[发明专利]一种用改进的蝙蝠算法检测带钢表面缺陷的方法

说明书

本发明公开了一种用改进的蝙蝠算法来训练神经网络的权值和阈值，大大提高图像分类的准确度。包括以下算法步骤：步骤一：录入原始图像，对原始图像进行处理。步骤二：对网络进行初始化。步骤三：对本发明的初始参数赋值。步骤四：计算权值经验因子，蝙蝠利用等式移动，并更新响度和脉冲速率。步骤五：记录当前种群的全局最优位置和局部最优位置，并更新利用公式进行速度更新，根据公式获得种群蝙蝠的信位置。步骤六：最优解X分别对应网络的权值和阈值，输出结果。步骤七：判断是否打到最大迭代次数，如果是，则输出结果。如果否，则返回步骤四。本发明与其他算法相比具有更快的收敛速度，本发明更具有开发能力，并且更加稳定。

技术领域：

本发明涉及带钢表面检测技术领域，特别涉及对内含物、斑块、开裂、点蚀、轧制氧化皮、划痕六种缺陷进行匹配图像和识别的算法。

背景技术：

近年来随着图像识别技术技术的迅猛发展，机器视觉技术正逐渐渗透到生产加工的各个方面。其中，带钢的表面质量检测是其非常适合应用的一环。

钢板在生产过程中容易出现点蚀，开裂，凹坑，划痕等问题。因此其表面缺陷检测受到了钢板生产企业的广泛关注。

运用图像识别技术可以解决钢板缺陷的分类问题，图像识别及技术可以分为图像特征提取和图像分类两个步骤。对于金属表面缺陷检测的特征提取，通常选择图像的纹理特征。

除了纹理特征外，图像分类器的选取对图像的分类影响也很大，目前应用最广泛的神经网络是BP神经网络。BP网络是一种前馈式神经网络，它通过误差反向传播，利用梯度下降寻找函数的最优值。但BP网络存在收敛速度慢，易陷入局部最小值，泛化能力差等缺点。

为了改进BP网络的缺点，学者们将蝙蝠算法应用到图像识别技术当中去，该算法受蝙蝠通过回声定位捕食猎物的行为启发，是一种基于迭代优化的新型群智能算法，在算法的性能方面，它优于GA和PSO等算法,具有收敛速度快，全局搜索能力强的特点。因此BA算法被广泛应用于工业生产、图像处理、航天航空等各个方面。

但是蝙蝠算法也有其局限性，容易出现陷入局部最优、收敛精度低等问题。为了克服蝙蝠算法的缺点，本发明提出了一种用改进的蝙蝠算法(WG-BA)来训练神经网络的权值和阈值，该方法能够克服误差反向传播网络收敛时间长、易陷入局部最优的缺点，进而提高图像分类的准确度。

发明内容：

本发明的目的在于提供一种用改进的蝙蝠算法(WG-BA)来训练神经网络的权值和阈值，该方法能够克服误差反向传播网络收敛时间长、易陷入局部最优的缺点，进而大大提高图像分类的准确度，以解决上述背景故事中提到的问题。

为实现上述目的，本发明提出如下技术方案：一种基于改进蝙蝠算法优化BP神经网络来应用于带钢表面缺陷图像分类方法。

步骤一：录入原始图像，对原始图像进行LBP处理，提取内含物、斑块、开裂、点蚀、轧制氧化皮、划痕等信息的特征向量，对网络进行输入。

步骤二：对网络进行初始化，设置网络的层数，各层网络的节点数。

步骤三：对本发明的初始参数赋值，包括初始位置、速度、响度、频度、最大迭代次数提出在响度的更新公式中引入伽马函数，使蝙蝠能随着迭代的增加而调节响度的变化，在蝙蝠寻找目标的初期增强局部搜索能力，在找到目标后降低局部搜索的能力。新的响度更新公式为：其中A_i为第i只蝙蝠发出的响度，A₀为初始响度，A_∞为终止响度，为伽马函数；

步骤四：计算权值经验因子，蝙蝠的位置由X_i(t+1)＝X_i(t)+V_i(t+1)确定，速度由等式V_ik(t+1)＝ω·V_ik(t)+(X_ik(t)-P_k(t))·f_i(t)确定，并更新响度和脉冲速率。