[發明專利]一種基于伽柏變換和極限學習機神經網絡的鋁箔封口密封性檢測方法

在審

• 申請號: 201810316633.1
• 申請日: 2018-04-10
• 公開（公告）號: CN108510534A
• 公開（公告）日: 2018-09-07
• 發明（設計）人: 李維軍;周益邦
• 申請（專利權）人: 遼寧石油化工大學
• 主分類號: G06T7/40
• 分類號: G06T7/40;G06T7/00;G06N3/08;G06N3/04
• 代理公司: 遼寧沈陽國興知識產權代理有限公司 21100
• 代理人: 姜婷婷

本發明公開了一種基于伽柏(Gabor)變換和極限學習機(ELM)神經網絡的鋁箔封口密封性檢測方法。該方法包括：首先對采集到的不同特征類型鋁箔封口熱像圖集合進行伽柏(Gabor)變換，利用變換結果訓練極限學習機(ELM)神經網絡。然后利用訓練后的神經網絡對熱像圖進行實時的圖像紋理特征提取、分類識別和密封性判別。通過與提取顏色特征的反向傳播(BP)神經網絡對比分析發現，基于伽柏(Gabor)變換和極限學習機(ELM)的檢測方法具有網絡泛化性強、響應速度快、算法具有較高精度等優勢，能夠滿足密封性檢測的精度要求。

技術領域

本發明屬于密封性檢測領域，特別涉及一種基于伽柏(Gabor)變換和極限學習機(ELM)神經 網絡的鋁箔封口密封性檢測方法。

背景技術

隨著科技的進步，人們的生活水平日益提高，在包裝領域中對鋁箔包裝的研究越來越受到 人們的關注。因其使用方便快捷，受到廣大消費者們的熱烈追捧。在歐美國家，鋁箔用于包裝 的總需求量已經占到了70％。鋁箔包裝雖然使用方便，但也有它的不足之處。在產品用鋁箔封 口的過程中，難免會發生壓穿或鋁箔破損，這些都容易引起密封不嚴的現象，是誘發產品變質 的一項重要原因，嚴重威脅著產品的包裝質量，造成巨大的經濟損失。針對這種情況，大多數 企業采用人工擰開瓶蓋，直接觀察的方式來檢測密封性，自動化程度低，檢測精度不高。因此， 急需一種方法來代替人工檢測，提高自動化程度與檢測精度。

發明內容

鑒于上述問題，本發明提供一種基于伽柏(Gabor)變換和極限學習機(ELM)神經網絡的鋁箔 封口密封性檢測方法，解決了鋁箔封口密封性檢測過程中自動化程度低，檢測精度不高，檢測 效率慢等問題。

為實現上述目的，本發明提供一種基于伽柏(Gabor)變換和極限學習機(ELM)神經網絡的鋁 箔封口密封性檢測方法，包括下述步驟：

步驟1，采集鋁箔封口熱像圖；

步驟2，圖像預處理；

步驟3，對采集到的不同特征類型熱像圖集合進行伽柏(Gabor)變換；

步驟4，利用變換結果訓練極限學習機(ELM)神經網絡；

步驟5，利用訓練后的神經網絡對熱像圖進行實時的圖像紋理特征提取、分類識別和密封性 判別。

本發明的有益效果是：本發明首先用熱像儀采集鋁箔封口的熱像圖，然后利用伽柏(Gabor) 變換對熱像圖進行紋理特征提取，再利用極限學習機(ELM)對熱像圖進行分類識別。通過熱 像圖紋理特征的不同來判斷密封性的好壞。與傳統的反向傳播(BP)算法相比較，極限學習機(ELM 算法)具有學習速度快、訓練過程不需要迭代、參數選擇不敏感等特點，且計算過程簡單、泛化 性強。通過實驗，驗證了此算法有較高精度。網絡泛化性強、響應速度快、算法具有較高精度 等優勢，而且在小樣本也具有良好的準確率。

附圖說明

圖1是本發明中基于伽柏(Gabor)變換和極限學習機(ELM)神經網絡的鋁箔封口密封性檢測 方法的流程圖。

具體實施方式

為使本發明的目的、技術方案和優點更加清楚明白，以下結合具體實施例，并參照附圖， 對本發明作進一步的詳細說明。

圖1為本發明實施例提供的基于伽柏(Gabor)變換和極限學習機(ELM)神經網絡的鋁箔封口 密封性檢測方法的流程圖，該方法包括：

所述采集鋁箔封口熱像圖的步驟，包括：

對每一個經過熱像儀下的目標進行圖像采集，采集不同類型的熱像圖作為神經網絡的訓練 樣本與測試樣本。

所述圖像預處理的步驟，包括：

采用圖像增強做為預處理工作，其中圖像增強采用偽彩色圖像增強的處理方式。