摘要  从遗传算法优化神经网络和零件图像的相对边缘像素系数作为零件特征的方法出发，提出了零件图像识别的方法。首先，对零件图像分别进行小波多尺度边缘检测，获取零件图像的相对边缘像素系数作为特征样本。然后，应用遗传算法优化神网络的连接权值，用特征样本进行网络训练，获取遗传神经网络并对零件图像进行识别。实验结果表明，文中提出的方法是有效的。

关键词  小波变换  神经网络  遗传算法  图像识别

Research of Part Image Recognition Based on Genetic Algorithm and Neural Network

1  引言

零件图像特征可以是图像中的零件轮廓曲线、纹理特征等，也可以是直方图特征或者是频谱等[1，2]。对于用边缘来呈现原始特征的零件图像，则可以利用图像的相对边缘像素系数作为零件图像的特征[3]。传算法有较强的宏观搜索能力，具有简单通用、鲁棒性强和全局性并行处理的特点，适用于图像处理和模式识别。本文将遗传算法和神经网络结合，用于零件图像的识别，以提高零件图像的识别率。

2  零件图像的特征提取

2.1  图像的小波边缘检测

2.3  边缘图像的特征提取

对于用边缘来呈现原始特征的图像，可以将边缘的端点、分叉点等作为主要特征参数，本文是将图像边缘像素作为图像特征。零件图像经过小波边缘检测后，分为m×n个图像矩阵，将图像的边缘像素和其余像素分别用1和0表示。统计各子矩阵中表示1的像素量与各子矩阵的像素和的比值作为相对像素系数，这样得到相对像素系数矩阵[cij]m×n，即特征参数。将相对像素系数矩阵的各列，按自左到右，上下首尾相接的次序，组成行向量Ck，k=1，2，…，m×n，向量Ck为特征样本。图2是4×4的图像矩阵，特征样本Ck有16个特征参数。

3  遗传算法

遗传算法与神经网络结合有几种方法[5，6]，本文采用遗传算法优化BP神经网络各层之间的连接权值。

3.1  染色体编码

3.2  选择、交叉、变异

根据每个个体适应度值进行选择、交叉和变异操作，构成下一代群体。再计算个体的适应度值，重复选择、交叉和变异操作过程，直到训练目标达到要求为止。

4  实验

4.1  网络模型

本文对3类零件进行图像采集，每类零件在不同的光照度环境下分别采集3幅零件图像，则每个图像传感器分别采集了3类零件共27幅图像。27幅图像经过小波边缘检测，分别处理成27组4×4相对像素系数矩阵，用于网络训练。网络输入层神经元数为16，输出层神经元数为3，是零件类别数，隐层神经元数经过调试选择18。

4.2  遗传算法控制参数

个体数目选取24，选择概率选取为0.06，交叉概率选取为0.5，变异概率选取为0.1，遗传终止代数选取150。

4.3  仿真

本文用遗传优化神经网络和一个BP神经网络对零件图像分别进行识别，结果如表1所示，遗传优化神经网络的识别率高于BP神经网络的识别率。遗传优化神经网络的训练次数为76，BP神经网络训练为185次，在收敛方面，遗传优化神经网络要优于BP神经网络，如图3所示。

5  结论

本文利用遗传算法优化BP神经网络，提出基于遗传神经网络的图像识别方法。实验表明了将遗传算法用于神经网络的权值训练，增强了神经网络的全局搜索能力，提高了神经网络的收敛速度和稳定性。因此，优化的神经网络具有较高的零件图像识别能力，有一定的实用性。

参考文献

[1]边肇祺，张学工等.模式识别[M].北京：清华大学出版社，2000

[2]程正兴.小波分析算法与应用[M].西安：西安交通大学出版社，1998

[3]夏庆观，盛党红，路红等.零件图像特征提取和识别的研究[J].中国机械工程，2005，16（23）

[4]Mallat S and Zhong S.Characterization of Signals from Multiscale Edges.IEEE Transactions on Pattern Analysis and Machine Intelligence，1992，14（7）：710-732

[5]王小平，曹立明.遗传算法理论应用与软件实现[M].西安：西安交通大学出版社，2002

[6]雷英杰，张善文，李续武等.MATLAB遗传算法工具箱及应用[M].西安：西安電子科技大学出版社，2005

作者简介：刘厦，出生年月：（1986-），性别：男，民族：汉，籍贯：江苏南京，职务/职称：技术总监，学历：本科，单位：南京南戈特智能技术有限公司，研究方向：自动化、信息化、智能制造。