基于人工免疫原理的残次品检测方法

傅龙天，余玉梅

(1.福州外语外贸学院，福建 福州 350011；2.福建广播电视大学，福建 福州 350008)

基于人工免疫原理的残次品检测方法

傅龙天1，余玉梅2

(1.福州外语外贸学院，福建 福州 350011；2.福建广播电视大学，福建 福州 350008)

基于人工免疫原理提出了一种残次品的检测方法，能快速识别已知产品残次类型，并能对未知残次品类型进行耐受学习，使得成熟检测器数量越来越多，识别能力也随之增强；另外分析了算法性能，并给出了解决方法。设计了三组仿真实验，实验证明该方法的残次品识别率较高。该方法无需购买其他设备，是一种廉价、高效的识别方法。

人工免疫；否定选择算法；残次品检测

0 引言

随着人们生活水平的提高，对产品质量的要求越来越高，但近年出现了几次的产品质量事件，例如“三聚氰胺事件”“塑化剂事件”，无疑为产品质量敲响了警钟。这也反映了残次品的检测问题，目前国内企业大多停留在批次产品的抽检上，这种方法可以了解批次产品的大致合格率，但产品的抽检并不能代表所有的产品，未被抽检到的产品次品率不得而知。

国内学者英昌盛[1]等人提出了轮廓缺陷检测方法，肖阔华和刘羽[2]针对纽扣电池表面残缺提出了基于图形处理的识别方法，这两种方法都是需要对产品的外观进行拍照，通过图形处理以发现产品是否有残损；杜菲和马天兵[3]利用PLC和组态软件实现了全套工业自动化过程，遗憾的是谨设计了次品剔除组件，而忽略了如何识别次品的模块设计。T.V.Fursa[4]等人利用远程探测和传感器收集数据，根据收集到的数据分析信噪比来判定是否为残次品，这种方法精度能达到80%至90%之间，但机器设备成本较高；A.A.Dubov[5]提出了超声波和图形识别检测方法，该方法能检查表面也能“窥探”产品的内部，是一种精度很高的方法，但成本高昂，难以推广。

本文提出一种基于免疫原理的检测方法，能高效地识别已知类型残次品，对于未知的类型，可通过耐受学习，在下一轮的检测中识别，并且本方法无需另外购买设备(只需一台普通的PC机)，是一种高效廉价的检测方法。

1 算法设计

丹麦学者Jeme在1974提出人工免疫数学模型，把人工免疫机制引入计算机领域；Forrest等提出了否定选择算法，否定选择算法是人工免疫学的主要算法之一，其基本思想是利用“自己”通过匹配规则识别“非己”，无法识别的进行耐受学习，形成基因，再识别其它抗原，循环迭代。

1.1 定义

免疫原理的两个重要步骤是检测器的生成和异常检测，为了能实现运算，先给出形式化定义和运算公式。

定义1 产品，设产品的检测指标由n个参数组成，组成一个指标集合，如下所示：

P={pi|i∈n,n∈N}

(1)

Peligible={pi|i∈n,n∈N}

(2)

Pdefective={pi|i∈n,n∈N}

(3)

其中，P为某工业产品，Peligible为合格品，Pdefective为残次品，pi为产品的检测指标，N为自然数。

定义2 亲和力阈值，根据已定义检测指标，针对每个指标设置对应上限，如下所示：

β={βi|i∈n,n∈N}，N为自然数

(4)

定义3 匹配规则，本文采用欧式匹配原则，如下所示：

(5)

定义4 抗原，抗原是待检样本，包含“自己”和“非己”，经提呈形成抗原，本文采用文献中提呈方法，如下所示：

Ag=Obtain(P,L),L∈N，N为自然数

(6)

设其特征值集合：

Ag={gi|i∈n,n∈N}

(7)

其中Obtain(P,L)表示产品P经提呈后得到长度为L的特征值集合，记作gi。特征值的提呈，需要根据检测指标，提取产品的相应特征，这些特征可能包含产品的表面特征和内部特征等。

定义5 抗体，把残次品提呈后获得长度为L的特征值，如下所示：

Ab=Obtain(Pdfective,L),L∈N，N为自然数

(8)

设其特征值集合：

Ab={bi|i∈n,n∈N}，N为自然数

(9)

定义6 检测器，候选检测器中的样本经过耐受学习，存活的进入成熟检测器集合，定义如下：

Rcandidate={rci|rci=Ag,i∈N}

Rmature={rmi|rmi=Ab=d(pi,gi)≥βi,∃gi，gi∈Ag,pi∈Peiligible,i∈N}

(10)

定义7 检测函数，用于检测待检样本，当函数返回1表示识别了残次品；返回2表示产品合格；返回0表示无法识别，则进入候选检测器，重新耐受学习。如果成活则添加到成熟检测器集合中。

Detect(Rmature,Ag)=

(11)

1.2 算法描述

残次品的识别是一个复杂的过程，基本思想是已知残次品类型经提呈后形成初始的成熟检测器，对于已知的类型一旦进入检查，则能快速识别；对于未知类型则进入候选检测器，进行耐受学习，再进入成熟检测器，当未知类型进入系统检测，则能快速识别。实现过程如图1所示。

本算法在初始时，成熟检测器较少识别成功率较低；通过多次迭代，获得的成熟检测器越来越多，识别率将显著提高。

1.3 算法实现

1.3.1 成熟检测器生成算法

成熟检测器集合的生成过程，本质是人工免疫系统的学习过程，即耐受学习、存活过程。实现过程如下所示：

输入：“未知品”和候选检测器集合

输出：成熟检测器集合

ProcedureDetectorGeneration()

Begin

RC．Add(Ag); // “未知品”和候选检测器集合添加到候选检测器集合中

loop//循环迭代

{

if(d(rc[i],Pe[i])>β[i]) // 候选检测器的特征值和合格品的比对

RM．Add(rc); // 如果超过阈值则耐受学习成功，进入成熟检测器

}

End;

1.3.2 残次品检测算法

检测算法是识别“非己”的过程，分成三个步骤。根据前述定义实现过程如下所示：

输入：待检抗原和成熟检测器集

输出：合格品、残次品、未知品

ProcedureDefectiveDetection()

Begin

// 步骤一：首先与合格品特征比对，判定是否为合格品

loop

{

if(d(Ag[j],Pe[j]) ≤β[i]) // 与合格品的特征值比对

EligibleOutput();Quit(); // 如果匹配成功，即识别为合格品

}

// 步骤二：如果不是合格品，再与成熟检测器比对，判定是否为残次品

loop

{

if(d(rm[i],Ag[i]) == 0) // 成熟检测器的特征值和抗原的比对

DefectiveOutput();Quit(); // 如果匹配成功，即识别为残次品，结束退出}

// 步骤三：“未知品”进入检测器耐受学习

DetectorGeneration();

End;

2 仿真实验

对本算法进行了仿真实验，实验采用普通的PC机，CPU为酷睿四核i7，内存4G，64位的Win7操作系统。为了收集真实实验数据，实验场地设在某化工产品生产厂房车间，用真实的产品来检验算法的有效性。

本次实验待检产品1万个，合格品9900个，残次品100个，检测次数6次，亲和力设为0.5，设计了三组实验，分别是成熟检测器数量为0、100、500时的残次品识别情况，实验结果如表1至表3所示。

表1 成熟检测器数量为0时残次品识别率

表2 成熟检测器数量为100时残次品识别率

表3 成熟检测器数量为500时残次品识别率

根据上述三组实验结果，进行汇总，取每组6次实验的平均值，为了便于分析，绘制成表格，如表4所示。

表4 平均残次品识别率

从表4可以看出人工免疫检测算法在成熟检测器较多的情况下识别率比较高，到达97%，说明人工免疫系统是一个学习迭代过程，系统使用时间越长获得成熟检测器越多，识别率越高。轮廓检测和超声检测这两种方法对检测器的数量反应不敏感，识别率比较稳定。根据表4得到更为直观的比较图，如图2所示。

图2(a)反映三种情况下识别率曲线，由于工业产品的残损情况各不相同，超声检测法精度较高，因为该方法不只是能检测产品外观还能深入到内部；人工免疫法在第一、二组检测率识别率都较低，主要原因是成熟检测器的数量较少，识别能力有限，当成熟检测器数量达到500个后，检测识别能力提高，几乎能与成本高昂的超声检测法相媲美。观察图2(b)的曲线是单调递增的，即随着成熟检测器越来越多，识别率也会越来越高。另外该曲线的斜率趋缓，说明随着成熟检测器增多，对识别率的贡献越来越小，即残次品的种类特征大多已包含在现有的成熟检测器集合中了，没有进入的只是小众群体。

3 结论

针对当前国内产品质量问题，提出了一种基于人工免疫的残次品检测算法，相较于轮廓检测法和超声检测法，该算法是一种廉价的检测方法，具备良好的学习能力，在算法稳定运行一段时间获得足够成熟检测器后，检测识别能力能与设备投入高昂的超声检测法相媲美，特别对于已知残次品类型能快速识别。

[1] 英昌盛,徐志伟,常大俊.基于统计矩的轮廓缺陷检测[J].长春大学学报,2015,25(12):30-33.

[2] 肖阔华,刘羽.纽扣电池表面缺陷检测算法的研究[J].表面技术,2013,42(1):127-130.

[3] 杜菲,马天兵.基于MCGS组态软件的次品自动监控系统设计[J].制造业自动化,2013,35(6):27-29.

[4]T.V.Fursa,D.D.Dann,A.A.Demikhova.Ascannerforthedetectionofdefectiveareasinlargeconcreteproducts[J].RussianJournalofNondestructiveTesting,2015,51(7):423-432.

[5]A.A.Dubov.DetectionofMetallurgicalandProductionDefectsinEngineeringComponentsUsingMetalMagneticMemory[J].Metallurgist,2015,59(1):164-167.

Defective products Detection Based on Artificial Immune Theory

FULong-tian1,YUYu-mei2

(1.FuzhouUniversityofInternationalStudiesandTrade,Fuzhou350011,China;2.TheOpenUniversityofFujian,Fuzhou350008,China)

In this paper, the use of artificial immune principle proposed method for detecting defective products, the method can quickly identify known types of defective products, defective products and to the unknown type of learning tolerance, so that an increasing number of mature detector, recognition also increases; Also this paper analyzes the performance of the algorithm, and gives a solution. Designed three simulation experiments prove defective products high recognition rate of the method; the method does not require the purchase of other equipment, it is an inexpensive and efficient method of identification.

artificial immune; negative selection algorithm; detection of defective products

2016-11-10

傅龙天(1976-)，男，硕士，福州外语外贸学院信息系讲师，研究方向：信息安全、人工免疫。

TP393

A

1674-3229(2017)01-0017-04