贺子芙，刘春鹏，李亚萍

（河南机电职业学院，河南郑州 451191）

0 引言

随着纱网工业的高速发展，纱网产品的质量越来越高。为了能够满足纱网缺陷检测的准确度和灵敏度，对于纱网缺陷检测设备的精度和功能的要求也越来越高[1-3]。

纱网的检测方式以红外光谱技术和传统图像识别技术为主，由于光的色散，红外光谱检测在灵敏度上受到限制[4-5]。传统图像识别运用了纹理模型法，无法有效降低计算的复杂度和提高检测的准确度[6-9]。随着人工智能在各个行业的广泛应用，相继出现多种智能化检测方式，智能机器视觉检测成为未来缺陷检测方式的发展趋势。

在使用机器视觉检测过程中，本文提出了一种基于MLP（Multiple Perceptron）深度学习的纱网缺陷检测方法，该检测系统在检测缺陷时将比对与训练学习到的纱网特征，并标注出被检测纱网所含有的缺陷，检测信号输送到下位机，以便设备能够精确处理有缺陷的纱网。经仿真实验可知，在纱网产品的缺陷检测等过程中，该方法能够提高纱网产品检测灵敏度和准确度。在实际应用中，该方法具有完善行业自动化的程度、缩短纱网缺陷检测时间、降低人工成本、提高生产效率等优势。

1 纱网缺陷检测整体设计

基于MLP 深度学习的纱网缺陷检测，主要分为图像采集、图像算法、人机交互3 个部分（图1）。

图1 设计流程

图像采集系统一般由镜头、光源、相机组成。在固定光源条件下，数码相机进行图像采集，并将其转换为图像信号，通过采集卡将信号传输到处理模块。为了便于深度学习的比较，图像的像素和每个图像的亮度必须相同，且应使用相同像素及固定相机与被检测物的物相距。

本文提出的基于MLP 深度学习的纱网缺陷检测，需要高质量图像和高灵敏度：①在图像采集时经分析对比，选用分辨率为500 万像素、传感器为全帧转移的DH-SV1411FC/FM 大恒数字CCD 工业相机，同时加入闪光灯用来解决弥散现象的缺点；②对SV-5014H、SV-03514、HF35HA-1B 三种镜头进行多次拍摄试验后，经过清晰度对比，确定选用SV-5014H 的50 mm 的定焦镜头；③经多次试验，光源采用环形白色LED 光，光源打光方式选择为垂直照射环形光源时效果最佳。

2 纱网缺陷检测算法分析

本文的纱网特征学习，通过像素值来判定明亮与黑暗，将提取的特征图中亮色部分置暗，暗色部分置亮，去掉检测区域内的边缘部分，通过图像中的像素值区分出的明亮与黑暗，可以准确区分出纱网明亮纹路与暗色背景。

MLP 分类是人工神经网络的典型结构，它比其他人工神经网络具有结构简单、识别率高和分类速度快的特点。相比于单层的网络，由单独的输出单元变为多个输出单元，在输入与输出单元之间增加n（n≥2）个隐藏层单元，通过多个简单的非线性函数的叠加，使多层网络近似非线性函数。

MLP 用于分类，每个输出对应不同的类别，当类别多时输出层以Softmax 函数作为激励函数。建立MLP 分类器时，隐藏层数会影响分类的结果，因此需要仔细调整隐藏层的单元数。如图2 所示，隐藏层单元数过小时会形成一个不太复杂的分离超平面，导致出现欠拟合；隐藏层单元数过大时可能会出现过度拟合情况，使分类器失去泛化能力。

图2 隐藏层单元数曲线

MLP 分类需要调整参数，合适的参数才能提高分类结果的准确性。经过多次试验，MLP 学习训练参数的设定为5 维特征向量、8层神经元隐藏层，输出设定为两类，使用主成分分析，特征向量所在的组件数为3，随机数初始化种子为42，使用的激励函数

使用MLP 多层感知器进行分类时，需要调整网络权值。利用完整的纱网图像对MLP 网络进行训练，形成一个处理单元，将新的数据输入到输入层，由训练后的MLP 网络形成的处理单元进行处理，然后将输出结果与预期结果进行对比。如果不匹配，则继续调整网络权重，网络权重计算结果比经典反向传播算法得到的结果要更加精确完整。图3 为待学习纱网图和经过基于MLP 纱网深度学习算法对纱网进行特征学习后，区分出的纱网明亮纹路与暗色背景。

图3 待学习纱网图和MLP 算法纱网特征

3 纱网形状模板匹配

与其他模板匹配方法相比，灰度值的模板匹配是最为基础的一类匹配算法。本文基于形状的模板匹配采用灰度值模板匹配，不仅能够解决因外界环境因素导致的匹配精度降低的问题，而且其检测过程的计算量也低于相关性的模板匹配（图4）。

图4 形状模板匹配流程

创建形状模板需要先定义图像中的模板区域点集Pi=（ri，ci）T，每个像素点所关联方向向量di=（ti，ui）T，其中i=1，…，n。对被检测图像上每个点进行模板匹配，需要计算像素点的方向向量e（r，c）=（v（r，c），wr，c）。在模板匹配过程中，利用仿射变换矩阵M 对模板进行仿射变换，之后模板区域的点集PMi=Mpi，在被检测的图像特点处计算所有与该点对应的方向向量与被检测的图像中对应的点处方向向量的积，和作为交换后的模板在q 处的相似度量S，S=

4 纱网检测仿真

为验证该纱网缺陷检测方法的正确性和有效性，在Halcon视觉软件中筛选实验所需的深度学习算子，设计并完成纱网缺陷检测的算法设计，利用纱网检测程序进行缺陷检测。

该方法在训练检测时，能够去除其他不需要区域的影响，逐渐取得最终理想的检测图。检测仿真过程运用离线检测，即对生产线生产过程中指定间隔时间拍摄待检测纱网图片进行每一段纱网表面的缺陷检测。图5 为纱网待检测图，图6 为MLP 算法对纱网缺陷检测图。

图5 纱网待检测图

图6 MLP 算法缺陷检测图

根据MLP 算法进行的纱网缺陷检测效果可以看出，纱网含有的缺陷被精确地覆盖，去除噪声情况较好，能够去除其他所不需要区域的影响，逐渐取得最终理想的检测图，基本上没有区域的误判，在准确性和灵敏性方面有很好的表现。通过仿真检测数据分析可知，检测正确率在98%以上，能够满足生产效率的要求；每个算子的平均处理时间为375 ms，小于红外光谱检测技术和传统图像识别检测技术所消耗的时间。如果不考虑其他外界因素影响，其每小时能够检测近万张纱网图片。

5 结束语

本文提出的基于MLP 深度学习的纱网缺陷检测方法，运用了机器视觉的深度学习，在准确性上有较大优势。经仿真实验验证，该检测方法可应用于实际的纱网检测系统，具有一定的工程价值。但该方法在实验仿真时，主要针对于纱网中的破损和断网问题，未涉及纱网中网格尺寸是否合格，因此该缺陷检测方法还有提升空间。