基于Gabor變換和極限學(xué)習(xí)機(jī)的鋁箔密封性檢測(cè)

常珈銘，李維軍，石成江

(遼寧石油化工大學(xué) 機(jī)械工程學(xué)院，遼寧 撫順 113001)

?

基于Gabor變換和極限學(xué)習(xí)機(jī)的鋁箔密封性檢測(cè)

常珈銘，李維軍，石成江

(遼寧石油化工大學(xué) 機(jī)械工程學(xué)院，遼寧 撫順 113001)

針對(duì)鋁箔封口溫度場(chǎng)分布特征進(jìn)行了研究，提出了一種基于Gabor變換和極限學(xué)習(xí)機(jī)(ELM)的封口密封性檢測(cè)方法。對(duì)采集到的不同特征類(lèi)型熱像圖進(jìn)行Gabor變換，提取紋理特征訓(xùn)練極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)。然后利用訓(xùn)練結(jié)果對(duì)熱像圖進(jìn)行分類(lèi)識(shí)別，通過(guò)熱像圖分類(lèi)特征判斷鋁箔封口密封情況。與提取顏色特征的BP神經(jīng)網(wǎng)絡(luò)對(duì)比分析發(fā)現(xiàn)，基于Gabor變換和極限學(xué)習(xí)機(jī)的算法具有泛化性強(qiáng)、響應(yīng)速度快、精度高等優(yōu)勢(shì)。

鋁箔密封性檢測(cè)； 熱像圖； Gabor變換； 極限學(xué)習(xí)機(jī)(ELM)； 分類(lèi)識(shí)別

隨著科技的發(fā)展與進(jìn)步，人們的生活水平日益提高，在包裝領(lǐng)域中對(duì)鋁箔包裝的研究越發(fā)受到人們的關(guān)注。因其使用方便快捷，受到廣大消費(fèi)者們的熱烈追捧。在歐美國(guó)家，鋁箔用于包裝的總需求量已經(jīng)占到了70%[1]。鋁箔包裝雖然使用方便，但也存在不足之處。產(chǎn)品用鋁箔封口的過(guò)程中，難免會(huì)發(fā)生壓穿或鋁箔破損等情況，這些引起密封不嚴(yán)的現(xiàn)象，是誘發(fā)產(chǎn)品變質(zhì)的一項(xiàng)重要因素，嚴(yán)重威脅著產(chǎn)品的包裝質(zhì)量，造成巨大的經(jīng)濟(jì)損失[2]。針對(duì)這種情況，大多數(shù)企業(yè)采用人工擰開(kāi)瓶蓋直接觀察的方式來(lái)檢測(cè)密封性，自動(dòng)化程度低，檢測(cè)精度不高。因此，急需一種方法來(lái)代替人工檢測(cè)，提高自動(dòng)化程度與檢測(cè)精度。

神經(jīng)網(wǎng)絡(luò)已經(jīng)成為了一個(gè)重要的研究方向，每年都有大量研究成果應(yīng)用在實(shí)際生產(chǎn)生活中，例如交通系統(tǒng)中車(chē)牌的識(shí)別，人臉識(shí)別，利用氣象衛(wèi)星的云圖圖像來(lái)對(duì)天氣進(jìn)行預(yù)測(cè)，通過(guò)醫(yī)療圖像對(duì)疾病進(jìn)行診斷等[3-6]。本文首先采用熱像儀采集鋁箔封口的熱像圖，然后利用Gabor變換對(duì)熱像圖進(jìn)行紋理特征提取，再利用極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)算法對(duì)熱像圖進(jìn)行分類(lèi)識(shí)別。通過(guò)熱像圖紋理特征來(lái)判斷密封性的好壞，相比較傳統(tǒng)的BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)算法[7-8]，ELM算法具有學(xué)習(xí)速度快、訓(xùn)練過(guò)程不需要迭代、參數(shù)選擇不敏感等特點(diǎn)，且計(jì)算過(guò)程簡(jiǎn)單、泛化性強(qiáng)。通過(guò)實(shí)驗(yàn)，驗(yàn)證了ELM算法有較高精度，符合鋁箔封口密封性檢測(cè)需要。

1 鋁箔封口的密封方式與圖像采集

1.1 鋁箔封口的密封方式

內(nèi)置鋁箔片的瓶蓋如圖1所示。用擰蓋機(jī)旋緊于瓶體，然后利用感應(yīng)加熱的方式對(duì)瓶蓋進(jìn)行加熱，如圖2所示，使瓶蓋內(nèi)部的鋁箔片在高溫的作用下與瓶口材質(zhì)黏合在一起，從而達(dá)到密封的效果。

圖1 內(nèi)置鋁箔片的瓶蓋圖

圖2 瓶蓋的感應(yīng)加熱過(guò)程

1.2 熱像圖的獲取過(guò)程

在加熱裝置后方800 mm、距離瓶蓋150 mm高度的固定位置安放熱像儀，對(duì)每一個(gè)經(jīng)過(guò)此位置的目標(biāo)進(jìn)行圖像采集，保證每一個(gè)被采集的目標(biāo)具有相同的加熱時(shí)間與冷卻時(shí)間，使每張熱像圖的采集環(huán)境相一致。同時(shí)保證在熱像圖采集過(guò)程中，熱像儀的焦距與其他參數(shù)保持不變。采集的不同類(lèi)型熱像圖作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本與測(cè)試樣本。

1.3 熱像圖類(lèi)型

本文實(shí)驗(yàn)圖像數(shù)據(jù)采用美國(guó)福祿克Ti40型紅外熱像儀拍攝而成。通過(guò)大量采集流水線(xiàn)上瓶蓋的熱像圖，大體總結(jié)出6種常見(jiàn)的不同類(lèi)型的熱像圖圖像，對(duì)應(yīng)的6種不同密封情況的熱像圖如圖3所示。

(a) 鋁箔片密封完好

(b) 鋁箔片有部分缺失

(c) 有鋁箔片沒(méi)有瓶蓋

(d) 沒(méi)有鋁箔片

(e) 受熱不均但密封完好

(f) 受熱不均且密封失敗

2 基于Gabor變換和極限學(xué)習(xí)機(jī)的算法設(shè)計(jì)

基于Gabor變換和極限學(xué)習(xí)機(jī)的算法流程如圖4所示。

輸入圖像 Gabor特征提取 ELM分類(lèi)識(shí)別 識(shí)別結(jié)果

圖4 基于Gabor變換和極限學(xué)習(xí)機(jī)的算法流程

2.1 基于Gabor變換的特征提取

通過(guò)觀察發(fā)現(xiàn)，采集到的各類(lèi)熱像圖具有明顯的紋理差異。利用Gabor變換提取圖像紋理特征有以下優(yōu)勢(shì)，Gabor小波對(duì)圖像邊緣很敏感卻對(duì)光照變化并不敏感[9]，且可接受一定的圖像變形，能有效提高算法魯棒性。Gabor小波的局部性和選擇方向性使其能夠充分描述圖像的紋理特征。利用Gabor小波基函數(shù)的正交性，不但能夠有效地提取紋理特征，而且可以去除冗余信息。該函數(shù)是利用高斯函數(shù)調(diào)制的一種復(fù)正弦函數(shù)，可以在已給定區(qū)域中提取局部頻域特征。2-D Gabor函數(shù)為h(x，y)，傅立葉變換H(u，v)如式(1)所示。

(1)

(2)

式中，hI為圖像I與濾波器h的卷積；S(x，y) 為通過(guò)高斯平滑后的Gabor濾波器所提取的特征圖像。

利用h(x，y)為母小波，對(duì)h(x，y)進(jìn)行合適的尺度變換與旋轉(zhuǎn)變換，從而得到一組自相似的濾波器，即Gabor小波，如式(3)所示。

hmn(x，y)=a-mh(x′，y′)，a>1，m∈Z，n∈Z

(3)

式中，x′=a-m(xcosθ+ysinθ)；y′=a-m(-xcosθ+ysinθ)；θ=nπ/K;a-m為尺度因子；S和K分別為尺度和方向的數(shù)目；m=0，1，…，S-1；n=0，1，…，K-1。改變m與n的值，則能獲得一組尺寸與方向不相同的Gabor濾波器。如果小波族內(nèi)含有S個(gè)尺度，K個(gè)方向，而且頻率在[Ul，Uh]范圍內(nèi)，一種參數(shù)的選擇方式如式(4)所示。

(4)

復(fù)數(shù)：

g(x,y;λ,θ,ψ,σ,γ)

(5)

實(shí)部：

g(x,y;λ,θ,ψ,σ,γ)

(6)

虛部：

g(x,y;λ,θ,ψ,σ,γ)

(7)

式中，λ為正弦函數(shù)波長(zhǎng)；θ為Gabor核函數(shù)的方向；Ψ為相位偏移；σ為高斯函數(shù)的標(biāo)準(zhǔn)差；γ表示空間的寬高比。

2.2 極限學(xué)習(xí)機(jī)(ELM)

2004年，南洋理工大學(xué)黃廣斌教授等[10-12]率先提出ELM算法。ELM算法是一種前饋神經(jīng)網(wǎng)絡(luò)，與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比較具有很大優(yōu)勢(shì)。該算法隱含層參數(shù)是隨機(jī)設(shè)定的，無(wú)需調(diào)試，相比于其他類(lèi)型的基于梯度的學(xué)習(xí)算法，它不需迭代反復(fù)調(diào)整刷新，只需求解權(quán)值的最小二范數(shù)則可實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，因此該算法訓(xùn)練參數(shù)少、訓(xùn)練速度極快、泛化能力強(qiáng)。對(duì)于N個(gè)不相同樣本(xi,yi)，其中xi=[xi1,xi2,…,xin]T∈Rn，yi=[yi1,yi2,…,yim]T∈Rm，假設(shè)ELM算法擁有L個(gè)隱含層節(jié)點(diǎn)，輸出函數(shù)如式(8)所示。

xi∈Rn,αi∈Rn,β∈Rm

(8)

式中，αi=[αi1,αi2,…,αin]T為網(wǎng)絡(luò)的輸入層到第i個(gè)節(jié)點(diǎn)的輸入權(quán)值；bi為第i個(gè)隱含層節(jié)點(diǎn)的偏置；βi=[βi1,βi2,…,βim]T為第i個(gè)隱含層節(jié)點(diǎn)的輸出權(quán)值；αixi為向量αi和xi的內(nèi)積。假設(shè)有L個(gè)隱含層節(jié)點(diǎn)的網(wǎng)絡(luò)以0誤差逼近這N個(gè)樣本，則有αi,bi,βi使得：

i=1,2,…,L

(9)

式(9)簡(jiǎn)化為：

Hβ=Y

(10)

式(10)中：

(11)

(1) 訓(xùn)練集/測(cè)試集產(chǎn)生。ELM要求具有足夠多的訓(xùn)練樣本且具有較好的代表性。同時(shí)，訓(xùn)練集和測(cè)試集的格式應(yīng)符合ELM訓(xùn)練和預(yù)測(cè)函數(shù)的要求。

(2) ELM創(chuàng)建/訓(xùn)練。通過(guò)elmtrain()函數(shù)對(duì)訓(xùn)練樣本集進(jìn)行訓(xùn)練，獲得訓(xùn)練網(wǎng)絡(luò)，調(diào)用格式為：

[IW，B，LW，TF，TYPE]

=elmtrain(P，T，N，TF，TYPE)。

式中，P為訓(xùn)練集的輸入矩陣；T為訓(xùn)練集的輸出矩陣；N為隱含層神經(jīng)元個(gè)數(shù)(默認(rèn)為訓(xùn)練集的樣本數(shù))；TF為隱含層神經(jīng)元的激活函數(shù)，其取值可為“sig”、“sin”、“hardlim”；TYPE為ELM的應(yīng)用類(lèi)型，0為回歸擬合，1為分類(lèi)；IW為輸入層與隱含層間的連接權(quán)值；B為隱含層神經(jīng)元的閾值；LW為隱含層與輸出層的連接權(quán)值。

(3) ELM仿真測(cè)試。利用elmpredict()函數(shù)進(jìn)行ELM的仿真測(cè)試，調(diào)用格式為：

Y=elmpredict(P，IW，B，LW，TF，TYPE)

式中，P為測(cè)試集的輸入矩陣；IW為輸入層與隱含層間的連接權(quán)值；B為隱含層神經(jīng)元的閾值；LW為隱含層與輸出層的連接權(quán)值；TF為隱含層神經(jīng)元的激活函數(shù)，其取值可為“sig”、“sin”、“hardlim”；TYPE為ELM的應(yīng)用類(lèi)型，0為回歸擬合，1為分類(lèi)；Y為測(cè)試集對(duì)應(yīng)的輸出預(yù)測(cè)值矩陣。

3 實(shí)驗(yàn)設(shè)計(jì)及結(jié)果分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

本文實(shí)驗(yàn)圖像數(shù)據(jù)6種類(lèi)型共900張，每種類(lèi)型150張。

3.2 實(shí)驗(yàn)設(shè)計(jì)

首先利用Gabor小波提取圖像紋理特征配合ELM極限學(xué)習(xí)機(jī)對(duì)樣本進(jìn)行訓(xùn)練、分類(lèi)識(shí)別；再利用圖像RGB三基色數(shù)據(jù)進(jìn)行中值濾波，對(duì)三基色求和提取顏色特征，配合BP神經(jīng)網(wǎng)絡(luò)對(duì)樣本進(jìn)行訓(xùn)練、分類(lèi)識(shí)別。將二者在相同訓(xùn)練樣本與測(cè)試樣本下的訓(xùn)練時(shí)間與檢測(cè)準(zhǔn)確率進(jìn)行對(duì)比，驗(yàn)證算法優(yōu)越性。

實(shí)驗(yàn)1：相同訓(xùn)練樣本與測(cè)試樣本條件下Gabor+ELM算法與RGB+BP神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練、分類(lèi)識(shí)別，如表1、表2所示。

表1 Gabor+ELM算法的訓(xùn)練、分類(lèi)識(shí)別

續(xù)表1

表2 RGB+BP神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練、分類(lèi)識(shí)別

由表1、表2可知，Gabor+ELM算法的識(shí)別準(zhǔn)確率為89.67%。而在訓(xùn)練樣本與測(cè)試樣本數(shù)量相同的情況下，RGB+BP神經(jīng)網(wǎng)絡(luò)算法的識(shí)別準(zhǔn)確率為61.33%。結(jié)果表明Gabor+ELM算法檢測(cè)準(zhǔn)確率高、效果好。

實(shí)驗(yàn)2：不同測(cè)試樣本比例下Gabor+ELM算法與RGB+BP神經(jīng)網(wǎng)絡(luò)算法的識(shí)別準(zhǔn)確率，如表3所示。

表3 不同測(cè)試樣本比例下的識(shí)別準(zhǔn)確率 %

由表3可知，Gabor+ELM算法在不同測(cè)試樣本比例下有較高的識(shí)別準(zhǔn)確率且準(zhǔn)確率明顯高于RGB+BP神經(jīng)網(wǎng)絡(luò)算法。

實(shí)驗(yàn)3：對(duì)比Gabor+ELM算法與RGB+BP神經(jīng)網(wǎng)絡(luò)算法在不同數(shù)量訓(xùn)練樣本下的訓(xùn)練時(shí)間，如表4所示。

表4 不同訓(xùn)練樣本下的訓(xùn)練時(shí)間

由表4可知，Gabor+ELM算法的訓(xùn)練用時(shí)少，訓(xùn)練速度明顯高于RGB+BP神經(jīng)網(wǎng)絡(luò)算法。

4 結(jié) 論

本文提出了一種檢測(cè)鋁箔封口密封性的新方法，根據(jù)鋁箔封口熱像圖的紋理特征不同，判斷鋁箔密封情況。首先用Gabor小波提取熱像圖紋理特征，然后采用ELM極限學(xué)習(xí)機(jī)對(duì)熱像圖進(jìn)行分類(lèi)識(shí)別。通過(guò)與提取顏色特征的BP神經(jīng)網(wǎng)絡(luò)相對(duì)比可以發(fā)現(xiàn)，Gabor+ELM分類(lèi)器不僅識(shí)別準(zhǔn)確率高、泛化性好，且速度快，在小樣本時(shí)也有良好的準(zhǔn)確率。該算法識(shí)別準(zhǔn)確率高、速度快，可以很好地滿(mǎn)足鋁箔封口密封性檢測(cè)的需求。

[1] 陸剛. 漫談鋁箔的包裝市場(chǎng)及其發(fā)展趨勢(shì)[J]. 塑料包裝，2013，24(3):8-14.

[2] 張紅普.密封性測(cè)試在軟包裝行業(yè)的應(yīng)用[J].中國(guó)包裝工業(yè)，2004(4):66-67.

[3] 咼潤(rùn)華，蘇婷婷，馬曉偉. BP神經(jīng)網(wǎng)絡(luò)聯(lián)合模板匹配的車(chē)牌識(shí)別系統(tǒng)[J].清華大學(xué)學(xué)報(bào)(自然科學(xué)版)，2013(9)：1221-1226.

[4] 金忠，胡鐘山，楊靜宇.基于BP神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法[J].計(jì)算機(jī)研究與發(fā)展，1999，36(3):274-277.

[5] 金龍，黃穎，何如.衛(wèi)星云圖的遺傳神經(jīng)網(wǎng)絡(luò)集合預(yù)測(cè)模型研究[J].計(jì)算機(jī)工程與應(yīng)用，2011，47(32):231-235.

[6] 徐偉棟，劉偉，厲力華，等.基于特性模型與神經(jīng)網(wǎng)絡(luò)的乳腺圖像腫塊自動(dòng)檢測(cè)技術(shù)[J].電子與信息學(xué)報(bào)，2009，31(7)：1653-1658.

[7] 顧妍午，李平，陶文華，等.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的手寫(xiě)郵政編碼識(shí)別[J].遼寧石油化工大學(xué)學(xué)報(bào)，2008，28(1)：52-54.

[8] 黃越洋，李平，劉宣宇.基于BP神經(jīng)網(wǎng)絡(luò)的非線(xiàn)性預(yù)測(cè)控制[J].遼寧石油化工大學(xué)學(xué)報(bào)，2008，28(1)：59-61.

[9] 李云峰．基于Gabor小波變換的人臉識(shí)別[D].大連：大連理工大學(xué)，2005．

[10] Huang G B，Zhu Q Y，Siew C K. Extreme learning machine：Theory and applications[J]. Neurocomputing，2006，70(1):489-501.

[11] Huang G B，Zhu Q Y，Siew C K. Extreme learning machine：a new learning scheme of feedforward neural networks[C]//IEEE Internationl Joint Conference on Neurol Netuorks,2004,Proceeding. IEEE,2005,2:985-990.

[12] Huang G B. An insight into extreme learning machines：random neurons，random features and kernels[J]. Cognitive Computation，2014，6(3)：376-390.

(編輯 陳 雷)

Aluminum Foil Sealing Seal Detection Based on Gabor Transformation and Extreme Learning Machine

Chang Jiaming，Li Weijun，Shi Chengjiang

(SchoolofMechanticalEngineering，LiaoningShihuaUniversity，F(xiàn)ushunLiaoning113001，China)

After the research on the distribution characteristic of temperature field for aluminum seal , a kind of inspection method for the sealing based on Gabor transformation and extreme learning machine (ELM) was proposed. The Gabor transformation was conducted on various thermal images ，and the textural features are extracted to train the ELM neural network. Then the training results are used to classify and identify the thermal images，and the sealing of aluminum seal could be judged through the classification features of the thermal images. Compared and analysed with BP neural network which extracts color features，it is found that the algorithm based on Gabor transformation and ELM has the advantages of strong generalization，fast response speed，high precision，etc.

Aluminum foil sealing detection； Thermal image； Gabor transformation； Extreme learning machine (ELM)； Classification recognition

1672-6952(2017)03-0064-06 投稿網(wǎng)址：http://journal.lnpu.edu.cn

2016-10-22

2016-11-02

常珈銘(1989-)，男，碩士研究生，從事過(guò)程裝備監(jiān)測(cè)與控制技術(shù)方面的研究；E-mail:804384910@qq.com。

石成江(1962-)，男，博士，教授，從事機(jī)械設(shè)備自動(dòng)檢監(jiān)測(cè)與控制方面的研究；E-mail：shicj-2008@163.com。

TB487

A

10.3969/j.issn.1672-6952.2017.03.014