陈耀东 邓三鹏* 佘明辉 白晋红 陈辉煌

（1 天津职业技术师范大学机器人及智能装备研究院，天津，300222；2 天津市智能机器人技术及应用企业重点实验室，天津，300352；3 湄洲湾职业技术学院，福建莆田，351119）

0 引言

当前，制鞋企业在鞋面质量检测时通常采用人工检测[1]，存在劳动强度大、效率低等问题。人工测量时，还易因个体差异造成检测误差，合格率降低。因此，将机器视觉技术引入鞋面检测过程，可大大提高生产的效率和检测精度，降低工人的负担和企业生产成本。

机器视觉技术可实现对鞋面特征点域进行分割，确定鞋面缺陷轮廓，通过多特征值提取，进行相应的缺陷识别。其中，特征值常用识别算法主要包括：

1）支持向量机特征识别法[2]；山东理工大学的崔欣团队通过对玉米种粒破损的16 个特征值进行支持向量机的算法训练，结果达到了识别的精度要求，但在计算上花费大量的时间造成训练数据结果极其不稳定。

2）极限学习算法识别[3]；重庆大学的王见团队对棉花的数据集特征提取，利用极限学习算法（ELM）对棉花进行识别，达到了模型识别的利用率，但基本的ELM算法容易过拟合或不太稳定。

因此，考虑到训练时间和算法拟合的稳定性，本文引入正则极限学习算法（RELM），通过添加惩罚因子（套索法[4])或惩罚因子(山脊回归[5])来克服上述问题。

RELM 算法[6]可以利用或惩罚得到稀疏的或稳定的解，并利用弹性网络惩罚修剪神经网络的结构。本文将机器学习中的RELM 算法模型运用到鞋面缺陷检测中，对特征值进行训练识别，为制鞋企业实现自动化缺陷检测奠定了基础。……