76 - 食品科学技术学报页

式(5):
M00 = A j = 移x 移y
f( x,y) . (5)
一阶矩为:
M10 = 移x 移y
xf ( x,y), (6)
M01 = 移x 移y
yf ( x,y) . (7)
所以, 图像的质心位置可由式 (8 ) 和式 ( 9 )
得到.
x = M10
M00 , (8)
y = M01
M00
. (9)
啤酒瓶口的圆心坐标在 Hough 圆变换的过程
中求得, 记作( a,b) . 利用质心位置与圆心位置可计
算出相对圆心距离 r ,求解公式见式(10):
r = ( x - a ) 2 + ( y - b) 2 . (10)
至此,用于检测啤酒瓶口破损的 4 个特征参数
提取完毕. 表 1 为某一被检图像的所有连通域的 4
个特征参数, 最后把这些特征向量作为神经网络的
输入.
表 1摇 啤酒瓶口图像的特征参数
Tab. 1摇 Characteristic parameters of beer bottle mouth
特征参数值 周长 / 点数 面积 / 点数 圆形度
相对圆心
距离 / 点数
第一组 18 21 0郾 81 50郾 6
第二组 19 21 0郾 73 50郾 6
第三组 42 123 0郾 88 60郾 5
第四组 44 133 0郾 86 60郾 5
第五组 20 22 0郾 69 48郾 5
第六组 21 23 0郾 66 48郾 49
第七组 9 5 0郾 78 47郾 2
第八组 9 6 0郾 93 47郾 2
第九组 804 1586 0郾 03 4郾 57
第十组 807 1682 0郾 03 4郾 57
3摇 检测啤酒瓶口的神经网络设计
在啤酒瓶口破损检测中, 选用 BP 神经网络进
行训练. BP 神经网络是一种多层前向型网络 , 它
的输入和输出之间可以是任意的非线性映射. 从
表 1 的特征参数可以看出 , 输入样本并不是按规
律变化的, 而 BP 神经网络可用于非线性样本的训
练 . 在 BP 神经网络训练过程中, 不断地对权值和
阈值进行学习和修正 , 使网络能够准确地识别瓶
口是否破损 [16 - 17] .
3郾 1摇 网络结构
网络采用由输入层 、 隐层和输出层构成的 3 层
神经网络. 输入层包含 4 个神经元, 分别为啤酒瓶
口图像中连通域的周长、面积、 圆形度和相对圆心距
离 . 输出层设置一个输出值,值为 0 时 ,表示瓶口完
好 ,值为 1 时表示瓶口破损,而数值越趋近于 0 代表
啤酒瓶口完好 , 越趋近于 1 则啤酒瓶口存在缺陷.
通过回归方法对隐层节点数优化后, 确定隐层的节
点数为 7 [18 - 19] ,其他相关参数如表 2.
表 2摇 BP 神经网络部分参数
Tab. 2摇 Partial parameters of BP neutral network
参数 代码 取值
显示频率 / Hz dispfreq 20
最大训练次数 / 次 maxepoch 8 000
训练目标精度 / % erogoal 0郾 000 1
最小梯度 mingrad 0郾 001
学习率 / % lrate 0郾 001
增加系数 incr 10
减小系数 decr 0郾 1
最大学习率 / % maxlrate 10
3郾 2摇 网络训练
通过对采集到的大量啤酒瓶口图像进行特征提
取 ,共得到 1 203 组特征值, 每一组特征对应一个输
出 ,输出值表示对应瓶口破损情况. 程序最后预测
一组已知结果的数据 ,通过程序测试,所得出的预测
结果与已知结果一样 , 确定 BP 神经网络程序设计
正确性 ,整个训练过程如图 3.
图 3摇 神经网络的训练过程
Fig. 3摇 Training process of BP neural network
BP 神经网络采用 trainlm 算法进行训练, 该算
17
第 32 卷 第 4 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 郭克友等: 基于 BP 神经网络的啤酒瓶口检测方法