基于神经网络算法的皮革裁断智能分拣方法研究

廖东进

【摘 要】皮革制品冲裁加工涉及送料、分拣、液压随动阀、多轴驱动电机等多机设备的控制。为了提高皮革裁断分拣的速度与精度，本文以皮革成品的面积、椭圆度、各向异性和表面纹理等特征为向量，采用基于最小均方delta规则神经网络的目标识别方法，智能识别裁断样品;在皮革裁断加工过程中，考虑到背景光线变化会对分拣系统造成的不准确性问题，采用了背景差分法，以此获取运动工件的精准图像坐标，以此提高皮革裁断加工的分拣效率。

【关键词】皮革裁断;智能分拣;神经网络

中图分类号： TS531文献标识码： A 文章编号： 2095-2457（2019）32-0048-002

DOI：10.19694/j.cnki.issn2095-2457.2019.32.019

0 引言

随着我国居民生活水平的提高，服务型消费得到了较大提高，在此影响下，皮革制品市场得到了大幅度提升;另外，随着我国劳动成本的提高，这就要求皮革制品生产需向自动化、数字化、网络化和智能化加工生产模式转变，以此提升皮革制品的加工效率。

目前，我国皮革制品加工生产装备已完成机械化升级改造，同皮革制品纯手工加工相比，皮革制品机械化加工对扩大生产规模、提高生产效率和减轻劳动强度等发挥了重要作用。但也带来了革原料利用率、加工品质低等问题，特别是机械化加工难以生产高端皮革制品产品，这不仅增加皮革制品的生产成本，而且严重制约我国皮革制品在国际市场上的竞争力。

皮革智能裁断系统涉及皮革样品的送料、分拣、液压随动阀、多轴驱动电机等多机设备的协调控制。在皮革制品分拣阶段，为提高皮革裁断分拣的速度与精度，本文以皮革成品的面积、椭圆度、各向异性和表面纹理等特征为向量，采用基于最小均方delta规则神经网络的目标识别方法，智能识别裁断样品;在皮革裁断加工过程中，考虑到背景光线变化会对分拣系统造成的不准确性问题，采用了背景差分法，以此获取运动工件的精准图像坐标，以此提高皮革裁断加工的分拣效率。

1 皮革裁断样品特征提取

在皮革加工过程，用描述子定量描绘不同成品目标即工件图像特征信息，如面积、椭圆度、各向异性和表面纹理等，每个工件类别都是多个描述子集合，每个描述子描绘工件的某项特征，用这些特征组成的向量x=[x1，x2，…，xn]描述皮革裁断加工成品，其中，xi为第i个描述子，n为与该工件有关的描述子的总数，则一类工件就可以用向量x表示。向量x的每个分量性质是由所识别的工件特征决定的，特征的选取很大程度上影响工件的分类。选取工件的面积和各向异性作为两个特征。每种工件由两个描述子来表示，于是生成了一个二维特征向量x=[x1，x2]，其中和分别代表工件的面积和各向异性。由于工件的面积和各向异性不同，描述这些工件的特征向量也不一样，这些差别不但体现在不同类的工作之间，也体现在同类工件中，通过上述特征提取构建各样品特征向量。

2 基于最小均方delta规则神经网络能分拣方法

为了提高皮革裁断分拣的速度与精度，本项目使用感知机学习所需决策函数，需要区分三个训练集或模式类（w1，w2，w3），采用如图1所示的三个模式类的感知机模型。感知机的响应用它输入的加权和来表示，即

d（x）=■w■x■+w■（1）

图1 三个模式类的感知机模型

其中，wi为权值，i=1，2，…，n+1;d（x）为感知机的响应。训练时，当训练向量x来自类W1时，期望响应为1;当x来自类W2时，期望响应为0;当x来自类W3时，期望响应为-1。为了更方便表示，将向量x进行扩充，用y=[x1，x2，…，xn，1]表示扩充后的模式向量，权向量记作w=[w1，w2，…，wn，wn+1]。则感知机响应：

d（y）=■wiyi=wTy（2）

在训练时，采用感知机训练的最小均方delta规则，此规则可以在有限步的学习后使得感知机的实际响应逼近期望响应，使两者的误差最小。准则函数为

J（w）=■（r-w■y）■（3）

式中，r是感知机的期望响应，易知在r=wTy时该准则函数取得最小值。故可以用梯度下降法逐步修正权值向量w，当J（w）取得最小值时，感知机可以正确分类。设w（k）为第k步迭代中的权值向量，则一般的梯度下降算法可以表示为

w（k+1）=w（k）-α·■■（4）

其中，w（k+1）是w的迭代值;α是修正系数，α>0。由式（3）可以计算出

■=-（r-wTy）y（5）

代入式（4）可得

w（k+1）=w（k）+α·[r（k）-wT（k）y（k）]y（k）（6）

其中初始向量w（1）=0。

定义权值向量的增量delta为

Δw=w（k+1）-w（k）（7）

按照delta修正算法将式（7）改写为

Δw=α·e（k）y（k）（8）

其中e（k）=r（k）-wT（k）y（k），它是权值向量为w（k）时产生的误差。在学习过程中，误差变化为

Δe（k）=[r（k）-wT（k+1）y（k）]-[r（k）-wT（k）y（k）]

=-[wT（k+1）-wT（k）]y（k）（9）

=-ΔwTy（k）

将式（8）代入式（9），可得

Δe（k）=-α·e（k）yT（k）y（k）=-α·e（k）‖y（k）‖2（10）

因為α>0，分析式（10）可知，当误差e（k）>0时，Δe（k）<0，即e（k）将趋近于0;当e（k）<0时，Δe（k）>0，即e（k）也将趋近于0，所以算法使得实际响应的均方误差最小。α的选择影响着学习过程的收敛速度和稳定性，一般要求0.1<α<1，在实际应用中应该根据感知机学习效果选择合适的α。

3 皮革裁断加工成品智能分拣系统

在皮革裁断加工过程中，背景光线变化会对分拣系统造成很大的不准确性问题，因此本项目采用背景差分法获得运动工件的图像坐标。定义image（x，y）为当前帧，acc（x，y）为背景模型，frimage（x，y）为前景帧，α为背景更新率，其范围为0～1，acc（x，y）初始化为0。

acc（x，y）=α*image（x，y）+（1-α）*acc（x，y）（11）

frimage（x，y）=image（x，y）-acc（x，y）（12）

运动工件的姿态检测先通过灰度处理，再寻找在所选检测方向上梯度值超过阈值的点，对这些点进行直线拟合，计算出角度。最后根据分离的前景图像，检测出工件位置。

将摄像机垂直于工作平面安装，世界坐标系位于工作平面，Z轴垂直平面向下，摄像机坐标系与世界坐标系无旋转，只存在平移关系，于是有旋转矩阵R=I（单位阵）且平移矩阵P=[0，d，0]T，d是攝像机光轴中心点Oc到工作平面的距离，则

x■y■z■1=■x■y■z■1=x■y■d1（13）

其中，（xc，yc，zc）为景物点在摄像机坐标系下的坐标，（xw，yw，zw）为景物点在世界坐标系下的坐标。由上式可以获得景物点在摄像机坐标系下的坐标，则xc=xw和yc=yw，在工作平面上运动工件的坐标zw=0。令（u，v）是参考点的图像坐标;（u1，v1）是点P1的图像坐标，（x■，y■）为点P1的二维世界坐标;（u2，v2）是点P2的图像坐标，（x■，y■）为点P2的二维世界坐标;（u0，v0）是摄像机光轴中心的图像坐标;k■=kx/d和k■=ky/d是标定出的摄像机参数，则坐标变换

x■=x■+（u■-u■）/k■y■=y■+（v■-v■）/k■（14）

其中，（u■-vi）是任意一点Pi的二维世界坐标。

由于广角摄像头会有畸变，其中以径向畸变最为明显，因此用线性回归方法拟合出摄像机的径向畸变矩阵。首先给出径向畸变的畸变方程

u'v'=■[■]■（15）

其中，（u，v）为参考点的图像坐标，（u'，v'）为参考点畸变校正后的图像坐标，ast和bst为校正系数，s，t=0，1，2。工件的类型识别要采集各种工件的样本，对各样本进行特征检测，并训练形状模型，建立工件样本数据库。然后对实时图像的感兴趣区域中目标的特征进行检测，并与数据库中的模型进行匹配，计算出匹配值，选取匹配值最高的结果作为分类器的输出。

4 总结

在皮革制品冲裁加工过程中，样品分拣的速度与精度直接关系到皮革裁断系统的效率。文本采用基于最小均方delta规则神经网络的目标识别方法，智能识别裁断样品;在皮革裁断加工过程中，考虑到背景光线变化会对分拣系统造成的不准确性问题，采用了背景差分法，根据分离的前景图像，检测出工件位置，以此获取运动工件的精准图像坐标，提高皮革裁断加工的分拣效率。

【参考文献】

[1]余世明.基于工业互联网的皮革优化排样与多机协调裁断技术及应用[J].工业控制计算机，2018（6）：80-84.

[2]何德峰.具有摩擦力补偿的液压裁断数控机床轮廓预测控制算法[J].工业控制计算机，2018（5）：61-63.

[3]朱海涛.基于最小均方delta规则的神经网络工件识别[J].浙江工业大学学报，2014（2）：219-236.

[4]杨世凤，章对磊，杨烨，等.裁断机实时监控与故障诊断专家系统[J].自动化与仪表，2014，29（11）：8-11，48.

[5]李根，李培江.液压裁断机远程监控系统的研究[J].科技展望，2016，26（25）：132-133.