基于布尔神经网络的瓷砖表面缺陷检测

　　6fae=ingLiU基于布尔神经网络的瓷砖表面缺陷检测赵海洋1薛钩义1 1西安交通大学电气学院西安冯记海2 2佛山科学技术学院机电系巧山巧要本文在二进布尔神经网给基础上，推广得出连续特征值的布尔神经网络，扩大了布尔神经网络的应用范西。由于内部运算的布尔特性，与传统的神经网络相比，学习与分类的速度大为提高，并且各节点具有较力明确的物理意义，具有潜在的工程实用价值。该方法成功于瓷砖表面缺陷检测，结果令人满意。

　　关挂词布尔神经网络缺巧粒测模式分类瓷砖引神经网络在图像处理与模式识别中得到越来越多的应用，神经网络有多种形式，如8口网络、HOP打EU网络、小脑模型、AXNET等等，这些网络用于工程上通常分为两个阶段，即学习阶段也称训练阶段和王作阶段。工作阶段根据不同的应用背景可分为控制、分割等。由于这些网络的学习过程是种由数据驱动的迭代过程，在连接权重与阀值的调节时要花费大量的时间，因此，如何提篼神经网络的速度直困扰理论界并影响神经网络在工程上的庙用。

　　收巧日巧；1999跑29.赵巧洋，博±生，主研领域：机器视觉，智能控制。

　　传统的神经网络不具有解释能力，无法观察其内部机理，本文提出的快速神经网络是对前向传播网络的种改进，它首先对原始数据进行编码，根据得到的编码数据再驱动网络，并且各节点具有较为明确的物理意义。瓷砖表面质量缺陷根据几何形态和颜色特征分成的种类见波器的局限性，然而对于瓷砖类产品的检验过程中，相对于缺陷目标来说，其余的内容即为背景，虽然这背景对于不同的瓷砖产品是不同的，但对于同种瓷砖来说却又基本不变，对于带有纹理的瓷砖来说，由于印花过程中不可避免地会有些平移与旋转变形，无法用传统的减影方法，本文的快速神经网络方案具有平移和旋转不变性，本质上它又是种并行分布性，故对噪声不敏感。

　　1广义布尔神经网络传统的8网络是种分层网络，每个节点对下层的节点连接是完全邮均匀的，采用这种直接感知图像的方式使网络的性能受到限制，广义布尔神经网络是由传统的前向传播神经网络改进而来，从数据的驱动方式来说也是种前向传播网络，但是个神经节点及权重只取两个值，分别为0，1、11，1，闽值也限制为整数运算过程中只存在二进乘法、整数加法、比较操作，因此具有较篼的速度，另外该网络在训练阶段没有反向传播过程，并不需要反复迭代，也能提篼学习速度，设总数为的训练样本为》4，=1，口4节点的闭值为：其中。为第节点的吸引域，送个吸引域的中必为其权重矢量《；4，测试样本与标本节点的差异采用汉明距离测量，如果测试样本落人某节点的吸引域。则该节点被激活值为。

　　1.1二进特征值的布尔神经网络该网络为云层网络如图1示，第层为输人层，训练时该层加人标本模式数据，分类时为采样样本数据，第二层由个节点构成，每个节点与所有的输人点相连，每个节点有三个参数，分别为闽值、权重和吸引域，它们由训练算法求得，第H层只有两个节点，分别称为接受节点和拒绝节点，前者的闽值为1，与各个种类节点的连接闺值也为1，拒绝节点的闽值为0，而与第二层的连接权重为1，当种类层有个《上节点为1时接受节点被激活，相反当所有的种类节点都为0时拒绝节点被激活，说明本次的输人模式为奇异点，可认为是缺陷点，从而实现缺陷检测。

　　设测试样本为义，标本为61=10，样本的归类问题即为1二进值祀分类器明距离以分类准则为=义1，1为单位矢量，/二6，的距离测量，采用汉Aw，a就是说，当加权输人大于相应节点的殍值，则该输入模式归类为第类判别。

　　训练算法如下：[次二进乘法和次比较即可完成对某标本节点的归ie=レu，ew，…，eJ，ee0，l，n和A分别为训练模式的恃征维数和训练模式序号，当第个训练模式具有第1个特征，则64=1，否则相=如果拒绝节点被激活，认为是缺陷点；出如果接受节点被激活，说明本模式属于原有类别。

　　1.2连续特征值的布尔神经网络上节讨论的布尔神经网络要求输人的驱动数据为二进制数，但实际应用时常常为连续值，有必要将其推广为连续特征值的布尔神经网络，为此首先要求对连续值进行编码，转化为相应的二进制，网络结构如来表示个连续值，串1的长度与连续皇的值成正比，在编，码的过程中由于对特征值乘レッ归化数，使得同种特征值，的差异得到加强。

　　对输入样本归化及编码变换；V种类层的节点减l，并读取种类节点为l的节点序号，确定所属种类；种类层节点阐值减1，进步分类。

　　分层检测算例用布尔神经网络分类除了权重与阐值之外，还要对神经节点的吸引域进行控制，对于大的吸引域分类结果较为粗描，加出现虚暂的概率，相反，会加漏普概率。在分层检测过程中对不同的分辨率应采用不同的吸引域，低分辨率时使用较大的吸引域，随着逐层检验逐渐缩小吸引域，即使得检验精度逐步提篼，由于下层检测是在上层的检验结果之上进行，已经排除了大部分区域，从而使检速度大为提篼。

　　图像的塔形结构具有个层次，不同的层次具有不同的分辨率[4]，底层为原始输人图像，塔的第1层的元素是其下层第层元素的―个变换第1层具有较之第层少的元素，对输人客体的描述较之第层粗斤，顶层所含的元素少。

　　设输入数据为/化/度，6的，21，为正整数，/1表示第层的数据，各层的压缩率相同，压缩因子为6，则2/61，有多种方法来建立各层的数据，例如篼斯滤波法、邻域平均法、中值滤波法、优函数法、优核函数法等，本文采用邻域平均法。

　　邻域平均实际上是个低通滤波器，其冲击响迈为：频谱为；实现过程为先作简单平均，再重新抽样，表示如下：/机，打=少6.饥，6订霉打1，订或合并表示为：当6=2，0=2四邻域平均时有：瓷砖表面缺陷主要分为裂纹、刮痕、斑点、针孔等，针孔缺陷的检测利用瓷砖表面的反射性质，采用线型：完成检测，本文的检测方案适用于前=种情况，由于缺陷的形状和大小是不确定的，采用本文的方法比传统的滤波器方法更有效，实验所使用的瓷砖如困5，左图用于训练网络，中图用于检测，检测结果如右图三：学习时采用的标本中：用于检的块陷样本右：对应中田的检拥结果证致性，将同块砖的完好部分拒取出来作为训练样本，而有缺陷部分则用于检测，工作时采用三个恃征：均值、方差、能量，数字化时取阶次=10，泣样便获得1~11位的二进表达。由于采用温度编码，整个处理过程是レリ值的大小为基础。将图像分为H层，相应的A值从篼层到低层的值分别为3~1.由试验结果来看，两条带状缺陷虽然其灰度为整个图像的灰度均值，但采用本文的方法却可《完整地检测出来。由于本文采用的方法是特征为基础，对彩色图像而言，可对彩色值特征化，即与黑白图像相比除了多些特征外并没有特别的不同，故本文的方法可推广到彩色图像的处理。

　　二进神经网络可レッ用硬件实现，再加上采用分层处理技术，将会大大提篼其工作速度。

　　山邦南宁，计算机视觉与模式识别，国防王业出版社，277