一种基于萤火虫神经网络的工件内部缺陷识别方法技术

本发明专利技术公开了一种基于萤火虫神经网络的工件内部缺陷识别方法，适用于工件CT切片图像上工件内部缺陷的智能识别。应用RBF神经网络方法对工件内部缺陷识别可取代人工检测，提高缺陷检测的准确率和工件生产的效率以及自动化程度。包括如下步骤：1)通过工业CT切片图像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和参数；3)用萤火虫算法对RBF神经网络的权值、阈值进行优化；4)将最优萤火虫所代表的状态量前馈给RBF神经网络，确定RBF神经网络的初始权值和阈值，用样本集训练RBF神经网络。

Identification method of workpiece internal defects based on firefly neural network

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。萤火虫算法源于对自然界中萤火虫发光求偶，沟通等行为的研究，它是一种群体智能仿生算法，其基本原理是利用萤火虫的荧光素诱导萤火虫发光来吸引伴侣或猎物，光亮越强越有吸引力，荧光素质也越高，萤火虫向荧光素值最高的萤火虫位置移动；荧光素值对应适应度函数值，因此萤火虫通过在动态决策域内寻找最高荧光素萤火虫的位置而确定适应度函数的最优值。它具有很好的求取全局极值和搜索多极值的能力，已经在多极值函数的求解、信号源的局部化等诸多方面得到应用，并取得了良好的效果。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于萤火虫神经网络的工件内部缺陷识别方法，适用于工件CT切片图像上工件内部缺陷的智能识别。应用RBF神经网络方法对工件内部缺陷识别可取代人工检测，提高缺陷检测的准确率和工件生产的效率以及自动化程度。为解决上述技术问题，本专利技术的技术方案为：一种基于萤火虫神经网络的工件内部缺陷识别方法，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，直到达到设定的最大迭代次数，这时，所有萤火虫会聚集在最优萤火虫个体所处位置的周围，这个最优萤火虫代表了问题的最优解；4)将最优萤火虫所代表的状态量前馈给RBF神经网络，确定RBF神经网络的初始权值和阈值，用样本集训练RBF神经网络，直到达到训练次数或者目标误差，则保持此刻的网络；否则，继续训练。本专利技术的有益效果是，本专利技术通过获取工件内部缺陷的形状特征和灰度特征数据，建立RBF神经网络，智能识别工件CT切片图像上的工件内部缺陷为裂纹、气孔和夹渣中的哪一类，利用萤火虫算法的良好的全局寻优特性优化神经网络初始权值、阈值，增强神经网络的泛化能力，对工业CT图像识别快速准确，缺陷识别率方面得到了优化，提高了缺陷识别率。是实现工件缺陷检测自动化的一种高效的、智能化的方法。通过识别结果即缺陷的类型，对铸件的质量进行评估，从而保证铸件性能和机器的使用安全。附图说明图1是RBF神经网络结构图；图2是基于萤火虫神经网络的工件内部缺陷识别方法的流程图；图3为萤火虫算法流程图。图中：u1、u2、...、u14-输入层节点；R1、R2、...、R14-隐含层节点；out1、out2、out3-隐含层节点。具体实施方式一种基于萤火虫神经网络的工件内部缺陷识别技术，其涉及到RBF神经网络对工件内部缺陷的智能识别；首先建立RBF神经网络，初始化RBF神经网络的拓扑结构，通过萤火虫算法对RBF神经网络的权值、阈值进行优化，确定RBF神经网络最优的初始权值和阈值，用样本集训练RBF神经网络，直到达到目标误差。其具体步骤如下：(1)获取工件内部缺陷的缺陷数据。本专利技术的实施数据通过工业CT切片图像获得，提取形状特征和灰度特征对缺陷进行识别。夹渣缺陷的灰度值明显高于裂纹和气孔的灰度值，裂纹和气孔缺陷可由形状特征进行区分。通过Hu不变矩和灰度直方图对工业CT切片图像上的工件内部缺陷特征进行提取，得到14个特征值。不变矩指的是利用二阶和三阶中心矩构造的7个矩不变量的表达式，这7个表达式具有平移不变性、旋转不变性和比例不变性。对于一幅N×M的数字图像，其灰度用f(x，y)表示，其(p+q)阶原点矩Mpq定义为：对上述矩进行位置归一化处理，可以获得矩的不变特征，得到N×M的数字图像的中心矩μpq为：其中，xc、yc为图像中心坐标。利用二阶和三阶中心矩构造的7个具有平移不变性、旋转不变性和比例不变性的矩不变量的表达式如下所示：在离散状态下，不变矩会受到缩放的影响，为了使其满足缩放不变性，再作如下抽象：上述公式是扩展后得到的特征公式，满足结构平移、缩放和旋转不变性，对工件缺陷图像进行特征提取，提取出10个形状特征值作为神经网络输入的特征向量。除上述10个形状特征值外，为有效区分缺陷种类，我们选取长宽比和圆形度作为图像的另外2个形状特征值作为神经网络输入的特征向量。灰度直方图是将数字图像中的所有像素，按照灰度值的大小，统计其出现的频率，是图像的一种统计特征。选取灰度均值和灰度方差作为图像的灰度值特征值作为神经网络输入的特征向量。终上所述，我们总共选取14个特征值作为神经网络输入的特征向量。将所有的样本分为训练样本集和测试样本集。(2)建立RBF神经网络。所述的神经网络由输入层、一个隐含层(径向基层)和一个线性输出层组成的前向神经网络。根据本专利技术的实际需要，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，理论上输出结果可用001、010、100分别代表裂纹、气孔和夹渣，由于在实际运算中始终本文档来自技高网...

【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，直到达到设定的最大迭代次数，这时，所有萤火虫会聚集在最优萤火虫个体所处位置的周围，该最优萤火虫代表了问题的最优解；4)将最优萤火虫所代表的状态量前馈给RBF神经网络，确定RBF神经网络的初始权值和阈值，用样本集训练RBF神经网络，直到达到训练次数或者目标误差，则保持此刻的网络；否则，继续训练。...

【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