摘 要： 基于人工分拣的墙地砖质量检测环节不仅造成人力资源的浪费，更无法保证质量检测的准确度，影响了墙地砖产品的档次提高。为了节省成本，进一步提高墙地砖的生产效率，本文利用颜色通道下的共生矩阵特征作为图像视觉特征，并充分利用图像的纹理信息和颜色信息，训练出一个适用于墙地砖缺陷分类的BP神经网络。通过实验结果的数据分析，基于BP神经网络的墙地砖缺陷检测技术能够对多种尺寸规格、颜色、图案的墙地砖得到较好的检测结果。
关键词： 颜色通道；共生矩阵特征；墙地砖缺陷；BP神经网络
0 引言
我国墙地砖行业庞大，从事墙地砖生产的企业众多，其经济生产在国民经济中占有重要位置[1]。然而，目前大多数墙地砖生产厂家的质量检测主要依靠人工进行，在实际生产过程中，针对墙地砖产品的颜色和外形缺陷的自动化检测技术相对滞后[2-4]。并且，国内利用计算机视觉技术进行墙地砖智能化检测系统的开发起步较晚，但受到墙地砖生产企业的需求刺激，近年来大量关于墙地砖缺陷的理论研究也随之展开[5-7]。本文首先利用灰度阈值分割法，将目标图像与背景图像进行分割，提取出数字图像中的墙地砖目标。然后，利用图像去噪、图像特征提取与分析、改进的BP神经网络等实际技术手段实现墙地砖的质量检测。最后，深入研究这些方法在实际检测过程中的应用，并通过实验结果的数据分析，验证了该检测技术可以提高墙地砖检测的准确度和速度。
1 墙地砖目标图像获取
实际的图像获取中，由于CCD摄像头的光电传感器尺寸是固定的，因此，得到的数字图像不可能仅包含待检测的墙地砖产品，或多或少地都会有一定的背景存在。缺陷检测的目标只是墙地砖，背景不仅会增大计算量，还会影响检测效果。为此，在图像预处理环节采用灰度阈值分割法，将待检测目标从背景中分割出来，进而得到目标图像。
假设图像g(x,y)的灰度范围为[0,L]， 则可以在[0,L]之间选取一个灰度值T作为阈值，进而进行二值化，得到二值图像：
若期望保留背景部分，仅将背景部分的像素灰度设置为0，可采用半灰度阈值法。假设背景部分较暗，即：
为了得到最优的灰度阈值，使得方差最大，需要对图像中所有像素点的灰度值进行方差计算。假设一个数字图像的灰度级数为L，灰度值为i的像素数为ni，此时可以得到总像素数为：
各个灰度出现的频率为：
假设，取灰度值k作为灰度阈值，那么可以将灰度值划分为C1和C2两个部分，其中，C1=（0，1，…, k-1）， C2=（k, k+1, …, L-1）。两类灰度值分别产生的概率为：
两类灰度值分别产生的灰度平均值为：
其中，μ为图像中所有限速灰度的平均值：
两类灰度值的方差和为：
根据Ostu方法的思想，只需要在[0, L-1]的范围内改变k的值，找到使得方差最大的k值，即是最优的灰度阈值。
2 颜色通道下的共生矩阵的图像特征提取
不言而喻，颜色对于墙地砖缺陷检测系统是一个很重要的特征。人类视觉对颜色的变化非常敏感，颜色也是人类感知环境的重要特征，不同颜色代表的信息含量也不相同[8]。随着人们对计算机视觉技术的深入研究，以及对图像处理技术的进一步探索和深入，灰度图像包含的信息已经不能满足人们的需求。为了弥补灰度图像丢失掉的细节和重要的色彩信息，结合颜色的计算机视觉技术得到了广泛应用。因此，本文在系统中引入了在颜色通道下的图像纹理特征。
对于非纯色墙地砖而言，为了更好地描述墙地砖的特性，必须在特征中加入颜色特征，这样才能保证检测的客观性和准确性。CCD摄像系统能够拍摄出墙地砖的RGB图像，利用3种颜色通道下的统计信息，计算6个颜色特征，分别是红绿蓝3种颜色分量的均值tr，tg，tb和方差vr，vg，vb。利用这6个颜色特征和之前提出的6个统计量，作为表征图像的特征向量：
并以此反映墙地砖整体颜色和纹理分布的情况。
由于图像获取过程中存在噪声的干扰，以及存在可接受缺陷的二等品墙地砖等原因，使得标准墙地砖之间的参数也会存在一定差异。为了解决这个问题，对每种类型的墙地砖都训练出独立的一组判断向量T。
首先，假设一组拥有n个标准或可接受缺陷的训练样本，分别提取出特征向量Fk，k=1,2,…,n，进而，计算得到这n个特征向量的均值和方差，那么判断向量的第z个元素为：
本文中，α取1.5~3之间的实数，调整这个参数可以调节判断向量的检测灵敏度。其中，对于z=1,2,3,…
对于某一待测试墙地砖提取的特征向量F，与判断向量c进行比较，如果满足以下不等式：
则说明该块墙地砖存在缺陷。
3 建立BP神经网络
标准BP神经网络的收敛速度较慢，而且容易陷入局部极小值，无法达到全局最优解[9-10]。为了解决这两个问题，本文采用优化策略，对BP神经网络进行整体的性能优化。
⑴ 采用动量权值调整策略改进BP神经网络算法。动量权值调整策略的中心思想是将上一轮权值调整量作为更新值的一部分迭加到本次的误差计算上，以获得反馈后的权值调整量，即：
其中，α为动量系数，一般取(0,1)范围内的数值；η为学习率，在实际工程中，按照经验，一般取(0.01,0.8)范围内的数值。这种方法加入动量系数本质上是加入一个阻尼项，减缓了学习过程中的震荡趋势，从而改善神经网络参数的收敛性。
⑵ 自适应调整训练速率。造成标准BP神经网络收敛速度缓慢的一个重要原因是学习率的选择不当，为了解决这个问题，加速参数的收敛速度，可以在调整学习率的过程中采用自适应的调整方法。自适应调整的基本思想是，在训练收敛的情况下，放大学习率，以减少训练时间；在训练不收敛的情况下，缩小学习率，以保证训练的收敛性，直到参数收敛为止。
自适应的调整方法有很多，本文采用如下方法：首先初始化学习率η0，若经过一轮权重调整后，神经网络的总误差放大，则减小学习率，令η1=a η0（0< a <1）；若总误差减小，说明权值调整有效，则令η1=b η0（ b>1）。
4 实验设计及结果比较
4.1 实验设计
实验数据包括两个部分：训练数据集和测试数据集。其中，训练数据集包括100块标准墙地砖图像，用于训练神经网络的参数；测试数据集包括500块未知质量的墙地砖图像，用来测试神经网络的性能。
本文构建的BP神经网络仅含有一层隐含层，即最基本的神经网络结构。神经网络中的权值和阈值都初始设置为1，第一次的传递函数选用双曲正切函数，第二次的传递函数选用对数函数。通过抽取部分样本进行反复实验，选用带动量的批处理梯度下降法对模型进行优化。
共生矩阵的特征向量共有6个部分，分别是共生矩阵的二阶矩、对比度、相关性、方差、熵和逆差矩。因此分类器的输入层包含6个节点，分别对应这6个特征值。输出层包括两个节点，当输出组合为[1,0]时，表示当前样本为合格产品，当输出组合为[0,1]时，表示当前样本为不合格产品。按照抽取部分样本进行重复实验，本文构建的BP神经网络隐含层包含13个节点。
类似地，对差分矩阵特征和颜色通道下的共生矩阵特征均建立对应的BP神经网络。
4.2 结果比较
基于100块训练样本训练得到的BP神经网络对500块测试样本进行测试。为了验证本文设计的系统的检测性能，本文重现了参考文献[11]中基于马尔科夫随机场对墙地砖缺陷进行检测的方法。参考文献[11]中检测方法主要对墙地砖的两种缺陷检测进行了讨论，包括色斑缺陷和孔穴缺陷。下面将验证对比参考文献[11]中方法的检测性能，以及本文中利用颜色通道下的共生矩阵特征训练的BP神经网络的检测性能。检测的主要缺陷项目除了参考文献[11]中提到的色斑缺陷和孔穴缺陷，还包括裂纹、凸块、凹陷和纹理不匀。
同时，为了验证图像目标提取过程对实验的影响，将没有进行墙地砖目标获取的数字图像作为输入，采用BP神经网络对墙地砖缺陷进行检测。表1展示了这3种方法对6种缺陷的检测率。
从表1中可以看出，相比于马尔科夫随机场，利用BP神经网络训练的墙地砖缺陷分类器具有较强的分类性能。由于原始的数字图像的背景部分较小，即使没有目标获取过程，产生的分类性能也要远远比马尔科夫随机场训练出来的分类器更优异。但是加入目标获取过程，得到的性能显然更好。加入墙地砖目标获取环节对整个墙地砖缺陷智能检测系统很有帮助。
5 结论
基于BP神经网络的墙地砖缺陷检测技术能够满足当前我国墙地砖企业的生产需求。通过融合计算机视觉检测技术和软硬件环境，实现较为理想的墙地砖质量检测效果。通过实验分析，该系统拥有较高的质量检测准确度和运行稳定性，能够满足不同尺寸、不同颜色、不同花色的墙地砖质量检测，具有较高的实际应用意义。在保证质量检测性能的基础上，该系统能够大大降低人工劳动强度，提高墙地砖生产的自动化程度。
参考文献
[1] 李先平. 墙地砖的自动拣选[J]. 天津城市建设学院学报, 1995(3):39-45.
[2] 陈帆. 现代陶瓷工业技术装备（第2版）[M]. 北京:中国建材工业出版社, 1995.
[3] 陶瓷墙地砖生产组. 陶瓷墙地砖生产[M]. 北京:中国建材工业出版社, 1983.
[4] Hocenski Z F,Nyarko E K. Surface quality control of ceramic tiles using neural networks approach [C]. Proceedings of the 2002 IEEE International Synposium on Industrial Electronics, 2002.
[5] 朱大国. 瓷质墙地砖颜色及尺寸在线监测方法[D]. 武汉:华中科技大学, 2002.
[6] 赵新亚. 墙地砖缺陷的智能检测技术研究[D]. 沈阳:沈阳建筑大学, 2011.
[7] 邢希东,高军. 泼水算法与墙地砖表面缺陷的识别与分级研究[J]. 山东工程学院学报, 2002,16(2):48-50.
[8] 耿国华, 王克刚, 李康. 基于色彩纹理特征的图像分类及应用[J]. 西北大学学报, 2010,40(1):53-56.
[9] 钟珞,饶文碧,邹承明. 人工神经网络及其融合应用技术[M]. 北京: 科学出版社, 2008.
[10] 萨马拉辛克. 神经网络在应用科学和工程中的应用[M]. 史晓霞,陈一民,李军治,等,译. 北京: 机械工业出版社, 2010.
[11] 艾矫燕. 基于计算机视觉的墙地砖颜色分类和缺陷检测研究[D]. 广州:华南理工大学, 2003.