一种基于伽柏变换和极限学习机神经网络的铝箔封口密封性检测方法技术

本发明专利技术公开了一种基于伽柏(Gabor)变换和极限学习机(ELM)神经网络的铝箔封口密封性检测方法。该方法包括：首先对采集到的不同特征类型铝箔封口热像图集合进行伽柏(Gabor)变换，利用变换结果训练极限学习机(ELM)神经网络。然后利用训练后的神经网络对热像图进行实时的图像纹理特征提取、分类识别和密封性判别。通过与提取颜色特征的反向传播(BP)神经网络对比分析发现，基于伽柏(Gabor)变换和极限学习机(ELM)的检测方法具有网络泛化性强、响应速度快、算法具有较高精度等优势，能够满足密封性检测的精度要求。

A sealing method for aluminum foil sealing based on Gabor transform and extreme learning machine neural network

The invention discloses a method for detecting the sealing property of aluminum foil based on Gabor transform and extreme learning machine (ELM) neural network. The method includes: Gabor transform is applied to the collection of different feature types of aluminum foil seal thermal images, and the result of transformation is used to train the Extreme Learning Machine (ELM) neural network. Then, the trained neural network is used to extract texture features, classify and identify the seal of thermal images. Compared with BP neural network, the detection method based on Gabor transform and Extreme Learning Machine (ELM) has the advantages of strong network generalization, fast response speed and high precision, which can meet the requirements of sealing detection accuracy.

【技术实现步骤摘要】
一种基于伽柏变换和极限学习机神经网络的铝箔封口密封性检测方法
本专利技术属于密封性检测领域，特别涉及一种基于伽柏(Gabor)变换和极限学习机(ELM)神经网络的铝箔封口密封性检测方法。
技术介绍
随着科技的进步，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来越受到人们的关注。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％。铝箔包装虽然使用方便，但也有它的不足之处。在产品用铝箔封口的过程中，难免会发生压穿或铝箔破损，这些都容易引起密封不严的现象，是诱发产品变质的一项重要原因，严重威胁着产品的包装质量，造成巨大的经济损失。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。
技术实现思路
鉴于上述问题，本专利技术提供一种基于伽柏(Gabor)变换和极限学习机(ELM)神经网络的铝箔封口密封性检测方法，解决了铝箔封口密封性检测过程中自动化程度低，检测精度不高，检测效率慢等问题。为实现上述目的，本专利技术提供一种基于伽柏(Gabor)变换和极限学习机(ELM)神经网络的铝箔封口密封性检测方法，包括下述步骤：步骤1，采集铝箔封口热像图；步骤2，图像预处理；步骤3，对采集到的不同特征类型热像图集合进行伽柏(Gabor)变换；步骤4，利用变换结果训练极限学习机(ELM)神经网络；步骤5，利用训练后的神经网络对热像图进行实时的图像纹理特征提取、分类识别和密封性判别。本专利技术的有益效果是：本专利技术首先用热像仪采集铝箔封口的热像图，然后利用伽柏(Gabor)变换对热像图进行纹理特征提取，再利用极限学习机(ELM)对热像图进行分类识别。通过热像图纹理特征的不同来判断密封性的好坏。与传统的反向传播(BP)算法相比较，极限学习机(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，验证了此算法有较高精度。网络泛化性强、响应速度快、算法具有较高精度等优势，而且在小样本也具有良好的准确率。附图说明图1是本专利技术中基于伽柏(Gabor)变换和极限学习机(ELM)神经网络的铝箔封口密封性检测方法的流程图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术作进一步的详细说明。图1为本专利技术实施例提供的基于伽柏(Gabor)变换和极限学习机(ELM)神经网络的铝箔封口密封性检测方法的流程图，该方法包括：所述采集铝箔封口热像图的步骤，包括：对每一个经过热像仪下的目标进行图像采集，采集不同类型的热像图作为神经网络的训练样本与测试样本。所述图像预处理的步骤，包括：采用图像增强做为预处理工作，其中图像增强采用伪彩色图像增强的处理方式。采用密度分割法进行处理，密度分割或密度分层是伪彩色增强中最简单的一种方法，有利于图像的增强和分类。把黑白图像的灰度级从0(黑)到M0(白)分成N个区间Li,i＝1,2,…,N。给每个区间Li指定一种彩色Ci，这样，便可以把一幅灰度图像变成一幅伪彩色图像。所述对采集到的不同特征类型热像图集合进行伽柏(Gabor)变换的步骤，包括：伽柏(Gabor)函数是一个用高斯函数调制的复正弦函数,能够在给定区域内提取出局部的频域特征。一个典型的2-D伽柏(Gabor)函数h(x,y)及其傅立叶变换H(u,v)有以下形式:式中：g(x,y)是用来调制的高斯函数；σx和σy是其在两个坐标轴上的标准方差,它们决定了滤波器作用区域的大小；W为复正弦函数在横轴上的频率。将伽柏(Gabor)函数分解为实部hR(x,y)和虚部hI(x,y)两个分量,则用它滤波得到的图像为：式中：(hR*I)和(hI*I)表示图像I和滤波器h的卷积.S(x,y)经过高斯平滑,即为该Gabor滤波器提取出的特征图像。以h(x,y)为母小波,通过对其进行适当的尺度变换和旋转变换,可以得到一组自相似的滤波器,称为伽柏(Gabor)小波.Hmn(x,y)＝a-mh(x′,y′),a>1,m,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；式中m的取值与S有关，n的取值与K有关，m＝0,1,…,S-1，n＝0,1,…,K-1，S为尺度的数目,K为方向的数目。通过改变m和n的值,就可以得到一组方向和尺度不同的伽柏(Gabor)滤波器.假设小波族包含S个尺度,K个方向,并且频率范围为[Ul,Uh],一种参数选择方法如下：复数：实部：虚部：公式中：λ：正弦函数波长；θ：伽柏(Gabor)核函数的方向ψ：相位偏移σ：高斯函数的标准差γ：空间的宽高比假设I(x,y)是一张热像图，I(x,y)的二维伽柏(Gabor)小波变换可以定义为该热像图与伽柏(Gabor)小波函数GU,Y(x,y)的卷积：GU,Y(x,y)＝I(x,y)*φu,y(x,y)式中：*：卷积运算；GU,Y(x,y)：对应尺寸v与方向u的卷积图像；把热像图某一位置(x,y)的每个尺寸和方向的伽柏(Gabor)小波响应与幅值联系起来，就可以得到此点处的伽柏(Gabor)小波特征。所有热像图中的所有像素点位置的伽柏(Gabor)特征联合起来，就可获得整个热像图的伽柏(Gabor)特征向量：X＝(G0.1,G0.2,......G0.7)提取单张热像图的伽柏(Gabor)特征的基本步骤是：对热像图数据库(共6000张)中的每一张图像，选择40×30＝1200个均匀分布的采样点。采样点选取后，构造伽柏(Gabor)小波族，在5个尺度(Kmax＝π/2；f＝2；v＝0,1,2,3,4)、8个方向(n＝8；μ＝0,1,...,7)上分别构造伽柏(Gabor)函数。令σ＝π，使得滤波器的带宽约为1倍的频程。经滤波后，将热像图上的每一个采样点上的幅值当做伽柏(Gabor)函数的系数，把各个伽柏(Gabor)的系数组成列向量，从而获得热像图的局部伽柏(Gabor)特征向量。通过计算滤波器与各个热像图的卷积，然后将卷积的幅值当做输出，从而获取稳定的伽柏(Gabor)特征。即：最终得到热像图的伽柏(Gabor)特征。5.根据权利要求1所述的一种基于伽柏(Gabor)变换和ELM神经网络的铝箔封口密封性检测方法，其特征在于，所述利用变换结果训练极限学习机(ELM)神经网络的步骤，包括：对于N个不相同样本(xi,yi)，xi＝[xi1,xi2,...,xin]T∈Rn，yi＝[yi1,yi2,...,yim]T∈Rm，假设ELM拥有L个隐含层节点，输出函数如下：网络输入层到第i个节点的输入权值为ai＝[ail,ail,...,ain]T，第i个隐含层节点的偏置(bias)为bi；βi＝[βi1,βi2,...,βim]T是第i个隐含层节点的输出权值。如果这个具有L个隐含层节点的网络能以0误差逼近这N个样本，则有ai,bi,βi使得：即：Hβ＝Y其中：H为网络隐含层输出矩阵，在ELM算法中，偏差与输出权值是可以随机给定的，所以隐含层矩阵H就成为了一个固定矩阵。这样，此前馈神经网络训练就转化为求本文档来自技高网...

【技术保护点】
1.一种基于伽柏(Gabor)变换和极限学习机(ELM)神经网络的铝箔封口密封性检测方法，其特征在于，包括下述步骤：步骤1，采集铝箔封口热像图；步骤2，图像预处理；步骤3，对采集到的不同特征类型热像图集合进行伽柏(Gabor)变换；步骤4，利用变换结果训练极限学习机(ELM)神经网络；步骤5，利用训练后的神经网络对热像图进行实时的图像纹理特征提取、分类识别和密封性判别。

【技术特征摘要】
1.一种基于伽柏(Gabor)变换和极限学习机(ELM)神经网络的铝箔封口密封性检测方法，其特征在于，包括下述步骤：步骤1，采集铝箔封口热像图；步骤2，图像预处理；步骤3，对采集到的不同特征类型热像图集合进行伽柏(Gabor)变换；步骤4，利用变换结果训练极限学习机(ELM)神经网络；步骤5，利用训练后的神经网络对热像图进行实时的图像纹理特征提取、分类识别和密封性判别。2.根据权利要求1所述的一种基于伽柏(Gabor)变换和极限学习机(ELM)神经网络的铝箔封口密封性检测方法，其特征在于，所述采集铝箔封口热像图的步骤，包括：对每一个经过热像仪下的目标进行图像采集，采集不同类型的热像图作为神经网络的训练样本与测试样本。3.根据权利要求1所述的一种基于Gabor变换和极限学习机(ELM)神经网络的铝箔封口密封性检测方法，其特征在于，所述图像预处理的步骤，包括：采用图像增强做为预处理工作，其中图像增强采用伪彩色图像增强的处理方式；采用密度分割法进行处理；把黑白图像的灰度级从0到M0分成N个区间Li,i＝1,2,…,N，给每个区间Li指定一种彩色Ci，把一幅灰度图像变成一幅伪彩色图像。4.根据权利要求1所述的一种基于Gabor变换和极限学习机(ELM)神经网络的铝箔封口密封性检测方法，其特征在于，所述对采集到的不同特征类型热像图集合进行Gabor变换的步骤，包括：将伽柏(Gabor)函数分解为实部hR(x,y)和虚部hI(x,y)两个分量,则用它滤波得到的图像为：式中：(hR*I)和(hI*I)表示图像I和滤波器h的卷积，S(x,y)经过高斯平滑,即为该伽柏(Gabor)滤波器提取出的特征图像；如果以h(x,y)为母小波,通过对其进行尺度变换和旋转变换,得到一组自相似的滤波器,称为伽柏(Gabor)小波，hmn(x,y)＝a-mh(x′,y′),a>1,m,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；式中m的取值与S有关，n的取值与K有关，m＝0,1,…,S-1，n＝0,1,…,K-1，S为尺度的数目,K为方向的数目；通过改变m和n的值,得到一组方向和尺度不同的伽柏(Gabor)滤波器，假设小波族包含S个尺度,K个方向,并且频率范围为[Ul,Uh],一种参数选择方法如下：复数：实部：虚部：公式中：λ：正弦函数波长；θ：Gabor核函数的方向ψ：相位偏移σ：高斯函数的标准差γ：空间的宽高比假设I(x,y)是一张热像图，I(x,y)的二维伽柏(Gabor)小波变换定义为该热像图与伽柏(Gabor)小波函数GU,Y(x,y)的卷积：GU,Y(x,y)＝I(x,y)*φu,y(x,y)式中：*为卷积运算；GU,Y(x,y)为对应尺寸v与方向u的卷积图像；把热像图某一位置(x,y)的每个尺寸和方向的伽柏(Gabor)小波响应与幅值联系起来，得到此点处的伽柏(Gabor)小波特征，所有热像图中的所有像素点位置的伽柏(Gabor)特征联合起来，就可获得整个热像图的伽柏(Gabor)特征向量：X＝(G0.1,G0.2,...

【专利技术属性】
技术研发人员：李维军，周益邦，
申请(专利权)人：辽宁石油化工大学，
类型：发明
国别省市：辽宁,21