基于Gabor变换和极限学习机的铝箔密封性检测

常珈铭，李维军，石成江

(辽宁石油化工大学 机械工程学院，辽宁 抚顺 113001)



基于Gabor变换和极限学习机的铝箔密封性检测

常珈铭，李维军，石成江

(辽宁石油化工大学 机械工程学院，辽宁 抚顺 113001)

针对铝箔封口温度场分布特征进行了研究，提出了一种基于Gabor变换和极限学习机(ELM)的封口密封性检测方法。对采集到的不同特征类型热像图进行Gabor变换，提取纹理特征训练极限学习机神经网络。然后利用训练结果对热像图进行分类识别，通过热像图分类特征判断铝箔封口密封情况。与提取颜色特征的BP神经网络对比分析发现，基于Gabor变换和极限学习机的算法具有泛化性强、响应速度快、精度高等优势。

铝箔密封性检测； 热像图； Gabor变换； 极限学习机(ELM)； 分类识别

随着科技的发展与进步，人们的生活水平日益提高，在包装领域中对铝箔包装的研究越发受到人们的关注。因其使用方便快捷，受到广大消费者们的热烈追捧。在欧美国家，铝箔用于包装的总需求量已经占到了70%[1]。铝箔包装虽然使用方便，但也存在不足之处。产品用铝箔封口的过程中，难免会发生压穿或铝箔破损等情况，这些引起密封不严的现象，是诱发产品变质的一项重要因素，严重威胁着产品的包装质量，造成巨大的经济损失[2]。针对这种情况，大多数企业采用人工拧开瓶盖直接观察的方式来检测密封性，自动化程度低，检测精度不高。因此，急需一种方法来代替人工检测，提高自动化程度与检测精度。

神经网络已经成为了一个重要的研究方向，每年都有大量研究成果应用在实际生产生活中，例如交通系统中车牌的识别，人脸识别，利用气象卫星的云图图像来对天气进行预测，通过医疗图像对疾病进行诊断等[3-6]。本文首先采用热像仪采集铝箔封口的热像图，然后利用Gabor变换对热像图进行纹理特征提取，再利用极限学习机(Extreme Learning Machine，ELM)算法对热像图进行分类识别。通过热像图纹理特征来判断密封性的好坏，相比较传统的BP(Back Propagation)神经网络算法[7-8]，ELM算法具有学习速度快、训练过程不需要迭代、参数选择不敏感等特点，且计算过程简单、泛化性强。通过实验，验证了ELM算法有较高精度，符合铝箔封口密封性检测需要。

1 铝箔封口的密封方式与图像采集

1.1 铝箔封口的密封方式

内置铝箔片的瓶盖如图1所示。用拧盖机旋紧于瓶体，然后利用感应加热的方式对瓶盖进行加热，如图2所示，使瓶盖内部的铝箔片在高温的作用下与瓶口材质黏合在一起，从而达到密封的效果。

图1 内置铝箔片的瓶盖图

图2 瓶盖的感应加热过程

1.2 热像图的获取过程

在加热装置后方800 mm、距离瓶盖150 mm高度的固定位置安放热像仪，对每一个经过此位置的目标进行图像采集，保证每一个被采集的目标具有相同的加热时间与冷却时间，使每张热像图的采集环境相一致。同时保证在热像图采集过程中，热像仪的焦距与其他参数保持不变。采集的不同类型热像图作为神经网络的训练样本与测试样本。

1.3 热像图类型

本文实验图像数据采用美国福禄克Ti40型红外热像仪拍摄而成。通过大量采集流水线上瓶盖的热像图，大体总结出6种常见的不同类型的热像图图像，对应的6种不同密封情况的热像图如图3所示。

(a) 铝箔片密封完好

(b) 铝箔片有部分缺失

(c) 有铝箔片没有瓶盖

(d) 没有铝箔片

(e) 受热不均但密封完好

(f) 受热不均且密封失败

2 基于Gabor变换和极限学习机的算法设计

基于Gabor变换和极限学习机的算法流程如图4所示。

输入图像 Gabor特征提取 ELM分类识别 识别结果

图4 基于Gabor变换和极限学习机的算法流程

2.1 基于Gabor变换的特征提取

通过观察发现，采集到的各类热像图具有明显的纹理差异。利用Gabor变换提取图像纹理特征有以下优势，Gabor小波对图像边缘很敏感却对光照变化并不敏感[9]，且可接受一定的图像变形，能有效提高算法鲁棒性。Gabor小波的局部性和选择方向性使其能够充分描述图像的纹理特征。利用Gabor小波基函数的正交性，不但能够有效地提取纹理特征，而且可以去除冗余信息。该函数是利用高斯函数调制的一种复正弦函数，可以在已给定区域中提取局部频域特征。2-D Gabor函数为h(x，y)，傅立叶变换H(u，v)如式(1)所示。

(1)

(2)

式中，hI为图像I与滤波器h的卷积；S(x，y) 为通过高斯平滑后的Gabor滤波器所提取的特征图像。

利用h(x，y)为母小波，对h(x，y)进行合适的尺度变换与旋转变换，从而得到一组自相似的滤波器，即Gabor小波，如式(3)所示。

hmn(x，y)=a-mh(x′，y′)，a>1，m∈Z，n∈Z

(3)

式中，x′=a-m(xcosθ+ysinθ)；y′=a-m(-xcosθ+ysinθ)；θ=nπ/K;a-m为尺度因子；S和K分别为尺度和方向的数目；m=0，1，…，S-1；n=0，1，…，K-1。改变m与n的值，则能获得一组尺寸与方向不相同的Gabor滤波器。如果小波族内含有S个尺度，K个方向，而且频率在[Ul，Uh]范围内，一种参数的选择方式如式(4)所示。

(4)

复数：

g(x,y;λ,θ,ψ,σ,γ)

(5)

实部：

g(x,y;λ,θ,ψ,σ,γ)

(6)

虚部：

g(x,y;λ,θ,ψ,σ,γ)

(7)

式中，λ为正弦函数波长；θ为Gabor核函数的方向；Ψ为相位偏移；σ为高斯函数的标准差；γ表示空间的宽高比。

2.2 极限学习机(ELM)

2004年，南洋理工大学黄广斌教授等[10-12]率先提出ELM算法。ELM算法是一种前馈神经网络，与传统的神经网络相比较具有很大优势。该算法隐含层参数是随机设定的，无需调试，相比于其他类型的基于梯度的学习算法，它不需迭代反复调整刷新，只需求解权值的最小二范数则可实现神经网络的训练，因此该算法训练参数少、训练速度极快、泛化能力强。对于N个不相同样本(xi,yi)，其中xi=[xi1,xi2,…,xin]T∈Rn，yi=[yi1,yi2,…,yim]T∈Rm，假设ELM算法拥有L个隐含层节点，输出函数如式(8)所示。

xi∈Rn,αi∈Rn,β∈Rm

(8)

式中，αi=[αi1,αi2,…,αin]T为网络的输入层到第i个节点的输入权值；bi为第i个隐含层节点的偏置；βi=[βi1,βi2,…,βim]T为第i个隐含层节点的输出权值；αixi为向量αi和xi的內积。假设有L个隐含层节点的网络以0误差逼近这N个样本，则有αi,bi,βi使得：

i=1,2,…,L

(9)

式(9)简化为：

Hβ=Y

(10)

式(10)中：

(11)

(1) 训练集/测试集产生。ELM要求具有足够多的训练样本且具有较好的代表性。同时，训练集和测试集的格式应符合ELM训练和预测函数的要求。

(2) ELM创建/训练。通过elmtrain()函数对训练样本集进行训练，获得训练网络，调用格式为：

[IW，B，LW，TF，TYPE]

=elmtrain(P，T，N，TF，TYPE)。

式中，P为训练集的输入矩阵；T为训练集的输出矩阵；N为隐含层神经元个数(默认为训练集的样本数)；TF为隐含层神经元的激活函数，其取值可为“sig”、“sin”、“hardlim”；TYPE为ELM的应用类型，0为回归拟合，1为分类；IW为输入层与隐含层间的连接权值；B为隐含层神经元的阈值；LW为隐含层与输出层的连接权值。

(3) ELM仿真测试。利用elmpredict()函数进行ELM的仿真测试，调用格式为：

Y=elmpredict(P，IW，B，LW，TF，TYPE)

式中，P为测试集的输入矩阵；IW为输入层与隐含层间的连接权值；B为隐含层神经元的阈值；LW为隐含层与输出层的连接权值；TF为隐含层神经元的激活函数，其取值可为“sig”、“sin”、“hardlim”；TYPE为ELM的应用类型，0为回归拟合，1为分类；Y为测试集对应的输出预测值矩阵。

3 实验设计及结果分析

3.1 实验数据

本文实验图像数据6种类型共900张，每种类型150张。

3.2 实验设计

首先利用Gabor小波提取图像纹理特征配合ELM极限学习机对样本进行训练、分类识别；再利用图像RGB三基色数据进行中值滤波，对三基色求和提取颜色特征，配合BP神经网络对样本进行训练、分类识别。将二者在相同训练样本与测试样本下的训练时间与检测准确率进行对比，验证算法优越性。

实验1：相同训练样本与测试样本条件下Gabor+ELM算法与RGB+BP神经网络算法的训练、分类识别，如表1、表2所示。

表1 Gabor+ELM算法的训练、分类识别

续表1

表2 RGB+BP神经网络算法的训练、分类识别

由表1、表2可知，Gabor+ELM算法的识别准确率为89.67%。而在训练样本与测试样本数量相同的情况下，RGB+BP神经网络算法的识别准确率为61.33%。结果表明Gabor+ELM算法检测准确率高、效果好。

实验2：不同测试样本比例下Gabor+ELM算法与RGB+BP神经网络算法的识别准确率，如表3所示。

表3 不同测试样本比例下的识别准确率 %

由表3可知，Gabor+ELM算法在不同测试样本比例下有较高的识别准确率且准确率明显高于RGB+BP神经网络算法。

实验3：对比Gabor+ELM算法与RGB+BP神经网络算法在不同数量训练样本下的训练时间，如表4所示。

表4 不同训练样本下的训练时间

由表4可知，Gabor+ELM算法的训练用时少，训练速度明显高于RGB+BP神经网络算法。

4 结 论

本文提出了一种检测铝箔封口密封性的新方法，根据铝箔封口热像图的纹理特征不同，判断铝箔密封情况。首先用Gabor小波提取热像图纹理特征，然后采用ELM极限学习机对热像图进行分类识别。通过与提取颜色特征的BP神经网络相对比可以发现，Gabor+ELM分类器不仅识别准确率高、泛化性好，且速度快，在小样本时也有良好的准确率。该算法识别准确率高、速度快，可以很好地满足铝箔封口密封性检测的需求。

[1] 陆刚. 漫谈铝箔的包装市场及其发展趋势[J]. 塑料包装，2013，24(3):8-14.

[2] 张红普.密封性测试在软包装行业的应用[J].中国包装工业，2004(4):66-67.

[3] 呙润华，苏婷婷，马晓伟. BP神经网络联合模板匹配的车牌识别系统[J].清华大学学报(自然科学版)，2013(9)：1221-1226.

[4] 金忠，胡钟山，杨静宇.基于BP神经网络的人脸识别方法[J].计算机研究与发展，1999，36(3):274-277.

[5] 金龙，黄颖，何如.卫星云图的遗传神经网络集合预测模型研究[J].计算机工程与应用，2011，47(32):231-235.

[6] 徐伟栋，刘伟，厉力华，等.基于特性模型与神经网络的乳腺图像肿块自动检测技术[J].电子与信息学报，2009，31(7)：1653-1658.

[7] 顾妍午，李平，陶文华，等.基于改进BP神经网络的手写邮政编码识别[J].辽宁石油化工大学学报，2008，28(1)：52-54.

[8] 黄越洋，李平，刘宣宇.基于BP神经网络的非线性预测控制[J].辽宁石油化工大学学报，2008，28(1)：59-61.

[9] 李云峰．基于Gabor小波变换的人脸识别[D].大连：大连理工大学，2005．

[10] Huang G B，Zhu Q Y，Siew C K. Extreme learning machine：Theory and applications[J]. Neurocomputing，2006，70(1):489-501.

[11] Huang G B，Zhu Q Y，Siew C K. Extreme learning machine：a new learning scheme of feedforward neural networks[C]//IEEE Internationl Joint Conference on Neurol Netuorks,2004,Proceeding. IEEE,2005,2:985-990.

[12] Huang G B. An insight into extreme learning machines：random neurons，random features and kernels[J]. Cognitive Computation，2014，6(3)：376-390.

(编辑 陈 雷)

Aluminum Foil Sealing Seal Detection Based on Gabor Transformation and Extreme Learning Machine

Chang Jiaming，Li Weijun，Shi Chengjiang

(SchoolofMechanticalEngineering，LiaoningShihuaUniversity，FushunLiaoning113001，China)

After the research on the distribution characteristic of temperature field for aluminum seal , a kind of inspection method for the sealing based on Gabor transformation and extreme learning machine (ELM) was proposed. The Gabor transformation was conducted on various thermal images ，and the textural features are extracted to train the ELM neural network. Then the training results are used to classify and identify the thermal images，and the sealing of aluminum seal could be judged through the classification features of the thermal images. Compared and analysed with BP neural network which extracts color features，it is found that the algorithm based on Gabor transformation and ELM has the advantages of strong generalization，fast response speed，high precision，etc.

Aluminum foil sealing detection； Thermal image； Gabor transformation； Extreme learning machine (ELM)； Classification recognition

1672-6952(2017)03-0064-06 投稿网址：http://journal.lnpu.edu.cn

2016-10-22

2016-11-02

常珈铭(1989-)，男，硕士研究生，从事过程装备监测与控制技术方面的研究；E-mail:804384910@qq.com。

石成江(1962-)，男，博士，教授，从事机械设备自动检监测与控制方面的研究；E-mail：shicj-2008@163.com。

TB487

A

10.3969/j.issn.1672-6952.2017.03.014