焊接机器人焊缝图像识别基于BP模型的训练

焊接机器人焊缝图像识别基于BP模型的训练，利用BP神经网络进行焊缝图像分类，运算工具为MATLAB模式识别工具箱nntool。步骤如下:

(1)采用经过预处理后的图片经特征提取形成如表4-2所示的Hu不变矩作为特征向量。

(2)将提取到的双目视觉系统中左目相机采集到的三种焊缝的各20幅总共60幅图像的Hu不变矩形成的特征向量作为BP神经网络的输入数据A1。

(3)导入期望数据B1，由于需要区分的焊缝种类为三种，也就是说对应于输入的特征向量，也要从中区分中三种类型出来。根据工具箱的输入期望数据格式要求，期望数据用二进制表示，分别为100, 010,001对应于对接、搭接和T形角接三种焊缝。

(4)建立一个新的训练网络。创建界面如图4-14所示:

本项目中选择BP神经网络模型，所以图4-14中的Network Type选择Feed-forward backprop, Input data选择A1，是一个7x60的矩阵，Target data选择B1 3X60矩阵。其中A1矩阵每一个子列阵都是一副图片的Hu不变矩，子列阵中每个元素都是对应图片Hu不变矩中的一个数据，B1矩阵为期望划分的Hu不变矩的类型。Training function是训练函数，由于Levenberg-Marquardt算法针对中等规模的网络收敛速度快且为系统默认算法，所以选择该算法作为训练函数，在创建界面该项下拉菜单中选择TRAINLM。Adaption learning function是适应性学习函数，本项目中选择LEARNGDM，有动量的梯度下降法，可以提高学习速度并降低误差细节的敏感性。performance function为性能分析函数，这里选默认的均方差函数MSEo Numbers of layers由于输入层不参与基数，在隐含层为1层时加上输出层，则本次训练选择2，同时 Layerl中的Number of neurons即隐含层中的节点数，根据经验公式确定，这里取7。

(5)训练获取结果。

本次待训练的神经网络如图4-15所示。训练过程系数如图4-16所示，同时从图中可以，预设的训练次数为1000，而本次训练次数达到19次时就满足了误差要求，且到达满足误差要求的训练次数所花的时间近乎为0，说明本次训练选择的特征参数和网络训练函数都是比较适合要求的，具体的误差逼近图如下:

基于BP模型训练的结果分析

经过如小节4.2.3所示的训练之后，本次识别训练针对三种不同的焊缝，需要产生三种不同的输出结果，其中目标结果分别为[1,0,0],[0,1,0]和[0,0,1]。而训练后，可以从模式识别工具箱中导出network_output结果矩阵，这是本次训练产生的实际结果，通过实际结果与目标结果进行对比，可以判断出该次训练是否合理。下面分别用表4-3和图4-18来描述这次的训练结果，其中表4-3中的实际输出因为实际结果的量较多，考虑的篇幅的问题不一一列出，表中的数字为实际输出的均值。

从表4-3中，可以看出三种焊缝的实际输出的矩阵相较于期望输出矩阵，基本符合期望输出矩阵的取值规律。又在图4-18中，其中蓝色线条代表着结果矩阵的第一行，橙色代表第二行，黄色代表第三行，横轴为列数，从图中可以看出，在0-20范围内，蓝色几乎为1，橙色和黄色趋近于0，满足期望输出的要求，同样在20-40，和40-60也依次满足相应的期望要求。之后再分别取三种焊缝各50幅处理后的图片生成的Hu不变矩作为测试数据，可以得到下列结果:

焊接机器人如果将误差大于0.05就作为识别不准确答案的话，从图4-19中可以看出未识别点的数据量为6，则本次识别的正确率为96%，基本满足要求。因此，本项目的模式识别环节将图像的Hu不变矩与BP神经网络相结合取得了较好的效果，在实际工程中可以通过图像很好的对焊缝进行分类。