基于BP神经网络的枪弹外观缺陷识别与分类

史进伟，郭朝勇，刘红宁

（军械工程学院基础部，河北 石家庄 050003）

0 引 言

在枪弹生产过程中，由于原材料、锻造设备、加工工艺等因素影响，导致枪弹表面出现污渍、压痕、绿斑、夹灰等缺陷，在一定程度上影响着枪弹产品的质量和性能。目前，国内各军工企业主要采用传统的人工检测法进行外观质量检测，该方法自动化程度低，劳动强度大，受人为因素影响较大[1]。伴随图像处理技术的不断成熟和推广应用，使基于图像分析技术的枪弹外观缺陷自动检测成为可能。

枪弹外观缺陷识别和分类是枪弹表面质量自动检测的关键。目前，缺陷识别的方法主要有BP神经网络[2]和支持向量机[3-4]。传统支持向量机只能进行两类缺陷分类，对于种类较多的枪弹外观缺陷，则需要构造多个子分类器。而BP神经网络则可避免此问题，且其具有较好的自组织性、自学习性及自适应性等优点，近年来，被广泛应用于模式识别领域。因此，选择BP神经网络作为枪弹外观缺陷识别和分类的学习方法。首先针对枪弹外观缺陷图像特点，分别从形状、颜色、纹理提取类别差异明显的特征参数，构成缺陷特征向量，以提高分类效果。分析了传统BP算法在枪弹外观缺陷分类应用上的不足，针对传统BP算法收敛速度慢，学习过程中易陷入局部极小值点，网络易震荡等不足，通过改变收敛标准、动态调整学习步长、引入动量项的方法优化BP神经网络，提高网络分类性能。

1 枪弹外观缺陷图像处理与特征提取

特征提取是枪弹外观缺陷图像识别和分类的关键。在GJB 5227-2004《枪弹外观缺陷图谱》[5]中，列出的枪弹外观典型缺陷主要有：绿斑、体部露钢、污渍、皱折、压痕、线痕、裂缝、擦伤8类。图1为缺陷图谱中所列其中5类主要枪弹外观缺陷图像。

图1 部分枪弹外观常见缺陷图像

为排除光照不均对枪弹外观缺陷分割带来的影响，将缺陷图像由RGB颜色模型转至HSI颜色模型[6]，对H分量图运用最大类间方差法[7]分割缺陷。利用形态学[8]填充小的孔洞，平滑缺陷轮廓结果如图2所示。

图2 缺陷分割后二值图像

利用分割后二值图像与原图像相乘得彩色缺陷区域图像，如图3所示。

图3 彩色缺陷区域

从图中可以看出，枪弹外观缺陷被有效分割出来，且各类缺陷特征较为明显。为有效实现缺陷识别和分类，本文分别从缺陷的形状、颜色、和纹理提取特征参数。

1.1 枪弹外观缺陷形状特征提取

在对枪弹外观缺陷图像研究中发现，不同类别缺陷的几何形状是不相同的，而同类别缺陷的几何形状是相同或相似的。因此，提取枪弹外观缺陷形状特征能够有效区分不同类别缺陷[9]。

（1）缺陷长径比。即缺陷外接矩形长度与宽度之比：

（2）尖锐度。即缺陷两端的尖锐程度：

式中：A——缺陷的面积；

A1、A2——表示主轴方向缺陷两端1/4长度对应的面积。

（3）伸展度。描述整个缺陷像素由质心向四周展开的程度：

式中：μ02、μ20——缺陷图像的二阶矩。

（4）填充度。缺陷有效像素点数与缺陷外接矩形的像素个数比：

（5）边缘平直性。缺陷边缘像素点到质心距离之差的和：

（6）灰度标准差。反映缺陷灰度的集中程度：

1.2 枪弹外观缺陷颜色特征提取

HSI颜色模型[10]是常用的彩色空间模型，与其他彩色空间模型相比，其具有两方面优势：一是HSI颜色模型与人眼感觉颜色原理及其相似，符合人的视觉规律；二是HSI颜色模型受光照强度变换影响较小。枪弹表面为光滑弯曲的有色金属表面，缺陷图像光照不均现象较为明显。因此，选择HSI颜色模型中H分量值作为特征参数，既可减少图像处理时间，提高效率，又能避免光照不均带来的不良影响。由RGB颜色模型枪弹外观图像提取HIS颜色模型H分量值公式为

其中：

1.3 枪弹外观缺陷纹理特征提取

灰度共生矩阵[11]是较为广泛的纹理分析方法，其反映了图像灰度关于方向、相邻间隔、变化幅度的综合信息。灰度共生矩阵有15个特征参数，根据各自意义和实验效果，本文从缺陷图像中提取以下5个特征参数作为枪弹外观缺陷特征：

（1）二阶矩。反映图像灰度分布均匀程度和纹理粗细程度，其值越大，纹理越粗糙：

（2）对比度。表征图像纹理清晰程度，图像越清晰，其值越大：

（3）熵。描述纹理复杂程度，无纹理时熵为0：

（4）逆差矩。度量图像纹理局部变化大小，纹理越规则，其值越大：

（5）相关。衡量灰度共生矩阵元素在行方向或列方向的相似程度：

式中：i，j——灰度级；

d——灰度共生矩阵的生长步长；

θ——灰度共生矩阵生成方向，通常取0°、45°、

90°、135°4 个方向；

p（i，j）——归一化后各点的频度值。

利用灰度共生矩阵提取的二次统计量参数，作为分类特征，能够使枪弹外观缺陷图像的分类性更好。

对上文所列的5类枪弹典型外观缺陷样本图像提取12个特征参数，如表1所示，其数值相差越大，表面缺陷类别差异越明显。从表中可以看出，单独利用形状特征能够较明显区分污渍与其他类别缺陷，但绿斑与压痕、露钢与皱折还很难区分。再利用颜色特征能够有效区分绿斑与压痕、露钢与皱折。同时，辅以纹理特征使缺陷图像的可分类性更好，避免前两类缺陷特征不明显时导致误判。

表1 提取枪弹外观缺陷图像特征值结果

2 基于BP神经网络的枪弹外观缺陷分类

2.1 BP神经网络的结构设计

构造神经网络分类器首先要选择合适的网络结构，本文选择BP神经网络典型的三层网络结构，如图4所示。根据上文提取的图像特征参数为12个，故输入层神经元个数为12。输出层节点数为缺陷类别数，本文为8类。隐含层神经元个数的确定是关键：隐含层个数过少，精度不够，产生欠拟合现象，学习过程不能收敛；隐含层节点数目过多，增加了网络的冗余性，可能出现过学习现象，降低泛化能力。目前，隐含层神经元个数的确定主要由设计的经验和实验来确定。根据前人经验[12]，隐含层节点数一般可按式n=（ni+n0）1/2+a确定，其中n为隐节点数，ni为输入节点数，n0为输出节点数，a是1~10之间的常数。本文通过公式确定隐含层节点数取值范围为6～16，然后通过枚举法确定最佳实验效果的隐节点个数为14。

图4 三层BP神经网络结构示意图

2.2 BP神经网络的优化

针对传统BP神经网络存在收敛速度慢、易陷入局部极小值点、学习过程中网络容易出现震荡等缺陷[13]，本文对传统BP神经网络做如下改进。

2.2.1 改变收敛性标准

在传统BP算法学习过程中，训练样本误差E通常可表示为

R——网络输入样本数；

N——输出节点数。

在学习过程中，当训练样本误差E小于给定的很小正数σ时，即停止训练。该方法的不足之处在于训练好的网络推广能力较差，经常会出现训练样本误差很小，而检测误差很大的情况。为克服上述不足，以BP网络的最小综合误差E作为训练收敛标准，其计算方法如式（14）所示。

式中：Etrain——训练学习误差；

Etest——检测样本检核误差；

Rs——学习样本数；

Rt——检测样本数；

N——输出节点数。

训练过程中，找出最小的E值，以此时的权值和阈值作为网络训练结果，停止训练；运用该方法作为网络训练收敛标准，同时考虑训练样本和检测样本的网络输出误差，避免了过度拟合和拟合不足的问题，具有较好的网络推广能力。

2.2.2 自适应变步长

在网络训练时，步长η的选择很重要，η太小收敛速度慢，太大则有可能造成震荡，导致网络发散。通过动态改变步长，即在较平坦的误差曲面时使用较大步长，在斜率较大的误差曲面使用较小步长，以提高收敛速度，增加稳定性。变步长法数学描述为

式中：η——步长；

n——训练次数；

En——训练n次后网络误差的平方和；

1.05 ，0.8——经验常数。

由于步长在迭代中自适应进行调整，使误差代价函数在超平面上不同的方向以各自比较合理的速率向极小点逼近。

2.2.3 加入动量项

学习速度加快容易造成网络不稳定，误差出现震荡。在加快收敛速度的同时，通过采用附加动量项法以防止震荡。

传统BP算法权值修正公式为

引入动量项后的BP算法权值修正公式为

式中：Δωi，j（n）——第n次迭代时权值改变量；

η——步长；

α——动量项系数。

其中，动量项系数的选取依实验和经验确定，通过多次实验，本文动量项系数取值0.9。加入动量项后，权值的调整向着底部平均方向变化，有利于防止震荡，改善网络收敛过程。

3 实验结果与分析

（1）神经网络层数为3层，输入层、隐含层和输出层节点数分别为12、14和8。选择双曲正切S形函数g（x）=[2（/ 1+e-2x）]-1作为神经网络隐含层传递函数，Sigmoid函数f（x）=1（/1+e-x）作为网络输出层传递函数，误差目标值为0.001，最大迭代次数为500。

从GJB 5227-2004《枪弹外观缺陷图谱》中选用实验样本205个，其中训练样本数为116个，测试集数为89个，分别较全面地涵盖了8类缺陷的各种表现形式。具体各类缺陷样本数分配如表2所示。

表2 各类缺陷样本数

实验计算机为联想启天M7150台式电脑，双核，主频3.2 GHz，内存2 G，实验软件工具为Matlab R2009a。保持训练样本和测试样本不变，分别利用传统BP算法和优化BP算法识别测试样本，结果如表3所示。

表3 两种算法缺陷识别结果对比

对比表3中两种算法识别个数和识别率可以看出，本文优化BP算法较之传统BP算法识别率高。同时还可以看出，露钢、皱折、压痕和裂缝4类缺陷识别率较低。原因是这4类缺陷提取到的特征参数差异不明显，混合度较高，影响了分类的正确性。在不影响网络学习性能的条件下，选择类间区分度更为明显的缺陷图像特征参数，提高神经网络识别能力，这是本文算法进一步研究改进的关键。

（2）为进一步表现本文BP神经网络优化效果，以传统标准BP算法和优化BP算法作对比实验如下。

图5为两种BP神经网络训练收敛曲线图，对比（a）、（b）两图可以看出，传统BP算法需要迭代128次方达到误差精度要求，而本文优化BP算法仅需要迭代73次即可达到收敛要求。迭代次数越少，说明收敛速度越快，训练所用时间越少，即能够更好满足在线检测时的实时性要求。

图5 BP算法收敛迭代曲线

利用两种BP算法对测试样本进行测试，得到实际输出与期望输出之间的误差曲线如图6所示。从图中可以看出，利用两种BP算法测试样本，实际输出与期望输出之间的误差均在0.15以内，表现出较好的识别效果和识别稳定性。但本文优化BP神经网络实际输出更接近于期望输出，其误差基本在0.07以内，表现出更好的准确性和鲁棒性。

图6 两种BP算法测试样本输出误差曲线

4 结束语

本文研究了一种基于BP神经网络的枪弹外观缺陷自动识别与分类方法。首先，针对枪弹外观缺陷的图像特点，从形状、颜色和纹理提取类别差异明显的缺陷特征向量，作为神经网络输入，以提高分类效果；然后针对传统BP算法收敛速度慢，学习过程中易陷入局部极小值点，网络易震荡等缺陷，分别对收敛标准和收敛步长加以改进，并引入动量项，从而提高了神经网络分类性能。最后通过实验表明，运用本文优化BP神经网络识别枪弹外观缺陷，识别率达到92.1%。通过与传统BP算法实验对比，本文优化BP算法在提高收敛速度的同时，表现出较好的准确性和鲁棒性，能够更好满足枪弹外观缺陷在线自动检测要求。

[1]杨东林，于正林.轴承表面缺陷的快速检测方法[J].兵工学报，2009，30（6）：797-802.

[2]王润涛，张长利，房俊龙，等.基于机器视觉的大豆籽粒精选技术[J].农业工程学报，2011，27（8）：355-359.

[3]范红波，张英堂，任国全，等.基于模糊支持向量机的发动机故障诊断方法[J].军械工程学院学报，2006，18（6）：24-28.

[4]赵四化，王琪.支持向量机在电机转子故障诊断识别中的应用[J].中国测试，2009，35（3）：121-124.

[5]GJB 5227—2004枪弹外观缺陷图谱[S].2004.

[6]张铮，王艳平，薛桂香.数字图像处理与机器视觉[M].北京：人民邮电出版社，2010：37-126.

[7]李智，刘家辉.基于分区OTSU法的沥青混合料图像分割技术[J].武汉理工大学学报，2011，33（6）：50-58.

[8]赵钦君，赵东标，陆永华.一种基于时空信息的多目标检测新算法[J].仪器仪表学报，2011，32（4）：877-882.

[9]吴鑫，齐铂金.航空铝合金针孔缺陷自动分级的图像处理方法[J].北京航空航天大学学报，2011，37（6）：673-679.

[10]张宏伟，宋执环.基于彩色图像特征的铜成分软测量模型[J].上海交通大学学报，2011，45（8）：1211-1215.

[11]王慧慧，孙永海，刘晶晶，等.基于二维离散小波的鲜玉米果穗成熟度的等级评定[J].吉林大学学报，2011，41（2）：574-578.

[12]刘怀广，陈幼平，谢经明，等.浮法玻璃缺陷在线识别技术的研究[J].小型微型计算机系统，2011，4（4）：738-742.

[13]张国翊，胡铮.改进BP神经网络模型及其稳定性分析[J].中南大学学报，2011，42（1）：115-124.