基于数学优化算法的皮革表面瑕疵筛查研究

何潇

（陕西财经职业技术学院，陕西 咸阳 712000）

0 引言

伴随着制革技术的不断进步以及现代科学仪器设备技术的不断开发，在计算机技术的融合之下，反射式光学电镜、皮革瑕疵检测机目前已经被许多制革企业所采用，传统的人工评价方法正在逐步被机器识别技术所取代。基于此，本文集中探讨在大规模皮革图像检测中，如何改进现有检测技术中的线性滤波算法，为皮革图像筛查检测计算、皮革图像缺陷筛选提供理论参考。

1 研究背景

皮革作为一种常见的制品材料，被广泛应用在服装、鞋类、家具、汽车内饰等多个不同领域。由于皮革材料的特殊性，其表面可能会存在不同程度的瑕疵，如疤痕、虫蛀、折痕等[1]。特别是在许多中小型皮革生产车间中，由于对生皮存放保存不当，使得皮革局部表面受到细菌的侵蚀而缺少粒面，导致缺面、虫蛀现象屡见不鲜。皮革表面瑕疵一旦严重，不仅会制约皮革的使用性能，影响皮革材料的使用质量，还会直接影响到皮革外部轮廓的美观性，进而导致皮革企业利润受损。

为了更好地应对皮革表面瑕疵问题，许多皮革企业在制革过程中加入了人工筛查皮革表面瑕疵检测工序，并以产品分级形式进行皮革表面瑕疵处理，其目的主要是为了确保皮革材料在最初生产过程中的质量和美观度。

近年来，随着智能制造和工业4.0理念的提出与实施，自动化、智能化和数字化成为制革业发展的主要趋势。许多中大型皮革企业开始在筛查检测设备中结合人工智能技术、计算机视觉技术、数字图像技术、机器学习技术对皮革加工过程中的表面瑕疵进行自动筛查[2-3]，并在设备程序中结合数学优化算法利用大规模皮革图像进行智能检测，进一步提高了皮革表面瑕疵筛查过程的准确率与时效性。

2 皮革表面瑕疵筛查检测方法概述

在现实制革生产过程中，人工筛查检测、扫描电子显微镜设备检测等方式，是目前皮革企业生产车间对皮革表面瑕疵检测的普遍筛查方式。人工筛查检测往往具有一定的局限性，单纯依靠检验者的经验和主观进行判断，仅以肉眼来分辨皮革表面缺陷极易造成漏检、失误等现象的发生；扫描电子显微镜设备自动筛查方法，是通过放大不等倍数在显示屏中观察皮革表面细节，其技术原理是基于线性滤波算法来分析皮革图像中的纹理分布特征，进一步确定皮革图像是否有缺陷，整个过程自动、高效。

但是，由于皮革表面的纹理和结构通常较为复杂，线性滤波算法在处理这种复杂纹理时可能效果不佳，无法准确地突显皮革的特征。同时，线性滤波算法在处理皮革图像筛查过程中，可能会存在光照不均、阴影散乱现象，进而导致图像边缘模糊，使得皮革表面的纹理、纤维和细胞结构等特征变得不太明显，进而在皮革生产瑕疵筛查过程中出现失误。

此外，考虑到皮革瑕疵筛查过程中图像检测的敏感性与特异度，以及皮革在鞣制、染色、材质处理过程中可能存在的各种情况，许多中大型皮革企业工程师开始尝试采用各类智能算法、机器学习识别技术结合皮革瑕疵筛查电镜设备进行升级。其技术原理为先将皮革图像储存在计算机图库之中，再将图像反射到皮革瑕疵筛查电镜设备之中，为提取的图像选择合适的算法进行缺陷筛选计算，进一步减少在筛选过程中的各种干扰。

3 筛查方案设计

3.1 皮革表面瑕疵筛查检测技术原理

光学扫描电镜或皮革瑕疵检测机设备使用过程中，为了更好的提升其筛查检测的准确性，在设备程序现有的线性滤波算法中引入常见的计算机数学算法进行机器识别优化，可采用空间卷积神经网络、模糊卷积神经网络算法等，将皮革图像分割成无数个点，再将其中的某个点特征放大百倍，逐步形成图像空间卷积网格，再通过模糊卷积神经网络算法计算，形成模糊矩阵进行自动判断，进而输出皮革在鞣制、染色、材质处理过程中的缺陷问题，并自动判断废品标记，自动出具废品报告书并将数据信息及时与皮革生产车间检测系统进行同步，具体如图1所示。

图1 光学扫描电镜瑕疵筛查流程Fig.1 Defect screening process using opticalscanning electron microscopy

3.2 皮革表面瑕疵筛查数学优化方案设计

本次选取中小型皮革企业中常见的SEM3000型皮革瑕疵筛查扫描电镜设备，该设备程序采用常见的线性滤波算法进行自动检测，其参数毛孔直径为20～45 μm，视野数为24 mm，最小视场直径为4.25 μm，在最大倍率下可以有效检测到小于毛孔直径的皮革表面缺陷细节与瑕疵。

将机器学习算法应用在SEM3000型皮革扫描电镜程序之中，其空间卷积神经网络算法原始数学公式如式（1）所示：

在电镜程序泛函分析过程中，g（k）作为皮革原始图像函数；y（a-k）作为卷积函数；a为卷积参数；y则为神经网络的输出值。由于空间卷积是一种具有深度结构的前馈神经网络模块，故可采用深度迭代法进行初步优化，并采取多项式回归来计算节点函数，其函数的数学算法公式如式（2）所示：

其中，x可看作数组的遍历指针；n表示上一层卷积神经网络的节点数量值；Aj可作为第j阶的多项式回归系数；作为卷积神经网络中上一层的第i个节点输入值的j阶次方。考虑到多列神经网络在输出数据过程中缺少一定的分布规律，为了更有效的提高皮革图像检测准确率，满足数据数值在[0，1]区间内的精确筛查效率，进一步强化数据的基本分布规律，故在式（2）基础上对其进行“二值化”处理，其目的是将整个皮革图像最终呈现出具有明显的黑与白视觉效果，优化后的二值化函数数学公式如式（3）所示：

其中，e为自然常数，此处可取近似值为e=2.71828，作为二值化函数输出后的双精度浮点数变量，并位于区间[0,1]之内，当该数据值接近1.000时图像检查呈现黑色，判断其表面具有明显的瑕疵缺陷，并出具废品报告自动上传至皮革检测系统记录；当数据值接近0.000时图像检查呈现白色，判断其表面无瑕疵缺陷，则通过筛查检验。

根据前文提到的皮革表面瑕疵筛查原理图示，在机器学习算法中进一步对其进行检索缺陷优化，可采用模糊卷积检测算法针对皮革图像表面中的特异度及敏感度进行进一步的优化计算。并从皮革生产中的鞣制、染色、材质瑕疵缺陷中进行实测比较，从而判断其数学算法的优化效果。在式（3）基础上进行改进，其模糊卷积的数学计算公式如式（4）所示：

其中，Value作为t值的输出结果；xi为统计绪论x中的第i个统计值；作为经过回归的对照值；作为统计序列的算数平均值。当Value值为t值时，t＜10.000时则认为存在统计学差异，t值越大，则表示敏感度及特异度的差异性越小，反之则表示差异性越大。通常情况下，当Log值为p值时，p＜0.05则判断为具有可信度，p＜0.01时则认为具有明显的差异性特点。

同时，为了更好的满足模糊卷积检测结果的准确性，应充分考虑到数据值中的标准偏差率计算，其目的主要是为了寻找数据中的最佳标准差，尽可能多提取出皮革图像模糊采样数量，从而避免因检测偏差致使的废品模糊标记失误现象，标准偏差计算优化公式如式（5）所示：

式中σ为输入序列x的标准偏差率结果；n为图像模糊采样数量；μ为输入序列；xi为输入序列x中的第i个输入项，本式可作为对获取皮革图像进行优化处理的最佳标准差计算方式。

3.3 实测结果对比

为了判断本次数学优化算法后的皮革表面瑕疵筛查的准确率和识别效果，选取某皮革厂的皮革制品进行表面电镜扫描，扫描内容分别从生产鞣制、染色、材质瑕疵检测模块进行皮革缺陷实测比较，在上述式（3）（4）（5）计算基础上，结合统计学SPSS双变量t校验法对线性滤波算法、机器识别算法进行数据差异性对比分析，具体从皮革表面图像的特异度、敏感度、检测效率进行指标数据对比，其效果差异数据如表1、2所示。

表1 线性滤波算法瑕疵筛查效果（单位：%）Tab.1 Flaw screening effect oflinear filtering algorithm(Unit:%)

表2 机器识别算法瑕疵筛查效果（单位：%）Tab.2 Machine recognition algorithm defect screening effect(unit:%)

根据表1、2数据，采用机器识别算法瑕疵筛查效果在特异度、敏感度及检测效率方面远超于线性滤波算法的检测效果，具体表现在其精度更高、更灵敏，利用数学优化算法后的神经网络计算数值普遍在97%以上，可以满足大规模皮革图像检测的准确率和工业化应用需求[4]。由于线性滤波算法是一种基于线性程序化的计算方法，对于皮革染色中的图像缺陷筛查在特异度与敏感度方面远远弱于机器识别算法，致使其检测效率较低。而利用数学优化算法设置的电镜检测程序，在皮革鞣制、染色缺陷结果的检测中，其计算精确率更高，标准偏差率极低，对于皮革图像中的机器识别特异度和敏感度可以较好地满足其计算需求。

4 结语

本次研究通过对SEM3000型皮革瑕疵筛查扫描电镜计算程序进行数学优化算法方案设计，进一步阐述了机器识别算法在皮革瑕疵筛查检测中的重要性，验证了机器识别算法在皮革鞣制、染色、材质缺陷筛查中的准确率，对于大规模皮革图像筛查检测计算方案设计具有一定的启发性。在后续的研究方案中，还可采用超限学习机、深度学习等人工智能方法进一步对皮革瑕疵检测进行优化，从而为皮革检测图像质量提升提供更多方案。