论文部分内容阅读
摘要：机器视觉中自动视觉检测是其中的一项重要应用，目前在我国很多的瓷砖表面缺陷检测依旧处在人工检测水平，其工作量大，工作效率低，而检测额精度又无法满足实际生产需要，面对这种的情况，文章重点对布尔神经网络方法在瓷砖表面缺陷检测中的运用做了阐述。
关键词：瓷砖表面缺陷；布尔神经网络；瓷砖检测
中图分类号：TP274 文献标识码：A 文章编号：1009-2374（2013）30-0031-02
过去的神经网络没有解释能力，其不能很好地观测物体内部机理构造，而本文所论述的布尔神经网络是在过去神经网络上的一种升级，它将原始数据按照某种规则进行了编码，然后利用编码后得到的数据信息来重新驱动网络，其各个节点具备有效的物理意义。当前瓷砖表面的缺陷依据瓷砖不规则性及颜色可分为几种，按照缺陷所对应的类型可选择使用不同的滤波器来进行检测，因为缺陷瓷砖表面通常存在不规则形，所以滤波器在使用过程中有着极大的局限性，针对缺陷本身来说，虽然不同的瓷砖产品有着一定的差异，但是同种瓷砖又基本保持不变。而布尔神经网络其可在大范围内有效控制检测的精度及速度，并具有智能型，因此对它的研究将具备极为重要的现实意义。
1 布尔神经网络应用背景
随着社会经济的不断发展，客户对各类型产品表面的质量要求越来越苛刻，表面质量已经成为了直接决定产品价格及各个企业之间竞争的重要指标，另外，过去的人工目视检测方法存在很多的缺陷及不足，如无法适应高速机组，对细小表面缺陷的检测效率极低，并且如果长期进行检测，检测人员易出现视觉疲劳而无法长时间有效地进行整个材料表面的检测。总之，传统的检测已经无法满足现代化生产的需要。在这种背景下，新的检测方法必然出现，而其中布尔神经网络的应用就是其中的一种有效的检测手段。
2 广义的布尔神经网络
过去的BP网络在分类上属于一种分层网络，其各个节点域下一层节点在连接时通常是完全均匀的，而这种均匀直接连接在图像感知时通常会致使网络感知能力受到限制，但是广义的布尔神经网络是通过研究过去的前向神经网络的优点及缺陷之后升级而来。如果单独从数据驱动方面来讲，布尔神经网络也可叫做前向传播网络。在该网络中其各个权重和神经网络只能取值两个，分别为{-1，1}、{0，1}，其阈值也被限定为整数。
但是在具体进行运算阶段通常是使用二进乘法、整数加法、比较操作法等几种方法，因此与传统的方法相比较其运算速度得到了提高，另外，这种网络在训练阶段因为不存在反向传播过程，所以其不需要反复迭代，这使得其运算速度又得到了进一步提高。
设总数是K的训练样本为ak，当，根据样本ak，可计算对应的权值wk=2ak-1，由于ak的取值范围在[0、1]，因此，其第k节点的阈值表达式为：
在该式中rk表示神经网络第k节点的吸引域，在该吸引域中心是该神经网络的权重矢量中心wk，而在对样本进行具体检测时通常应用的方法为汉明距离测量法，如果测试样本在进入某节点吸引域，那么对应的节点则被激活，其值显示为1。
2.1 布尔神经网络检测流程
布爾神经网络是一种三层网络，如图1所示，其第一层通常设置为输入层，在进行检测过程中在该层输入标本模式数据，在分类过程则输入采样样本数据信息，其第二层通常是以C个节点所组成，其各个节点都与输入点相互连接，各个节点均有三个相同的参数，即权重、阈值及吸引域，这些参数必须要由训练算法来求算，第三层包括两个节点，分别是接受节点与拒绝节点，接受节点的阈值为1，和各个种类的节点相互连接的阈值也是1，拒绝的节点的阈值则为θ，其和第二层的连接权重则为-1，当种类层中出现多个节点是1的时候，那么接收点将被激活，与之相反当所有的种类节点显示为0时，那么拒绝节点将被激活，说明该次输入为奇异点，也叫做缺陷点，进而完成对缺陷的检测。
2.2 布尔神经网络的连续特征值
以上所述的布尔神经网络需要输入的驱动数据是二进制数，但在实际运用过程通常是连续值，因此必须要对该网络所对应的连续特征值进行研究，首先要对连续值做好编码，将这些数据信息转化为和其完全对应的二进制数，而其具体的网络结构图如图2所示，该处通常利用温度计进行编码，在实际操作过程中使用一连串的1来对连续值进行对应表示。因为其存在对应关系，因此该串1的长度和连续量的值一般为正比关系，在具体进行编码过程中，由于要对一些特征值进行归一化数，导致同类型的特征值在差异方面出现了更大的变化。
2.2.1 编码算法。（1）对所有的特征值进行归一化，让其值的分布区间在[0，1]，即以其最大值除去其所有的同种特征值。（2）选定一个有效的正整数，称编码为阶次，使用该阶次与所得归一化特征值相乘，再加上0.5，并和其最为靠近的整数相互替换，最后将特征值变为正整数，使其分布区间为[1，阶次+1]。（3）将相互替换得到的整数变为二进制数，如果所得二进制数的阶次为5，则第4的编码为111100。
2.2.2 训练计算。首先将训练获取的数据及信息逐一离散化、归一化，其次构建好网络，依据一定的规律在训练过程中有序的增减种类节点，接着对特征节点所对应的阈值依据二进制布尔神经网络的训练方式来求算，通常情况下训练节点的权重是1，而其阈值和所对应连接特征数其对应的权重及阈值均是1。
2.2.3 分类计算。（1）对输入的样本信息进行归一化并进行编码转换。（2）假设拒绝节点显示为1，那么根据第四步进行。（3）种类节点的阈值必须加1。（4）如果拒绝节点显示为1，则根据第五步或者根据第三步进行。（5）种类层其节点在进行计算时必须要减1，另外需要读取的种类节点也是1，并且在进行检测时确定其所属的种类。（6）将各种类层所对应节点的阈值减去2，并进行再次分类。
3 分层进行检测
在具体利用布尔神经网络检测瓷砖表面缺陷过程中，除了必要的将网络分类中权重及阈值除去外，还要求对神经节点的各个吸引域做好对应的控制，但是其对一些较大的吸引域做出的结果往往很是粗糙，这致使虚警出现的概率大大地增加，另外也会导致漏警出现的概率增加。在进行分层检测时，对于存在差异的分辨率要求适应不同的吸引域，对一些较低分辨率要求采用较大的吸引域，随着进行逐层检验还需要缓慢减小吸引域，最终使得检验精度得到有效提高，因为对下层的检验是在上层检验结果出现之后才进行的，所以排除了吸引域，因此使得检验精度得到不断提高。从图像显示来说，图像结构包含K个层次，其中不同的层次在组合过程中其分辨率存在差异，最底层是由最初的输入图像，而在塔形k+1层则是下层元素在该基础的一种简单变换，另外第k层的元素比k+1层要多，这就呈现了一种塔形结构，因此对输入客体来讲，其叙述的准确性相对K层来说较为粗糙，最后顶层所具有的的元素应该
最少。
4 布尔神经网络方法的运用方向
一般来说瓷砖表面出现的缺陷主要为刮痕、裂纹、斑点及针孔，其中针孔缺陷在进行检测时通常是根据其的反射性质，并通过线型CCD来完成检测的，而本文所述的检测手段仅对瓷砖表面的刮痕、裂纹及斑点进行检测，由于瓷砖本身的大小及形状有着极大的不确定性，所以使用本文所述的方法进行瓷砖的缺陷检测比传统滤波器检测效果
更好。
5 结语
本文主要阐述了对瓷砖表面缺陷检测过程中布尔神经网络技术的一些简单运用，其具体分为两个阶段，即训练阶段与检测阶段，为了测试检测的正确性，通常是将同一块砖的无缺陷部位来作为检测的训练样本，而将其中的缺陷部分进行检测，工作时充分利用以下三个参数：方差、能量、均值，在数字化过程中要求取阶次N=10，这样可直接获取[1，11]位所对应的二进表达，因为使用了温度进行编码，所以整个过程一定要以值的大小来做基础参考，从实验结果来看，利用本文所述的方法来检测，对缺陷的检出率得到了有效提高。
参考文献
[1] 戴哲敏，许增朴，于德敏，王永强.计算机视觉在
瓷砖表面颜色匀度分析中的应用[J].中国陶瓷工业，
2002，（4）.
[2] 吴平川，路同浚，王炎.机器视觉与钢板表面缺陷的
无损检测[J].无损检测，2000，（1）.
[3] 赵海洋，冯心海，薛钧义，江显异.基于机器视觉的
瓷砖表面质量分析与检测[J].西安建筑科技大学学报
（自然科学版），2000，（1）.
[4] 罗玮，彭复员，柳健.彩色瓷砖的自动分类系统[J].
华中科技大学学报，2001，（3）.
作者简介：陈长虹（1962—），男，福建福州人，福建出入境检验检疫局工程师，研究方向：各种包装材料检测。
关键词：瓷砖表面缺陷；布尔神经网络；瓷砖检测
中图分类号：TP274 文献标识码：A 文章编号：1009-2374（2013）30-0031-02
过去的神经网络没有解释能力，其不能很好地观测物体内部机理构造，而本文所论述的布尔神经网络是在过去神经网络上的一种升级，它将原始数据按照某种规则进行了编码，然后利用编码后得到的数据信息来重新驱动网络，其各个节点具备有效的物理意义。当前瓷砖表面的缺陷依据瓷砖不规则性及颜色可分为几种，按照缺陷所对应的类型可选择使用不同的滤波器来进行检测，因为缺陷瓷砖表面通常存在不规则形，所以滤波器在使用过程中有着极大的局限性，针对缺陷本身来说，虽然不同的瓷砖产品有着一定的差异，但是同种瓷砖又基本保持不变。而布尔神经网络其可在大范围内有效控制检测的精度及速度，并具有智能型，因此对它的研究将具备极为重要的现实意义。
1 布尔神经网络应用背景
随着社会经济的不断发展，客户对各类型产品表面的质量要求越来越苛刻，表面质量已经成为了直接决定产品价格及各个企业之间竞争的重要指标，另外，过去的人工目视检测方法存在很多的缺陷及不足，如无法适应高速机组，对细小表面缺陷的检测效率极低，并且如果长期进行检测，检测人员易出现视觉疲劳而无法长时间有效地进行整个材料表面的检测。总之，传统的检测已经无法满足现代化生产的需要。在这种背景下，新的检测方法必然出现，而其中布尔神经网络的应用就是其中的一种有效的检测手段。
2 广义的布尔神经网络
过去的BP网络在分类上属于一种分层网络，其各个节点域下一层节点在连接时通常是完全均匀的，而这种均匀直接连接在图像感知时通常会致使网络感知能力受到限制，但是广义的布尔神经网络是通过研究过去的前向神经网络的优点及缺陷之后升级而来。如果单独从数据驱动方面来讲，布尔神经网络也可叫做前向传播网络。在该网络中其各个权重和神经网络只能取值两个，分别为{-1，1}、{0，1}，其阈值也被限定为整数。
但是在具体进行运算阶段通常是使用二进乘法、整数加法、比较操作法等几种方法，因此与传统的方法相比较其运算速度得到了提高，另外，这种网络在训练阶段因为不存在反向传播过程，所以其不需要反复迭代，这使得其运算速度又得到了进一步提高。
设总数是K的训练样本为ak，当，根据样本ak，可计算对应的权值wk=2ak-1，由于ak的取值范围在[0、1]，因此，其第k节点的阈值表达式为：
在该式中rk表示神经网络第k节点的吸引域，在该吸引域中心是该神经网络的权重矢量中心wk，而在对样本进行具体检测时通常应用的方法为汉明距离测量法，如果测试样本在进入某节点吸引域，那么对应的节点则被激活，其值显示为1。
2.1 布尔神经网络检测流程
布爾神经网络是一种三层网络，如图1所示，其第一层通常设置为输入层，在进行检测过程中在该层输入标本模式数据，在分类过程则输入采样样本数据信息，其第二层通常是以C个节点所组成，其各个节点都与输入点相互连接，各个节点均有三个相同的参数，即权重、阈值及吸引域，这些参数必须要由训练算法来求算，第三层包括两个节点，分别是接受节点与拒绝节点，接受节点的阈值为1，和各个种类的节点相互连接的阈值也是1，拒绝的节点的阈值则为θ，其和第二层的连接权重则为-1，当种类层中出现多个节点是1的时候，那么接收点将被激活，与之相反当所有的种类节点显示为0时，那么拒绝节点将被激活，说明该次输入为奇异点，也叫做缺陷点，进而完成对缺陷的检测。
2.2 布尔神经网络的连续特征值
以上所述的布尔神经网络需要输入的驱动数据是二进制数，但在实际运用过程通常是连续值，因此必须要对该网络所对应的连续特征值进行研究，首先要对连续值做好编码，将这些数据信息转化为和其完全对应的二进制数，而其具体的网络结构图如图2所示，该处通常利用温度计进行编码，在实际操作过程中使用一连串的1来对连续值进行对应表示。因为其存在对应关系，因此该串1的长度和连续量的值一般为正比关系，在具体进行编码过程中，由于要对一些特征值进行归一化数，导致同类型的特征值在差异方面出现了更大的变化。
2.2.1 编码算法。（1）对所有的特征值进行归一化，让其值的分布区间在[0，1]，即以其最大值除去其所有的同种特征值。（2）选定一个有效的正整数，称编码为阶次，使用该阶次与所得归一化特征值相乘，再加上0.5，并和其最为靠近的整数相互替换，最后将特征值变为正整数，使其分布区间为[1，阶次+1]。（3）将相互替换得到的整数变为二进制数，如果所得二进制数的阶次为5，则第4的编码为111100。
2.2.2 训练计算。首先将训练获取的数据及信息逐一离散化、归一化，其次构建好网络，依据一定的规律在训练过程中有序的增减种类节点，接着对特征节点所对应的阈值依据二进制布尔神经网络的训练方式来求算，通常情况下训练节点的权重是1，而其阈值和所对应连接特征数其对应的权重及阈值均是1。
2.2.3 分类计算。（1）对输入的样本信息进行归一化并进行编码转换。（2）假设拒绝节点显示为1，那么根据第四步进行。（3）种类节点的阈值必须加1。（4）如果拒绝节点显示为1，则根据第五步或者根据第三步进行。（5）种类层其节点在进行计算时必须要减1，另外需要读取的种类节点也是1，并且在进行检测时确定其所属的种类。（6）将各种类层所对应节点的阈值减去2，并进行再次分类。
3 分层进行检测
在具体利用布尔神经网络检测瓷砖表面缺陷过程中，除了必要的将网络分类中权重及阈值除去外，还要求对神经节点的各个吸引域做好对应的控制，但是其对一些较大的吸引域做出的结果往往很是粗糙，这致使虚警出现的概率大大地增加，另外也会导致漏警出现的概率增加。在进行分层检测时，对于存在差异的分辨率要求适应不同的吸引域，对一些较低分辨率要求采用较大的吸引域，随着进行逐层检验还需要缓慢减小吸引域，最终使得检验精度得到有效提高，因为对下层的检验是在上层检验结果出现之后才进行的，所以排除了吸引域，因此使得检验精度得到不断提高。从图像显示来说，图像结构包含K个层次，其中不同的层次在组合过程中其分辨率存在差异，最底层是由最初的输入图像，而在塔形k+1层则是下层元素在该基础的一种简单变换，另外第k层的元素比k+1层要多，这就呈现了一种塔形结构，因此对输入客体来讲，其叙述的准确性相对K层来说较为粗糙，最后顶层所具有的的元素应该
最少。
4 布尔神经网络方法的运用方向
一般来说瓷砖表面出现的缺陷主要为刮痕、裂纹、斑点及针孔，其中针孔缺陷在进行检测时通常是根据其的反射性质，并通过线型CCD来完成检测的，而本文所述的检测手段仅对瓷砖表面的刮痕、裂纹及斑点进行检测，由于瓷砖本身的大小及形状有着极大的不确定性，所以使用本文所述的方法进行瓷砖的缺陷检测比传统滤波器检测效果
更好。
5 结语
本文主要阐述了对瓷砖表面缺陷检测过程中布尔神经网络技术的一些简单运用，其具体分为两个阶段，即训练阶段与检测阶段，为了测试检测的正确性，通常是将同一块砖的无缺陷部位来作为检测的训练样本，而将其中的缺陷部分进行检测，工作时充分利用以下三个参数：方差、能量、均值，在数字化过程中要求取阶次N=10，这样可直接获取[1，11]位所对应的二进表达，因为使用了温度进行编码，所以整个过程一定要以值的大小来做基础参考，从实验结果来看，利用本文所述的方法来检测，对缺陷的检出率得到了有效提高。
参考文献
[1] 戴哲敏，许增朴，于德敏，王永强.计算机视觉在
瓷砖表面颜色匀度分析中的应用[J].中国陶瓷工业，
2002，（4）.
[2] 吴平川，路同浚，王炎.机器视觉与钢板表面缺陷的
无损检测[J].无损检测，2000，（1）.
[3] 赵海洋，冯心海，薛钧义，江显异.基于机器视觉的
瓷砖表面质量分析与检测[J].西安建筑科技大学学报
（自然科学版），2000，（1）.
[4] 罗玮，彭复员，柳健.彩色瓷砖的自动分类系统[J].
华中科技大学学报，2001，（3）.
作者简介：陈长虹（1962—），男，福建福州人，福建出入境检验检疫局工程师，研究方向：各种包装材料检测。