The invention discloses an internal defect identification method based on the firefly neural network, which is suitable for the intelligent recognition of the internal defects of the workpiece on the workpiece CT slice image. The RBF neural network method is used to identify the internal defects of the workpiece by replacing the artificial detection, improving the accuracy of the defect detection, the efficiency of the production of the workpiece and the degree of automation. The following steps are as follows: 1) 14 eigenvalues of shape and gray features are extracted from industrial CT slice images; 2) initializing the topology and parameters of the RBF neural network; 3) using the firefly algorithm to optimize the weights and thresholds of the RBF neural network; 4) feed the state quantity represented by the optimal firefly to the RBF neural network. The initial weights and thresholds of the RBF neural network are determined and the RBF neural network is trained with the sample set.
【技术实现步骤摘要】
一种基于萤火虫神经网络的工件内部缺陷识别方法
本专利技术涉及机器视觉、图像处理、模式识别领域,尤其涉及一种基于萤火虫神经网络的工件内部缺陷识别技术。
技术介绍
受生产技术条件的制约,工件产品内部往往存在裂纹、气孔、夹渣等缺陷,这些缺陷会影响铸件性能和机器使用安全。为了保证铸件质量,目前已有很多可用于铸件缺陷内部的检测手段,如超声、微波、红外(扫描和成像)、激光全息和声全息等常规和X射线照相、工业CT等非常规的无损检测方法。工业用计算机层析成像(工业CT)技术是一种绝妙的非侵入式成像技术,目前,该技术已经广泛应用于机械、铁路、航天、航空、国防、军工、材料、地质等诸多重要领域。工件内部缺陷检测系统是以机器视觉代替人眼缺陷识别的计算机视觉技术的新应用,利用图像识别技术,将工件内部缺陷的特征表示为一定的结构,并与储存的模型结构相匹配,通过成功匹配来识别图像中缺陷的种类。人工神经网络具有信息的分布存储,并行处理以及自学习能力等特点,可以实现工件内部缺陷的智能识别。径向基函数(RBF)神经网络的构成只有三层而且只有一个隐含层,具有结构简单,运算速度快以及局部函数逼近的特性,其隐含层的作用是要将输入变量映射到隐含层空间上去,所以整个网络的结构目标是通过隐含层的网络参数确定而确定的。在一般情况下,神经网络的隐含层神经元节点越多,就具有越强的运算能力,映射能力以及更佳的函数逼近能力,同时也意味着隐含层空间维数越高,但是在实际应用过程中,网络的性能指标和隐含层空间维数有着紧密的联系,由于神经网络的隐含层神经元节点数目太多,导致隐含层空间维数过高,而影响神经网络的泛化能力。萤火 ...
【技术保护点】
一种基于萤火虫神经网络的工件内部缺陷识别方法,其特征在于,包括如下步骤:1)通过Hu不变矩和灰度直方图的方法,从工件内部缺陷的工业CT切片图像中提取形状特征和灰度特征的14个特征值;2)初始化RBF神经网络的拓扑结构,设置网络的目标误差、最大训练次数这两个参数;输入层、输出层的节点数目分别为14和3个节点,隐含层节点数和输入层的节点数相同,所述14个特征值作为RBF神经网络输入的特征向量,输出层的3个节点与工件内部缺陷裂纹、气孔和夹渣对应。3)用萤火虫算法对RBF神经网络的权值、阈值进行优化,萤火虫群优化算法初始时在D维解空间内随机分布N个萤火虫,萤火虫i的当前位置表示为Xi(t),i=1,2,...,N;初始时每只萤火虫都携带相同的萤光素值l0,并且具有相同的决策半径r0,萤火虫所在位置都对应一个适应度值f(Xi(t)),荧光素的大小与萤火虫所在位置的适应度值有关,萤光素值越大,所在位置越好,即有较好的适应度值;在萤火虫移动的过程中,如果萤火虫i在萤火虫j的决策范围内,并且萤火虫j的荧光素值比萤火虫i高,萤火虫i就以一定的概率向萤火虫j移动,并更新自己的决策半径;循环这一过程,直到达 ...
【技术特征摘要】
1.一种基于萤火虫神经网络的工件内部缺陷识别方法,其特征在于,包括如下步骤:1)通过Hu不变矩和灰度直方图的方法,从工件内部缺陷的工业CT切片图像中提取形状特征和灰度特征的14个特征值;2)初始化RBF神经网络的拓扑结构,设置网络的目标误差、最大训练次数这两个参数;输入层、输出层的节点数目分别为14和3个节点,隐含层节点数和输入层的节点数相同,所述14个特征值作为RBF神经网络输入的特征向量,输出层的3个节点与工件内部缺陷裂纹、气孔和夹渣对应。3)用萤火虫算法对RBF神经网络的权值、阈值进行优化,萤火虫群优化算法初始时在D维解空间内随机分布N个萤火虫,萤火虫i的当前位置表示为Xi(t),i=1,2,...,N;初始时每只萤火虫都携带相同的...
【专利技术属性】
技术研发人员:董海鹰,时佳悦,张蕊萍,苟军年,
申请(专利权)人:兰州交通大学,
类型:发明
国别省市:甘肃,62
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。