基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法及系统技术方案

本发明专利技术公开了一种基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法及系统，该方法包括以下步骤：S1、获取样本集中的胶料图像，对其进行预处理，并提取特征数据；S2、获取样本集中一部分胶料图像的特征数据作为训练数据，分别根据BP网络模型和RBF网络模型对训练数据进行训练，通过自适应遗传算法得到最优混合系数，根据最优混合系数对两个网络模型进行并联，得到BP‑RBF混合神经网络评价模型；S3、获取样本集中另一部分胶料图像的特征数据作为评价数据，将其代入训练得到的BP‑RBF混合神经网络评价模型中，输出获得胶料中炭黑分散度等级。本发明专利技术具有较高的准确度，且可在使用中随着样本数的增加对参数进行调整与优化，具有很强的健壮性。

【技术实现步骤摘要】

本专利技术涉及橡胶质量检测
，尤其涉及一种基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法及系统。
技术介绍
炭黑作为橡胶混炼过程中份额最大同时也是最为重要的补强性填料，其与生胶的混合均匀性直接影响到胶料的物理机械性能。在工业生产中以1-10十个等级标定混合均匀的程度，即炭黑分散度，并以分散度作为一个重要尺度去衡量胶料和其胶制品质量的好坏。BP(Back Propagation)神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆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。RBF神经网络即径向基函数神经网络(Radical Basis Function)。径向基函数神经网络是一种高效的前馈式神经网络，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快。同时，它也是一种可以广泛应用于模式识别、非线性函数逼近等领域的神经网络模型。申请号为CN201410450926.0，公告号为CN104325571A的专利，公开了一种橡胶开炼机混炼胶炭黑分散度在线预测方法,利用开炼机炼胶过程中检测的各项过程参数(包括辊筒横压力,排胶温度,排胶功率,单位能耗等)与已经建立好的炭黑分散度与过程参数的数学模型,来预测混炼过程中混炼胶的炭黑分散度。但是实际上，这些过程参数不单单只受分散度的影响，还受诸如配合填料的种类及用量、生胶本身门尼粘度等其他因素的影响，因此评价的结果不够准确。申请号为CN201210287496.6，公告号为CN102830063A的专利，公开了一r/>种检测橡胶中炭黑的方法，该专利利用图像处理技术实现胶料中炭黑的检测，并能处理胶料图像中存在的杂质。但是并没有涉及到后续的炭黑分散度评价工作。
技术实现思路
本专利技术要解决的技术问题在于针对现有技术中橡胶混炼过程中炭黑分散度测量难度大，且不准确的缺陷，提供一种通过图像识别的方法准确判断炭黑分散度的基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法及系统。本专利技术解决其技术问题所采用的技术方案是：本专利技术提供一种基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法，包括以下步骤：S1、获取样本集中的胶料图像，对其进行预处理，并提取预处理后的胶料图像的特征数据；S2、训练阶段：获取样本集中一部分胶料图像的特征数据作为训练数据，分别根据BP网络模型和RBF网络模型对训练数据进行训练，通过自适应遗传算法得到最优混合系数，根据最优混合系数对两个网络模型进行并联，得到BP-RBF混合神经网络评价模型；S3、评价阶段：获取样本集中另一部分胶料图像的特征数据作为评价数据，将其代入训练得到的BP-RBF混合神经网络评价模型中，输出获得胶料中炭黑分散度等级。进一步地，本专利技术的步骤S2中的BP-RBF混合神经网络评价模型的表达式为：Y(x)＝ρ1YBP(x)+ρ2YRBF(x)其中，YBP(x)为BP网络模型的输出值，YRBF(x)为RBF网络模型的输出值，混合网络模型输出为Y(x)，ρ1、ρ2为最优混合系数。进一步地，本专利技术的步骤S1中对胶料图像进行预处理的方法具体为：对胶料图像进行模糊度评价，保留清晰图像，并对图像进行去噪和分割。进一步地，本专利技术的步骤S1中对图像进行模糊度评价的方法具体为：采用TenenGrad评价函数对图像进行模糊度评价，以评价函数值F对图像有效性进行判断；模糊图像与清晰图像的界限位于40，F值超过40的图像就认为其适合进行分散等级的评价。进一步地，本专利技术的步骤S2中采用BP网络模型进行训练的方法具体为：步骤1、对原始数据进行标准化构造样本阵，设有n个样本，数据维数为p，原始样本阵X＝(xi1,xi2,…xip)T,i＝1,2,3…n，进行标准化变换后新样本阵为： Z i j = x i j - x j ‾ s j , i = 1 , 2 , ... , n ; j = 1 , 2 , ... , p ]]>其中为∑xij/n，可求得标准化样本阵Z；步骤2、对样本阵Z计算相关系数阵R，其中：rij＝∑zij·zkj/(n-1)，i,j＝1,2,…,p R = [ r i j ] p x p = Z T Z n - 1 ]]>步骤3、计算相关阵R的特征值及特征向量，|R-λIp|＝0，可求得p个特征值并按大小排序为λ1，λ2，…,λp，特征根为e1,e2,…,ep；步骤4、计算各主成分贡献率为λi/∑λi，选择的前m个主成分贡献率累计之和达85％到95％；步骤5、将样本阵转化为主成分，转换矩阵为B＝(e1,e2,…,ep)，新的样本阵U为：进一步地，本专利技术的步骤S2中采用RBF网络模型进行训练的方法具体为：步骤1、随机初始化基函数的中心u、平滑度σ和隐含层到输出层的连接权值wij；则输入至输出的表达式：y＝∑wij exp(-||x-u||2/2σ2)步骤2、以梯度下降法对三种参数进行修正，实际输出与期望输出的均方误差为：E＝1/2∑(di-yi)2，其中d为期望输出，参数修正的公式如下： Δu j = - η ∂ E ∂ u j , Δu j = - η ∂ E ∂ w j , Δw j = - 本文档来自技高网...

【技术保护点】
一种基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法，其特征在于，包括以下步骤：S1、获取样本集中的胶料图像，对其进行预处理，并提取预处理后的胶料图像的特征数据；S2、训练阶段：获取样本集中一部分胶料图像的特征数据作为训练数据，分别根据BP网络模型和RBF网络模型对训练数据进行训练，通过自适应遗传算法得到最优混合系数，根据最优混合系数对两个网络模型进行并联，得到BP‑RBF混合神经网络评价模型；S3、评价阶段：获取样本集中另一部分胶料图像的特征数据作为评价数据，将其代入训练得到的BP‑RBF混合神经网络评价模型中，输出获得胶料中炭黑分散度等级。

【技术特征摘要】
1.一种基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法，其特征在于，包括以下步骤：S1、获取样本集中的胶料图像，对其进行预处理，并提取预处理后的胶料图像的特征数据；S2、训练阶段：获取样本集中一部分胶料图像的特征数据作为训练数据，分别根据BP网络模型和RBF网络模型对训练数据进行训练，通过自适应遗传算法得到最优混合系数，根据最优混合系数对两个网络模型进行并联，得到BP-RBF混合神经网络评价模型；S3、评价阶段：获取样本集中另一部分胶料图像的特征数据作为评价数据，将其代入训练得到的BP-RBF混合神经网络评价模型中，输出获得胶料中炭黑分散度等级。2.根据权利要求1所述的基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法，其特征在于，步骤S2中的BP-RBF混合神经网络评价模型的表达式为：Y(x)＝ρ1YBP(x)+ρ2YRBF(x)其中，YBP(x)为BP网络模型的输出值，YRBF(x)为RBF网络模型的输出值，混合网络模型输出为Y(x)，ρ1、ρ2为最优混合系数。3.根据权利要求1所述的基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法，其特征在于，步骤S1中对胶料图像进行预处理的方法具体为：对胶料图像进行模糊度评价，保留清晰图像，并对图像进行去噪和分割。4.根据权利要求3所述的基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法，其特征在于，步骤S1中对图像进行模糊度评价的方法具体为：采用TenenGrad评价函数对图像进行模糊度评价，以评价函数值F对图像有效性进行判断；模糊图像与清晰图像的界限位于40，F值超过40的图像就认为其适合进行分散等级的评价。5.根据权利要求1所述的基于神经网络图像处理的轮胎橡胶炭黑分散度
\t评价方法，其特征在于，步骤S2中采用BP网络模型进行训练的方法具体为：步骤1、对原始数据进行标准化构造样本阵，设有n个样本，数据维数为p，原始样本阵X＝(xi1,xi2,…xip)T,i＝1,2,3…n，进行标准化变换后新样本阵为： Z i j = x i j - x j ‾ s j , i = 1 , 2 , ... , n ; j = 1 , 2 , ... , p ]]>其中为∑xij/n，可求得标准化样本阵Z；步骤2、对样本阵Z计算相关系数阵R，其中：rij＝∑zij·zkj/(n-1)，i,j＝1,2,…,p R = [ r i j ] p x p = Z T Z n - 1 ]]>步骤3、计算相关阵R的特征值及特征向量，|R-λIp|＝0，可求得p个特征值并按大小排序为λ1，λ2，…,λp，特征根为e1,e2,…,ep；步骤4、计算各主成分贡献率为λi/∑λi，选择的前m个主成分贡献率累计之和达85％到95％；步骤5、将样本阵转化为主成分，转换矩阵为B＝(e...

【专利技术属性】
技术研发人员：邓燕妮，胡兴，龚良文，闻立号，吕远兴，褚四勇，赵东明，刘小珠，傅剑，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：湖北;42