基于BP神经网络的织物疵点分类识别

为了有效的实现分类识别，就要对原始图像数据进行变换，得到最能反映分类本质的图像特征。

图像特征是指图像的原始特征或属性。每一幅图像都有其本身的特性，其中有些是视觉直接感受到的自然特征，如亮度、边缘、纹理或色彩等；有些是需要通过变换或测量才能得到的人为特征，如谱、直方图等。为了正确的对缺陷图像进行有效识别，需要从图像中提取有效的数据或信息，生成非图像的描述或表示，如数值、符号等，即抽取图像特征。一般地，把原始数据组成的空间叫做“测量空间”，把分类识别赖以进行的空间叫做“特征空间”。通过特征提取，把维数较高的测量空间中表示的模式转化在维数较低的特征空间中表示的模式，从而为图像识别提供数据样本。

一、特征选取依据

对于待识别的织物缺陷图像，通过相关的处理对其经过分割和边缘提取后，可以得到图像的原始特征。但是原始特征的数量很大，图像样本是处于一个高维空间中，如何从众多的特征中选出一些最有效的特征以达到降低特征空间维数的目的，是特征选择和提取的基本任务。在样本数量不是很多的情况下，用很多特征进行分类器的设计，从计算复杂程度和分类器性能来看都是不合适的。因此研究如何把高维特征空间特征转化到低维空间特征以便有效地识别图像就很关键。例如，通过摄像机把一个物体转换为一个二维灰度阵列。一个 256×256 灰度阵列图像相当于 256×256 维测量空间中的一个点，不便于识别，更重要的是这样一种描述并不能直接反映图像的本质。

目前，几乎还没有解析的方法能够指导特征的选择，一般情况下，根据经验和相关理论基础先列出一些可能的特征表，然后用特征排序方法计算不同特征的识别效率。利用结果对表进行删减，以选取最优的特征组合。具体地，选择特征的依据如下：

可区别性。对于属于不同类的图像而言，它们的特征应具有明显的差异

可靠性。对于同类图像，特征值应该比较接近。

独立性好。所选择的特征值之间应彼此不相关。需要注意的是，有时相关性很高的特征组合起来可以减少噪声干扰，但它们一般不作为单独的特征使用。

数量少。图像识别系统的复杂程度随着系统维数（特征个数）成正比增加。特征数量如果过多，虽然识别的效果会更好一些，但是识别时计算更加耗时，难度更大。

二、织物缺陷的主要类型

本文主要针对织物缺陷主要的四类疵点进行检测，分别是：劈缝、断经、经线粘连和浆斑。以下是四类疵点的大致产生原因和四类疵点各自的特点情况。

1）劈缝：劈缝是相邻的两根经线由于纬线连续断开而形成的，一般在大于等于4cm长度内没有纬线链接，疵点的宽度一般大于四厘米，约为20跟以上经线的宽度，长度一般约为整幅图像的一半以上，在均匀灯光的照射下，形成一条亮纹，所产生的亮度要比正常织物的高。织物劈缝缺陷图像如图1所示：

图1织物劈缝缺陷图像

2）断经：断经指的是织物的一股经线脱落或者断开，又称抽断经。疵点的宽度约为一到两根经线的宽度，长度一般超过整幅图像的一半，通常为整幅图像的长度。在均匀灯光的照射下，形成一条亮纹，所产生的亮度要比正常织物的高。织物断经缺陷图像如图2所示：

图2织物断经缺陷图像

3）经线粘连：这种缺陷是由于相邻的两根经线因为固化了的浸胶液粘连在一起而形成的一种缺陷。疵点的宽度约为一到两根经线的宽度，长度一般超过整幅图像的一半，通常为整幅图像的长度。在均匀灯光的照射下，形成一条亮纹，所产生的亮度要比正常织物的高。织物的经线粘连缺陷图像如图3所示：

图3织物经线粘连缺陷图

4）浆斑：形成这种织物缺陷的原因主要是干燥区的温度、酚醛乳液的品质、吸胶器的更换、干燥区的排风量以及干燥区炉内滚筒的结构等，浆斑又称为胶斑，疵点区域的大小没有固定的形状，面积比较小，一般在四到十平方厘米。经向和纬向长度通常有一定的区别，疵点的区域部分比较光滑，一般是连通的，在均匀灯光的照射下，所产生的亮度要比正常织物的低。织物浆斑缺陷如图4 所示：

图4织物浆斑缺陷图像

三、图像特征分析的常用方法

图像特征分析的方法有很多种，但具体到每幅图像，我们只会根据该幅图像的特有性质而选择其中的一种或者几种方法对其特征进行分析，图像的特征主要有图像的形状特征、图像的颜色特征、图像的纹理特征等。

1）图像的形状特征分析：经过图像预处理和图像分割，我们就可以得到目标区域的大小及边缘信息，从而得到疵点部分的大致形状。通过边界、骨架及区域三种信息就可以来反映图像的目标信息。通常，人们关心的主要是目标信息的形状，而不是其他信息。所以，我们可以把图像的边界或者内部赋值“1”，其他不感兴趣的部分赋值“0”，这样即可形成一幅可以清晰显示出目标形状信息的二值图像。目标信息的特征量有长度、面积、周长、宽度、长宽比等，我们可以通过这些特征量来对疵点进行判别以及为以后的疵点分类提供较好的帮助。形状特征是描述图像内容的另一个重要特征，是计算机视觉和模式识别研究的一个基本问题。但由于物体形状自动获取比较困难，基于形状的检测一般仅限于非常容易识别的物体。

2）图像的颜色特征分析：图像的颜色特征分析是图像统计特征分析中最常用的一种，主要RGB和HIS两类彩色坐标系统。前者是面向已经系统的，相对简单，而后者主要是用来描述颜色特征。在颜色特征分析中，我们一般先把 RGB 空间转换为 HIS 空间，主要是因为在 RGB 彩色坐标系中，存在着很多的不足。第一，RGB 彩色坐标系对不同的色彩不能用准确的数值来表示，进而很难进行定量分析；第二，RGB 彩色坐标系对含有较高相关性的图像扩展对比度时，只能扩大图像的明亮程度，而对图像的色调差异的增强没什么效果；第三RGB彩色坐标系不容易控制图像分析的结构。而 HIS 母性则可以定量的描述图像的颜色特征。

3）图像的纹理特征分析：在图像处理分析中，纹理结构的特征分析占据了很大地位。它具有多种特征，主要有局部特性不断重复、图像区域内纹理总体均匀和非随机排列等，常用的纹理特征提取方法也很多，比如模型方法、统计方法、几何方法、信号处理方法及结构方法等。

四、织物缺陷图像识别算法研究

图像识别简而言之就是要把一种研究对象，根据其相关特征进行识别并分类。其识别过程如图5 所示，由三个主要阶段组成。第一个阶段称为图像分割或物体分离阶段；第二个阶段称为特征提取阶段；第三个阶段是分类。

图5图像识别过程

目前常用的图像识别方法主要有：统计模式识别、结构模式识别和人工神经网络识别方法等。统计模式的识别方法相对比较成熟，对模式不太复杂的应用已经很成功，但它不能反映模式的结构特性，且概率表示形式实用上也存在一定的局限性。结构模式识别方法中一个模式被看成一个句子，反映了模式的结构特性。基于句法结构的图像分类被描述为对句子的分析，其过程比较方便，且抗图像畸变的能力较强，但抽取有效的结构基元比较困难，并常引起某些误判。人工神经网络识别法由于神经网络的自组织、自适应学习的功能，大大放松了传统识别方法所需的约束条件。相对于其它方法，神经网络在图像识别中有 3 点优势：①神经网络对问题的先验知识要求较少；②可以实现对特征空间较为复杂的划分；③适合用高速并行处理系统实现。

织物缺陷图像分类问题可以划为图像的模式识别问题，模式识别方法主要分为基于理论判别和基于结构的判别。理论判别主要使用的是定量描绘子（包括长度、面积、纹理等等）描述的各种模式；结构判别主要由定性的描绘子描述的各种模式。

织物缺陷图像识别中应用较多的神经网络有自组织特征映射（SOM）神经网络、模糊神经网络和 BP 神经网络，其中最常用的是 BP 神经网络。本文中织物缺陷图像识别采用基于 BP 神经网络的理论判别的方法。

五、小结

本文主要介绍了基于 BP 神经网络的织物疵点分类识别。本章首先对BP神经网络做了理论介绍，然后对织物疵点分类的 BP 网络进行了构建，详细说明了网络构建中的神经元数和训练方法的选择。最后采用测试样本对识别网络进行了测试。