52│中国陶瓷│CHINA CERAMICS │2008(44)第 12 期52
│中国陶瓷│CHINA CERAMICS │2008(44)第 12 期基于MATLAB 开发环境瓷砖的智能分类检测
陈 瑶, 李诗龙
(武汉工业学院机械系,  武汉  430023)
【摘 要】:针对传统瓷砖人工检测工艺和判据单一化问题,在MATLAB 开发性工作环境中,鉴于神经网络所具有的自组织、自学习和分布式存储信息的特点,提出了一种基于神经网络综合处理颜特征和形状特征进行瓷砖图像检测的方法,利用Matlab 神经网络工具箱建立特征参数检测模型, 检测图像中的缺陷。首先,根据分类要求选定合适的神经网络结构,依据产品对象选择最基本的特征参数,并通过试验总结出最佳的算法设计。最后,运用该方法对sonydscp73型号照相机所采集的产品图像进行实验。实验证明,神经网络为瓷砖检测提供了一个很好的工具。
【关键词】:MATLAB,瓷砖,神经网络
引 言
近几年,陶瓷墙地砖在建筑装修业的带动下, 建筑陶瓷工业得到了较大的发展, 已具有较高的自动化水平,然而由于技术的限制,瓷砖产品表面质量检测与分类这一工艺大多采用人工抽样打表的方法[1]
。人工检测工艺
工作量大、抽检率低, 检测精度和效率低,容易发生漏检和质量等级确定不准的现象。目前,国内外该领域的研究人员提出了基于机器视觉和基于计算机视觉两方面的相关研究,文献[2]和文献[3]是分别采用了这两种技术的典型实例。然而这些检测技术只针对瓷砖的某一缺陷,判据单一且准确率不高,提取瓷砖多特征参数综合检测分类的研究是实现产品分类的有效手段。
瓷砖信号是一种非线性信号,针对该特点,该文设计了一种基于MATLAB 开发环境对产品图像分析实现智能分类的方法:首先对瓷砖图像进行数字处理,提取瓷砖的形状特征和颜特征参数,然后根据神经网络可以处理非线性和不完整数据的优点,利用BP 神经网络结合优化BP 算法进行瓷砖的分类。与传统方法相比,神经网络在处理不完善和模糊的信息上,它的可靠性和容错性更高。
1  神经网络
1.1 神经网络
神经网络因其具有非线性特性、大量的并行分布结构以及学习和归纳能力而在诸如建模、时间序列分
析、模式识别、信号处理以及控制等方面得到了广泛应用。尤
其面对缺少物理或统计理解、观察数据中存在着统计变化、数据由非线性机制产生等棘手问题,神经网络能够提供较为有效的解决方法[4],是替代人工检测工艺实现智能分类最合适的选择。
在人工神经网络技术中,神经网络的结构种类繁多,而在模式识别中BP 网络是应用最广泛得到效果也比较好,BP 网络是采用BP 算法的前馈型神经网络[5]。它是由多层感知机发展起来的层次型网络,可实现从输入到输出的任意非线性映射。
1.2 神经网络的输入
瓷砖的主要缺陷包含:差、凸块、凹陷、孔洞、污垢、纹理、裂纹等表面缺陷[6]。对于图像而言颜是图像内容组成的基本要素,也描述图像各像素点值分布的表征,再结合瓷砖的形状特征通过神经网络进行综合判断。
1.2.1 颜特征
颜相对于几何形状特征图形而言,对平移、旋转、缩放等变换具有不变性,对图像本身的尺寸、方向、视角的依赖性较小,表现出相当强的鲁棒性[7]。颜表示方式有很多,颜直方图是表达颜特征最常用的方式,除此之外,还有彩矩和彩集合。该文采用面向硬件设备的RGB 模型[8-9]三分
量叠加处理{P1、P2、P3}来表示图像的颜特征。
1.2.2 形状特征
瓷砖是规则的矩形结构,针对于现在家居装修所用瓷砖出现的大小不一、形变现状,把握住瓷砖这一形状特点来表征目标能够提高系统的正确率。因此,提取了瓷砖的面积、周长和角度三分量作为神经网络的另外三个输入量{p4、p5、p6}。
2  MATLAB 中瓷砖分类的设计
瓷砖分类基于MATLAB 的程序(M 文件)开发设计主要分为两大模块:数据处理(特征提取)与智能判断。该程序设计思想:是针对目前使用较广泛的边长相等瓷砖而设计的,适合于严格的正方形结构(规则的长方形结构产品分类方法类似)。
产品检测算法设计:
(1)规定四边形结构瓷砖的四个顶点为其固有角点数(cnt=4),当产品表面存在斑点、裂缝、污点等缺陷时,cnt>4程序跳出判其为次品;
(2)判断产品边长是否相等,不相等跳出显示次品;(3)同理,分析四个角是否为直角;
(4)提取特征参数:计算R、G、B、Area、Suml
收稿日期:2008-9-25
作者简介:陈瑶(1982-),女,汉族,硕士研究生,从事检测技术与自动化装置的研究。未识别的网络
Email:homewhp@163
2008年 第 12 期中 国 陶 瓷
中国陶瓷│CHINA CERAMICS │2008(44)第 12 期│53
和jiaodu 分量保存于.mat 数据文件中;
(5)各分量做叠加归一处理生成神经网络的输入量{p1 p2 p3 p4 p5 p6};
(6)将多个样本的输入量作为神经网络输入P,组建并训练神经网络,经过学习后的网络就可于检测该类型瓷砖。程序设计流程图如图1:
3  实验结论
在瓷砖生产线上用sonydscp73型号照相机采集产品的图像,从中选取比较典型的六幅图片,提取相应特征数据作为确定网络算法、拓扑结构训练的样本集合如表1所示:
由样本集可知输入神经元应为6,而输出结果分为合格品和次品两种模式,故输出层节点数为1。在这种由多输入向单输出转化情况下,当不限制隐层节点数时,两层BP 网络既可以实现该非线性映射;隐层神经元数目的确定是根据公式 求出,其中式中N 为隐层节点数,Ni 为输入层节点数,No 为输出层节点数,a 为1~10之间的常数,因此隐层节点数应为4~13之间的一个。经过实验证明:N=8神经网络对瓷砖分类准确率较高且网络的训练性能较强,因此隐层节点数确定为8。该网络的输出值取为合格品(0.2)和次品(0.8),故隐层及输出层的传输函数logsig 函数。为了改善传统BP 算法的局限性,训练方法采用改进了的BP 算法LM 算法。BP 网络结构如图2所示:
运用上述样本对网络进行12步训练后网络的误差达到精度要求,其误差性能曲线如图3所示。
网络训练好后,输入一组样本验证其分类功能,程序代码如下:
p=[0.5768;0.5799;0.5754;0.1924;0.9644;0.1816]
1 瓷砖分类程序设计流程图
表1 数据样本集合
a=sim(net,p);a=a>0.5
回车输出a =0(正品);同理输入样本2,回车输出a =1(次品)。由此可见,该神经网络成功实现了瓷砖的综合检测的分类。
4  结 语
该文为了改善人工检测瓷砖产品的工艺过程,而选择采用了基于MATLAB 开发环境进行二次开发。文中详细讲述了在MATLAB 中利用neural network 工具对产品实现智能分类的全过程:1、神经网络类型确定。2、产品特征向量的选择。3、在MATLAB 中实现智能分类的设计过程。最后,对采集的典型产品样本实现了智能分类。
图2 神经网络结构图
图3 网络训练的误差性能曲线
参  考  文  献
[1] 陈就,叶树林,华蕊等.
基于计算机测试技术的瓷砖误差
中 国 陶 瓷
2008年 第 12 期
54│中国陶瓷│CHINA CERAMICS │2008(44)第 12 期
检测系统研发[J].机电工程技术.2007年,36(6):52-54
[2]刘巍,丁未思.基于计算机视觉的高精度瓷砖质检系统[J].微电子学与计算机,2007, 24(1):55-58
[3]戴哲敏,许增朴,于德敏等.计算机视觉在瓷砖表面颜匀度分析中的应用[J].中国陶瓷工业,2002,9(4):33-36
[4]高隽.人工神经网络原理及仿真实例[M].北京:机械工业出版社,2003
[5]朱正为,郭玉英.基于BP 网络的香烟包装质量在线检测与诊断[J]. 微计算机信息.2006,22 (10-3) :98-101
[6]Costas Boukouvalas, Francesco De Natale, Giovanni De Toni et al.ASSIST:automatic system for surface inspection
and sorting of tiles[J].Journal of Materials Processing Technology,1998,82 (1-3):179-188
[7]LI Xue Long.Image Retrieval Based on Perceptive Weighted Color Blocks[J].Pattern Recognition Letters,2003,24(12),1935-1941
[8]CHENG H D,JIANG X H,SUN Y,etal.Color Image Segmentation: Advances and Prospects[J].Pattern Recognit ion,2001,34(12):2259-2281
[9]Hoy D E P. On the use of color imaging in experimental application[J]. Experimental Techniques,1997,21(4):17-19
THE CERAMIC TILE’S INTELLIGENCE CLASSIFICATION EXAMINATION
BASED ON MATLAB DEVELOPMENT ENVIRONMENT
Chen Yao,Li Shilong
(Department of Machinery, Wuhan Polytechnic University,Wuhan, 430023, China)
【Abstract】:In the MATLAB growth oriented working conditions, aiming at the problem of manu-al examination craft in traditional tiles detection and criterion singleness,this article put forward a method of tiles detection which synthetically processed color features and shape features of tile’s image base on neural network because of its characterist ic of self-organizat ion selfstudy and dist ribut ion sto rage information. Matlab NN Too l is used to build the characteristic parameter model which detects the flaw of input image. First,According to classified request to choose appropriate neural network structure, and chooses the most basic characteristic parameter based on the product object, and summarizes the best algorithm design through the experiment Finally, the product ima-ge utilizes that method which gathers to the sonydscp73 model camera to carry on the experiment. The result shows neural network provides a good tool to the tile’s detection.
【Keywords】:Matrix Laboratory ;ceramic tile;neural network
A NEW TYPE MANUFACTURING PROCESS AND
PERFORMANCE OF CERAMIC SENSOR
Zhang Yigui, Feng Xiaohong, Cheng Shuming
(Chongqing CISDI Industrial Furnace Co., LTD.,  Chongqing  400013)
【Abstract】:A brief description of ceramic sensor is made firstly in this paper. Then a new type manufacturing process of ceramic sensor is put forward through analysis of high-temperature measuring problem which exists in current sensors. The process applies new-brand material and advanced means such as sintering, electroplating and spot welding to ensure many advantages of this sensor. And this sensor is tested and verified by experiments. Finally, its advantages are summarized and conclusion of full text is made in the end of this paper.
【Keywords】:ceramic sensor, advanced manufacturing process, experiment test
(上接第48页·Continued from page 48)