摘 要： 基于人工分揀的墻地磚質量檢測環(huán)節(jié)不僅造成人力資源的浪費，更無法保證質量檢測的準確度，影響了墻地磚產品的檔次提高。為了節(jié)省成本，進一步提高墻地磚的生產效率，本文利用顏色通道下的共生矩陣特征作為圖像視覺特征，并充分利用圖像的紋理信息和顏色信息，訓練出一個適用于墻地磚缺陷分類的BP神經網絡。通過實驗結果的數(shù)據(jù)分析，基于BP神經網絡的墻地磚缺陷檢測技術能夠對多種尺寸規(guī)格、顏色、圖案的墻地磚得到較好的檢測結果。

　　關鍵詞： 顏色通道；共生矩陣特征；墻地磚缺陷；BP神經網絡

0 引言

　　我國墻地磚行業(yè)龐大，從事墻地磚生產的企業(yè)眾多，其經濟生產在國民經濟中占有重要位置[1]。然而，目前大多數(shù)墻地磚生產廠家的質量檢測主要依靠人工進行，在實際生產過程中，針對墻地磚產品的顏色和外形缺陷的自動化檢測技術相對滯后[2-4]。并且，國內利用計算機視覺技術進行墻地磚智能化檢測系統(tǒng)的開發(fā)起步較晚，但受到墻地磚生產企業(yè)的需求刺激，近年來大量關于墻地磚缺陷的理論研究也隨之展開[5-7]。本文首先利用灰度閾值分割法，將目標圖像與背景圖像進行分割，提取出數(shù)字圖像中的墻地磚目標。然后，利用圖像去噪、圖像特征提取與分析、改進的BP神經網絡等實際技術手段實現(xiàn)墻地磚的質量檢測。最后，深入研究這些方法在實際檢測過程中的應用，并通過實驗結果的數(shù)據(jù)分析，驗證了該檢測技術可以提高墻地磚檢測的準確度和速度。

1 墻地磚目標圖像獲取

　　實際的圖像獲取中，由于CCD攝像頭的光電傳感器尺寸是固定的，因此，得到的數(shù)字圖像不可能僅包含待檢測的墻地磚產品，或多或少地都會有一定的背景存在。缺陷檢測的目標只是墻地磚，背景不僅會增大計算量，還會影響檢測效果。為此，在圖像預處理環(huán)節(jié)采用灰度閾值分割法，將待檢測目標從背景中分割出來，進而得到目標圖像。

　　假設圖像g(x,y)的灰度范圍為[0,L]， 則可以在[0,L]之間選取一個灰度值T作為閾值，進而進行二值化，得到二值圖像：

　　若期望保留背景部分，僅將背景部分的像素灰度設置為0，可采用半灰度閾值法。假設背景部分較暗，即：

　　為了得到最優(yōu)的灰度閾值，使得方差最大，需要對圖像中所有像素點的灰度值進行方差計算。假設一個數(shù)字圖像的灰度級數(shù)為L，灰度值為i的像素數(shù)為ni，此時可以得到總像素數(shù)為：

　　各個灰度出現(xiàn)的頻率為：

　　假設，取灰度值k作為灰度閾值，那么可以將灰度值劃分為C1和C2兩個部分，其中，C1=（0，1，…, k-1）， C2=（k, k+1, …, L-1）。兩類灰度值分別產生的概率為：

　　兩類灰度值分別產生的灰度平均值為：

　　其中，μ為圖像中所有限速灰度的平均值：

　　兩類灰度值的方差和為：

　　根據(jù)Ostu方法的思想，只需要在[0, L-1]的范圍內改變k的值，找到使得方差最大的k值，即是最優(yōu)的灰度閾值。

2 顏色通道下的共生矩陣的圖像特征提取

　　不言而喻，顏色對于墻地磚缺陷檢測系統(tǒng)是一個很重要的特征。人類視覺對顏色的變化非常敏感，顏色也是人類感知環(huán)境的重要特征，不同顏色代表的信息含量也不相同[8]。隨著人們對計算機視覺技術的深入研究，以及對圖像處理技術的進一步探索和深入，灰度圖像包含的信息已經不能滿足人們的需求。為了彌補灰度圖像丟失掉的細節(jié)和重要的色彩信息，結合顏色的計算機視覺技術得到了廣泛應用。因此，本文在系統(tǒng)中引入了在顏色通道下的圖像紋理特征。

　　對于非純色墻地磚而言，為了更好地描述墻地磚的特性，必須在特征中加入顏色特征，這樣才能保證檢測的客觀性和準確性。CCD攝像系統(tǒng)能夠拍攝出墻地磚的RGB圖像，利用3種顏色通道下的統(tǒng)計信息，計算6個顏色特征，分別是紅綠藍3種顏色分量的均值tr，tg，tb和方差vr，vg，vb。利用這6個顏色特征和之前提出的6個統(tǒng)計量，作為表征圖像的特征向量：

　　并以此反映墻地磚整體顏色和紋理分布的情況。

　　由于圖像獲取過程中存在噪聲的干擾，以及存在可接受缺陷的二等品墻地磚等原因，使得標準墻地磚之間的參數(shù)也會存在一定差異。為了解決這個問題，對每種類型的墻地磚都訓練出獨立的一組判斷向量T。

　　首先，假設一組擁有n個標準或可接受缺陷的訓練樣本，分別提取出特征向量Fk，k=1,2,…,n，進而，計算得到這n個特征向量的均值和方差，那么判斷向量的第z個元素為：

　　本文中，α取1.5~3之間的實數(shù)，調整這個參數(shù)可以調節(jié)判斷向量的檢測靈敏度。其中，對于z=1,2,3,…

　　對于某一待測試墻地磚提取的特征向量F，與判斷向量c進行比較，如果滿足以下不等式：

　　則說明該塊墻地磚存在缺陷。

　　3 建立BP神經網絡

　　標準BP神經網絡的收斂速度較慢，而且容易陷入局部極小值，無法達到全局最優(yōu)解[9-10]。為了解決這兩個問題，本文采用優(yōu)化策略，對BP神經網絡進行整體的性能優(yōu)化。

　?、?采用動量權值調整策略改進BP神經網絡算法。動量權值調整策略的中心思想是將上一輪權值調整量作為更新值的一部分迭加到本次的誤差計算上，以獲得反饋后的權值調整量，即：

　　其中，α為動量系數(shù)，一般取(0,1)范圍內的數(shù)值；η為學習率，在實際工程中，按照經驗，一般取(0.01,0.8)范圍內的數(shù)值。這種方法加入動量系數(shù)本質上是加入一個阻尼項，減緩了學習過程中的震蕩趨勢，從而改善神經網絡參數(shù)的收斂性。

　　⑵ 自適應調整訓練速率。造成標準BP神經網絡收斂速度緩慢的一個重要原因是學習率的選擇不當，為了解決這個問題，加速參數(shù)的收斂速度，可以在調整學習率的過程中采用自適應的調整方法。自適應調整的基本思想是，在訓練收斂的情況下，放大學習率，以減少訓練時間；在訓練不收斂的情況下，縮小學習率，以保證訓練的收斂性，直到參數(shù)收斂為止。

　　自適應的調整方法有很多，本文采用如下方法：首先初始化學習率η0，若經過一輪權重調整后，神經網絡的總誤差放大，則減小學習率，令η1=a η0（0< a <1）；若總誤差減小，說明權值調整有效，則令η1=b η0（ b>1）。

4 實驗設計及結果比較

　　4.1 實驗設計

　　實驗數(shù)據(jù)包括兩個部分：訓練數(shù)據(jù)集和測試數(shù)據(jù)集。其中，訓練數(shù)據(jù)集包括100塊標準墻地磚圖像，用于訓練神經網絡的參數(shù)；測試數(shù)據(jù)集包括500塊未知質量的墻地磚圖像，用來測試神經網絡的性能。

　　本文構建的BP神經網絡僅含有一層隱含層，即最基本的神經網絡結構。神經網絡中的權值和閾值都初始設置為1，第一次的傳遞函數(shù)選用雙曲正切函數(shù)，第二次的傳遞函數(shù)選用對數(shù)函數(shù)。通過抽取部分樣本進行反復實驗，選用帶動量的批處理梯度下降法對模型進行優(yōu)化。

　　共生矩陣的特征向量共有6個部分，分別是共生矩陣的二階矩、對比度、相關性、方差、熵和逆差矩。因此分類器的輸入層包含6個節(jié)點，分別對應這6個特征值。輸出層包括兩個節(jié)點，當輸出組合為[1,0]時，表示當前樣本為合格產品，當輸出組合為[0,1]時，表示當前樣本為不合格產品。按照抽取部分樣本進行重復實驗，本文構建的BP神經網絡隱含層包含13個節(jié)點。

　　類似地，對差分矩陣特征和顏色通道下的共生矩陣特征均建立對應的BP神經網絡。

　　4.2 結果比較

　　基于100塊訓練樣本訓練得到的BP神經網絡對500塊測試樣本進行測試。為了驗證本文設計的系統(tǒng)的檢測性能，本文重現(xiàn)了參考文獻[11]中基于馬爾科夫隨機場對墻地磚缺陷進行檢測的方法。參考文獻[11]中檢測方法主要對墻地磚的兩種缺陷檢測進行了討論，包括色斑缺陷和孔穴缺陷。下面將驗證對比參考文獻[11]中方法的檢測性能，以及本文中利用顏色通道下的共生矩陣特征訓練的BP神經網絡的檢測性能。檢測的主要缺陷項目除了參考文獻[11]中提到的色斑缺陷和孔穴缺陷，還包括裂紋、凸塊、凹陷和紋理不勻。

　　同時，為了驗證圖像目標提取過程對實驗的影響，將沒有進行墻地磚目標獲取的數(shù)字圖像作為輸入，采用BP神經網絡對墻地磚缺陷進行檢測。表1展示了這3種方法對6種缺陷的檢測率。

　　從表1中可以看出，相比于馬爾科夫隨機場，利用BP神經網絡訓練的墻地磚缺陷分類器具有較強的分類性能。由于原始的數(shù)字圖像的背景部分較小，即使沒有目標獲取過程，產生的分類性能也要遠遠比馬爾科夫隨機場訓練出來的分類器更優(yōu)異。但是加入目標獲取過程，得到的性能顯然更好。加入墻地磚目標獲取環(huán)節(jié)對整個墻地磚缺陷智能檢測系統(tǒng)很有幫助。

5 結論

　　基于BP神經網絡的墻地磚缺陷檢測技術能夠滿足當前我國墻地磚企業(yè)的生產需求。通過融合計算機視覺檢測技術和軟硬件環(huán)境，實現(xiàn)較為理想的墻地磚質量檢測效果。通過實驗分析，該系統(tǒng)擁有較高的質量檢測準確度和運行穩(wěn)定性，能夠滿足不同尺寸、不同顏色、不同花色的墻地磚質量檢測，具有較高的實際應用意義。在保證質量檢測性能的基礎上，該系統(tǒng)能夠大大降低人工勞動強度，提高墻地磚生產的自動化程度。

參考文獻

　　[1] 李先平. 墻地磚的自動揀選[J]. 天津城市建設學院學報, 1995(3):39-45.

　　[2] 陳帆. 現(xiàn)代陶瓷工業(yè)技術裝備（第2版）[M]. 北京:中國建材工業(yè)出版社, 1995.

　　[3] 陶瓷墻地磚生產組. 陶瓷墻地磚生產[M]. 北京:中國建材工業(yè)出版社, 1983.

　　[4] Hocenski Z F,Nyarko E K. Surface quality control of ceramic tiles using neural networks approach [C]. Proceedings of the 2002 IEEE International Synposium on Industrial Electronics, 2002.

　　[5] 朱大國. 瓷質墻地磚顏色及尺寸在線監(jiān)測方法[D]. 武漢:華中科技大學, 2002.

　　[6] 趙新亞. 墻地磚缺陷的智能檢測技術研究[D]. 沈陽:沈陽建筑大學, 2011.

　　[7] 邢希東,高軍. 潑水算法與墻地磚表面缺陷的識別與分級研究[J]. 山東工程學院學報, 2002,16(2):48-50.

　　[8] 耿國華, 王克剛, 李康. 基于色彩紋理特征的圖像分類及應用[J]. 西北大學學報, 2010,40(1):53-56.

　　[9] 鐘珞,饒文碧,鄒承明. 人工神經網絡及其融合應用技術[M]. 北京: 科學出版社, 2008.

　　[10] 薩馬拉辛克. 神經網絡在應用科學和工程中的應用[M]. 史曉霞,陳一民,李軍治,等,譯. 北京: 機械工業(yè)出版社, 2010.

　　[11] 艾矯燕. 基于計算機視覺的墻地磚顏色分類和缺陷檢測研究[D]. 廣州:華南理工大學, 2003.