基于片相似各项异性扩散的BP神经网络的磨粒识别研究

崔 海，康剑莉

(1.浙江纺织服装职业技术学院，浙江 宁波 315211;2.温州职业技术学院，浙江 温州 325035)



基于片相似各项异性扩散的BP神经网络的磨粒识别研究

崔 海1，康剑莉2

(1.浙江纺织服装职业技术学院，浙江 宁波 315211;2.温州职业技术学院，浙江 温州 325035)

通过磨粒图像的各向异性扩散算法实现对磨粒图像特征参数的提取，然后依据磨粒图像特征参数的提取，并基于一种变尺度的BP网络学习算法，对一种基于BP神经网络的磨粒分类器进行了实验测试.证明基于片相似各项异性扩散的BP神经网络的磨粒识别方法具有较高的分类精度、具有较快的学习收敛速度，且有较高识别率.

磨粒；特征参数；BP神经网络；分类器

0 引 言

处理图像的自动识别方法有早期的高斯滤波.其它有效的方法还包括基于偏微分方程的方法，基于小波的方法等.为了克服各项同性去噪方法不能保持边缘的不足，出现了两类基于偏微分方程的图像去噪方法：一类是基于扩散的方法；另外一类是基于变差的方法.目前，大多数的研究理论都是基于神经网络算法理论的基础上进行的[1-3].

磨粒的图像特征包含了磨粒的形状，颜色，厚度，表面纹理等特征，这是设备内部磨损状况的重要判断依据.而磨粒的自动化识别技术一直是研究的热点，它是实现磨粒检测后续图像信息处理流程智能化、自动化和系统化的难点和重点.

本课题研究了采用一种基于偏微分方程中的扩散的方法，实现对磨粒图像纹理的特征提取，然后采用BP神经网络实现对磨粒形状的特征的分类识别；最后通过数值仿真的方法，证明了方法的有效性.

1 基于各向异性扩散的磨粒图像特征参数的提取及算法

图像特征中常见的有纹理特征、颜色特征、空间关系特征、形状特征等.其中，由于图像比较小，尤其是在高倍率下更是难以分辨，因此无法使用图像的形状特征和空间关系特征；另一方面，样品图像在颜色上的差异性也比较小，因此颜色特征也不适用；最后，纹理特征是一种全局特征，它可以代表图像或图像区域所对应景物的表面特征，具有较大的优越性，因此得到了广泛的应用.灰度共生矩阵是一种提取纹理特征的一种典型的统计方法.在已有的研究结果中，针对磨粒图像特征参数得提取，已取得了一定的结果[4-5].在此基础上，本文采用一种各向异性扩散模型实现对磨粒图像特征参数的提取.这种算法特点为：用图像片的相似性信息代替像素点的梯度信息，实现对各向异性扩散模型中扩散系数的设计，从而使图像片比单个像素拥有更多的信息，能够更好的描述图像的局部特征等.

(1)

其中，a=2b+1，b∈N，表示磨粒点(x,y)的邻域窗口半径.

(2)

(3)

其中(x+a1)∈[x,x+a]，(y+b1)∈[y,y+a].

(4)

e.t:k=conest；当k较小时，磨粒图像的弱边缘会保持，当时弊端为容易出现阶梯效应；当k较大时，算法具有较强的磨粒图像去噪能力，同时也不会产生阶梯效应，但是磨粒图像的弱边缘和磨粒图像的图像细节不能很好的保持，因此，关于k值得选取，目前没有严格理论依据.

2 磨粒识别分类器的BP算法研究

2.1 BP神经网络磨粒分类器算法网络结构

BP(Back Propagation)神经网络的连接权值的调整采用的是反向传播学习算法，它是一种多层前馈型神经网络.BP网络的神经元的传递函数为S型函数，因此，输出量为0到1之间的连续量，它可以实现从输入到输出的任意的非线性映射.BP神经网络磨粒分类器算法网络结构(见图1).

图1 BP神经网络结构

A={A1,A2,A3,A4}

(5)

四种大的磨损之所以用集合表示，主要是考虑机械磨损过程中，四种大的磨损中依然包含着四种大的磨损类型中的子磨损.

2.2 BP网络磨粒分类器网络动力学数学函数描述

为了描述图1结构的BP神经网络中神经元之间的动力学数学函数关系，现在做如下的假设：由图1可以看出，此时的BP神经网络的结构为多层前馈型网络结构，网络的输入共有n0个输入信号，网络的层数共有Q层，设第p层的神经元数为np，其中p∈[1,Q]，则从图1的结构可以看出，第p层的第ip个神经元的连接权系数为ωipjp，则第p层的第ip个神经元的输入输出函数关系动力学函数关系式如下：

(6)

(7)

e.t:ip∈[1,np]，jp∈[1,np-1]

2.3 BP网络磨粒分类器网络学习算法

设图1中BP网络的拟合误差的代价函数Etotal为如下的公式所示：

(8)

网络学习的目标为如何调整权系数ωipjp使Etotal最小.目前BP神经网络学习算法比较多，这里选用一种变尺度的BP网络学习算法.算法描述如下：

ω(k+1)=ω(k)+αH(k)D(k)

(9)

(10)

Δω(k)=ω(k)-ω(k-1)

(11)

ΔD(k)=D(k)-D(k-1)

(12)

这种变尺度的BP网络学习算法，具有全局逼近的学习方法，且具有较好的收敛性以及泛化能力[4].

3 实验结果与分析

3.1 实验结果

从安德森磨粒图谱库[6]选取4种磨粒类型100副磨粒图像进行了模拟仿真识别实验样本.

实验用到的特征窗口大小为3，采用各向异性扩散算法提取特征向量，其维数为(2×3+1)×(2×3+1)=49维，训练用的BO网络分为3层，第一层为输入层，有49个神经元，第二次为中间层，采用了120个神经元，第三层为输出层，一共有4个神经元，分别对应4种不同的磨粒类型.用60个学习样本用于BP神经网络训练，其余40个样本用于其网络测试,其结果(见表1).

表1 磨粒形状分类试验结果统计

其中，BP网络在训练中的均方误差随迭代次数的增加，迅速下降(见图2)，表面BP网络具有较快的收敛速度.

图2 迭代次数和均方误差

3.2 实验分析

从上述实验结果可以得出以下结论：(1)从整体来看，分类器能够将正常磨损磨粒、切削磨粒、滑动磨粒和疲劳点蚀磨粒区分开，对60个训练样本的识别结果为识别率96.7%.(2)从单个磨粒的训练输出来看，分类器对切削磨粒的训练输出结果最优，输出误差满足精度要求；滑动磨损磨粒和正常磨损磨粒的训练输出次之，只有个别磨粒未达到精度要求；疲劳点蚀磨粒可以被分类器正确识别，但是识别精度未达到要求，其主要原因归咎于疲劳点蚀磨粒的特征复杂、多样.

4 结 论

本文在磨粒图像的各向异性扩散算法研究的基础上，结合国内外BP神经网络的相关文献，研究了一种适合于磨粒识别分类器的BP神经网络算法.通过理论推导与实验证明，这种结构的BP神经网络对规则的磨粒形状进行分类识别时，具有较快的学习收敛速度，且有较高识别率.

[1] 王伟华,殷勇辉,王成焘.基于径向基函数神经网络的磨粒识别系统[J].摩擦学学报,2003,23(4):340-343.

[2] 杨宏伟，钟新辉，胡建强.基于粗糙集和神经网络的润滑油中磨损磨粒的识别[J].润滑与密封,2007,32(1):162-164.

[3] 曹一波,谢小鹏.基于D-S证据理论和集成神经网络的磨粒识别[J].润滑与密封，2006(5):64-67.

[4] 康剑莉,芦亚萍,周银生.改进的BP算法在磨粒识别中的应用[J].润滑与密封,2005(2):149-154.

[5] JIAN-LI KANG. Research on Wear Debris Recongnition System based on ART and Gray Level Co-occurrence Matrix[J].Applied Mechanics and Materials, 2012(129-126):4127-4131.

[6] 郭 航,霍宏涛.灰度共生矩阵在皮肤纹理检测中的应用研究[J].中国图象图形学报,2010,15(7):1074-1078.

Research on Wear Debris Recognition Algorithm Based on IFNN

CUI Hai1, KANG Jian-li2

(1.Zhejiang Textile and Fashion College, Ningbo 315211, China;2.Wenzhou Vocational and Technical College, Wenzhou 325035, China)

According to the qualitative characterization of the morphological features of the wear debris, feature vector mathematics models of wear debris circular degree, slimsy and long and degree, scattering degree, and hollow degree are built, which are based on Foruier parameter refining method. Then the advantages of fuzzy system and neural network are taken to establish a kind of improved fuzzy neural network (IFNN) models and algorithm, which is used to realize the automatic classification and recognition of wear debris. An improved learning algorithm with the modified fuzzy weight is proposed on the basis of the fuzzy neurons model for the max-min fuzzy operator. The amount of calculation for the improved FNN model is reduced greatly and the convergence velocity is improved. The experiment results show that the recognition method based on the IFNN is good at algorithm convergence speed and recognition accuracy.

wear debris; characteristic parameter; BP neural network; classifier

2016-02-02

崔 海(1976-)，男，河南南阳人，实验师、工程师，主要从事机械设计与制造技术以及模具材料技术等研究.

TP391

A

1008-536X(2016)06-0077-04