CN109934810A - 一种基于改进粒子群小波神经网络的缺陷分类方法 - Google Patents

Abstract

本发明属于机器视觉检测技术领域，具体为一种基于改进粒子群小波神经网络的缺陷分类方法，解决了传统BP神经网络算法具有易出现收敛早熟、陷入局部极小值等的问题，本方法包括以下步骤：载入原始图像，灰度化和中值滤波处理，图像分割，计算缺陷特征向量，初始化粒子群，计算目标适应度值，评价每个粒子，更新每个粒子位置和速度，检验是否达到要求，输出最优解，最后进行图像的缺陷分类。所述方法加入变异因子，保证了算法的泛化能力；设置非线性权重因子，实现全局搜索和局部搜索灵活调整的目标；引入高斯加权的全局极值，有利于全局极值向最优解方向收敛，能够快速准确的对缺陷进行分类，分类结果更准确，效率更高。

Description

一种基于改进粒子群小波神经网络的缺陷分类方法

技术领域

本发明属于机器视觉检测技术领域，具体为一种基于改进粒子群小波神经网络的缺陷分类方法。

背景技术

偏光片全称偏振光片，是液晶显示屏成像的重要组成部分。随着经济的发展，科技的进步，液晶显示屏已广泛应用到各行各业。液晶显示屏的成像需要将两片偏光片前后紧贴在液晶玻璃上，偏光片的外观缺陷对其质量有直接的影响。在偏光片的生产过程中，由于工业技术和生产设备的原因，不可避免的会产生如划痕、污点、缺角等缺陷。由于大多缺陷十分微小，在对生产的偏光片检测时，肉眼很难区分其好坏，因此，研究检测精度高、分类速度快的偏光片外观缺陷检测方法，对相关产业发展有重要的意义。

机器视觉就是用机器代替人眼来做检测和判断，通过图像获取装置将检测目标信息转换成图像信号，并将该信号传送给图像处理系统，系统根据已设定的参数信息进行计算分析，从而对检测图像做出判断结果。在此过程中，系统的计算算法参数信息设定是否合理及计算算法选择是否科学，对检测分类判断结果的产生具有重要影响。传统的BP神经网络算法因其易出现收敛早熟、陷入局部极小值等的情况，影响了训练的精度，无法满足检测精度高、分类速度快的缺陷分类要求。

发明内容

本发明的目的在于解决传统BP神经网络算法具有易出现收敛早熟、陷入局部极小值等的问题，提供了一种基于改进粒子群小波神经网络的缺陷分类方法。本发明所使用的改进粒子群小波神经网络算法在小波神经网络算法的基础上，加入变异因子，保证了算法的泛化能力；设置非线性权重因子，实现全局搜索和局部搜索灵活调整的目标；引入高斯加权的全局极值，有利于全局极值向最优解方向收敛。

本发明解决其技术问题的技术方案是：一种基于改进粒子群小波神经网络的缺陷分类方法，具体包括以下步骤：

步骤1：将已获得的偏光片原始图像载入到小波神经网络中；

步骤2：对偏光片原始图像进行灰度化和中值滤波处理；

步骤3：采用自适应迭代阈值分割法对步骤2得到的预处理图像进行分割处理；

步骤4：根据步骤3的图像分割结果计算缺陷特征向量；

步骤5：初始化粒子群：

5.1、确定粒子的维度D，初始化m个粒子的位置、速度；

5.2、设定学习因子c₁、c₂，惯性权重的最大值ω_max，惯性权重的最小值ω_min，最大迭代次数为t_max次，最小误差要求为E，并置此时的迭代次数为1；

步骤6：计算目标适应度值：利用小波神经网络的前向计算公式计算每个粒子对应的小波神经网络的实际输出，再利用网络输出误差能量函数计算每个粒子的适应度值，取每个粒子的最小适应度值fitness_min为相应粒子的目标适应度值；

步骤7：评价每个粒子的目标适应度值是否优于各自的当前个体极值pbest_i，所述当前个体极值pbest_i是根据每个粒子的速度和位置计算得到的；先引入高斯全局极值的均值和方差计算公式如下：

式f(X_i)中为第i个粒子的目标适应度值，E[f(X_i)]为所有粒子的目标适应度函数的平均值即高斯全局极值的均值，σ²为高斯全局极值的方差。再将当前粒子群的最小适应度值fitness_min作为高斯加权的中心，即可得到高斯加权的全局因子△(X_i)为：

Δ(X_i)＝exp(-(f(X_i)-fitness_min)²/(2σ²))

最后将所有粒子的当前个体极值pbest_i和所述高斯加权的全局因子△(X_i)进行加权平均，并将此值作为所有粒子的全局极值P_g，即：

通过高斯函数加权，在算法迭代后期，越靠近最优解的个体极值pbest_i其权值越大，当前个体极值pbest_i和所述高斯加权的全局因子△(X_i)的乘积有利于全局极值向最优解方向收敛；

步骤8：更新每个粒子位置和速度：

8.1在更新每个粒子的速度和位置时，加入遗传算法变异思想，即粒子在每次更新之后，有0.9的概率进行重新初始化粒子，初始化粒子后随机初始化种群，也有0.1的概率保持原粒子不变，保持种群数值大小不变；

8.2在更新速度时，采用非线性惯性权重因子ω，所述非线性惯性权重因子ω的计算公式下：

式中ω_max为非线性惯性权重因子的最大值，令ω_max＝0.9；ω_min为非线性惯性权重因子的最小值，令ω_min＝0.4；t为当前迭代次数；t_max为最大迭代次数，非线性惯性权重因子ω的取值范围为(ω_min，ω_max)，当前迭代次数t比较小时，非线性惯性权重因子ω约等于ω_max，非线性惯性权重因子ω取值大时有利于全局搜索，随着当前迭代次数t的不断增大，非线性惯性权重因子ω非线性减小，非线性惯性权重因子ω值较小时利于局部搜索能力；

步骤9：检查更新结果：直到每个粒子的更新结果均达到了最小误差要求E或者当前迭代次数t达到最大迭代次数t_max，则停止训练，输出每个粒子的速度和位置为最优解；否则返回到步骤6重新计算目标适应度值，进入循环；

步骤10：根据步骤9训练得出的最优解对偏光片原始图像的缺陷进行分类。

本发明所述的方法中，步骤1至步骤4是为偏光片原始图像的缺陷分类进行准备工作，步骤5至步骤9是对缺陷分类使用的小波神经网络算法的参数进行优化，步骤10是根据步骤1至步骤9的准备对偏光片原始图像正式进行分类，且分类的方法为本领域技术人员所熟知的，本发明就不做详细介绍。其中，步骤7中评价每个粒子的目标适应度值是否优于各自的当前个体极值pbest_i，首先当前个体极值pbest_i是根据每个粒子的速度和位置计算得到的，这个计算过程是本领域技术人员所熟知的；在本方法还没有完成时，是不知道最优解粒子是哪一个的，但是知道每个粒子和最优解粒子之间的速度和位置相差多少，故判断是否“优于”，就是判断经过迭代以后此时的粒子和个体极值pbest_i相比较，哪个粒子的速度和位置相差更小。步骤8中在更新每个粒子的速度和位置时，加入遗传算法变异思想，其中变异操作拓宽了迭代中不断缩小的种群搜索间，使粒子能够跳出先前搜索到的最优位置，保持了种群的多样性。步骤8.2的中，采用非线性惯性权重因子ω，改变了标准粒子算法中惯性权重因子一般为1的设置。由于惯性权重因子是影响当前粒子速度的变量，较大的值有利于全局搜索，较小的值有利于局部搜索，为了更好地平衡算法的搜索能力，本发明就采用了非线性递减的惯性权重因子。

优选的，步骤8中更新每个粒子的速度和位置计算公式如下：

式中：k为当前迭代次数；为第i个粒子d维分量在第k次迭代的位置，是其在k+1次迭代中的位置；同理是第i个粒子d维分量在第k次迭代的速度，是其在第k+1次迭代的速度；p_id是粒子i在第k次迭代中第d维的个体极值点的位置(即坐标)，同理p_gd是整个群体d维的全局极值点的位置。c₁和c₂为学习因子，代表了粒子自身极值(pbest)和全局极值(gbest)推进的随机加速权值，取c₁＝c₂＝2；v_id∈[-v_max,v_max]，v_max为常数，v_max由用户根据实际问题设定，用于防止粒子逃离解空间；ω(k)为惯性权重系数。

与现有技术相比，本发明的有益效果是：

1、本发明在标准粒子群算法基础上，在粒子群算法中加入变异算子，即粒子每次更新后都以一定的概率重新初始化粒子，随着算法不断地迭代，粒子群运动搜索的空间会逐渐缩小，引入变异操作，能够改变这种状况，使粒子能够进入到更加广阔的空间，脱离原先的最优位置，保证了算法的泛化能力；

2、本发明设置非线性权重因子，能更好地平衡算法的搜索能力，实现全局搜索和局部搜索灵活调整的目标；

3、本发明引入高斯加权的全局极值，有利于全局极值向最优解方向收敛；

4、本发明所述方法能够快速准确的对缺陷进行分类，分类结果更准确，效率更高。

附图说明

图1为本发明所述一种基于改进粒子群小波神经网络的缺陷分类方法的整体流程图。

图2为本发明所述的三层小波神经网络结构图。

图3为标准粒子群的小波神经网络训练图。

图4为改进粒子群的小波神经网络训练图。

图5为标准粒子群的小波神经网络分类结果——划痕。

图6为改进粒子群的小波神经网络分类结果——划痕。

图7为标准粒子群的小波神经网络分类结果——缺角。

图8为改进粒子群的小波神经网络分类结果——缺角。

图9为标准粒子群的小波神经网络分类结果——污点。

图10为改进粒子群的小波神经网络分类结果——污点。

具体实施方式

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其他实施方式，都属于本发明所保护的范围。

参见附图1-10，现对本发明提供的一种基于改进粒子群小波神经网络的缺陷分类方法进行说明。

一种基于改进粒子群小波神经网络的缺陷分类方法，如图1所示，具体包括以下步骤：

步骤1：将已获得的偏光片原始图像载入到小波神经网络中；具体的，采用紧密型结构来构造小波神经网络，构造出来的小波神经网络为三层小波神经网络，设输入层节点个数为m(k＝1,2,…,m)，隐含层小波元个数为n(j＝1,2,…,n)，输出层节点个数为N(i＝1,2,…,N)，输入层的第k个输入样本为x_k，输出层的第i个节点实际输出值为y_i，输出层的第i个节点期望输出值为输入层节点k与隐含层节点j之间的连接权值为ω_kj，输出层节点i与隐含层节点j之间的连接权值为ω_ji，第j个隐层节点的伸缩平移系数分别为a_j和b_j，隐层小波神经元采用Morlet小波函数，输出层节点采用Sigmoid函数，如图2所示；

步骤2：对偏光片原始图像进行灰度化和中值滤波处理；灰度化和中值滤波处理一方面过滤图像噪声，另一方面能够弱化缺陷图像的背景纹理；

步骤3：采用自适应迭代阈值分割法对步骤2得到的预处理图像进行分割处理；

步骤4：根据步骤3的图像分割结果计算缺陷特征向量；具体实施方式中，先计算图像的灰度共生矩阵GLCM，根据灰度共生矩阵计算其特征向量：能量E、相关性En、熵Cor和对比度值Con，由以上四个特征值作为图像的缺陷分类依据，并将其作为粒子群小波神经网络的输入层。计算结果如下表1：

表1缺陷特征向量表

步骤5：初始化粒子群：

5.1、确定粒子的维度D，初始化m个粒子的位置、速度；

5.2、设定学习因子c₁＝c₂＝2，惯性权重的最大值ω_max＝0.9；惯性权重的最小值ω_min＝0.4，最大迭代次数为t_max＝3000次，最小误差要求为E＝0.1，并置此时的迭代次数为1；

步骤6：计算目标适应度值：利用小波神经网络的前向计算公式计算每个粒子对应的小波神经网络的实际输出，再利用网络输出误差能量函数计算每个粒子的适应度值，取每个粒子的最小适应度值fitness_min为相应粒子的目标适应度值；

步骤7：评价每个粒子的目标适应度值是否优于各自的当前个体极值pbest_i，所述当前个体极值pbest_i是根据每个粒子的速度和位置计算得到的；先引入高斯全局极值的均值和方差计算公式如下：

式f(X_i)中为第i个粒子的目标适应度值，E[f(X_i)]为所有粒子的目标适应度函数的平均值即高斯全局极值的均值，σ²为高斯全局极值的方差。再将当前粒子群的最小适应度值fitness_min作为高斯加权的中心，即可得到高斯加权的全局因子△(X_i)为：

Δ(X_i)＝exp(-(f(X_i)-fitness_min)²/(2σ²))

最后将所有粒子的当前个体极值pbest_i和所述高斯加权的全局因子△(X_i)进行加权平均，并将此值作为所有粒子的全局极值P_g，即：

通过高斯函数加权，在算法迭代后期，越靠近最优解的个体极值pbest_i其权值越大，当前个体极值pbest_i和所述高斯加权的全局因子△(X_i)的乘积有利于全局极值向最优解方向收敛；

步骤8：更新每个粒子位置和速度：更新每个粒子的速度和位置计算公式如下：

式中：k为当前迭代次数；为第i个粒子d维分量在第k次迭代的位置，是其在k+1次迭代中的位置；同理是第i个粒子d维分量在第k次迭代的速度，是其在第k+1次迭代的速度；p_id是粒子i在第k次迭代中第d维的个体极值点的位置(即坐标)，同理p_gd是整个群体d维的全局极值点的位置。c₁和c₂为学习因子，代表了粒子自身极值(pbest)和全局极值(gbest)推进的随机加速权值，取c₁＝c₂＝2；v_id∈[-v_max,v_max]，v_max为常数，v_max由用户根据实际问题设定，用于防止粒子逃离解空间；ω(k)为惯性权重系数；

8.1在更新每个粒子的速度和位置时，加入遗传算法变异思想，即粒子在每次更新之后，有0.9的概率进行重新初始化粒子，初始化粒子后随机初始化种群，也有0.1的概率保持原粒子不变，保持种群数值大小不变；其中加入遗传算法变异思想的相应伪代码如下所示：

if随机数概率大于0.9

随机初始化种群

else保持种群数值大小不变；

8.2在更新速度时，采用非线性惯性权重因子ω，所述非线性惯性权重因子ω的计算公式下：

式中ω_max为非线性惯性权重因子的最大值，令ω_max＝0.9；ω_min为非线性惯性权重因子的最小值，令ω_min＝0.4；t为当前迭代次数；t_max为最大迭代次数，非线性惯性权重因子ω的取值范围为(ω_min，ω_max)，当前迭代次数t比较小时，非线性惯性权重因子ω约等于ω_max，非线性惯性权重因子ω取值大时有利于全局搜索，随着当前迭代次数t的不断增大，非线性惯性权重因子ω非线性减小，非线性惯性权重因子ω值较小时利于局部搜索；

步骤9：检查更新结果：直到每个粒子的更新结果均达到了最小误差要求E或者当前迭代次数t达到最大迭代次数t_max，则停止训练，输出每个粒子的速度和位置为最优解；，每个粒子的更新结果均未达到最小误差要求E或者当前迭代次数t未达到最大迭代次数t_max，则对粒子群重新迭代计算，更新小波神经网络的权值，直到每个粒子的更新结果均达到最小误差要求E或者当前迭代次数t达到最大迭代次数t_max，则停止训练，输出最优解；

步骤10：根据步骤9训练得出的最优解对偏光片原始图像的缺陷进行分类。

下面结合具体的实验图对本发明作进一步的阐述。仿真条件为：操作系统Windows8.1 64位，处理器Intel Core i5-4200M@2.50GHz，内存(ARM)4GB，软件MATLAB R2015b。

在具体实施方式中，为了证明本发明所述方法的有益效果故采用基于标准粒子群的小波神经网络分类方法和基于改进粒子群的小波神经网络分类方法进行对比，两种方法均对获取的偏光片缺陷图像进行分类。首先在划痕、缺角、污点三类缺陷样本数据中各选择100组数据作为建模样本，对所述建模样本进行标准粒子群小波神经网络训练和改进粒子群小波神经网络训练，分别得到数学模型，图3为标准粒子群的小波神经网络在训练阶段的收敛图像，图4为改进粒子群的小波神经网络在训练阶段的收敛图像，很明显可以看出，改进粒子群的小波神经网络在训练阶段收敛更迅速，能更快的达到设定的最小误差值，收敛效果更好。然后在三类样本中各选择40组作为测试样本，根据已建立的标准粒子群小波神经网络和改进粒子群小波神经网络，分别计算其分类结果，每一类缺陷的理想输出值为1，以0.5为匹配分界线，当实际计算结果大于0.5则认为存在缺陷，当结果小于0.5则认为不存在缺陷，三组分类实验测试结果如下图5-图10，其中图5-图6为划痕缺陷的实验测试结果对比图，图7-图8为缺角缺陷的实验测试结果对比图，图9-图10为污点缺陷的实验测试结果对比图。对三组分类实验测试结果数据进行统计，统计结果如下表2。实验结果表明，在对偏光片同类缺陷的分类中，改进粒子群小波神经网络的分类准确率要高于标准粒子群小波神经网络，本发明所述的一种基于改进粒子群小波神经网络的缺陷分类方法的分类效果更好。

表2测试实验结果数据统计表

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (8)

1.一种基于改进粒子群小波神经网络的缺陷分类方法，其特征在于，具体包括以下步骤：

步骤1：将已获得的偏光片原始图像载入到小波神经网络中；

步骤2：对偏光片原始图像进行灰度化和中值滤波处理；

步骤3：采用自适应迭代阈值分割法对步骤2得到的预处理图像进行分割处理；

步骤4：根据步骤3的图像分割结果计算缺陷特征向量；

步骤5：初始化粒子群：

5.1、确定粒子的维度D，初始化m个粒子的位置、速度；

5.2、设定学习因子c₁、c₂，惯性权重的最大值ω_max，惯性权重的最小值ω_min，最大迭代次数为t_max次，最小误差要求为E，并置此时的迭代次数为1；

步骤6：计算目标适应度值：利用小波神经网络的前向计算公式计算每个粒子对应的小波神经网络的实际输出，再利用网络输出误差能量函数计算每个粒子的适应度值，取每个粒子的最小适应度值fitness_min为相应粒子的目标适应度值；

步骤7：评价每个粒子的目标适应度值是否优于各自的当前个体极值pbest_i，所述当前个体极值pbest_i是根据每个粒子的速度和位置计算得到的；先引入高斯全局极值的均值和方差计算公式如下：

式f(X_i)中为第i个粒子的目标适应度值，E[f(X_i)]为所有粒子的目标适应度函数的平均值即高斯全局极值的均值，σ²为高斯全局极值的方差。再将当前粒子群的最小适应度值fitness_min作为高斯加权的中心，即可得到高斯加权的全局因子△(X_i)为：

Δ(X_i)＝exp(-(f(X_i)-fitness_min)²/(2σ²))

最后将所有粒子的当前个体极值pbest_i和所述高斯加权的全局因子△(X_i)进行加权平均，并将此值作为所有粒子的全局极值P_g，即：

通过高斯函数加权，在算法迭代后期，越靠近最优解的个体极值pbest_i其权值越大，当前个体极值pbest_i和所述高斯加权的全局因子△(X_i)的乘积有利于全局极值向最优解方向收敛；

步骤8：更新每个粒子位置和速度：

8.1在更新每个粒子的速度和位置时，加入遗传算法变异思想，即粒子在每次更新之后，有0.9的概率进行重新初始化粒子，初始化粒子后随机初始化种群，也有0.1的概率保持原粒子不变，保持种群数值大小不变；

8.2在更新速度时，采用非线性惯性权重因子ω，所述非线性惯性权重因子ω的计算公式下：

式中ω_max为非线性惯性权重因子的最大值，令ω_max＝0.9；ω_min为非线性惯性权重因子的最小值，令ω_min＝0.4；t为当前迭代次数；t_max为最大迭代次数，非线性惯性权重因子ω的取值范围为(ω_min，ω_max)，当前迭代次数t比较小时，非线性惯性权重因子ω约等于ω_max，非线性惯性权重因子ω取值大时有利于全局搜索，随着当前迭代次数t的不断增大，非线性惯性权重因子ω非线性减小，非线性惯性权重因子ω值较小时利于局部搜索；

步骤9：检查更新结果：直到每个粒子的更新结果均达到了最小误差要求E或者当前迭代次数t达到最大迭代次数t_max，则停止训练，输出每个粒子的速度和位置为最优解；否则返回到步骤6重新计算目标适应度值，进入循环；

步骤10：根据步骤9训练得出的最优解对偏光片原始图像的缺陷进行分类。

2.根据权利要求1所述的一种基于改进粒子群小波神经网络的缺陷分类方法，其特征在于，步骤8中更新每个粒子的速度和位置计算公式如下：

式中：k为当前迭代次数；为第i个粒子d维分量在第k次迭代的位置，是其在k+1次迭代中的位置；同理是第i个粒子d维分量在第k次迭代的速度，是其在第k+1次迭代的速度；p_id是粒子i在第k次迭代中第d维的个体极值点的位置(即坐标)，同理p_gd是整个群体d维的全局极值点的位置。c₁和c₂为学习因子，代表了粒子自身极值(pbest)和全局极值(gbest)推进的随机加速权值，取c₁＝c₂＝2；v_id∈[-v_max,v_max]，v_max为常数，v_max由用户根据实际问题设定，用于防止粒子逃离解空间；ω(k)为惯性权重系数。

3.根据权利要求1或2所述的一种基于改进粒子群小波神经网络的缺陷分类方法，其特征在于，小波神经网络为紧密型结构。

4.根据权利要求3所述的一种基于改进粒子群小波神经网络的缺陷分类方法，其特征在于，所述小波神经网络为三层小波神经网络，设输入层节点个数为m(k＝1,2,…,m)，隐含层小波元个数为n(j＝1,2,…,n)，输出层节点个数为N(i＝1,2,…,N)，输入层的第k个输入样本为x_k，输出层的第i个节点实际输出值为y_i，输出层的第i个节点期望输出值为输入层节点k与隐含层节点j之间的连接权值为ω_kj，输出层节点i与隐含层节点j之间的连接权值为ω_ji，第j个隐层节点的伸缩平移系数分别为a_j和b_j，隐层小波神经元采用Morlet小波函数，输出层节点采用Sigmoid函数。

5.根据权利要求4所述的一种基于改进粒子群小波神经网络的缺陷分类方法，其特征在于，步骤9若训练过程中，每个粒子的更新结果均未达到最小误差要求E或者当前迭代次数t未达到最大迭代次数t_max，则对粒子群重新迭代计算，更新小波神经网络的权值，直到每个粒子的更新结果均达到最小误差要求E或者当前迭代次数t达到最大迭代次数t_max，则停止训练，输出最优解。

6.根据权利要求5所述的一种基于改进粒子群小波神经网络的缺陷分类方法，其特征在于，最大迭代次数为t_max大于2000次且小于5000次。

7.根据权利要求6所述的一种基于改进粒子群小波神经网络的缺陷分类方法，其特征在于，最小误差要求E设置为0.08-0.12。

8.根据权利要求7所述的一种基于改进粒子群小波神经网络的缺陷分类方法，其特征在于，所述惯性权重的最大值ω_max为0.9；所述惯性权重的最小值ω_min为0.4，所述最大迭代次数为t_max为3000次，所述最小误差要求为E为0.1。