《基于sift特征与多层bp神经网络的钢板缺陷检测算法》由会员分享，可在线阅读，更多相关《基于sift特征与多层bp神经网络的钢板缺陷检测算法（8页珍藏版）》请在金锄头文库上搜索。
1、基于 SIFT 特征与多层 BP 神经网络的钢板缺陷检测算法 朱晓珺 韩林 邹香玲 河南广播电视大学信息工程学院 摘 要： 为了解决当前钢板表面缺陷在对比度弱、边缘复杂和光照不均干扰下易导致检测能力较低的问题, 文章提出了基于 SIFT 特征与多层 BP 神经网络的钢板缺陷检测算法。首先, 引入高斯差分和 Hessian 矩阵, 对钢板图像进行空间尺度函数计算, 统计 SIFT 深度向量特征, 完成缺陷特征的检测与收集。然后, 基于神经网络原始模型, 计算其第五层输出结果, 优化缺陷检测结果, 并最小化输出层与期望值的差异平方, 滤除伪 SIFT 特征的干扰, 建立多层 BP 神经网络拓扑分析
2、算子, 准确识别钢板缺陷。最后, 基于软件工程, 设计检测系统软件, 对文中算法的缺陷检测精度进行测试。实验测试结果显示:与当前主流钢板缺陷检测技术相比, 文中算法拥有更高的准确性与鲁棒性。关键词： 钢板缺陷检测; SIFT 特征; BP 神经网络; 空间尺度; 深度向量; 作者简介：朱晓珺 (1975) , 男, 郑州人, 河南广播电视大学讲师, 硕士, 研究方向为计算机应用, 计算机软件, (E-mail) 。收稿日期：2017-05-05基金：“核高基”国家科技重大专项 (2009ZX01036) Steel Plate Defection Detection Algorithm Bas
3、ed on SIFT Feature and Multi-Layer BP Neural NetworkZHU Xiao-jun HAN Lin ZOU Xiang-ling School of Information Engineering, He Nan Radio Abstract： In order to solve the current steel plate surface defect contrast w eak edge, complex and uneven illumination, lead to the problem of insufficient recogni
4、tion detection algorithm, the steel plate defection detection algorithm based on SIFT feature and multi-layer BP neural netw ork w as proposed. Firstly, the Gaussian difference and Hessian matrix w ere introduced to calculate the spatial scale function for statistical SIFT depth vector features to c
5、omplete defect detection and collection. Then, the output of fifth layers is calculated for filtering the interference of pseudo SIFT feature, and multilayer BP neural netw ork topology analysis operator w as established to achieve the purpose of accurate identification plate defects. Finally, detec
6、tion system softw are w as designed based on the softw are engineering to test the defect detection accuracy of this algorithm. The experimental results show that the algorithm is more accurate and robust compared w ith the current steel plate defection detection technology.Keyword： steel plate defe
7、ct detection; SIFT feature; BP neural netw ork; spatial scale; depth vector; Received： 2017-05-050 引言现代工业智能制造中, 钢板是必要材料, 必须对钢板表面质量进行检测, 传统人工目视检测方法过程复杂、效率较低、实时性差, 基于机器视觉的钢板表面缺陷检测方法由此诞生1。钢板表面缺陷检测通过各种检测算子实现, 通常有:Roberts 算子、Prewitt 算子、Sobel 算子和 Log 算子, 虽然具有计算简单和速度较快的优点, 但是在缺陷边缘对比度的情况下, 检测效果往往不佳2。在钢板表面缺陷
8、检测方面, 国内研究人员已经取得了一定研究成果, 如吴彬彬3提出 MAS 小波的钢板表面缺陷边缘检测算法, 由 Lipschitz 指数阐明了图像的边缘几何结构, 通过分析图像中不同类型的奇异点, 并结合尺度独立算法区分了目标图像中不同类型的边缘, 有效的提取了钢板表面缺陷图像的边缘, 完成钢板缺陷检测。但是, 此技术未充分考虑缺陷边缘特征微弱性和背景干扰, 往往影响了检测准确性。高如新4提出了基于钢板表面缺陷检测的图像增强算法, 针对此类缺陷检测问题, 提出了一种动态均值的图像增强方法, 使得图像局部过亮的情形得到了很大改善, 为图像后续的分割处理提供了极大便利, 利用最大熵分割方法对增强处
9、理后的图像进行分割, 达到了检出钢板缺陷的目的。然而, 这种技术未考虑来自边缘低对比度的干扰, 在此情况下, 不能达到准确检测的目的。为了提高钢板表面缺陷检测能力, 本文提出基于 SIFT 特征与多层 BP 神经网络的钢板缺陷检测算法。构建高斯差分和 Hessian 矩阵, 统计 SIFT 深度向量特征, 设计缺陷特征检测算子。然后, 分析神经网络数学模型, 设计多层 BP 神经网络拓扑分析算子, 以软件工程为实现方法, 建立本研究的钢板缺陷检测系统。1 本文钢板缺陷检测算法钢板表面缺陷具有对比度弱、边缘复杂和光照不均的图像特性, 对图像处理和模式识别有明显的干扰。因此, 提出了一种鲁棒的钢板
10、缺陷检测技术, 其过程见图 1。首先通过利用高斯差分的尺度旋转不变性, 以及 Hessian 矩阵对图像局部区域梯度进行鲁棒描述, 设计了 SIFT 特征检测算子, 定位缺陷的特征点和边缘, 即定位到了缺陷所在区域;然后, 将其作为深度特征, 即神经网络的输入信号, 通过五层迭代分析, 进一步确认验证检测算子的正确性, 提高了系统检出能力。以图 2 为检测对象, 其钢板表面缺陷具有对比度弱、边缘复杂的特性。图 1 本文图像算法过程 下载原图图 2 待处理原图 下载原图1.1 基于 SIFT 的缺陷区域定位为了准确定位钢板缺陷区域位置, 本研究采用具有缩放、旋转、光照不变性的SIFT (Scal
11、e Invariant Feature Transform) 特征检测算子。一般情况下, SIFT 算子主要步骤:基于高斯核构建尺度空间, 检测极值点, 实现特征点尺度不变性;利用高斯相应函数在尺度空间的 Taylor 展开式分别对图像的行、列和尺度三个量进行修正, 去除低对比度的极值点;计算特征点领域 4 方向的梯度方向直方图, 生成特征向量5。为了提高钢板缺陷特征点或者特征边缘检测的稳定性, 本文将 SIFT 算子中的高斯核改进为差分高斯。高斯差分 (Difference of Gaussian, Do G) 是尺度空间中两幅相邻图像的差值, 具有图像尺度不变性, 作为归一化结果, 解决了
12、高斯-拉普拉斯计算繁琐并依赖于模糊执行总量的问题6。在此基础上, 基于 Tayler 级数展开, 计算尺度空间函数:式中, D 代表空间尺度函数, 包含 x、y 两个方向, 利用上面两个公式, 通过求导并令其结果为 0, 可以找到特征点位置。本研究为了进一步去除低对比度特征点, 对特征点周围两个彼此正交的梯度进行计算:式中, G x、G y代表图像水平方向与垂直方向的梯度, I 代表图像函数。在此基础上引入 Heaaian 矩阵:式中, H 代表 Heaaian 矩阵, 达到既准确计算梯度, 又简化计算的目的。最后计算每个特征点的幅值与方向, 构成特征向量:式中, G 和 分别代表梯度幅值与方
13、向, 得到这个特征点数据, 本研究在此特征点周围领域 16 个像素区域, 每个像素区域按照以上方法计算 8 个方向的SIFT 特征, 最终得到 168, 总共 128 个数值, 即深度特征向量, 构成完整的SIFT 特征向量, 作为后续神经网络的输入量。基于以上本研究的 SIFT 特征检测算子, 完成对钢板区域定位。对待检测图像 3 进行 SIFT 特征检测并自动连接, 定位缺陷边缘, 在此基础上的定位结果如图 3 所示, 可见准确定位缺陷特征与边缘, 自动定位缺陷区域。图 3 基于 SIFT 特征的缺陷粗检测 下载原图1.2 基于多层 BP 神经网络的缺陷检测通过计算机视觉与图像处理的方法,
14、 得到钢板缺陷 SIFT 特征向量后, 需要进行数据统计分析, 本研究引入机器学习方法中的 BP 神经网络, 并构建起 128-16-28-42-1 的五层网络架构, 达到准确识别钢板缺陷的目的。BP 神经网络是模拟生物神经网络而建立的一种数学模型, 包括输入层、隐层和输出层的网络拓扑结构;BP 神经网络是误差反馈型神经网络, 即根据误差的逆向传播不断纠正并完善其权值与阈值7-8。BP 神经网络一般分为三层, 如下所示:式中, tansig 代表输入层到隐层之间的双曲正切函数, purelin 代表隐层到输出层之间的线性传输函数, y 代表 BP 神经网络的输出, x 代表输入向量, W 1代
15、表输入层到隐层之间连接权值, W 2代表隐层到输出层之间的连接权值, M 1代表输入层到隐层之间连接阈值, M 2代表隐层到输出层之间的连接阈值9。本文首先将 3 层推导到 4 层, 计算公式如下:式中, W 3代表第一隐层到第二隐层之间的连接权值, M 3代表第一隐层到第二隐层之间连接阈值。接着从第 4 层推导到底 5 层, 计算公式如下:式中, W 4代表第二隐层到第三隐层之间的连接权值, M 4代表第二隐层到第三隐层之间连接阈值。由此完成本研究的 5 层 BP 伸进网络的数学模型建立。最后, 记录输出层的 BP 反馈, 输出层各节点的期望响应 R 与真实响应 O 之间的总误差平方为:式中
16、, E 代表输出层各节点的期望响应 R 与真实响应 O 之间的总误差平方, 当其达到最小值时的各层各节点的权值与阈值为最佳, 即达到准确识别钢板缺陷的目的。神经网络已经在各个领域取得成功应用, 但是也存在一些缺陷, 例如可能陷入局部最优, 不能保证收敛全局最优10。本研究通过多层推导, 增强网络分析的健壮性, 得到优化权值与阈值的目的。基于本研究的多层 BP 神经网络, 以 128 个 SIFT 特征向量为输入量, 得到钢板缺陷的准确结果, 如图 4 所示, 相较于图 3, 经过多层 BP 神经网络的训练学习之后, 其检测效果更加精准。图 4 多层 BP 神经网络的缺陷检测优化 下载原图2 实验与讨论为了体现本文算法的优势, 将钢板缺陷检测性能较好的技术文献3、文献4设为对照组, 本文系统基于 Visual Studio2010 平台开发实现, 算法实验参数如:hessian=83, 36, 84, 98, 权值阈值矩阵为
