基于极限学习机的玻璃瓶口缺陷检测方法研究

黎牧星　黄志鸿

摘要：针对目前玻璃空瓶回收再生产过程中造成瓶口缺陷破损的在线实时检测难题，提出一种基于极限学习机（Extreme Learning Machine， ELM）的检测算法。首先对采集的瓶口进行预处理，通过研究表面缺陷，提取灰度方差等6种表面特征。然后运用遗传算法对极限学习机的输入层层的阈值和权值进行优化，提高算法的检测精度。最后现场选取569个样本对所设计ELM分类器进行训练学习与测试，并与LVQ算法、BP分类器对比实验。结果表明该算法能够满足对机器视觉检测系统缺陷检测高速高精度的要求。

关键词：缺陷检测；机器视觉；特征提取；极限学习机

中图分类号：TP391.4文献标识码：A

Abstract：A novel defect detection method based on Extreme Learning Machine was proposed for beer bottle mouth， which tackles with the problem of beer online realtime defect detection in recycling and reproduction process. The proposed method consists of the following steps. First， the bottle mouth is preprocessed by researching on the characteristics of surface defect bottle mouth， which extracts six kinds of surface features such as gray scale variance. Then， to improve the detection accuracy， we optimize Extreme Learning Machine （ELM） input and output layers of threshold and weight by using genetic algorithm. Finally， 569 samples from experimental test platform are selected to design the ELM classifier， and experimental results are compared with LVQ algorithm and BP algorithm. Experimental results show that the proposed ELM based classifier is able to obtain much higher speed and higher detection accuracy， which can meet the requirements of the production enterprise for machine vision system.

Key words：defect detection； machine vision； feature extraction； extreme learning machine

1引言

质检行业面临劳动力供给不足和劳动力成本上升的压力，采用自动化视觉机器代替人工操作岗位，是解决制造业用工问题的最有效途径。机器视觉检测已在集成电路质检、医药灌装、电力线路巡检等方面取得广泛的应用[ 1-4]，采用机器视觉检测代替人工检测。

2图像采集预处理

空瓶检测机器人是基于机器视觉检测、光机电一体化、图像处理和软件编程技术设计的智能化装备，由多个CCD相机、专用LED光源、空瓶传送系统、次瓶分拣装置和检测控制系统组成。图1为啤酒瓶视觉检测系统。

采用低角度环形LED光源的，所发出的光线照射在瓶口上，瓶口反射的光线进入相机[6，7]，相机从该光源的孔中对瓶口进行拍照来获得瓶口的图像。

受外界环境因素的干扰，采集的瓶口图像存在噪声需要对图像进行预处理以突出瓶口表面特征[8]，同时抑制目标图像中的噪声。

对瓶口圆心进行准确、高速地定位。现场采集200个瓶口样本。将200个瓶口样本随机分成4组，分别用四种瓶口定位检测法进行测试。从最大圆检测时间、最大定位误差等两个实验参数进行比较。表1 为四种瓶口定位检测结果比较。

通过实验比较，多次随机圆法在时间和精度上都优于其他3种算法采用多次随机圆检测的瓶口定位方法，来实现对瓶口的精准定位。

瓶口缺陷面积、周长、填充度、圆形度、相对圆心距离、灰度方差等六特征。

3基于极限学习机的检测算法设计

在获得提取的瓶口图像特征后，需要选择合适的分类算法对瓶口质量进行判决。已有多种传统的分类算法运用在缺陷检测中，例如LVQ分类器、BP算法、以及ELM神经网络。，选择ELM。

3.1极限学习机

极限学习机算法是Huang[10]等人在2006年提出，它是在单隐含层神经网络基础上的一种改进算法，前馈神经网络存在训练速度较慢、合适学习率选择困难以及容易陷入局部极小点等问题。如图4所示ELM神经网络。

3.2使用极限学习机进行分类

对于瓶口检测而言，产品为两类：一类为质量合格的瓶口，另一类为含缺陷的瓶口。

极限学习机常用的激励函数包括三角基函数、hardlim函数、正弦函数和Sigmoid函数、径向基核函数（RBF）等5种。根据，最终选用径向基核函数作为极限学习机的激励函数：

K（X，Xi）=exp （-12σ2‖x-xi‖2）（2）

式中σ为调控参数，通过调控参数σ，RBF核函数在实际应用上具有相当高的灵活性，也是使用最广泛的激励函数之一[11]。图为五种激励函数分类性能的比较。在确定参数σ时，提出使用遗传算法来进行优化选择。遗传算法的适应函数为：

F=k1-C（3）

式中C为分类准确率，交叉验证处理后得到。

确定核函数的参数后，使用训练样本对进行训练。提取到特征值输入到极限学习机前，将数据进行归一化处理到[0，1]区间内。

基于遗传算法的极限学习机的分类方法，其RBF核函数的参数用遗传算法进行优化后选择，对瓶口的参数选择取0.51。

4实验与分析

现场采集569个瓶口样本用于实验其中400个样本用于ELM神经网络的训练，即有400组特征向量；另外169个样本用于分类器测试，，作极限学习机算法的输入向量。

计算训练集每张瓶口样本图像所对应的灰度方差等六个特征向量，并将提取出来的400组特征向量逐一添加到ELM分类器中进行分类训练，训练终止误差设置为 0.001。ELM分类器训练结束后，再将剩余169个样本添加到ELM分类器进行分类测试，部分检测结果见图。

从表2可看出，ELM分类器识别率可以达到99.41%，比BP神经网络和LVQ神经网络的正确率有较大提高，同时训练神经网络也比其他两种算法，说明使用极限学习机用于，能够满足生产过程中高速高精度的要求。

5结论

首先对瓶口进行预处理，提取图像灰度方差等六种特征。通过比较几种激励函数的分类性能，选择RBF径向基函数作为ELM算法的激励函数，并通过遗传算法计算出参数σ。现场采集的569份瓶口样本，对所设计的ELM网络进行训练和测试，实验结果表明所设计的极限学习机的分类性较传统的BP、LVQ神经网络有很大的提高。基于遗传算法的极限学习机对啤酒瓶口质量检测的准确性较高，同时具有推广性能随着研究，一些学者提出许多改进的方法，如在线学习ELM[11]、进化ELM[12]等，取得不错的效果。从实际应用而言，基于极限学习机的分类算法有的发展前景，值得进一步的研究。

参考文献

[1]WU F，ZHANG X，KUAN Y，et al.An AOI algorithmfor PCB based on feature extraction[C].Intelligent Control and Automation， 2008. Wcica 2008. World Congress on. 2008：240-247.

[2]吴成中，王耀南.基于机器视觉的注射液中不溶异物检测方法研究[J]. 仪器仪表学报，2015，07：1451-1461.

[3]WU C Z， WANG Y N. Based on Machine Vision injection should not matter detection [J]. Chinese Journal of Scientific Instrument， 2015，07： 1451-1461.

[4]MARTINEZ C，SAMPEDRO C，CHAUHAN A，et al.Towards autonomous detection and tracking of electric towers for aerial power line inspection[C] International Conference on Unmanned Aircraft Systems. 2014：284-295.

[5]WE YRICH M，WANG Y，SCHARF M. Quality assessment of row crop plants by using a machine vision system[J]. 2013， 20（11）：2466-2471.

[6]王耀南，陈铁健.智能制造装备视觉检测控制方法综述[J].控制理论与应用，2015，03：273-286.

[7]LI Z，GENG Q X. An Image Preprocessing Algorithm of Weak and Small Target in Digital Video Interpretation System[C].International Conference on Electrical and Control Engineering. 2010：388-390.

[8]刘焕军，王耀南，段峰.空瓶的智能检测算法研究[J].湖南大学学报：自然科学版，2005，01：20-24.

[9]周显恩，王耀南，李康军，等.一种多次随机圆检测及拟合度评估的瓶口定位法[J].仪器仪表学报，2015，09：2021-2029.

[10]HUIFUANG， Ng. Automatic thresholding for detect detection[J]. Pattern Recognition Letters， 2006， （27）： 1644-1649

[11]HUANG G B，ZHU Q Y，SIEW C K. Extreme learning machine： Theory and applications[J]. Neurocomputing， 2006， 70（1-3）：489-501.

[12]HUANG G B，SIEW C K. Extreme Learning Machine with Randomly Assigned RBF Kernels[J].International Journal of Information Technology， 2005， 11（1）：16-24.