基于改進支持向量機的LCD液晶屏氣泡分類識別

王曙敦，賀 杰

(深圳晶華電子股份有限公司,深圳 518000)

液晶顯示屏不僅給人們帶來了良好的視覺感受,也讓任何時間地點的信息交互變成現實,現代科技的進步也邁上了萬物互聯的新臺階。作為信息交互的重要組成部分,液晶顯示屏的應用前景非常廣闊[1-2]。LCD顯示屏是一種最常用的液晶顯示屏,因其生產成本低廉,響應時間較快,目前已成為中低端現實市場的主流產品[3-4]。液晶顯示屏的質量問題主要分為兩類:一類是畫質類問題,另外一類是功能性不足。其中,畫質類問題大多由于線路不良引起,通過更換電路板等方式即可恢復。氣泡類故障是最常見的功能性問題,此類故障產生原因相對復雜,通常無法進行維修[5]。因此對LCD液晶顯示屏的氣泡分類進行研究,提高液晶屏氣泡分類識別的正確率,對于及時發現液晶屏的質量問題具有重要意義。

1 構建訓練樣本

1.1 基于輪廓面積的氣泡

液晶氣泡邊緣通常為封閉曲線,而氣泡背景大多是點線輪廓,封閉曲線的面積采用格林公式進行計算,在此基礎上對各輪廓面積進行比較,找出其中的最小值,即可完成氣泡標注。

格林公式的基本原理如下:令光滑曲線閉合區域上的連續函數為P(x,y)和Q(x,y),它們都具有連續一階偏導,則:

(1)

式中:D為曲線閉區域;L為D的邊界。

令P=-y,Q=x,則可以得到

(2)

由此可以計算出D的面積S為:

(3)

由式(3)可知,如果輪廓為直線或者是零,則S=0;對于氣泡而言,其輪廓為封閉曲線,因此S>0。

本文采用Python軟件對曲線的輪廓面積進行計算,為了避免在計算過程中受到噪聲點的干擾,將篩選閾值設置為6像素。

采用外接矩形框將篩選結果中的氣泡位置框出,這樣可以將屏幕中82%的氣泡標注出來,其余氣泡則需要進行人工標注。

1.2 構建正負樣本

氣泡被標注后,其標注文檔中就會有該氣泡的相關邊框信息,具體如圖1所示。采用Python軟件進行批量剪裁,其中,可以直接提取的氣泡圖像為正樣本,隨機剪裁的非氣泡部分為負樣本。

圖1 標注文檔部分信息截圖

2 QPSO-SVM分類器

2.1 支持向量機

支持向量機(Support Vector Machines,SVM)是由Vapnik等人基于統計學習理論提出的一種機器學習方法,SVM處理非線性分類、回歸問題的原則是將低維空間的復雜數據通過核函數映射到高維空間,在高維空間中構造最優超平面進行分類、回歸,從而使問題得到簡化,降低計算的復雜程度[6]。

SVM最優超平面構造示意圖如圖2所示,令H為最優超平面, H可將圖中的數據分為兩類,此時可以得到另外兩個超平面H1和H2,它們均與最優超平面H平行,H1、H2上的數據到H的距離最近,這些數據就是所謂的支持向量。

圖2 SVM最優超平面構造示意圖

支持向量機具有如下優點:

1) 對樣本容量的要求較低,即使小樣本也能獲得較理想的計算效果;

2) 求解的思想是轉化為二次規劃問題求解,理論上確保全局最優解是存在的;

3) 計算結果只受支持向量的影響,降低了計算維度;

4) SVM的決策函數比較簡單,簡化了計算過程。

支持向量機分類原理如下[7]:令樣本集為{(x1,y1),…,(xi,yi)}(xi∈Rn,y∈{-1,1}),高維空間超平面的方程可表示為:

wT·x+b=0.

(4)

式中:w為權向量;b為偏置量。

為了使樣本集到超平面的距離最小,令判別函數f(x)=wT·x+b,且有xi∈Rn,|f(x)|≥1,則距離最小時有:

(5)

約束條件為:

y·(wT·x+b)≥1.

(6)

當樣本集中元素滿足yi·(wT·x+b)=1,這些元素即為支持向量,其余元素與超平面之間距離>1,該距離為2/‖w‖。

為了計算w和b,引入拉格朗日函數,則有:

(7)

式中:ai(ai>0)為拉格朗日系數。

對式(7)中的w和b求導:

(8)

(9)

求導后可得:

(10)

將式(10)轉化為二次優化問題,可得:

(11)

求解式(11),得到下列線性分類判別函數:

f(x)=sign(wT·x+b).

(12)

對于分類問題,SVM的求解思路是采用非線性函數將樣本數據映射到高維空間,在高維空間建立分割超平面進行分類,為了使函數的推廣能力和經驗風險之間得到平衡,可以引入非負的松弛變量ξi,此時相應的約束條件變為:

s.t.y·(wT·φ(x)+b)+ξi≥1;ξi≥0 .

(13)

同時引入懲罰項,則有:

(14)

式中:C為懲罰參數,C>0。

則欲求解的問題變為:

(15)

引入核函數k(xi,xj),即可得到SVM分類判別函數:

(16)

常用核函數有多項式核函數、線性核函數和徑向基核函數,為了提高SVM分類的準確性,本文采用徑向基核函數,其表達式為:

(17)

式中:σ為核參數。

SVM的回歸效果受懲罰因子C與核參數σ的影響很大,為了提高SVM擬合精度,需要對C和σ進行尋優。

2.2 量子粒子群算法

量子粒子群算法(Quantum Particle Swarm Optimization,QPSO)是基于PSO算法提出的一種改進算法,它認為粒子群在尋優過程中遵循量子力學[8]。在QPSO算法中,粒子能夠實現整個可行解空間的搜索,且QPSO算法只有位置一個控制參數,其優化性能比PSO算法更好。QPSO算法的粒子采用薛定諤方程ψ(x,t)進行描述,然后利用蒙特卡洛模擬得到的粒子位置,具體如下:

(18)

式中:u為隨機數,u∈[0,1],其值服從正太分布,pid(t)、L的值可根據下列式子確定:

(19)

(20)

pid(t)=φ·pid(t)±(1-φ)·pgd(t).

(21)

(22)

式(19)～式(22)中:M為粒子個數;D為維數;φ為隨機數;φ∈[0,1],其值服從正太分布;pid(t)為第i個粒子在第t次迭代時的最優位置;pgd(t)為所有粒子在第t次迭代時的最優位置,為有粒子在第t次迭代時最優位置的平均值;β為收擴系數;m、n為收擴系數參數。

綜合式(9)～式(12),得到QPSO算法粒子位置的更新方程為:

(23)

式中:當β≤0.5時,式(23)中的“±”取“-”,當β>0.5時,式(23)中的“±”取“+”。

相比PSO算法,QPSO算法既保留了PSO算法良好的優化性能,又簡化了粒子尋優方式,操作更簡便,且具有更強的全局收斂能力,目前在能源、交通、醫療等領域得到了廣泛應用。

2.3 QPSO-SVM液晶氣泡分類識別模型

采用QPSO算法對SVM的懲罰系數C和核參數σ進行優化,對支持向量機進行改進,建立基于改進支持向量機的LCD液晶屏氣泡分類識別模型,建模流程如圖3所示,建模步驟如下:

圖3 模型流程圖

1) 劃分樣本數據并初始化,將樣本數據劃分為訓練集和測試集,并初始化氣泡樣本數據。

2) 初始化SVM參數,設置懲罰系數C和核參數σ的初值及搜索范圍,計算初始適應度值。

3) 初始化粒子位置并對QPSO算法的相關參數進行設置,主要空間維數、粒子數目、最大迭代次數和收擴系數參數等。

4) 將C、σ作為粒子,利用公式(20)對所有粒子的平均最優位置進行計算。

5) 利用公式(21)執行迭代,對粒子當前適應度值進行計算,并與上一次的適應度值比較,如果優于,則進行替換,否則保持不變。

6) 確定種群最優適應度值,并與上一次的種群最優適應度值比較,如果優于,則進行替換,否則保持不變。

7) 利用公式(23)更新所有粒子的位置。

8) 判斷迭代結束條件是否滿足,若滿足,則輸出懲罰系數C和核參數的最優解,否則,返回步驟5)。

9) 將最優解賦給SVM,對測試集中液晶氣泡進行分類。

3 仿真分析

3.1 QPSO-SVM模型分類結果

采用Python軟件進行批量剪裁,構建仿真分析中所用的樣本數據,將樣本數據劃分為訓練集和測試集,它們分別用于模型的訓練和檢驗分類效果,訓練集和測試集的樣本組成情況如表1所示。

表1 訓練集和測試集的樣本組成情況

采用下列四種常用指標對分類器的分類效果進行評價,它們分別為:

1) Accuracy:表示分類結果的總體正確率,主要用于衡量分類器的總體分類效果。

2) Recall:表示查全率,分類正確的氣泡數量占總氣泡數量的比重。

3) Precision:表示查準率,主要用于評價分類結果正確的樣本占總樣本的比重。

4) F1:表示查全率和查準率的平均值。

采用訓練集數據進行訓練,利用QPSO算法對SVM的懲罰系數C和核參數σ進行尋優,尋優結果為C=37.24和σ=6.35,將最優解賦值給SVM,利用改進支持向量機分類器對測試集樣本進行分類,表2給出了改進支持向量機的分類結果指標。為了對比分析,采用支持向量機和隨機森林兩種常用的二分類方法對測試集樣本進行分類,分類結果的各項指標也如表2所示。

表2 三種分類器分類結果的各項指標

對比表2中的三種分類器的各項指標數據可以看出,本文所提改進支持向量機分類器的分類效果更好,驗證了本文所提LCD液晶屏氣泡分類識別方法的正確性和優越性。

3.2 工程應用分析

氣泡分類完成后,利用滑動窗口法對LCD液晶屏幕上的氣泡進行檢測,提取其中的灰色部分。選取200個LCD液晶屏幕進行測試,屏幕中共有氣泡250個,檢測結果及檢出率計算結果如表3所示。

表3 檢測結果及檢出率計算結果

從檢測結果上看,本文提出的基于改進支持向量機的LCD液晶氣泡分類方法具有良好的識別效果,對于邊緣受遮擋和對比度較低的屏幕,都能夠被正確識別出其中的氣泡。

經檢查發現,未檢測出的氣泡主要有兩種:一種是氣泡形狀不完整,此類氣泡通常由很多小氣泡聚集而成,其邊緣信息相對特殊,模型無法正確識別;另一種是氣泡體積過小,通常都在2 mm以下,此類氣泡的邊緣信息無法正確提取。

4 結論

本文采用量子粒子群算法對支持向量機的懲罰參數和核函數進行優化,建立基于QPSO-SVM的LCD液晶屏氣泡分類識別模型,采用LCD液晶氣泡數據進行算例分析,并與其他二分類方法的分類效果進行對比,結果表明,QPSO-SVM分類器的分類準確率高于其他方法,驗證本文所提LCD液晶屏氣泡分類識別方法的正確性和實用性。