短，可滿足實時在線檢測，同時來自檢測人員主觀失誤造成錯誤的概率亦會大大降低。

3結(jié)論

本文以識別混紡紗線中羊毛和粘膠個體的實驗作為載體，嘗試利用了前饋神經(jīng)網(wǎng)絡的4種典型形式參與材質(zhì)識別，實現(xiàn)了在平均耗時0.39～1.12s里，取得87.30%～96.55%的識別準確率，為后續(xù)的紗線質(zhì)量評價（例如獲取混紡比等指標）提供了保障。同時，出于檢測實時性的考慮，在諸如徑向基函數(shù)的擴展速度、隱含層神經(jīng)元個數(shù)、支持向量機懲罰參數(shù)等數(shù)值的確定上，本文并未利用其它智能算法進行最優(yōu)化的尋找，而是根據(jù)人為的主觀判斷來確定或直接利用相應神經(jīng)網(wǎng)絡的默認設置，如何在檢測實時性與神經(jīng)網(wǎng)絡參數(shù)設置的客觀性和最優(yōu)化上取得統(tǒng)一，仍有待于進一步的探索。

參考文獻

[1]張國強，張增強，賀詠梅.BP神經(jīng)網(wǎng)絡在紡織服裝上的應用[J].山東紡織科技，2013（2）：37-40.

[2]仲岑然，金春奎.混紡紗線橫截面結(jié)構(gòu)參數(shù)分析[J].紡織學報，2010，31（1）：40-43.

[3]嚴曉燕.纖維的包埋切片技術(shù)與異形纖維特征參數(shù)研究[D].上海：東華大學，2005.

[4]何芳，王小川，肖森予，等.基于MIV-BP型網(wǎng)絡實驗的房地產(chǎn)項目風險識別研究[J].運籌與管理，2013（2）：229-234.

[5]黎群輝，張航.基于改進概率神經(jīng)網(wǎng)絡的交通標志圖像識別方法[J].系統(tǒng)工程，2006（4）：97-101.

[6]杜樹新，吳鐵軍.模式識別中的支持向量機方法[J].浙江大學學報（工學版），2003（5）：521-527.

[7]HuangGB，ZhuQY，SiewCK.Extremelearningmachine：Theoryandapplications[J].Neurocomputing，2006，70（1）：489-501.

[8]HuangGB，ZhouHM，DingXJ，etal.Extremelearningmachineforregressionandmulti-classclassification[J].IEEETransactionsonSystemsManandCyberneticPartB，2010，42（2）：513-529.

[9]王杰，畢浩洋.基于極限學習機的煙葉成熟度分類[J].煙草科技，2013（5）：17-19.

[10]吳明圣.徑向基神經(jīng)網(wǎng)絡和支持向量機的參數(shù)優(yōu)化方法研究及應用[D].長沙：中南大學，2007.

[11]陳偉，馮斌，孫俊.基于QPSO算法的RBF神經(jīng)網(wǎng)絡參數(shù)優(yōu)化仿真研究[J].計算機應用，2006（8）：1928-1931.

作者簡介：林 森，男，1981年生，講師，碩士，研究方向為模式識別、圖像處理。

作者單位：江蘇工程職業(yè)技術(shù)學院機電工程學院。