发明内容

本发明提供一种基于优化BP神经网络的MPO表面复原系统，本系统分为硬件系统和软件系统。

硬件系统：硬件系统由计算机、CCD摄像机、PZT控制仪、工作平台、白光干涉系统组成，工作平台上载有MPO光纤连接器，白光干涉系统由成像物镜、参考镜、准直器、分光棱镜和光源组成，PZT控制仪驱动工作平台以60um的步距向前移动。工作平台上载有MPO光纤连接器，随着工作平台的移动，当MPO光纤连接器的表面某区域的位置满足白光干涉的条件时，会发生白光干涉，产生明暗相间的白光干涉条纹。工作平台移动的同时CCD相机拍摄图像并储存在电脑的移动硬盘中，图像的储存格式为bmp，工作平台移动的总次数与图像的总数量相等。

(1)所述测量系统基于白光干涉的测量原理如下：

随着工作平台沿着扫描方向进行从左到右的移动，系统的分光镜到MPO光纤连接器表面的距离不断发生变化，对应的光程差变化为先减小至0后增大。白光光源包括多种不同波长的光，当白光发生干涉时，每一个波长的光波均会生成一组不同间距的干涉条纹，横轴为工作平台移动的次数，纵轴为干涉的光强。只有当光程差为0时，各波长的零级干涉条纹才能完全重合，产生最大的光强输出，故零光程差位置为最佳干涉位置。

设载有MPO光纤连接器的工作平台移动到零光程差位置时移动的距离为x,x即为MPO光纤连接器的相对高度，设工作平台未发生移动时的高度为0，Δx为每次工作平台移动的步距，n为工作平台移动的次数。

x＝Δx×n (1)

软件系统：软件系统分为读取干涉图像数据、获取训练样本数据、提取局部峰值点、数据特征提取、遗传算法优化BP神经网络的初始参数、构建BP神经网络判别像素点类型、获取正常像素点的高度值、动态高斯加权均值滤波修复噪声点的高度值七个部分。

(2)所述的读取干涉图像数据的实现过程如下：

使用MATLAB软件按照CCD相机存储图像的顺序以像素点的形式读取并储存干涉图像的灰度值数据，将每张图像的灰度值数据以矩阵的形式储存在MATLAB中。图像的灰度值数据代表MPO光纤连接器表面发生干涉时的光强变化情况，图像的长宽乘积决定了图像像素点的总个数，每个矩阵中数据的总个数等于图像像素点的总个数，图像的总数量与矩阵的总数量相同。创建一个空矩阵，像素点的总个数为空矩阵行的总数，图像的总数量为空矩阵列的总数，将上述储存图像数据矩阵的值赋值到新建的空矩阵中，即可得到MPO光纤连接器表面区域的干涉数据矩阵。MPO光纤连接器的每个区域用一个像素点来表示，所有的像素点的集合代表了整个MPO光纤连接器的表面区域，干涉数据矩阵单行的数据代表MPO光纤连接器某个区域发生白光干涉的光强变化情况。

(3)所述的训练样本数据的获取实现过程如下：

对于测量系统得到的干涉图像，取第一张干涉图像，使用MATLAB软件读取此图像的灰度值数据，设定一个初始灰度阈值，对于灰度值矩阵中所有的灰度值，大于灰度阈值的像素点认定为正常像素点，小于等于灰度阈值的像素点视为噪声像素点，记录所寻找到的噪声像素点的位置信息。根据上述噪声点的位置信息，提取干涉数据矩阵中对应特定行的噪声数据1000份，将此1000份数据作为GA_BP神经网络算法的噪声点训练数据；提取干涉数据矩阵中未被标记位置的1000份数据作为GA_BP神经网络算法正常点的训练数据。

(4)所述的局部峰值点的具体定义如下：

局部峰值点包括极大值点和鞍点，在单个像素点的连续干涉数据[y_i](i＝1,2,3...,M)中，M为像素点干涉数据的总个数，若存在n(n＝2,3,4...,M-1)个连续的干涉数据y_i+1,y_i+2...,y_i+n，满足y_i+n≥y_i+n+1且y_i+n≤y_i则称y_i+1,y_i+2...,y_i+n为极大值点；若y_i+1,y_i+2...,y_i+n满足y_i+n≤y_i+n+1且y_i+n≥y_i，则称y_i+1,y_i+2...,y_i+n为鞍点。

(5)所述的数据特征提取的实现过程如下：

对于得到的训练数据，其列向量代表噪声像素点的光强值变化，行向量代表噪声像素点的总个数。

将第N个像素点的局部峰值点数据的最大值作为该像素点的第1个特征数据，如式10所示，N为像素点的个数，[y_i](i＝1,2,3...M)为局部峰值点的光强值，M为局部峰值点的个数。

将像素点局部峰值点数据其进行升序排列，对于升序排列后的数据，取其后百分之10的数据的均值作为第2个特征数据，[y_i](i＝0.9M,0.9M+1,0.9M+2,...M)为局部峰值点的光强值，M为局部峰值点的个数，N为像素点的个数。

y_i＝sort(y_i), (3)

提取像素点局部峰值点数据的均值作为第3个特征数据，[y_i](i＝1,2,3...M)为局部峰值点的光强值，M为局部峰值点的个数，N为像素点的个数。

对像素点局部峰值点数据进行三次样条插值，将三次样条插值后的数据用如式(6)所示的高斯函数拟合，a为背景光强，b为干涉过程中的零光程差位置，利用复合梯形公式计算拟合曲线在区间[b-3σ,b+3σ]内与直线y＝a的面积，记为K₁。将三次样条插值后的数据拟合成平滑的曲线，利用复合梯形公式计算拟合曲线在区间[b-3σ,b+3σ]内与直线y＝a的面积，记为K₂。将两面积的比值定义为第4个特征数据，[y_i](i＝1,2,3...M)为局部峰值点的光强值，[x_i](i＝1,2,3...M)为局部峰值点对应的横坐标，即工作平台移动的次数，M为局部峰值点的个数。N为像素点的个数。

通过以上四个特征数据代替原始每一行的灰度值变化数据，能够有效改变神经网络训练的速度，在保证预测精度的同时，极大地缩短了处理时间。

(6)所述遗传算法优化BP神经网络的初始参数实现过程如下：

遗传算法优化BP神经网络是用遗传算法来优化BP神经网络的初始权值和阈值，使优化后的BP神经网络能够更好地完成分类等任务，遗传算法优化BP神经网络分为BP神经网络结构确定、遗传算法优化和BP神经网络预测三个部分。

其中，BP神经网络结构确定部分根据拟合函数输入输出参数的个数确定BP神经网络的结构，进而确定遗传算法个体的长度；使用遗传算法优化BP神经网络的权值和阈值，遗传算法种群中的每个个体都包含了一个网络所有的权值和阈值，个体通过适应度函数计算个体适应度值，遗传算法通过选择、交叉和变异操作找到最优适应度值对应的个体，即BP神经网络的权值和阈值；BP神经网络预测用遗传算法得到的最优个体对网络初始权值和阈值的赋值，网络经训练后预测函数的输出。

遗传算法优化BP神经网络的要素包括种群初始化、适应度函数、选择操作、交叉操作和变异操作。下面简要介绍以下上述的几种操作：

I.种群初始化

个体编码方法为实数编码，种群的每个个体均为一个实数串，由输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值4部分组成。种群包含了神经网络全部的权值和阈值。

II.适应度函数

初始化的BP神经网络训练后预测的输出和期望的输出之间的误差的绝对值和作为个体适应度值，计算公式为：

式中，n为网络输出的节点数；y_i为BP神经网络的输出；m_i为第个节点的预测输出；β为系数。

III.选择操作

本文采用轮盘赌法，即基于适应度比例的选择策略，每个个体i的选择概率η_i为

式中，F_i为个体i的适应度值，γ为系数；N为种群个体数目。

IV.交叉操作

由于个体采用实数编码，所以交叉操作方法采用实数交叉法，第k个染色体a_k和第1个染色体a₁在j位的交叉操作方法如下：

a_kj＝a_kj(1-b)+a_ljb, (11)

a_lj＝a_lj(1-b)+a_kjb, (12)

b是[0,1]间的随机数。

V.变异操作

选取第i个个体的第m个基因a_im进行变异，变异操作的方法如下：

a_im＝a_im+(a_im-a_max)*f(g)(r＞0.5), (13)

a_im＝a_im+(a_min-a_im)*f(g)(r≤0.5), (14)

f(g)＝r₂(1-g/G_max)², (15)

式中a_max为基因a_im的上界；a_min为基因a_im的下界；r₂为一个随机数，g为当前迭代次数；G_max为最大进化次数；r为[0,1]的随机数。

(7)所述BP神经网络判别像素点类型实现过程如下：

设置一个具有3个神经元的输入层、4个神经元的隐含层、1个神经元的输出层的神经网络。对于遗传算法，种群规模为20，迭代次数为10，交叉概率为0.8，变异概率为0.1。将遗传算法得到的最优网络参数构建成一个新的BP神经网络。初始化网络参数，并载入降维后的训练样本，对网络进行训练。将测试数据载入到神经网络，通过神经网络预测输出结果。

(8)所述获取正常像素点高度值的实现过程如下：

对于干涉数据矩阵，矩阵行的数量代表三维图像像素点的总数量，提取每个像素点干涉数据的局部峰值点[y_maxi](i＝1,2,3...M)，M为局部峰值点的总个数，对每个像素点的局部峰值点进行三次样条插值得到插值后的数据为[y_maxi](i＝1,2,3...10M)，获得数据的最大值的横坐标x_max，x_max即为每个像素点白光干涉过程中的零光程差位置坐标，与扫描步距n(n＝60um)做乘积运算，即可得到复原的MPO光纤连接器的三维图像每个正常像素点的高度值H_k(k＝1,2,3...G)，G为像素点的总个数。

(9)所述动态高斯函数均值滤波处理噪声像素点的实现过程如下：

对于MPO光纤连接器的三维图像高度值矩阵，由正常像素点的高度值和噪声像素点的高度值组成，将噪声像素点的高度值赋值为0，采用动态高斯函数加权均值滤波算法对噪声像素点的高度值进行滤波处理。

以处理一个噪声点的高度值为例：取噪声点的高度值为中心，选取大小为V(V＝18×18)的高度值矩阵[h_i](i＝1,2,3...V)，计算出所选取矩阵内所有高度值的方差σ²，将均值设置为0，初始化二维高斯函数(x,y)分别为对应高度值在三维图像的行与列的位置，计算出矩阵V的高斯权重矩阵β(β＝18×18)。将选取的高度值矩阵V(V＝18×18)与高斯权重矩阵β(β＝18×18)相乘得到新的矩阵λ(λ＝18×18)，由矩阵λ的均值代替噪声点的高度值。对于MPO光纤连接器的三维图像噪声点高度值都进行上述处理，就会得到较为平滑的高度值矩阵，利用MATLAB软件进行绘图，即可得到MPO光纤连接器的三维图像。