[發(fā)明專利]一種基于伽柏變換和極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)的鋁箔封口密封性檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810316633.1
• 申請(qǐng)日: 2018-04-10
• 公開（公告）號(hào): CN108510534A
• 公開（公告）日: 2018-09-07
• 發(fā)明（設(shè)計(jì)）人: 李維軍;周益邦
• 申請(qǐng)（專利權(quán)）人: 遼寧石油化工大學(xué)
• 主分類號(hào): G06T7/40
• 分類號(hào): G06T7/40;G06T7/00;G06N3/08;G06N3/04
• 代理公司: 遼寧沈陽(yáng)國(guó)興知識(shí)產(chǎn)權(quán)代理有限公司 21100
• 代理人: 姜婷婷

1.一種基于伽柏(Gabor)變換和極限學(xué)習(xí)機(jī)(ELM)神經(jīng)網(wǎng)絡(luò)的鋁箔封口密封性檢測(cè)方法，其特征在于，包括下述步驟：

步驟1，采集鋁箔封口熱像圖；

步驟2，圖像預(yù)處理；

步驟3，對(duì)采集到的不同特征類型熱像圖集合進(jìn)行伽柏(Gabor)變換；

步驟4，利用變換結(jié)果訓(xùn)練極限學(xué)習(xí)機(jī)(ELM)神經(jīng)網(wǎng)絡(luò)；

步驟5，利用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)對(duì)熱像圖進(jìn)行實(shí)時(shí)的圖像紋理特征提取、分類識(shí)別和密封性判別。

2.根據(jù)權(quán)利要求1所述的一種基于伽柏(Gabor)變換和極限學(xué)習(xí)機(jī)(ELM)神經(jīng)網(wǎng)絡(luò)的鋁箔封口密封性檢測(cè)方法，其特征在于，所述采集鋁箔封口熱像圖的步驟，包括：

對(duì)每一個(gè)經(jīng)過(guò)熱像儀下的目標(biāo)進(jìn)行圖像采集，采集不同類型的熱像圖作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本與測(cè)試樣本。

3.根據(jù)權(quán)利要求1所述的一種基于Gabor變換和極限學(xué)習(xí)機(jī)(ELM)神經(jīng)網(wǎng)絡(luò)的鋁箔封口密封性檢測(cè)方法，其特征在于，所述圖像預(yù)處理的步驟，包括：

采用圖像增強(qiáng)做為預(yù)處理工作，其中圖像增強(qiáng)采用偽彩色圖像增強(qiáng)的處理方式；

采用密度分割法進(jìn)行處理；

把黑白圖像的灰度級(jí)從0到M0分成N個(gè)區(qū)間Li,i＝1,2,…,N，給每個(gè)區(qū)間Li指定一種彩色Ci，把一幅灰度圖像變成一幅偽彩色圖像。

4.根據(jù)權(quán)利要求1所述的一種基于Gabor變換和極限學(xué)習(xí)機(jī)(ELM)神經(jīng)網(wǎng)絡(luò)的鋁箔封口密封性檢測(cè)方法，其特征在于，所述對(duì)采集到的不同特征類型熱像圖集合進(jìn)行Gabor變換的步驟，包括：

將伽柏(Gabor)函數(shù)分解為實(shí)部h_R(x,y)和虛部h_I(x,y)兩個(gè)分量,則用它濾波得到的圖像為：

式中：(h_R*I)和(h_I*I)表示圖像I和濾波器h的卷積，S(x,y)經(jīng)過(guò)高斯平滑,即為該伽柏(Gabor)濾波器提取出的特征圖像；

如果以h(x,y)為母小波,通過(guò)對(duì)其進(jìn)行尺度變換和旋轉(zhuǎn)變換,得到一組自相似的濾波器,稱為伽柏(Gabor)小波，

hmn(x,y)＝a-mh(x′,y′),a>1,m,n∈Z(3)

式中,

x′＝a-m(xcosθ+ysinθ),

y′＝a-m(-xcosθ+ysinθ),

θ＝nπ/K；a-m為尺度因子；式中m的取值與S有關(guān)，n的取值與K有關(guān)，m＝0,1,…,S-1，n＝0,1,…,K-1，S為尺度的數(shù)目,K為方向的數(shù)目；

通過(guò)改變m和n的值,得到一組方向和尺度不同的伽柏(Gabor)濾波器，假設(shè)小波族包含S個(gè)尺度,K個(gè)方向,并且頻率范圍為[U_l,U_h],一種參數(shù)選擇方法如下：

復(fù)數(shù)：

實(shí)部：

虛部：

公式中：

λ：正弦函數(shù)波長(zhǎng)；

θ：Gabor核函數(shù)的方向

ψ：相位偏移

σ：高斯函數(shù)的標(biāo)準(zhǔn)差

γ：空間的寬高比

假設(shè)I(x,y)是一張熱像圖，I(x,y)的二維伽柏(Gabor)小波變換定義為該熱像圖與伽柏(Gabor)小波函數(shù)G_U,Y(x,y)的卷積：

G_U,Y(x,y)＝I(x,y)*φ_u,y(x,y)

式中：*為卷積運(yùn)算；G_U,Y(x,y)為對(duì)應(yīng)尺寸v與方向u的卷積圖像；

把熱像圖某一位置(x,y)的每個(gè)尺寸和方向的伽柏(Gabor)小波響應(yīng)與幅值聯(lián)系起來(lái)，得到此點(diǎn)處的伽柏(Gabor)小波特征，所有熱像圖中的所有像素點(diǎn)位置的伽柏(Gabor)特征聯(lián)合起來(lái)，就可獲得整個(gè)熱像圖的伽柏(Gabor)特征向量：

X＝(G_0.1,G_0.2,......G_0.7)

提取單張熱像圖的伽柏(Gabor)特征的基本步驟是：

對(duì)熱像圖數(shù)據(jù)庫(kù)(共6000張)中的每一張圖像，選擇40×30＝1200個(gè)均勻分布的采樣點(diǎn)，采樣點(diǎn)選取后，構(gòu)造Gabor小波族，在5個(gè)尺度(K_max＝π/2；f＝2；v＝0,1,2,3,4)、8個(gè)方向(n＝8；μ＝0,1,...,7)上分別構(gòu)造伽柏(Gabor)函數(shù)，令σ＝π，使得濾波器的帶寬約為1倍的頻程，經(jīng)濾波后，將熱像圖上的每一個(gè)采樣點(diǎn)上的幅值當(dāng)做伽柏(Gabor)函數(shù)的系數(shù)，把各個(gè)伽柏(Gabor)的系數(shù)組成列向量，從而獲得熱像圖的局部伽柏(Gabor)特征向量；

通過(guò)計(jì)算濾波器與各個(gè)熱像圖的卷積，然后將卷積的幅值當(dāng)做輸出，從而獲取穩(wěn)定的伽柏(Gabor)特征，即：

最終得到熱像圖的Gabor特征。

5.根據(jù)權(quán)利要求1所述的一種基于伽柏(Gabor)變換和極限學(xué)習(xí)機(jī)(ELM)神經(jīng)網(wǎng)絡(luò)的鋁箔封口密封性檢測(cè)方法，其特征在于，所述利用變換結(jié)果訓(xùn)練極限學(xué)習(xí)機(jī)(ELM)神經(jīng)網(wǎng)絡(luò)的步驟，包括：

對(duì)于N個(gè)不相同樣本(x_i,y_i)，x_i＝[x_i1,x_i2,...,x_in]^T∈Rⁿ，y_i＝[y_i1,y_i2,...,y_im]^T R^m，假設(shè)ELM擁有L個(gè)隱含層節(jié)點(diǎn)，輸出函數(shù)如下：

網(wǎng)絡(luò)的輸入層到第i個(gè)節(jié)點(diǎn)的輸入權(quán)值為a_i＝[a_il,a_il,...,a_in]^T，第i個(gè)隱含層節(jié)點(diǎn)的偏置(bias)為b_i；β_i＝[β_i1,β_i2,...,β_im]^T是第i個(gè)隱含層節(jié)點(diǎn)的輸出權(quán)值，如果這個(gè)具有L個(gè)隱含層節(jié)點(diǎn)的網(wǎng)絡(luò)能以0誤差逼近這N個(gè)樣本，則有a_i,b_i,β_i使得：

即：Hβ＝Y(jié)

其中：

H為網(wǎng)絡(luò)隱含層輸出矩陣，在ELM算法中，偏差與輸出權(quán)值是隨機(jī)給定的，所以隱含層矩陣H就成為了一個(gè)固定矩陣，當(dāng)求出輸入權(quán)值的最小二乘解，即可完成網(wǎng)絡(luò)訓(xùn)練，由下面公式得出輸出權(quán)值矩陣β，

(1)訓(xùn)練集/測(cè)試集產(chǎn)生

極限學(xué)習(xí)機(jī)(ELM)要求具有足夠多的訓(xùn)練樣本且具有較好的代表性，同時(shí)，訓(xùn)練集和測(cè)試集的格式應(yīng)符合ELM訓(xùn)練和預(yù)測(cè)函數(shù)的要求；

(2)極限學(xué)習(xí)機(jī)(ELM)創(chuàng)建/訓(xùn)練

利用elmtrain()函數(shù)對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，得到訓(xùn)練網(wǎng)絡(luò)，調(diào)用格式為：

[IW,B,LW,TF,TYPE]＝elmtrain(P,T,N,TF,TYPE)

P:訓(xùn)練集的輸入矩陣；

T:訓(xùn)練集的輸出矩陣；

N:隱含層神經(jīng)元個(gè)數(shù)(默認(rèn)為訓(xùn)練集的樣本數(shù))；

TF:隱含層神經(jīng)元的激活函數(shù)，其取值可為‘sig’，‘sin’，‘hardlim’；

TYPE:極限學(xué)習(xí)機(jī)(ELM)的應(yīng)用類型，0為回歸擬合，1為分類；

IW:輸入層與隱含層間的連接權(quán)值；

B:隱含層神經(jīng)元的閾值；

LW:隱含層與輸出層的連接權(quán)值；

(3)極限學(xué)習(xí)機(jī)(ELM)仿真測(cè)試

利用elmpredict()函數(shù)進(jìn)行極限學(xué)習(xí)機(jī)(ELM)的仿真測(cè)試，調(diào)用格式為：

Y＝elmpredict(P,IW,B,LW,TF,TYPE)

P:測(cè)試集的輸入矩陣；

IW:輸入層與隱含層間的連接權(quán)值；

B:隱含層神經(jīng)元的閾值；

LW:隱含層與輸出層的連接權(quán)值；

TF:隱含層神經(jīng)元的激活函數(shù)，其取值可為‘sig’，‘sin’，‘hardlim’；

TYPE:ELM的應(yīng)用類型，0為回歸擬合，1為分類；

Y:測(cè)試集對(duì)應(yīng)的輸出預(yù)測(cè)值矩陣。