77 - 食品科学技术学报页
基本HTML版本
法具有较少的迭代次数
,
且训练速度快
,
满足网络设
计的要求
. BP
神经网络训练过程中的误差变化曲
线如图
4,
当网络训练达到
137
步时训练停止
,
并且
达到所要求的性能
.
图
4摇
误差变化曲线
Fig. 4摇 Curve of error variation
通过
BP
神经网络程序训练后
,
获得权值矩阵
及阈值矩阵
(
w
1
,
b
1
,
w
2
,
b
2
),
如式
(11)
至式
(14)
.
w
1
=
34郾 206 9 0郾 000 3 0郾 002 7 0郾 591 4
-13郾 563 8 -0郾 881 7 1郾 445 4 0郾 517 0
0郾 009 7 0郾 080 2 -0郾 136 6 -0郾 080 5
0郾 289 0 0郾 043 4 0郾 010 2 0郾 578 1
é
ë
ê
ê
ê
ê
ê
ê
ù
û
ú
ú
ú
ú
ú
ú
-0郾 864 6 -1郾 663 3 3郾 796 2 -2郾 020 8
,
(11)
b
1
=
- 37郾 308 2
- 17郾 177 5
摇 3郾 026 3
- 1郾 319 3
é
ë
ê
ê
ê
ê
ê
ê
ù
û
ú
ú
ú
ú
ú
ú
- 0郾 628 4
,
(12)
w
2
=
[ -0郾 291 7 -0郾 763 9 -0郾 271 8 -0郾 687 1 -1郾 043],
(13)
b
2
= 0郾 007 0
.
(14)
然后运用式
(15)
至式
(17)
的关系进行转换
:
x
=
w
1
伊
p
+
b
1
,
(15)
y
= 2
1 +
e
( - 2
x
)
- 1,
(16)
A
=
w
2
伊
y
+
b
2
.
(17)
式
(11)
至式
(17)
中
,
w
1
,
w
2
为通过
BP
神经网络求
取的权值矩阵
,
b
1
,
b
2
为通过
BP
神经网络求取的阈
值矩阵
,
p
为由连通域周长
、
面积
、
圆形度
、
与圆心距
离组成的
4 伊 1
矩阵
.
通过式
(15)
至式
(17)
的逻辑转换
,
啤酒瓶口的
检测结果为一个数字
,
数字范围在
0 ~ 1
之间
,
当结
果接近于
0
时
,
证明啤酒瓶口没有破损
,
反之则说明
啤酒瓶口上存在缺陷
.
对任意的啤酒瓶口
,
只需将
其组成的特征组代入以上的逻辑转换内
,
便可计算
出相关数值
,
由此可判断啤酒瓶口是否存在破损
.
4摇
检测结果分析
检测中所使用的啤酒瓶均是市面上最为常见的
规格为
640 mL
的燕京牌啤酒瓶
,
在样本采集过程中
对
528
个燕京牌啤酒瓶瓶口样本进行检测
,
其中完
好啤酒瓶口样本有
432
个
,
存在不同程度瓶口破损
的瓶子样本共有
96
个
,
然后随机抽取每个啤酒瓶口
样本进行图像采集
,
图像的分辨率为
1 024 伊 768,
帧
率为
33 fps. 528
个啤酒瓶口样本的检测数据及其
相关分析如表
3.
表
3摇
啤酒瓶口检测结果
Tab. 3摇 Detection results of beer bottle mouth
检验类型
检验
数量
/
个
成功检测
瓶数
/
个
错误检测
瓶数
/
个
检出
率
/ %
误检
率
/ %
完好瓶
432
429
3
99郾 31 0郾 69
破损瓶
96
95
1
98郾 96 1郾 04
瓶总数
528
524
4
99郾 25 0郾 75
摇 摇
由于实验条件的限制
,
只是对
528
个啤酒瓶口
的破损情况进行检测
,
检测基数相对较小
.
通过对
表
3
的实验数据分析可以得到
,
检测系统的破损瓶
口检出率为
99郾 25% ,
误检率为
0郾 75% .
数据表明
,
该算法应用于啤酒瓶口的破损检测中具有很好的准
确度
.
经过检测系统检测的
528
个啤酒瓶口处理结果
后的
8
组图像如图
5(
每组图像上下对应
,
上面为采
集到的啤酒瓶口原图像
,
下面为该图像的检测结
果
) .
通过观察这
8
组检测结果可知
,
无论瓶口上存
在的是简单破损还是复杂破损
,
内环破损还是外环
破损
,
都能被检测系统检测出来
,
检测结果满足系统
的准确性
.
经过测试
,
检测系统的检测速度能够达到
50 000
瓶
/ h(
约
14
瓶
/ s),
若将此检测方法运用到实
际生产中
,
破损啤酒瓶口的检出率会因为检测环境
的不稳定而有略微的降低
,
但依然可以满足企业对
检测系统的准确性和实时性的要求
.
5摇
结
摇
论
通过实验证明
,
对啤酒瓶口图像进行预处理
、
形
27
食品科学技术学报
摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
摇 2014
年
7
月
