基于神經(jīng)網(wǎng)絡(luò)算法的皮革裁斷智能分揀方法研究

廖東進(jìn)

【摘 要】皮革制品沖裁加工涉及送料、分揀、液壓隨動閥、多軸驅(qū)動電機(jī)等多機(jī)設(shè)備的控制。為了提高皮革裁斷分揀的速度與精度，本文以皮革成品的面積、橢圓度、各向異性和表面紋理等特征為向量，采用基于最小均方delta規(guī)則神經(jīng)網(wǎng)絡(luò)的目標(biāo)識別方法，智能識別裁斷樣品;在皮革裁斷加工過程中，考慮到背景光線變化會對分揀系統(tǒng)造成的不準(zhǔn)確性問題，采用了背景差分法，以此獲取運(yùn)動工件的精準(zhǔn)圖像坐標(biāo)，以此提高皮革裁斷加工的分揀效率。

【關(guān)鍵詞】皮革裁斷;智能分揀;神經(jīng)網(wǎng)絡(luò)

中圖分類號： TS531文獻(xiàn)標(biāo)識碼： A 文章編號： 2095-2457（2019）32-0048-002

DOI：10.19694/j.cnki.issn2095-2457.2019.32.019

0 引言

隨著我國居民生活水平的提高，服務(wù)型消費(fèi)得到了較大提高，在此影響下，皮革制品市場得到了大幅度提升;另外，隨著我國勞動成本的提高，這就要求皮革制品生產(chǎn)需向自動化、數(shù)字化、網(wǎng)絡(luò)化和智能化加工生產(chǎn)模式轉(zhuǎn)變，以此提升皮革制品的加工效率。

目前，我國皮革制品加工生產(chǎn)裝備已完成機(jī)械化升級改造，同皮革制品純手工加工相比，皮革制品機(jī)械化加工對擴(kuò)大生產(chǎn)規(guī)模、提高生產(chǎn)效率和減輕勞動強(qiáng)度等發(fā)揮了重要作用。但也帶來了革原料利用率、加工品質(zhì)低等問題，特別是機(jī)械化加工難以生產(chǎn)高端皮革制品產(chǎn)品，這不僅增加皮革制品的生產(chǎn)成本，而且嚴(yán)重制約我國皮革制品在國際市場上的競爭力。

皮革智能裁斷系統(tǒng)涉及皮革樣品的送料、分揀、液壓隨動閥、多軸驅(qū)動電機(jī)等多機(jī)設(shè)備的協(xié)調(diào)控制。在皮革制品分揀階段，為提高皮革裁斷分揀的速度與精度，本文以皮革成品的面積、橢圓度、各向異性和表面紋理等特征為向量，采用基于最小均方delta規(guī)則神經(jīng)網(wǎng)絡(luò)的目標(biāo)識別方法，智能識別裁斷樣品;在皮革裁斷加工過程中，考慮到背景光線變化會對分揀系統(tǒng)造成的不準(zhǔn)確性問題，采用了背景差分法，以此獲取運(yùn)動工件的精準(zhǔn)圖像坐標(biāo)，以此提高皮革裁斷加工的分揀效率。

1 皮革裁斷樣品特征提取

在皮革加工過程，用描述子定量描繪不同成品目標(biāo)即工件圖像特征信息，如面積、橢圓度、各向異性和表面紋理等，每個工件類別都是多個描述子集合，每個描述子描繪工件的某項(xiàng)特征，用這些特征組成的向量x=[x1，x2，…，xn]描述皮革裁斷加工成品，其中，xi為第i個描述子，n為與該工件有關(guān)的描述子的總數(shù)，則一類工件就可以用向量x表示。向量x的每個分量性質(zhì)是由所識別的工件特征決定的，特征的選取很大程度上影響工件的分類。選取工件的面積和各向異性作為兩個特征。每種工件由兩個描述子來表示，于是生成了一個二維特征向量x=[x1，x2]，其中和分別代表工件的面積和各向異性。由于工件的面積和各向異性不同，描述這些工件的特征向量也不一樣，這些差別不但體現(xiàn)在不同類的工作之間，也體現(xiàn)在同類工件中，通過上述特征提取構(gòu)建各樣品特征向量。

2 基于最小均方delta規(guī)則神經(jīng)網(wǎng)絡(luò)能分揀方法

為了提高皮革裁斷分揀的速度與精度，本項(xiàng)目使用感知機(jī)學(xué)習(xí)所需決策函數(shù)，需要區(qū)分三個訓(xùn)練集或模式類（w1，w2，w3），采用如圖1所示的三個模式類的感知機(jī)模型。感知機(jī)的響應(yīng)用它輸入的加權(quán)和來表示，即

d（x）=■w■x■+w■（1）

圖1 三個模式類的感知機(jī)模型

其中，wi為權(quán)值，i=1，2，…，n+1;d（x）為感知機(jī)的響應(yīng)。訓(xùn)練時，當(dāng)訓(xùn)練向量x來自類W1時，期望響應(yīng)為1;當(dāng)x來自類W2時，期望響應(yīng)為0;當(dāng)x來自類W3時，期望響應(yīng)為-1。為了更方便表示，將向量x進(jìn)行擴(kuò)充，用y=[x1，x2，…，xn，1]表示擴(kuò)充后的模式向量，權(quán)向量記作w=[w1，w2，…，wn，wn+1]。則感知機(jī)響應(yīng)：

d（y）=■wiyi=wTy（2）

在訓(xùn)練時，采用感知機(jī)訓(xùn)練的最小均方delta規(guī)則，此規(guī)則可以在有限步的學(xué)習(xí)后使得感知機(jī)的實(shí)際響應(yīng)逼近期望響應(yīng)，使兩者的誤差最小。準(zhǔn)則函數(shù)為

J（w）=■（r-w■y）■（3）

式中，r是感知機(jī)的期望響應(yīng)，易知在r=wTy時該準(zhǔn)則函數(shù)取得最小值。故可以用梯度下降法逐步修正權(quán)值向量w，當(dāng)J（w）取得最小值時，感知機(jī)可以正確分類。設(shè)w（k）為第k步迭代中的權(quán)值向量，則一般的梯度下降算法可以表示為

w（k+1）=w（k）-α·■■（4）

其中，w（k+1）是w的迭代值;α是修正系數(shù)，α>0。由式（3）可以計(jì)算出

■=-（r-wTy）y（5）

代入式（4）可得

w（k+1）=w（k）+α·[r（k）-wT（k）y（k）]y（k）（6）

其中初始向量w（1）=0。

定義權(quán)值向量的增量delta為

Δw=w（k+1）-w（k）（7）

按照delta修正算法將式（7）改寫為

Δw=α·e（k）y（k）（8）

其中e（k）=r（k）-wT（k）y（k），它是權(quán)值向量為w（k）時產(chǎn)生的誤差。在學(xué)習(xí)過程中，誤差變化為

Δe（k）=[r（k）-wT（k+1）y（k）]-[r（k）-wT（k）y（k）]

=-[wT（k+1）-wT（k）]y（k）（9）

=-ΔwTy（k）

將式（8）代入式（9），可得

Δe（k）=-α·e（k）yT（k）y（k）=-α·e（k）‖y（k）‖2（10）

因?yàn)棣?0，分析式（10）可知，當(dāng)誤差e（k）>0時，Δe（k）<0，即e（k）將趨近于0;當(dāng)e（k）<0時，Δe（k）>0，即e（k）也將趨近于0，所以算法使得實(shí)際響應(yīng)的均方誤差最小。α的選擇影響著學(xué)習(xí)過程的收斂速度和穩(wěn)定性，一般要求0.1<α<1，在實(shí)際應(yīng)用中應(yīng)該根據(jù)感知機(jī)學(xué)習(xí)效果選擇合適的α。

3 皮革裁斷加工成品智能分揀系統(tǒng)

在皮革裁斷加工過程中，背景光線變化會對分揀系統(tǒng)造成很大的不準(zhǔn)確性問題，因此本項(xiàng)目采用背景差分法獲得運(yùn)動工件的圖像坐標(biāo)。定義image（x，y）為當(dāng)前幀，acc（x，y）為背景模型，frimage（x，y）為前景幀，α為背景更新率，其范圍為0～1，acc（x，y）初始化為0。

acc（x，y）=α*image（x，y）+（1-α）*acc（x，y）（11）

frimage（x，y）=image（x，y）-acc（x，y）（12）

運(yùn)動工件的姿態(tài)檢測先通過灰度處理，再尋找在所選檢測方向上梯度值超過閾值的點(diǎn)，對這些點(diǎn)進(jìn)行直線擬合，計(jì)算出角度。最后根據(jù)分離的前景圖像，檢測出工件位置。

將攝像機(jī)垂直于工作平面安裝，世界坐標(biāo)系位于工作平面，Z軸垂直平面向下，攝像機(jī)坐標(biāo)系與世界坐標(biāo)系無旋轉(zhuǎn)，只存在平移關(guān)系，于是有旋轉(zhuǎn)矩陣R=I（單位陣）且平移矩陣P=[0，d，0]T，d是攝像機(jī)光軸中心點(diǎn)Oc到工作平面的距離，則

x■y■z■1=■x■y■z■1=x■y■d1（13）

其中，（xc，yc，zc）為景物點(diǎn)在攝像機(jī)坐標(biāo)系下的坐標(biāo)，（xw，yw，zw）為景物點(diǎn)在世界坐標(biāo)系下的坐標(biāo)。由上式可以獲得景物點(diǎn)在攝像機(jī)坐標(biāo)系下的坐標(biāo)，則xc=xw和yc=yw，在工作平面上運(yùn)動工件的坐標(biāo)zw=0。令（u，v）是參考點(diǎn)的圖像坐標(biāo);（u1，v1）是點(diǎn)P1的圖像坐標(biāo)，（x■，y■）為點(diǎn)P1的二維世界坐標(biāo);（u2，v2）是點(diǎn)P2的圖像坐標(biāo)，（x■，y■）為點(diǎn)P2的二維世界坐標(biāo);（u0，v0）是攝像機(jī)光軸中心的圖像坐標(biāo);k■=kx/d和k■=ky/d是標(biāo)定出的攝像機(jī)參數(shù)，則坐標(biāo)變換

x■=x■+（u■-u■）/k■y■=y■+（v■-v■）/k■（14）

其中，（u■-vi）是任意一點(diǎn)Pi的二維世界坐標(biāo)。

由于廣角攝像頭會有畸變，其中以徑向畸變最為明顯，因此用線性回歸方法擬合出攝像機(jī)的徑向畸變矩陣。首先給出徑向畸變的畸變方程

u'v'=■[■]■（15）

其中，（u，v）為參考點(diǎn)的圖像坐標(biāo)，（u'，v'）為參考點(diǎn)畸變校正后的圖像坐標(biāo)，ast和bst為校正系數(shù)，s，t=0，1，2。工件的類型識別要采集各種工件的樣本，對各樣本進(jìn)行特征檢測，并訓(xùn)練形狀模型，建立工件樣本數(shù)據(jù)庫。然后對實(shí)時圖像的感興趣區(qū)域中目標(biāo)的特征進(jìn)行檢測，并與數(shù)據(jù)庫中的模型進(jìn)行匹配，計(jì)算出匹配值，選取匹配值最高的結(jié)果作為分類器的輸出。

4 總結(jié)

在皮革制品沖裁加工過程中，樣品分揀的速度與精度直接關(guān)系到皮革裁斷系統(tǒng)的效率。文本采用基于最小均方delta規(guī)則神經(jīng)網(wǎng)絡(luò)的目標(biāo)識別方法，智能識別裁斷樣品;在皮革裁斷加工過程中，考慮到背景光線變化會對分揀系統(tǒng)造成的不準(zhǔn)確性問題，采用了背景差分法，根據(jù)分離的前景圖像，檢測出工件位置，以此獲取運(yùn)動工件的精準(zhǔn)圖像坐標(biāo)，提高皮革裁斷加工的分揀效率。

【參考文獻(xiàn)】

[1]余世明.基于工業(yè)互聯(lián)網(wǎng)的皮革優(yōu)化排樣與多機(jī)協(xié)調(diào)裁斷技術(shù)及應(yīng)用[J].工業(yè)控制計(jì)算機(jī)，2018（6）：80-84.

[2]何德峰.具有摩擦力補(bǔ)償?shù)囊簤翰脭鄶?shù)控機(jī)床輪廓預(yù)測控制算法[J].工業(yè)控制計(jì)算機(jī)，2018（5）：61-63.

[3]朱海濤.基于最小均方delta規(guī)則的神經(jīng)網(wǎng)絡(luò)工件識別[J].浙江工業(yè)大學(xué)學(xué)報，2014（2）：219-236.

[4]楊世鳳，章對磊，楊燁，等.裁斷機(jī)實(shí)時監(jiān)控與故障診斷專家系統(tǒng)[J].自動化與儀表，2014，29（11）：8-11，48.

[5]李根，李培江.液壓裁斷機(jī)遠(yuǎn)程監(jiān)控系統(tǒng)的研究[J].科技展望，2016，26（25）：132-133.