基于并行綜合學(xué)習(xí)粒子群算法的織物圖像疵點(diǎn)檢測(cè)

葛蕓萍

(黃河水利職業(yè)技術(shù)學(xué)院，河南開封 475004)

紡織品在生產(chǎn)過程中受原材料、靜電、溫濕度等因素影響，會(huì)產(chǎn)生各種各樣的疵點(diǎn)并嚴(yán)重影響紡織品的使用價(jià)值，因此在驗(yàn)布過程中需要及時(shí)檢測(cè)出疵點(diǎn)[1]。人工方法對(duì)織物疵點(diǎn)檢測(cè)是在無眩光的背面窗旁或日光燈照明條件下通過經(jīng)驗(yàn)檢測(cè)。此方法簡(jiǎn)單，但是存在效率低、漏檢率高等缺點(diǎn)，檢驗(yàn)結(jié)果正確率較低。自動(dòng)化檢測(cè)織物疵點(diǎn)已成為對(duì)織物質(zhì)量進(jìn)行控制和實(shí)現(xiàn)織造及驗(yàn)布工序的關(guān)鍵環(huán)節(jié)，因此受到了紡織行業(yè)的關(guān)注。目前較為成熟的織物圖像疵點(diǎn)檢測(cè)算法有：小波變換(Wavelet transform,WT)檢測(cè)方法[2]，如果邊緣周圍存在與疵點(diǎn)相似的痕跡，就很容易造成算法的誤判，對(duì)疵點(diǎn)定位效果明顯下降。均值濾波(Mean filtering，MF)檢測(cè)方法計(jì)算比較簡(jiǎn)單[3]，但是不能很好地保護(hù)圖像細(xì)節(jié)，對(duì)圖像邊緣的處理效果比較差。神經(jīng)網(wǎng)絡(luò)(Neural network，NN)算法[4]，訓(xùn)練神經(jīng)網(wǎng)絡(luò)需要大量的數(shù)據(jù)樣本，但是織物生產(chǎn)過程的復(fù)雜性，隨機(jī)出現(xiàn)的疵點(diǎn)很可能存在與訓(xùn)練模型不一致，難以準(zhǔn)確判斷疵點(diǎn)，同時(shí)神經(jīng)網(wǎng)絡(luò)參數(shù)值難于確定。裂變粒子濾波(Fission particle filter,FPF)算法[5]，粒子的多次裂變生成更多的粒子，粒子濾波獲得疵點(diǎn)區(qū)域的最佳分割閾值，但是粒子多次裂變的次數(shù)不易控制。雙混沌機(jī)制粒子群(Double chaotic mechanism particle swarm optimization，DCMPSO)算法[6]，在粒子群的全局、局部尋優(yōu)中采用不同的混沌機(jī)制，利于粒子群搜索到最優(yōu)解，但是雙混沌機(jī)制增加了算法的復(fù)雜性，檢測(cè)速度較低。改進(jìn)宇宙(Improved universe，IU)算法[7]，通過設(shè)計(jì)宇宙空間拓?fù)浣Y(jié)構(gòu)以及宇宙進(jìn)化策略使得檢測(cè)率上具有較大的優(yōu)越性及良好的適應(yīng)性，但是宇宙空間拓?fù)浣Y(jié)構(gòu)對(duì)宇宙之間移民、交互存在制約性，導(dǎo)致具有傾斜度的疵點(diǎn)無法檢測(cè)出。

本文采用并行綜合學(xué)習(xí)粒子群算法(Parallel comprehensive learning particle swarm optimization，PCLPSO)對(duì)疵點(diǎn)進(jìn)行檢測(cè)，綜合學(xué)習(xí)策略保持種群多樣性，使群體的搜索范圍加大，并行分群策略算法能夠在增加全局搜索最優(yōu)解的同時(shí)減少搜索時(shí)間。

1 織物疵點(diǎn)顯著性增強(qiáng)

1.1 織物疵點(diǎn)灰度計(jì)算

在織物下方通過高頻率熒光燈光源照射[8]，其上方的光學(xué)系統(tǒng)計(jì)算光敏面上成像單元ds的亮度信號(hào)Φ，見式(1)：

(1)

式中：τ0為光學(xué)系統(tǒng)的透射率；π為圓周率；L為透光亮度；F為透鏡光圈數(shù)；ds為光敏面像元的單位面積。

為計(jì)算方便，需要把Φ進(jìn)行轉(zhuǎn)換為電信號(hào)Q，見式(2)：

Q=η·t·Φ

(2)

式中：t為曝光時(shí)間；η為光學(xué)系統(tǒng)響應(yīng)系數(shù)。

再利用圖像采集卡采集織物圖像的灰度值，見式(3)：

h=k·η·t·Φ

(3)

式中：h為通過光敏面形成的織物像素灰度值；k為圖像采集卡的圖像轉(zhuǎn)換系數(shù)。

光敏面成像單元的Φ信號(hào)決定了圖像采集卡所獲像素的灰度值，通過計(jì)算Φ信號(hào)的差值即可發(fā)現(xiàn)織物疵點(diǎn)，假設(shè)織物有疵點(diǎn)透光亮度為L(zhǎng)1，織物無疵點(diǎn)透光亮度為L(zhǎng)2，經(jīng)過光學(xué)系統(tǒng)采樣、量化，則獲得織物圖像的灰度值，見式(4)：

(4)

當(dāng)織物有疵點(diǎn)時(shí)，其像元處產(chǎn)生透光率的變化為Δτ，并且與織物的灰度值變化成正比，見式(5)：

(5)

因此Δτ即可獲得織物圖像的疵點(diǎn)，Δτ變化越大，說明疵點(diǎn)面積最大。

1.2 多尺度顯著性增強(qiáng)

當(dāng)獲得待檢測(cè)織物圖像疵點(diǎn)后,需要把疵點(diǎn)與周圍像素進(jìn)行區(qū)分,以便檢測(cè)。但是疵點(diǎn)周圍可能存在一些噪聲[9-10],使得疵點(diǎn)表現(xiàn)不具有顯著性,因此需要把疵點(diǎn)進(jìn)行顯著性增強(qiáng)。在織物圖像疵點(diǎn)顯著性增強(qiáng)中，基于像素方法由于需要統(tǒng)計(jì)大量的像素導(dǎo)致計(jì)算量比較大，同時(shí)也影響了運(yùn)行效率。由于織物疵點(diǎn)往往集中在圖像的顯著區(qū)域，同時(shí)圖像灰度變化值比周圍非疵點(diǎn)區(qū)域圖像灰度變化值大，因此通過圖像灰度值差異來獲得顯著區(qū)域，即檢測(cè)出疵點(diǎn)區(qū)域。

將圖像劃分為若干個(gè)塊，把圖像所對(duì)應(yīng)的塊pi與其余塊pj對(duì)比，灰度值之間的差異性計(jì)算，見式(6)：

(6)

式中：pi為以像素i為中心的像素塊，pj為以像素j為中心的像素塊，dgray(pi,pj)為像素塊pi、像素塊pj灰度值的歐式距離，dposition(pi,pj)為像素塊pi和像素塊pj的歐式距離，gi為像素塊pi的灰度值均值，gj為像素塊pj的灰度值均值，(Xi、Yi)為像素塊pi的中心坐標(biāo)，(Xj、Yj)為像素塊pj的中心坐標(biāo)，c為調(diào)節(jié)系數(shù)，根據(jù)文獻(xiàn)以及驗(yàn)證其值取3較好。

如果像素塊之間灰度值差異越大，塊之間的位置距離越遠(yuǎn)，則d(pi,pj)值越大，越顯著。為了使計(jì)算簡(jiǎn)便進(jìn)行，把dgray(pi,pj)和dposition(pi,pj)歸一化在[0,1]之間。

在織物圖像中，如果計(jì)算圖像中全部與pi相似的像素塊，則產(chǎn)生大量的數(shù)據(jù)計(jì)算，因此在實(shí)際疵點(diǎn)檢測(cè)中，為了評(píng)估像素塊唯一性，不需要考慮與其他所有像素塊的不同，只需計(jì)算K個(gè)與pi相似的像素塊，根據(jù)Goferman算法[11]，當(dāng)K取64時(shí)檢測(cè)效果較好。在某尺度r下，則像素塊pi的單尺度顯著性值，見式(7)：

(7)

單尺度顯著性計(jì)算無法避免背景部分對(duì)疵點(diǎn)區(qū)域的影響，通過多尺度顯著性計(jì)算使得疵點(diǎn)區(qū)域顯著性增強(qiáng)，假設(shè)像素塊pi顯著性檢測(cè)的n個(gè)多尺度集合為R={r1,r2,…,rn}，將多尺度顯著性的均方根值計(jì)算為像素塊pi的顯著性值，見式(8)：

(8)

利用距離上的信息降低離顯著區(qū)域遠(yuǎn)的非顯著區(qū)域的顯著值，從而弱化背景紋理的影響，顯著性值計(jì)算見式(9)：

(9)

式中：dfoci(i)為像素i與最鄰近的顯著像素的位置歐氏距離，且歸一化至區(qū)間[0,1]。

最后通過并行綜合學(xué)習(xí)粒子群算法尋優(yōu)獲得疵點(diǎn)區(qū)域的分割閾值。

2 并行綜合學(xué)習(xí)粒子群算法

2.1 基本粒子群算法

基本粒子群算法啟動(dòng)時(shí)隨機(jī)產(chǎn)生一定數(shù)量的粒子，在搜索空間中尋找最合適的解決方案，更新速度和位置信息，見式(10)：

(10)

式中：t為迭代次數(shù)，vi,j(t)為第i個(gè)粒子在第t次迭代時(shí)的第j維速度，xi,j(t)為第i個(gè)粒子在第t次迭代時(shí)的第j維位置，pi,j為當(dāng)前最佳解，gg,j為歷史最佳解，ω為權(quán)重，c1、c1為相互獨(dú)立的隨機(jī)函數(shù)，c1、c2為調(diào)節(jié)pi,j、gg,j的加速參數(shù)。

pi,j、gg,j在優(yōu)化過程中不斷更新，在算法的最后找到全局最優(yōu)或接近全局最優(yōu)的解，但是基本粒子群算法在運(yùn)行后期存在收斂速度慢、易陷入局部最優(yōu)的缺點(diǎn)。

2.2 并行綜合學(xué)習(xí)過程

2.2.1 綜合學(xué)習(xí)過程

當(dāng)粒子i的最優(yōu)值變化較小的時(shí)候，綜合學(xué)習(xí)粒子群算法對(duì)其速度更新見式(11)：

vi,j(t+1)=ωvi,j(t)+c1r1[pfi(j)-xi,j(t)]

(11)

式中：pfi(j)為第i個(gè)粒子第j維位置參數(shù)對(duì)應(yīng)的學(xué)習(xí)對(duì)象，fi=[fi(1),fi(2),…,fi(J)]表示粒子i將學(xué)習(xí)哪個(gè)粒子的歷史最優(yōu)值，對(duì)于J維問題，隨機(jī)選取l維向群體最佳經(jīng)驗(yàn)gg,j學(xué)習(xí)，而剩下的J-l維則根據(jù)學(xué)習(xí)概率pc來決定是學(xué)習(xí)粒子自身的最佳經(jīng)驗(yàn)還是學(xué)習(xí)其他粒子的最佳經(jīng)驗(yàn)[12-13]。

假定第i個(gè)粒子的第j維位置存在局部吸引因子μij，見式(12)：

(12)

每個(gè)粒子的學(xué)習(xí)概率pc決定局部吸引因子μij主要向哪個(gè)粒子學(xué)習(xí)，見式(13)：

(13)

式中：pcmax和pcmin分別為學(xué)習(xí)概率最大值和最小值，e為算法間隔代數(shù)，M為粒子群的大小，本文pcmax=0.5，pcmin=0.05，e=10。

對(duì)于粒子i的每一維，首先產(chǎn)生一個(gè)隨機(jī)數(shù)u，如果u>pc，則從自身個(gè)體的最優(yōu)值學(xué)習(xí)；否則，采用局部吸引因子比較方法隨機(jī)選取種群中另外一個(gè)粒子的相應(yīng)維進(jìn)行更新，其步驟為：

a)隨機(jī)從種群中選擇兩個(gè)速度未更新的粒子；

b)比較兩個(gè)粒子的局部吸引因子，選擇局部吸引因子較大的粒子；

c)把選擇步驟b)的粒子所在維的個(gè)體最優(yōu)值作為學(xué)習(xí)依據(jù)。

2.2.3 并行搜索過程

為了減少搜索時(shí)間[14]，采用并行搜索過程，并行綜合學(xué)習(xí)粒子群算法通過多群和合作策略提高了解的質(zhì)量和全局搜索能力,提高計(jì)算效率。

在并行策略中，粒子群被分為多個(gè)子群體。每個(gè)子群代表一個(gè)群體，并且每個(gè)子群只有兩種群：主群和從群，主群主要進(jìn)行全局搜索，獲得全局最優(yōu)值，從群主要進(jìn)行局部搜索，獲得局部最優(yōu)值，主群和從群的個(gè)體都進(jìn)行均勻分布，使得盡可能少的粒子能全面地表征整個(gè)空間所有潛在解的分布，并且各個(gè)子群的全局最優(yōu)值與局部最優(yōu)值可相互共享，分別將每個(gè)子群中粒子的坐標(biāo)以各個(gè)坐標(biāo)軸對(duì)應(yīng)的最大值、最小值為邊界，構(gòu)建出等同于峰值點(diǎn)數(shù)的各個(gè)并行空間。各個(gè)子群si，i∈(1,2,…,n)獨(dú)立運(yùn)行，因此每個(gè)子群si均可探索整個(gè)搜索區(qū)域。

主群內(nèi)部粒子個(gè)體更新搜索策略，見式(14)：

(14)

然后，從群內(nèi)部粒子個(gè)體更新搜索策略，見式(15)：

(15)

2.3 疵點(diǎn)檢測(cè)過程

在閾值分割疵點(diǎn)顯著區(qū)域過程中，把疵點(diǎn)區(qū)域的顯著性值作為粒子個(gè)體的適應(yīng)度，見式(16)：

(16)

式中：ζi為第i個(gè)粒子個(gè)體的適應(yīng)度。

粒子群收斂狀態(tài)通過適應(yīng)度方差σ2判斷，見式(17)：

(17)

式中：ζavg為粒子群的平均適應(yīng)度，ξ為歸一化因子。

ξ主要是限制群體適應(yīng)度方差，計(jì)算見式(18)：

ξ=max(1,max|ζi-ζavg|)

(18)

當(dāng)ξ<0.015時(shí)，此時(shí)停止粒子群并行搜索、綜合學(xué)習(xí)，其算法步驟如下：

a)輸入待檢測(cè)圖像；

b)設(shè)置PCLPSO相關(guān)參數(shù)，包括粒子個(gè)數(shù)、最大迭代次數(shù)、劃分并行子群數(shù)量等；

c)粒子的位置、飛行速度隨機(jī)初始化；

d)按照式(11)、式(14)、式(15)更新粒子群；

e)若ξ<0.015或到最大迭代次數(shù)，則算法結(jié)束，運(yùn)行步驟f)；否則運(yùn)行步驟d)；

f)輸出疵點(diǎn)檢測(cè)結(jié)果。

3 實(shí)驗(yàn)仿真

實(shí)驗(yàn)硬件配置內(nèi)存為16 GB，CPU 3.0GHz、獨(dú)立顯卡2 GB，軟件為Matlab 7.0，工業(yè)相機(jī)在織物上方15 cm處垂直拍攝以獲取織物圖像。粒子重要參數(shù)：種群總數(shù)量為150個(gè)、最大迭代次數(shù)為400次、并行子群數(shù)量為8個(gè)、ω=0.8、c1=2.0、c2=1.5。

3.1 檢測(cè)結(jié)果

各種算法對(duì)不同疵點(diǎn)檢測(cè)，涉及到的算法有PCLPSO與WT、MF、NN、FPF、DCMPSO、IU，涉及到的織物圖像疵點(diǎn)有：破損、缺失、移位、斷經(jīng)，疵點(diǎn)檢測(cè)結(jié)果如圖1所示。從圖1各種算法對(duì)比實(shí)驗(yàn)可以看出，本文算法對(duì)織物不同疵點(diǎn)檢測(cè)效果較清晰，疵點(diǎn)區(qū)域的細(xì)節(jié)信息保留，在復(fù)雜的織物圖像中，本文算法不僅很好避免的背景紋理影響，而且疵點(diǎn)區(qū)域完整檢測(cè)出來，受噪聲干擾比較小，這是因?yàn)椴⑿芯C合學(xué)習(xí)粒子群算法對(duì)織物圖像疵點(diǎn)檢測(cè)時(shí)，疵點(diǎn)區(qū)域通過多尺度顯著性增強(qiáng)，把非顯著性區(qū)域弱化，從而有效地突出了織物疵點(diǎn)區(qū)域。其他算法對(duì)背景簡(jiǎn)單的織物圖像檢測(cè)有效，在檢測(cè)背景噪聲比較明顯時(shí)效果較差。

圖1 各種算法對(duì)各種疵點(diǎn)檢測(cè)結(jié)果Fig.1 Detection results of various defects of different algorithms

3.2 算法性能比較分析

3.2.1 疵點(diǎn)檢測(cè)準(zhǔn)確率性能比較分析

為驗(yàn)證算法的有效性，對(duì)疵點(diǎn)檢測(cè)準(zhǔn)確率指標(biāo)性能比較分析，見式(19)。

Z/%=Z1/Z2×100

(19)

式中：Z為準(zhǔn)確率；Z1為檢測(cè)出疵點(diǎn)數(shù)；Z2為疵點(diǎn) 總數(shù)。

各種算法對(duì)破損、缺失、移位、斷經(jīng)疵點(diǎn)檢測(cè)，分別進(jìn)行40次蒙特卡羅仿真實(shí)驗(yàn)，檢測(cè)準(zhǔn)確率指標(biāo)性能比較如圖2所示。從圖2可以看出，PCLPSO算法對(duì)各種疵點(diǎn)檢測(cè)準(zhǔn)確率較高，其中破損疵點(diǎn)檢測(cè)準(zhǔn)確率為88.15%，相比WT、MF、NN、FPF、DCMPSO、IU分別提高了1.91%、2.50%、4.32%、6.20%、8.16%、10.19%；缺失疵點(diǎn)檢測(cè)準(zhǔn)確率為90.46%，相比WT、MF、NN、FPF、DCMPSO、IU分別提高了2.21%、4.12%、5.68%、7.05%、8.99%、10.99%；移位疵點(diǎn)檢測(cè)準(zhǔn)確率為93.87%，相比WT、MF、NN、FPF、DCMPSO、IU分別提高了2.59%、3.72%、4.77%、6.19%、7.16%、8.39%；斷經(jīng)疵點(diǎn)檢測(cè)準(zhǔn)確率為86.54%，相比WT、MF、NN、FPF、DCMPSO、IU分別提高了1.81%、3.39%、4.52%、6.18%、8.18%、10.24%。

圖2 不同算法對(duì)各種疵點(diǎn)檢測(cè)準(zhǔn)確率指標(biāo)結(jié)果Fig.2 Defect detection accuracy index results of various defects of different algorithms

3.2.2 消耗時(shí)間指標(biāo)性能比較

統(tǒng)計(jì)各種算法獲得疵點(diǎn)檢測(cè)準(zhǔn)確率的消耗時(shí)間，分析結(jié)果如圖3所示。從圖3可以看出，本文PCLPSO算法對(duì)破損疵點(diǎn)檢測(cè)消耗時(shí)間為3.11 s；缺失疵點(diǎn)檢測(cè)消耗時(shí)間為2.81 s；移位疵點(diǎn)檢測(cè)消耗時(shí)間為2.42 s；斷經(jīng)疵點(diǎn)檢測(cè)消耗時(shí)間為3.26 s；消耗時(shí)間均少于其他算法，這說明本文PCLPSO算法具有較強(qiáng)的處理性能。

圖3 不同算法對(duì)各種疵點(diǎn)消耗時(shí)間指標(biāo)結(jié)果Fig.3 Time consuming index results of various defects of different algorithms

4 結(jié) 語

本文采用并行綜合學(xué)習(xí)粒子群算法對(duì)疵點(diǎn)進(jìn)行檢測(cè)，通過織物透光率獲得織物圖像的疵點(diǎn)，多尺度顯著性增強(qiáng)疵點(diǎn)區(qū)域；綜合學(xué)習(xí)粒子增設(shè)局部吸引因子，多群和并行策略提高全局搜索能力。實(shí)驗(yàn)仿真顯示本文算法識(shí)別疵點(diǎn)清晰，對(duì)破損疵點(diǎn)檢測(cè)準(zhǔn)確率為88.15%，檢測(cè)消耗時(shí)間為 3.11 s；缺失疵點(diǎn)檢測(cè)準(zhǔn)確率為90.46%，檢測(cè)消耗時(shí)間為2.81 s；移位疵點(diǎn)檢測(cè)準(zhǔn)確率為 93.87%,檢測(cè)消耗時(shí)間為 2.42 s；斷經(jīng)疵點(diǎn)檢測(cè)準(zhǔn)確率為86.54%，檢測(cè)消耗時(shí)間為3.26 s，檢測(cè)指標(biāo)優(yōu)于其他算法，為織物圖像疵點(diǎn)檢測(cè)研究提供了一種新方法。