CN105913450A - 基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法及系统 - Google Patents

Abstract

本发明公开了一种基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法及系统，该方法包括以下步骤：S1、获取样本集中的胶料图像，对其进行预处理，并提取特征数据；S2、获取样本集中一部分胶料图像的特征数据作为训练数据，分别根据BP网络模型和RBF网络模型对训练数据进行训练，通过自适应遗传算法得到最优混合系数，根据最优混合系数对两个网络模型进行并联，得到BP‑RBF混合神经网络评价模型；S3、获取样本集中另一部分胶料图像的特征数据作为评价数据，将其代入训练得到的BP‑RBF混合神经网络评价模型中，输出获得胶料中炭黑分散度等级。本发明具有较高的准确度，且可在使用中随着样本数的增加对参数进行调整与优化，具有很强的健壮性。

Description

基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法及系统

技术领域

本发明涉及橡胶质量检测技术领域，尤其涉及一种基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法及系统。

背景技术

炭黑作为橡胶混炼过程中份额最大同时也是最为重要的补强性填料，其与生胶的混合均匀性直接影响到胶料的物理机械性能。在工业生产中以1-10十个等级标定混合均匀的程度，即炭黑分散度，并以分散度作为一个重要尺度去衡量胶料和其胶制品质量的好坏。

BP(Back Propagation)神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。RBF神经网络即径向基函数神经网络(Radical Basis Function)。径向基函数神经网络是一种高效的前馈式神经网络，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快。同时，它也是一种可以广泛应用于模式识别、非线性函数逼近等领域的神经网络模型。

申请号为CN201410450926.0，公告号为CN104325571A的专利，公开了一种橡胶开炼机混炼胶炭黑分散度在线预测方法,利用开炼机炼胶过程中检测的各项过程参数(包括辊筒横压力,排胶温度,排胶功率,单位能耗等)与已经建立好的炭黑分散度与过程参数的数学模型,来预测混炼过程中混炼胶的炭黑分散度。但是实际上，这些过程参数不单单只受分散度的影响，还受诸如配合填料的种类及用量、生胶本身门尼粘度等其他因素的影响，因此评价的结果不够准确。

申请号为CN201210287496.6，公告号为CN102830063A的专利，公开了一种检测橡胶中炭黑的方法，该专利利用图像处理技术实现胶料中炭黑的检测，并能处理胶料图像中存在的杂质。但是并没有涉及到后续的炭黑分散度评价工作。

发明内容

本发明要解决的技术问题在于针对现有技术中橡胶混炼过程中炭黑分散度测量难度大，且不准确的缺陷，提供一种通过图像识别的方法准确判断炭黑分散度的基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法及系统。

本发明解决其技术问题所采用的技术方案是：

本发明提供一种基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法，包括以下步骤：

S1、获取样本集中的胶料图像，对其进行预处理，并提取预处理后的胶料图像的特征数据；

S2、训练阶段：获取样本集中一部分胶料图像的特征数据作为训练数据，分别根据BP网络模型和RBF网络模型对训练数据进行训练，通过自适应遗传算法得到最优混合系数，根据最优混合系数对两个网络模型进行并联，得到BP-RBF混合神经网络评价模型；

S3、评价阶段：获取样本集中另一部分胶料图像的特征数据作为评价数据，将其代入训练得到的BP-RBF混合神经网络评价模型中，输出获得胶料中炭黑分散度等级。

进一步地，本发明的步骤S2中的BP-RBF混合神经网络评价模型的表达式为：

Y(x)＝ρ1YBP(x)+ρ2YRBF(x)

其中，YBP(x)为BP网络模型的输出值，YRBF(x)为RBF网络模型的输出值，混合网络模型输出为Y(x)，ρ1、ρ2为最优混合系数。

进一步地，本发明的步骤S1中对胶料图像进行预处理的方法具体为：

对胶料图像进行模糊度评价，保留清晰图像，并对图像进行去噪和分割。

进一步地，本发明的步骤S1中对图像进行模糊度评价的方法具体为：

采用TenenGrad评价函数对图像进行模糊度评价，以评价函数值F对图像有效性进行判断；模糊图像与清晰图像的界限位于40，F值超过40的图像就认为其适合进行分散等级的评价。

进一步地，本发明的步骤S2中采用BP网络模型进行训练的方法具体为：

步骤1、对原始数据进行标准化构造样本阵，设有n个样本，数据维数为p，原始样本阵X＝(x_i1,x_i2,…x_ip)^T,i＝1,2,3…n，进行标准化变换后新样本阵为：

$Z_{ij}=\frac{x_{ij}-\stackrel{\‾}{x_j}}{s_j},i=1,2,...,n;j=1,2,...,p$

其中为∑x_ij/n，可求得标准化样本阵Z；

步骤2、对样本阵Z计算相关系数阵R，其中：

r_ij＝∑z_ij·z_kj/(n-1)，i,j＝1,2,…,p

$R={\[r_{ij}\]}_p{x}_p=\frac{Z^{T}Z}{n-1}$

步骤3、计算相关阵R的特征值及特征向量，|R-λI_p|＝0，可求得p个特征值并按大小排序为λ₁，λ₂，…,λ_p，特征根为e₁,e₂,…,e_p；

步骤4、计算各主成分贡献率为λ_i/∑λ_i，选择的前m个主成分贡献率累计之和达85％到95％；

步骤5、将样本阵转化为主成分，转换矩阵为B＝(e₁,e₂,…,e_p)，新的样本阵U为：

进一步地，本发明的步骤S2中采用RBF网络模型进行训练的方法具体为：

步骤1、随机初始化基函数的中心u、平滑度σ和隐含层到输出层的连接权值w_ij；则输入至输出的表达式：

y＝∑w_ij exp(-||x-u||²/2σ²)

步骤2、以梯度下降法对三种参数进行修正，实际输出与期望输出的均方误差为：E＝1/2∑(d_i-y_i)²，其中d为期望输出，参数修正的公式如下：

${\mathrm{\Δu}}_j=-\mathrm{\η}\frac{\∂E}{\∂u_j},{\mathrm{\Δu}}_j=-\mathrm{\η}\frac{\∂E}{\∂w_j},{\mathrm{\Δw}}_j=-\mathrm{\η}\frac{\∂E}{\∂w_j}.$

进一步地，本发明的步骤S2中通过自适应遗传算法得到最优混合系数的方法具体为：

步骤1、初始化遗传参数与混合网络混合系数，对基本解空间进行编码；

步骤2、计算群体中各个体适应度，将其与适应度标值进行比较，其中计算适应度的公式为：

$f\left(x\right)=\frac{1}{2}\underset{i=1}{\overset{N}{\Σ}}{(y_i-t_i)}^2$

其中，N为输出个数，y和t为网络实际输出与期望输出；

步骤3、若比较结果不满足终止条件，按照个体相似性选择个体，计算交叉、变异概率，交叉、变异生成新一代群体，并返回步骤2重新计算；

若比较结果满足终止条件，选择种群中适应度最高的个体解码值作为最优混合系数。

进一步地，本发明的步骤S1中特征数据包括：图像中炭黑粒子总面积，单位为像素点；炭黑粒子平均面积；最大炭黑粒子面积；将图像分为16个等分区域，各区域中炭黑面积的标准差；以各炭黑粒子质心坐标构成一个点集限定边界作维诺图，维诺图各Dirichiet区面积的标准差。

本发明提供一种基于神经网络图像处理的轮胎橡胶炭黑分散度评价系统，包括：

图像特征数据获取单元，用于获取样本集中的胶料图像，对其进行预处理，并提取预处理后的胶料图像的特征数据；

训练单元，用于获取样本集中一部分胶料图像的特征数据作为训练数据，分别根据BP网络模型和RBF网络模型对训练数据进行训练，通过自适应遗传算法得到最优混合系数，根据最优混合系数对两个网络模型进行并联，得到BP-RBF混合神经网络评价模型；

评价单元，用于获取样本集中另一部分胶料图像的特征数据作为评价数据，将其代入训练得到的BP-RBF混合神经网络评价模型中，输出获得胶料中炭黑分散度等级。

本发明产生的有益效果是：本发明的基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法，通过对预处理后的胶料图像进行处理，根据自适应遗传算法得到混合系数构建BP-RBF混合网络模型，能够直接对轮胎胶料进行观察，进行分散度等级评价，而不是通过过程参数间接反应分散度等级，减少了干扰因素对评价准确率的影响；该评价模型具有较高的准确度，对分散度等级的分辨率也有所提高，且可以在使用中随着样本数的增加对参数进行调整与优化，具有很强的健壮性。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例的基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法的流程图；

图2是本发明实施例的基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法的并联BP-RBF混合神经网络模型结构图；

图3是本发明实施例的基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法的BP网络训练曲线和对测试样本仿真结果示意图1；

图4是本发明实施例的基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法的BP网络训练曲线和对测试样本仿真结果示意图2；

图5是本发明实施例的基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法的RBF网络训练曲线和对测试样本仿真结果示意图1；

图6是本发明实施例的基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法的RBF网络训练曲线和对测试样本仿真结果示意图2；

图7是本发明实施例的基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法的混合神经网络对测试样本仿真结果示意图和评价模型1；

图8是本发明实施例的基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法的混合神经网络对测试样本仿真结果示意图和评价模型2；

图9是本发明实施例的基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法的待测胶料图像；

图10是本发明实施例的基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法的处理后二值化待测胶料图像；

图11是本发明实施例的基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法的对待测胶料图像所作维诺图；

图12是本发明实施例的基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法的自适应算法寻找混合系数流程图；

图13是本发明实施例的基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法的遗传算法收敛图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明实施例的基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法，包括以下步骤：

S1、获取样本集中的胶料图像，对其进行预处理，并提取预处理后的胶料图像的特征数据；

S2、训练阶段：获取样本集中一部分胶料图像的特征数据作为训练数据，分别根据BP网络模型和RBF网络模型对训练数据进行训练，通过自适应遗传算法得到最优混合系数，根据最优混合系数对两个网络模型进行并联，得到BP-RBF混合神经网络评价模型；

S3、评价阶段：获取样本集中另一部分胶料图像的特征数据作为评价数据，将其代入训练得到的BP-RBF混合神经网络评价模型中，输出获得胶料中炭黑分散度等级。

在本发明的另一个具体实施例中，该方法主要包括以下步骤：

1、胶料图像采集与处理：

对待测胶料切取试样，使用CCD摄像机获取胶料图像并做系列预处理，包括图像有效性判断、图像去噪与分割。本发明采用TenenGrad评价函数对图像进行模糊度评价，以评价函数值F对图像有效性进行判断。对大量过度模糊图像与清晰图像的评价值F进行统计，分析统计所得数据易发现，模糊图像与清晰图像的界限位于40左右，F值超过40的图像就可认为其适合进行分散等级的评价。使用3×3大小的中点滤波器对胶料图像进行滤波，中点滤波结合了求均值和统计排序，对于随机分布噪声效果最好，如高斯噪声和均匀噪声。

本发明实施例使用基于区域分割的区域生长法，选取一组种子点作为生长的起点，把与种子性质相似(如特定范围的灰度值或颜色)的领域像素点添加到每个种子点上作为新的种子，种子不断添加形成区域的生长，直至不再有像素点满足相似性准则完成分割。实验表明其分割效果明显好于前者。

2、图像特征信息提取：

提取评价所需的待测图像的特征信息。选择的特征信息能够较准确、全面地表征炭黑分散度信息。

本发明实施例从分散性、分布性、空间布局、粒子面积等多个角度选取的5个特征信息如下：

X1：图像中炭黑粒子总面积，单位为像素点；

X2：炭黑粒子平均面积；

X3：最大炭黑粒子面积；

X4：将图像分为16个等分区域，各区域中炭黑面积的标准差；

X5：以各炭黑粒子质心坐标构成一个点集限定边界作维诺图，维诺图各Dirichiet区面积的标准差。

使用一种基于行程的区域标记方法对二值图像进行区域标记，统计区域信息即可完成特征信息的提取。

X1即为各标记区域总面积：X2为各标记区域面积均值；X3为各标记区域中面积最大值；X4为各图像区域块内标记区域的面积的标准差；对于X5，获得各标记区域质心坐标集合C后，使用MPT工具箱并限制边界为[0,480]和[0,640]绘制维诺图可获得各Dirichiet区的面积，面积标准差即为X5。

3、分散度等级评价：

(1)BP网络模型训练及评价

1)BP网络模型训练

步骤1、对原始数据进行标准化构造样本阵，设有n个样本，数据维数为p，原始样本阵X＝(x_i1,x_i2,…x_ip)^T,i＝1,2,3…n，进行标准化变换后新样本阵为：

$Z_{ij}=\frac{x_{ij}-\stackrel{\‾}{x_j}}{s_j},i=1,2,...,n;j=1,2,...,p$

其中为∑x_ij/n，可求得标准化样本阵Z；

步骤2、对样本阵Z计算相关系数阵R，其中：

r_ij＝∑z_ij·z_kj/(n-1)，i,j＝1,2,…,p

$R={\[r_{ij}\]}_p{x}_p=\frac{Z^{T}Z}{n-1}$

步骤3、计算相关阵R的特征值及特征向量，|R-λI_p|＝0，可求得p个特征值并按大小排序为λ₁，λ₂，…,λ_p，特征根为e₁,e₂,…,e_p；

步骤4、计算各主成分贡献率为λ_i/∑λ_i，选择的前m个主成分贡献率累计之和达85％到95％；

步骤5、将样本阵转化为主成分，转换矩阵为B＝(e₁,e₂,…,e_p)，新的样本阵U为：

2)评价模型性能评估

从获得的样本胶料图像中选取百张样本，对BP网络进行训练，获得较好的训练结果后。使用另100张作为测试样本进行仿真。为方便识别，输出值在大于等于0.5的认为是1，小于0.5认为是0。部分测试样本仿真的输出与期望输出。将图像评价等级与实际等级构造混淆矩阵，其中横坐标为样本实际炭黑分散度等级，纵坐标为模型评价的等级，分析混淆矩阵易知模型的评价准确率达到91％，且评价的错误偏差程度不超过一级。

(2)RBF网络模型训练及评价

1)RBF网络模型训练

步骤1、随机初始化基函数的中心u、平滑度σ和隐含层到输出层的连接权值w_ij；则输入至输出的表达式：

y＝∑w_ij exp(-||x-u||²/2σ²)

步骤2、以梯度下降法对三种参数进行修正，实际输出与期望输出的均方误差为：E＝1/2∑(d_i-y_i)²，其中d为期望输出，参数修正的公式如下：

${\mathrm{\Δu}}_j=-\mathrm{\η}\frac{\∂E}{\∂u_j},{\mathrm{\Δu}}_j=-\mathrm{\η}\frac{\∂E}{\∂w_j},{\mathrm{\Δw}}_j=-\mathrm{\η}\frac{\∂E}{\∂w_j}.$

2)评价模型性能评估

为方便比较，使用与BP网络相同的测试样本进行仿真。测试样本期望输出与实际输出回归，部分测试样本仿真的输出与期望输出，其中1-10级样本各选取了1个，只保留了四位有效数字。前者期望输出与实际输出的相关系数高达0.9956，后者只有0.9564，使用测试样本对两个网络进行仿真，样本期望输出与实际输出回归。为方便识别，输出值在大于等于0.5的认为是1，小于0.5认为是0。计算预测等级与实际等级构造混淆矩阵。分析混淆矩阵易知模型的评价准确率达到93％，同样的，评价的错误偏差程度不超过一级，相比于BP网络评价模型，其对5级以下的评价正确率更高，故该评价模型性能较好一些。

(3)BP-RBF混合神经网络模型训练及评价

1)模型的建立即混合网络的训练

以一定数量样本胶料图像中提取的特征数据作为训练数据对网络进行训练与仿真获得成熟的评价模型。网络的训练分为以下步骤：

a)首先分别对BP网络、RBF网络的训练；

b)使用一种并联的混合神经网络建立评价模型，该网络模型如图2所示，寻找混合系数将他们的输出整合，使用自适应遗传算法寻找最优混合系数；

c)选择合适的网络参数和学习算法获得成熟的单一网络；

d)使用自适应遗传算法寻找最优混合系数将二者的输出整合。经多次实验，选择算法的主要参数如下，适应度函数为混合网络实际输出与期望输出的均方差：

$f\left(x\right)=\frac{1}{2}\underset{i=1}{\overset{N}{\Σ}}{(y_i-t_i)}^2$

其中，N为输出个数，y和t为网络实际输出与期望输出；群体规模选择为40，交叉算子为均匀交叉，变异算子为动态变异，终止条件为200进化代数。

通过自适应遗传算法得到最优混合系数的方法具体为：

步骤1、初始化遗传参数与混合网络混合系数，对基本解空间进行编码；

步骤2、计算群体中各个体适应度，将其与适应度标值进行比较；

步骤3、若比较结果不满足终止条件，按照个体相似性选择个体，计算交叉、变异概率，交叉、变异生成新一代群体，并返回步骤2重新计算；

若比较结果满足终止条件，选择种群中适应度最高的个体解码值作为最优混合系数。

2)评价模型性能评估

以所提取特征信息作为已建立的分散度评价模型的输入，依据模型输出获得待测胶料中炭黑分散度等级。对炭黑分散等级的评价的过程是图像识别的过程。

分散度评价模型采用BP-RBF混合网络神经网络作为图像识别的分类器建立，评价模型具有较高的准确度，在使用中随着样本数的增加对参数进行调整与优化，具有很强的健壮性。网络的模型如图2所示，网络输入X为提取的图像特征数据，BP网络的输出值为YBP(x)，RBF网络的输出值为YRBF(x)，混合网络输出

Y(x)＝ρ1YBP(x)+ρ2YRBF(x)

其中，YBP(x)为BP网络模型的输出值，YRBF(x)为RBF网络模型的输出值，混合网络模型输出为Y(x)，ρ1、ρ2为最优混合系数。

均以四位二进制表示分散度等级，如1级样本的期望输出为(0，0，0，1)，10级样本的期望输出为(1，0，1，0)，ρ1与ρ2为常数，是网络的混合系数，直接决定网络的评价结果。易得最优混合系数ρ1、ρ2分别为0.22和0.769，根据混合系数可求得混合网络的输出。混合网络的仿真与训练一样，分别对BP和RBF网络进行仿真，使用得到的混合系数整合其输出。为方便比较，使用与BP网络相同的测试样本进行仿真。测试样本期望输出与实际输出回归。模型的评价准确率高达95％，而BP和RBF模型的准确率分别为91％和93％。对比三个模型的混淆矩阵可以看出，混合网络模型继承了RBF模型对5级以下分散等级的评价能力，同时对6级至9级分散等级的分辨率也有所提高。

混合网络期望输出与实际输出的相关系数为0.9567，要优于BP和RBF模型相关系数0.9243和0.933。同样的，将网络输出转换为等级预测值，模型预测等级与实际等级构造混淆矩阵如图5。

混合神经网络模型的评价准确率高达95％，而BP和RBF模型的准确率分别为91％和93％。对比三个模型的混淆矩阵可以看出，混合网络模型继承了RBF模型对5级以下分散等级的评价能力，同时对6级至9级分散等级的分辨率也有所提高。

在另一个具体实施例中，BP神经网络评价模型中，本发明提出使用BP网络进行分类器设计，建立基于BP神经网络的炭黑分散度评价模型。根据前文建立的的特征体系提取特征数据，并对获得的样本数据使用主成分分析法提取主分量，消除弱因素和特征数据的冗余性、相关性。并对较为典型的一系列BP改进算法进行研究，通过实验得到他们性能上的一些比较，选择出最适合的算法。最后得到最优的BP网络模型。

(1)BP神经网络模型

BP网络的学习(训练)过程有效解决了人工神经网络发展过程中遇到的隐含层连接权值调整的问题。网络的学习过程可分四个阶段：

a)信息的正向传播

外界的输入信息经输入层神经元传递给隐含层，隐含层神经元进行信息处理和变换后传递到输出层，称为一次信息的正向传播处理。

Step1：初始化权值w，使用均匀分布随机数为各神经元权值赋值，从训练样本中选取一组数据(X^k,Y^k),k表示训练样本的编号，表示第m层第j节点的输出，即为

Step2：逐层往后计算每个神经元输出，F为神经元的激活函数，即传递函数；

b)误差的反向传播

Step3：计算输出层神经元误差值激活函数F一般为sigmoid函数，F'(x)＝F(x)(1-F(x))；

Step4：逐层向前计算各神经元误差值

Step5：对各神经元权值进行更新，计算公式为其中权值修正公式η为学习速率；

c)迭代修正参数过程

Step6：输入另一组数据，重复以上步骤更新权值；

d)学习收敛过程

Step7：网络误差逐渐收敛，误差也趋向极小值，达到误差要求的精度时，训练结束，保存最后权值。

(2)BP网络设计与训练

1)网络层数与激活函数

选择S形函数作为隐含层的激活函数，F(x)＝1/(1+e-x)。可根据实际需求设定函数值域，在x靠近原点时，F(x)产生的增益较大，x越远离原点，F(x)产生的增益越小，这样函数对信号增益能起到较好的控制，可以对网络进入饱和状态起到良好的防止作用。

2)输出层节点数

如果用BP网络对分散度评级，输出层节点数只要等于级别个数，也就是10个。但是对于BP网络，单输出分类效果不理想，多输出表现好于单输出，并且大部分情况下，输入数据的期望输出不是量化单位。所以通常以二进制来表示期望输出，那么1-10级的样本的期望输出就是等级对应的四位二进制值，如1级样本的期望输出为(0，0，0，1)，10级样本的期望输出为(1，0，1，0)。所以输出层节点数定为4。

3)输入参数的预处理与输入层节点数

输入层节点个数即为图片特征向量的维数，根据上文中建立的分散信息表征的特征体系，应该为9。但是一个需要重点考虑的问题是这些特征的相关性和冗余性。这些特征指标都在不同程度上反映了炭黑的分散度信息，但是他们之间彼此可能具有一定的相关性，使得提取的特征数据对信息的反映上会发生部分的重叠。如果直接削减特征的个数，又容易导致信息的不完整。

使用主成分分析法对提取的特征信息进行预处理。主成分分析法也称主元提取或这分量分析法，通过某种线性投影，把多维数据映射在低维空间中，在简化数据集维数的同时，保留了原数据集的绝大部分特效。这是通过使映射在维度上的数据方差最大做到的。通俗的讲，若把所有数据都映射在同一点上，那么基本上数据集的所有的信息都丢失了，但如果映射后数据的方差很大，数据点就分散开了，数据集的大部分信息就能够得到保存。可以证明，因为PCA降维不去探索触动数据的内在结构，所以降维后的信息丢失是最少的。

该分析方法的具体步骤如下：

f)对原始数据进行标准化构造样本阵，设有n个样本，数据维数为p，原始样本阵X＝(x_i1,x_i2,…x_ip)^T,i＝1,2,3…n，进行标准化变换后新样本阵为：

$Z_{ij}=\frac{x_{ij}-\stackrel{\‾}{x_j}}{s_j},i=1,2,...,n;j=1,2,...,p$

其中为∑x_ij/n，可求得标准化样本阵Z。

g)对样本阵Z计算相关系数阵R，其中r_ij＝∑z_ij·z_kj/(n-1)，i,j＝1,2,…,p，

$R={\[r_{ij}\]}_p{x}_p=\frac{Z^{T}Z}{n-1}$

h)计算相关阵R的特征值及特征向量，|R-λI_p|＝0，可求得p个特征值并按大小排序为λ₁，λ₂，…,λ_p，特征根为e₁,e₂,…,e_p。

i)计算各主成分贡献率为λ_i/∑λ_i，一般选择的前m个主成分贡献率累计之和达85％到95％。

j)将样本阵转化为主成分，转换矩阵为B＝(e₁,e₂,…,e_p)，新的样本阵U为：

$U_{ij}=z_i^T{e}_j,j=1,2,...,m$

对从200张炭黑样本图片中提取的样本数据集进行主成分分析，易求得样本相关矩阵R的特征值，其各主成分的方差贡献率。

从直方图可发现前三个主成分的方差贡献率之和为95％，及对信息的利用率达95％，所以选取M1、M2两个主成分作为网络输入进行训练，输入层节点数选择为2。由转换矩阵B可求得各主成分M与样本数据X转换关系，M＝BX，矩阵B如下：

使用BP网络做分类时，还需要先对输入数据进行归一化处理，即将数据按比例缩放至特定区间。这样不但能消除参数不同度量单位的影响，还能加快网络训练速度。S形函数随着x的增大，梯度会逐渐较小并趋于0，由前文对BP网络的分析这不利于权值的修正，所以x最好在较小的区域内，本文将输入数据映射在(0,1)之间。

4)误差精度和隐含节点数

在网络训练中，误差精度一般要视具体应用的要求进行选择，由于本研究的样本数据进行过预处理，初步选定误差精度为0.001，发现网络不易收敛，将其减小到0.01。

隐含节点数的选择是影响网络性能优劣的重要因素，节点数的设置取决于训练样本的数量、噪声的大小和样本中蕴含规律的复杂程度。对于用于模式识别的BP网络，可参照经验公式其中R、K、S分别为输入输出隐层节点数，m为1-10的常数。

根据输入输出层节点数，首先设置隐层节点数为5，对网络进行训练，逐渐增加节点数，使用相同初始权值和阈值进行训练。由于在训练时发现，使用LM训练算法训练的速度较快，且其训练的精度也较高，因此这里使用LM训练网络。

$\left[\begin{array}{ccccccccc}0.4078& -0.3879& -0.4129& -0.3097& -0.3765& 0.1830& 0.3211& -0.1791& -0.2366\\ -0.1680& 0.2342& -0.0211& -0.071& 0.3120& -0.1943& 0.7566& 0.1365& -0.8463\\ -0.2654& -0.4122& 0.4016& 0.3795& -0.3671& 0.4350& 0.3891& 0.2216& -0.3152\\ -0.4016& 0.7003& 0.4389& 0.1716& 0.4162& -0.1352& -0.0016& -0.3516& 0.0032\\ 0.3718& 0.2831& -0.5118& 0.4316& -0.5523& 0.0519& 0.0631& 0.0617& 0.0129\\ 0.6182& -0.1820& 0.3827& -0.4135& 0.3819& -0.1265& -0.0137& -0.0095& -0.0662\\ -0.7106& -0.2881& 0.3749& -0.4142& 0.3849& -0.1260& 0.1169& 0.0142& 0.0098\\ 0.0013& 0.4349& -0.2981& 0.5162& 0.0068& 0.7416& 0.0056& 0.1256& 0.2347\\ -0.3020& 0.3516& 0.2175& 0.3258& 0.7101& 0.0025& 0.3361& 0.0816& 0.0462\end{array}\right]$

比较网络的训练误差和训练时间选定隐含层节点数为20时最好。

5)学习算法选择与网络训练、仿真

原始的BP算法由于存在诸如收敛速度慢、学习过程震荡等一些问题，很多学者提出了一些列改进的训练算法，可以解决上述问题。较为典型的有：动量BP算法，引入动量因子，据上一次修正的效果来影响下一次修正，以限制修正量大小，起到减小震荡的作用；自适应学习率算法，通过动态调整学习率引导修正的方向；弹性BP算法，可以消除梯度模值的不利影响，加快训练速度；在BP网络的应用中，对某一特定的问题，很难确定使用哪种训练算法最好。这取决于多个因素，如问题的复杂性、样本的大小、网络权值和误差精度、网络用途等。

使用动量BP算法，到达预定的训练步数5000时仍未满足精度要求，收敛过慢。使用自适应学习率和弹性BP训练分别在167和17步达到误差精度的要求，所以在后续训练中均使用该方法的情况下的情况下。

(3)评价模型性能评估

从获得的样本胶料图像中选取300张，其中200张作为训练样本，对BP网络进行训练，获得较好的训练结果后。使用另100张作为测试样本进行仿真。为方便识别，输出值在大于等于0.5的认为是1，小于0.5认为是0。部分测试样本仿真的输出与期望输出对比如表5-1所示，其中1-10级样本各选取了1个，只保留了四位有效数字。

表5-1BP网络部分测试样本仿真输出值与期望输出比较

对测试样本期望输出与实际输出线性回归如图4所示，其相关性为0.9143。

为了更好的分析模型评价的准确性与存在的不足之处，将图像评价等级与实际等级构造混淆矩阵如图8所示，其中横坐标为样本实际炭黑分散度等级，纵坐标为模型评价的等级，分析混淆矩阵易知模型的评价准确率达到91％，且评价的错误偏差程度不超过一级，其错评主要是集中在6级到9级之间。

在RBF神经网络评价模型中：

(1)RBF神经网络模型

RBF网络也是一种前馈逆向传播网络，其结构与单隐层BP网络类似，只有一个隐含层，所不同的是RBF隐含层神经元的个数一般比较大，输入层采用径向基函数将信息矢量直接映射到高纬隐含层空间，而不需要通过权连接。而隐含层空间映射至输出层空间是线性的，即网络的输出就等于隐含层神经元输出的线性加权和，因此网络的权就可以求解线性方程直接得出，极大的加快了学习速度并且不会出现局部极小问题。

最常用的径向量基函数是高斯函数f(x)＝exp(-||x-u||²/2σ²),输入与基函数中心的欧式距离||x-u||越大，神经元的激活程度就越低，这样只有一部分靠近基函数中心的x被激活，因此它的作用范围是局部的。网络的学习过程与BP网络的学习过程类似：

a)随机初始化基函数的中心u、平滑度σ和隐含层到输出层的连接权值w_ij。则易求输入至输出的表达式：

y＝∑w_ij exp(-||x-u||²/2σ²)

b)以梯度下降法为例对三种参数进行修正，实际输出与期望输出均方误差为：E＝1/2∑(d_i-y_i)²，其中d为期望输出，参数修正的公式如下：

${\mathrm{\Δu}}_j=-\mathrm{\η}\frac{\∂E}{\∂u_j},{\mathrm{\Δu}}_j=-\mathrm{\η}\frac{\∂E}{\∂w_j},{\mathrm{\Δw}}_j=-\mathrm{\η}\frac{\∂E}{\∂w_j}$

(2)RBF网络设计与训练

1)网络参数选择

matlab提供了一个基于改进的非监督学习方法的RBF网络构建函数newrb()，该学习方法通过对训练样本进行聚类，以聚类中心作为径向基函数的初始中心。确定基函数的而另一个参数σ后就确定了隐含层的输出，通过最小均方误差可求得连接权值W，再通过调节隐含层神经元的个数跟踪我们要求的精度，当神经元个数达到最大值，也就是达到训练样本个数时，网络此时的均方误差为0。

输入输出层节点数、输入的预处理与BP网络中的一致，这里不再重复分析。RBF的激活函数是确定的，隐含层为高斯函数，输出层为线性函数。所以我们需要设置的参数就只有σ。σ为径向基函数的平滑度，与节点中心同时控制径向作用范围，影响网络对样本的分类能力和泛化能力，本文通过多次实验选择σ为1.2，此时网络不仅对训练样本拟合很好，测试样本仿真的误差也比较小。

2)网络训练

由于网络的创建会自动跟踪任意误差精度，误差精度的设置就决定了网络的结构。为设置误差精度为0和0.01时RBF网络训练曲线。

为方便比较，这里使用的训练样本与BP网络的相同。误差精度为0训练的RBF网络其隐层节点数等于训练样本数量，网络误差仅有8.80089e-07，而误差精度为0.01时隐层节点数只有30，网络误差0.00966004，二者训练样本的期望输出与实际输出线性回归如图6所示。

前者期望输出与实际输出的相关系数高达0.9956，后者只有0.9564，显然前者对训练样本基本是完美拟合，使用测试样本对两个网络进行仿真，样本期望输出与实际输出回归如图7所示。

误差精度为0时，网络期望输出与实际输出的相关系数仅有0.6462，而误差精度为0.01时，相关系数高达0.933。说明对于分散度评定问题，我们更应该考虑的是网络对测试样本的预测能力而不是对训练样本的拟合能力。因此设置精度为0.01训练RBF网络，为了与BP网络形成对比，使用与之相同的训练样本训练和测试。

(3)评价模型性能评估

为方便比较，使用与BP网络相同的测试样本进行仿真。测试样本期望输出与实际输出回归已在图5中给出，部分测试样本仿真的输出与期望输出对比如下表，其中1-10级样本各选取了1个，只保留了四位有效数字。

表5-2RBF网络部分测试样本仿真输出值与期望输出比较

同样的，将网络输出转换为等级预测值。为方便识别，输出值在大于等于0.5的认为是1，小于0.5认为是0。计算预测等级与实际等级构造混淆矩阵如图5所示。

其中横坐标为样本实际炭黑分散度等级，纵坐标为模型评价的等级，分析混淆矩阵易知模型的评价准确率达到93％，同样的，评价的错误偏差程度不超过一级，相比于BP网络评价模型，其对5级以下的图片评价正确率更高，故该评价模型性能较好一些。

在BP-RBF混合神经网络评价模型中，将两种网络结合起来构成BP-RBF混合神经网络。

在混合专家网络中，复杂问题被分解为简单任务并将其分配给具备相应知识“专家网络”以简化计算，然后“门网络”根据输入决定各个“专家”的权值将他们进行有效的整合，得到最后的输出。根据其思想提出使用一种并联的混合神经网络建立评价模型。

网络输出Y(x)＝ρ1Y_BP(x)+ρ2Y_RBF(x)，ρ1与ρ2是网络的混合系数,Y_BP(x)为BP网络的输出值，Y_RBF(x)为RBF网络的输出值。BP为全局寻优，RBF为局部寻优，两者对网络输出起着不同的作用，混合系数直接直接决定了网络的评价结果，因此混合系数对提高评价正确度非常重要。

混合网络的训练分为三个步骤首先是分别对BP网络、RBF网络的训练，再寻找混合系数将他们的输出整合。这里使用前文中训练得到的较好BP网络和RBF网络，不必再重复训练，接下来只需要获得混合系数，本文使用自适应遗传算法寻找最优混合系数。

遗传算法模拟生物界的自然选择及遗传机制，通过“进化过程”来全局搜索寻找最优解，即适应度最高的个体。在使用简单遗传算法处理问题有时会出现一些问题，如：靠近最优解时会在最优解附近振荡、算法收敛减慢、易陷入局部最优解等。与真实的生物进化过程相比，算法虽然实现了生物对自然环境适应能力的模拟，但是没有考虑到环境对生物个体发育情况和繁殖行为的影响，这在算法中表现为不变的变异和交叉概率。

而自适应遗传算法能根据种群的适应度情况动态地调整交叉和变异概率，其调整的准则就是模拟环境对变异概率和交叉概率的影响，即符合这样一种规则：对适应度高的个体进行保护，减小其交叉、变异概率；对适应度低的个体进行促进，增大其价差、变异的概率。

使用该算法寻找最优混合系数步骤主要有：编码、遗传、交叉与变异、适应度评价，通过不断产生新种群，搜索新的最适应个体，即最优解，其过程属于典型的迭代过程，流程图如图9所示。

经多次实验，选择算法的主要参数如下，适应度函数为混合网络实际输出与期望输出的均方差：

$f\left(x\right)=\frac{1}{2}\underset{i=1}{\overset{N}{\Σ}}{(y_i-t_i)}^2$

其中N为输出个数，y和t为网络实际输出与期望输出；群体规模选择为40，交叉算子为均匀交叉，变异算子为动态变异，终止条件为200进化代数。算法收敛图如图13所示。

易得最优混合系数ρ1、ρ2分别为0.22和0.769，根据混合系数可求得混合网络的输出。混合网络的仿真与训练一样，分别对BP和RBF网络进行仿真，使用得到的混合系数整合其输出。为方便比较，使用与BP网络相同的测试样本进行仿真。测试样本期望输出与实际输出回归如图5所示。

网络期望输出与实际输出的相关系数为0.9567，要优于BP和RBF模型相关系数0.9243和0.933。同样的，将网络输出转换为等级预测值。

模型的评价准确率高达95％，而BP和RBF模型的准确率分别为91％和93％。对比三个模型的混淆矩阵可以看出，混合网络模型继承了RBF模型对5级以下分散等级的评价能力，同时对6级至9级分散等级的分辨率也有所提高。

本发明实施例的基于神经网络图像处理的轮胎橡胶炭黑分散度评价系统，包括：

图像特征数据获取单元，用于获取样本集中的胶料图像，对其进行预处理，并提取预处理后的胶料图像的特征数据；

训练单元，用于获取样本集中一部分胶料图像的特征数据作为训练数据，分别根据BP网络模型和RBF网络模型对训练数据进行训练，通过自适应遗传算法得到最优混合系数，根据最优混合系数对两个网络模型进行并联，得到BP-RBF混合神经网络评价模型；

评价单元，用于获取样本集中另一部分胶料图像的特征数据作为评价数据，将其代入训练得到的BP-RBF混合神经网络评价模型中，输出获得胶料中炭黑分散度等级。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (9)

1.一种基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法，其特征在于，包括以下步骤：

S1、获取样本集中的胶料图像，对其进行预处理，并提取预处理后的胶料图像的特征数据；

S2、训练阶段：获取样本集中一部分胶料图像的特征数据作为训练数据，分别根据BP网络模型和RBF网络模型对训练数据进行训练，通过自适应遗传算法得到最优混合系数，根据最优混合系数对两个网络模型进行并联，得到BP-RBF混合神经网络评价模型；

S3、评价阶段：获取样本集中另一部分胶料图像的特征数据作为评价数据，将其代入训练得到的BP-RBF混合神经网络评价模型中，输出获得胶料中炭黑分散度等级。

2.根据权利要求1所述的基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法，其特征在于，步骤S2中的BP-RBF混合神经网络评价模型的表达式为：

Y(x)＝ρ1YBP(x)+ρ2YRBF(x)

其中，YBP(x)为BP网络模型的输出值，YRBF(x)为RBF网络模型的输出值，混合网络模型输出为Y(x)，ρ1、ρ2为最优混合系数。

3.根据权利要求1所述的基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法，其特征在于，步骤S1中对胶料图像进行预处理的方法具体为：

对胶料图像进行模糊度评价，保留清晰图像，并对图像进行去噪和分割。

4.根据权利要求3所述的基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法，其特征在于，步骤S1中对图像进行模糊度评价的方法具体为：

采用TenenGrad评价函数对图像进行模糊度评价，以评价函数值F对图像有效性进行判断；模糊图像与清晰图像的界限位于40，F值超过40的图像就认为其适合进行分散等级的评价。

5.根据权利要求1所述的基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法，其特征在于，步骤S2中采用BP网络模型进行训练的方法具体为：

步骤1、对原始数据进行标准化构造样本阵，设有n个样本，数据维数为p，原始样本阵X＝(x_i1,x_i2,…x_ip)^T,i＝1,2,3…n，进行标准化变换后新样本阵为：

$Z_{ij}=\frac{x_{ij}-\stackrel{\‾}{x_j}}{s_j},i=1,2,...,n;j=1,2,...,p$

其中为∑x_ij/n，可求得标准化样本阵Z；

步骤2、对样本阵Z计算相关系数阵R，其中：

r_ij＝∑z_ij·z_kj/(n-1)，i,j＝1,2,…,p

$R={\[r_{ij}\]}_p{x}_p=\frac{Z^{T}Z}{n-1}$

步骤3、计算相关阵R的特征值及特征向量，|R-λI_p|＝0，可求得p个特征值并按大小排序为λ₁，λ₂，…,λ_p，特征根为e₁,e₂,…,e_p；

步骤4、计算各主成分贡献率为λ_i/∑λ_i，选择的前m个主成分贡献率累计之和达85％到95％；

步骤5、将样本阵转化为主成分，转换矩阵为B＝(e₁,e₂,…,e_p)，新的样本阵U为：j＝1,2,…,m。

6.根据权利要求1所述的基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法，其特征在于，步骤S2中采用RBF网络模型进行训练的方法具体为：

步骤1、随机初始化基函数的中心u、平滑度σ和隐含层到输出层的连接权值w_ij；则输入至输出的表达式：

y＝∑w_ijexp(-||x-u||²/2σ²)

步骤2、以梯度下降法对三种参数进行修正，实际输出与期望输出的均方误差为：E＝1/2∑(d_i-y_i)²，其中d为期望输出，参数修正的公式如下：

${\mathrm{\Δu}}_j=-\mathrm{\η}\frac{\∂E}{\∂u_j},{\mathrm{\Δu}}_j=-\mathrm{\η}\frac{\∂E}{\∂w_j},{\mathrm{\Δw}}_j=-\mathrm{\η}\frac{\∂E}{\∂w_j}.$

7.根据权利要求1所述的基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法，其特征在于，步骤S2中通过自适应遗传算法得到最优混合系数的方法具体为：

步骤1、初始化遗传参数与混合网络混合系数，对基本解空间进行编码；

步骤2、计算群体中各个体适应度，将其与适应度标值进行比较，其中计算适应度的公式为：

$f\left(x\right)=\frac{1}{2}\underset{i=1}{\overset{N}{\Σ}}{(y_i-t_i)}^2$

其中，N为输出个数，y和t为网络实际输出与期望输出；

步骤3、若比较结果不满足终止条件，按照个体相似性选择个体，计算交叉、变异概率，交叉、变异生成新一代群体，并返回步骤2重新计算；

若比较结果满足终止条件，选择种群中适应度最高的个体解码值作为最优混合系数。

8.根据权利要求1所述的基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法，其特征在于，步骤S1中特征数据包括：图像中炭黑粒子总面积，单位为像素点；炭黑粒子平均面积；最大炭黑粒子面积；将图像分为16个等分区域，各区域中炭黑面积的标准差；以各炭黑粒子质心坐标构成一个点集限定边界作维诺图，维诺图各Dirichiet区面积的标准差。

9.一种基于神经网络图像处理的轮胎橡胶炭黑分散度评价系统，其特征在于，包括：

图像特征数据获取单元，用于获取样本集中的胶料图像，对其进行预处理，并提取预处理后的胶料图像的特征数据；

训练单元，用于获取样本集中一部分胶料图像的特征数据作为训练数据，分别根据BP网络模型和RBF网络模型对训练数据进行训练，通过自适应遗传算法得到最优混合系数，根据最优混合系数对两个网络模型进行并联，得到BP-RBF混合神经网络评价模型；

评价单元，用于获取样本集中另一部分胶料图像的特征数据作为评价数据，将其代入训练得到的BP-RBF混合神经网络评价模型中，输出获得胶料中炭黑分散度等级。