BP神经网络在金刚石锯片磨粒识别中的应用①

邢延动,李远

(华侨大学脆性材料加工技术教育部工程研究中心,福建厦门361021)

BP神经网络在金刚石锯片磨粒识别中的应用①

邢延动,李远

(华侨大学脆性材料加工技术教育部工程研究中心,福建厦门361021)

为了提高金刚石锯片磨粒识别的效率和质量,将BP神经网络算法应用于金刚石锯片磨粒的识别。以三维形貌的高度、梯度、二阶差分作为神经网络的输入,磨粒、结合剂作为神经网络模式识别的二类输出,应用处理过的形貌对网络进行训练,建立了磨粒识别的神经网络模型。实现了对三维金刚石磨粒的自动识别,避免了人为判断的主观性。实例表明,该方法可以有效地识别磨粒,具有较好的推广价值。

BP神经网络;金刚石锯片;三维形貌;磨粒

0 引 言

金刚石锯片被广泛应用于各种硬脆性材料,如石材、玻璃、陶瓷、半导体材料的磨削加工过程中。金刚石工具的应用大大提高了硬脆材料的加工效率,然而要同时保证效率与精密却是非常困难的事情。锯片刀头上磨粒的分布、磨粒的几何形状、结合剂的形态等构成了刀头的形貌。刀头的形貌对锯切的精度与效率有着很大的影响[1]。为此,对锯片形貌做定量分析成为亟待解决的问题,从数字形貌中识别出金刚石磨粒成为了锯片形貌定量分析的关键[2]。神经网络技术的不断发展,为金刚石磨粒自动化识别提供了新的方法和手段。

在磨粒的边界识别方面,前人也做了不少工作。华侨大学的周丽君将canny梯度算子应用于砂轮磨粒识别中[3]。这种方法对于单颗磨粒且形貌起伏不大的砂轮形貌比较有效,但是本人研究的锯片形貌存在明显的沟槽起伏特点,所以并不适用。龚俊峰等人做了基于Snake模型的磨粒轮廓提取,天津大学的张秀芳等人做了基于阈值分割的磨粒轮廓识别[4-5],但是这些方法主要是针对二维图像的,在三维形貌里面并不适用。本研究将神经网络技术应用于锯片三维形貌的磨粒识别,获得了较理想的识别效果。

1 神经网络系统

人工神经网络(Artificial Neural Networks,简写为ANNs)或称作连接模型(Connection Model),

它是一种模拟动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的[6]。

图1为多层神经网络模型,其中输入节为Ii,输出节点为Oi,隐藏节点为Hi,节点的作用函数为sigmoid函数。

图1 多层神经网络模型Fig.1 Multilayer neural network model

网络的学习规则:对已给定的输入,比较其实际输出和希望输出,得到误差量,以此控制权值连接强度的调整,经多次训练后收敛到一个确定的权值。学习的目标是实现误差量的最小化。将误差函数定义为:

采用梯度下降法时,节点神经元加权量定义为: ΔW=ηδiOi。其中,ΔW为节点神经元加权量:δi为第i个节点的输出误差;η为学习效率,0＜η＜1。取值越大,网络的学习效率越高。

2 形貌的模式分类及其特征量的选取

2.1 形貌分类

采用LSM700激光共聚焦显微镜扫描Φ400的金刚石锯片,得到锯片刀头的数字形貌。形貌重构后如图2所示。在基于神经网络的模式识别中,首先要确定模式类别。金刚石砂轮表面形貌由结合剂和磨粒组成,故砂轮形貌可以分为两类。将结合剂磨粒设定为第一类,磨粒设定为第二类(表1)。

表1 模式识别分类表Table 1 Pattern recognition classification

图2 形貌图形Fig.2 Morphology image

图2a、图2b分别是形貌的平面图、三维图,在图中可以看出磨粒区域的灰度、高度明显异于周围结合剂。

2.2 形貌特征量的选取

砂轮形貌中磨粒区别于结合剂的主要特征是磨粒突出于周围结合剂。能体现这一特征的特征量有高度值、梯度、二阶差分等[7]。所以把这三个量设定为磨粒识别的特征量。

将高度矩阵f做梯度运算,计算公式如下。梯度矩阵Gf:

其中:

Δmf=f(m,n)-f(m+1,n) Δnf=f(m,n)-f(m,n-1)

将高度矩阵f做二阶差分运算,计算公式如下。

二阶差分矩阵∂2f:

所用的二阶差分算子:

其中m是矩阵的行标,n是矩阵的列标。

经过上述的运算,可以得到形貌的梯度矩阵和二阶差分矩阵。形貌的特征向量就是[f;Gf;∂2f]。

3 BP神经网络的建立及训练过程

3.1 网络的建立

BP(Back Propagation)网络1986年由Rumelhart和McCelland为首的科学家小组提出,是一种按误差反向传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一[8]。BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过误差反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(Input Layer)、隐层(Hide Layer)和输出层(Output Layer)[9]。

在所要建立的网络中,输入是3维的形貌特征量,所以输入层是3个神经元。根据数据的复杂程度,选取1层隐层,神经元选取20个。输出层是根据模式类别的数量选取的,取2个神经元。BP神经网络的结构如图3所示。隐层节点的作用函数选用log-sigmoid,表达式是f(x)=1/(1+e-x)。

图3 BP神经网络结构Fig.3 BP neural network structure

3.2 训练样本的获取

华侨大学的胡捷等人,将聚类分析的方法应于砂轮形貌的单颗金刚石磨粒识别中,该方法能较好地识别出形貌中的磨粒边界[10]。但是该方法数据运算量较大、内存容易溢出,因此不适用于较大面积的多颗粒识别。神经网络采用分布式处理的方式,具有较强的鲁棒性、非线性映射能力,有效地避免了内存溢出。笔者用聚类分析的方法获取较大面积的网络训练样本。为了避免上述缺点,采用了分区域聚类,即只在有磨粒的区域对每颗磨粒分别聚类。图4、图5即得到的训练样本。但是因为分区聚类要有人为干预才能进,所以自动化程度低,效率低。神经网络有强大的自学习能力,自动化程度高,因此具有较好推广价值。

3.3 网络的训练

将已经处理好的形貌数据(图4、图5所示),用于网络的训练。图4是一个1200*742的高度矩阵f的形貌,经过计算可以得到其梯度矩阵Gf和二阶差分矩阵∂2f。网络训练的输入向量是[f;Gf;∂2f]。图5是磨粒分布的二值图像,是网络的期望输出。网络的期望输出向量是[1;0]和[0;1],分别代表结合剂和磨粒。在训练过程中,70%的数据用于做网络训练,用于根据误差大小调整权值。15%的数据用于网络验证,训练过程中测试网络的泛化能力,当泛化能力不再提高时,就会终止训练。15%的数据用于网络测试,测试过程是独立于训练过程的,在训练过程中,会测试网络的性能。训练的方法选用的是Scaled共轭梯度算法。Scaled共轭梯度算法收敛所需的迭代次数一般比其他共轭梯度算法要多,但是每一次迭代所需要的计算量却大大减少了,因为在这种算法中,不需要计算搜索方向。

图4 形貌图像Fig.4 Morphology image

图5 磨粒位置图像Fig.5 Abrasive position image

表2是训练的结果,结合剂的正确率是指识别正确的结合剂的数据量占结合剂数据量的百分比。磨粒的正确率概念也是一样的。综合的正确率是指识别正确的结合剂、磨粒的数据量之和占总体数据的百分比。可以看到网络对任意一组的识别效果,识别的正确率均高于99%,总体数据的综合正确率达到98%以上。由此可知网络的分类效果良好。

表2 训练结果Table 2 The training results

4 网络的仿真

将训练好的网络,用于形貌数据的处理。图6中a1、b1、c1、d1是已经获得的形貌数据图,经过网络的处理,分别得到a2、b2、c2、d2磨粒分布二值图像。

图6 仿真结果Fig.6 The simulation results

由形貌处理结果可以看出,神经网络在金刚石锯片刀头磨粒识别中效果是良好的。基于BP神经网络的形貌分类器具有较强的泛化能力。

5 结论

(1)应用高度、梯度、二阶差分作为形貌磨粒识别的特征量是可行的。

(2)将BP神经网络应用于金刚石锯片磨粒识别中,该方法具有较好的泛化能力,能大大提高形貌分析的效率和质量。

[1] 吕长飞,李郝林.外圆磨削砂轮形貌仿真与工件表面粗糙度预测[J].中国机械工程,2012,23(6):666-670.

[2] 霍凤伟,金沫吉,康仁科,等.细粒度金刚石砂轮表面磨粒识别研究[J].大连理工大学学报,2007,47(3):538-361.

[3] 周丽君.基于垂直扫描白光干涉测量法的砂轮磨粒测量及评定[D].厦门:华侨大学,2013.

[4] 龚俊峰,徐西鹏.计算机视觉检测砂轮形貌的基础研究[D].厦门:华侨大学,2007.

[5] 张秀芳,于爱兵,贾大为.应用数字图像识别法检测金刚石磨粒的形状与粒度[J].金刚石与磨料磨具工程,2007,1:47-49.

[6] 朱凯,王正林.精通MATLAB神经网络[M].北京:电子工业出版社,2010:45-46.

[7] 张认成,杜建华,杨建红.火灾早期过程特征提取与火灾源识别方法[J].安全与环境学报,2010,10(2):152-155.

[8] 胡春海,苑茂存.神经网络在磨损颗粒自动识别中的应用[J].机械工程与自动化,2005,3:56-57.

[9] 顾大强,汪久根.磨损磨粒识别的神经网络模型探讨[J].机械科学与技术,1995(增):32-34.

[10] 胡捷.白光垂直扫描干涉系统数据处理及其在砂轮形貌测量中的应用[D].厦门:华侨大学,2012.

Application of BP neural network to recognize the diamond saw blade abrasive grain

XING Yan-dong,LI Yuan
(Engineering Research Center for Brittle Materials Machining,Huaqiao University,Xiamen 361021,China)

In order to improve the efficiency and quality of diamond saw blade abrasive grain of recognition,BP neural network algorithm was applied to the recognition of diamond saw blade abrasive grain.Abrasive grain identification of neural network model is established through neural network input with the height,gradient and the second order difference of 3D morphology,second neural network output with abrasive grain and bonding agent,and training neural network with processed morphology.Thereby,it achieves automatic identification of the 3D diamond abrasive grain,avoids subjectivity of human judgment.Examples show that the method can efficiently identify the abrasive grain, which owns a good promotion ability.

BP neural network;diamond saw blade;3D morphology;abrasive grain

TG580;TQ164

A

1673-1433(2014)01-0001-04

2014-02-10

邢延动(1987- ),男,华侨大学机电学院研究生,主要研究方向为脆性材料加工,E-mail:626189608@qq.com;

国家科技支撑计划(2012BAF13B04)、国家自然科学基金(51175194,51105148)、新世纪优秀人才支持计划(NCET-11-0852)