劉洪生，蔣紅海，忽正熙

（昆明理工大學(xué) 機(jī)電工程學(xué)院，昆明 650500）

基于高斯混合模型的磁瓦合格分類研究

劉洪生，蔣紅海，忽正熙

（昆明理工大學(xué) 機(jī)電工程學(xué)院，昆明 650500）

針對(duì)目前磁瓦合格分類人工識(shí)別效率低。提出了一種基于高斯混合模型的磁瓦合格檢測(cè)方法，通過(guò)Halcon軟件將工業(yè)相機(jī)采集到的磁瓦樣本圖片進(jìn)行圖像灰度化，降噪，濾波，閾值分割，形態(tài)學(xué)處理，處理后根據(jù)主成分分析法，提取出磁瓦的面積、周長(zhǎng)和中心幾何距等特征參數(shù)，再根據(jù)特征參數(shù)的不同進(jìn)行匯總賦值，利用高斯混合模型分類識(shí)別出磁瓦樣本的合格與不合格品。實(shí)驗(yàn)結(jié)果表明，Halcon編程檢測(cè)出四十片磁瓦共耗時(shí)約7s，平均每個(gè)耗時(shí)0.2s，提高了檢測(cè)效率，并縮短了檢測(cè)時(shí)間。該算法針對(duì)磁瓦的識(shí)別效果較好，識(shí)別準(zhǔn)確率高，相比人工檢測(cè)，效率和可靠性均有了提升。

磁瓦；高斯混合模型；圖像處理；特征參數(shù)；Halcon

0 引言

磁瓦是永磁體中的一種，主要是用在永磁直流電機(jī)上能產(chǎn)生恒定磁能的瓦狀磁鐵。其質(zhì)量的好壞對(duì)電機(jī)的性能有較大的影響。在磁瓦的生產(chǎn)過(guò)程中，由于技術(shù)等原因，磁瓦的缺陷難以避免。目前大多數(shù)生產(chǎn)磁瓦的廠家主要依賴于人工目視檢測(cè)[1]，這導(dǎo)致檢測(cè)磁瓦的效率低下，可靠性不足等缺點(diǎn)，無(wú)法滿足大規(guī)模高效率的生產(chǎn)。依靠機(jī)器視覺(jué)的自動(dòng)化檢測(cè)是國(guó)內(nèi)外研究的熱點(diǎn)[2～5]。文獻(xiàn)[6]開(kāi)發(fā)了一種基于機(jī)器視覺(jué)技術(shù)的磁瓦表面缺陷自動(dòng)檢測(cè)系統(tǒng)，但僅能檢測(cè)缺陷陷區(qū)域的面積，對(duì)于缺陷磁瓦的周長(zhǎng)，寬高度及幾何距等無(wú)法檢測(cè)。文獻(xiàn)[7]介紹了一種基于小波變換的磁瓦表面缺陷檢測(cè)方法研究，但是檢測(cè)和處理耗時(shí)長(zhǎng)，不適于在線檢測(cè)。文獻(xiàn)[8]中磁瓦檢測(cè)系統(tǒng)所需的光源復(fù)雜，且算法的通用性不高。本文運(yùn)用Halcon軟件進(jìn)行圖像處理和判別磁瓦是否合格。

1 視覺(jué)檢測(cè)系統(tǒng)實(shí)驗(yàn)設(shè)計(jì)

實(shí)驗(yàn)檢測(cè)系統(tǒng)主要由計(jì)算機(jī)圖像處理軟件，電動(dòng)及氣動(dòng)控制系統(tǒng)，和圖像數(shù)據(jù)采集裝置組成。該實(shí)驗(yàn)系統(tǒng)的核心部件包括：工業(yè)CCD相機(jī)，LED光源，運(yùn)動(dòng)控制卡，交流伺服電機(jī)，步進(jìn)電機(jī)，直流電源，傳感器，氣動(dòng)機(jī)械手和計(jì)算機(jī)。系統(tǒng)總體結(jié)構(gòu)如圖1所示。

圖1 系統(tǒng)結(jié)構(gòu)圖

其中光照部分，本實(shí)驗(yàn)平臺(tái)采用的是穹頂LED光源，穹頂光源是漫擴(kuò)散，均勻照明，亮度可調(diào)，熱輻射小，柔和的光源。其張角可以使彎曲表面成像，它主要是通過(guò)半球型的內(nèi)壁數(shù)次漫反射，消除物體的陰影來(lái)達(dá)到良好的光照效果。

系統(tǒng)工作過(guò)程如下：將待識(shí)別的磁瓦擺放在傳送帶上。通過(guò)距離傳感器實(shí)時(shí)給工業(yè)相機(jī)進(jìn)行反饋，使工業(yè)相機(jī)采集磁瓦圖像并進(jìn)行模式識(shí)別判斷出該磁瓦是否是合格品。通過(guò)氣動(dòng)機(jī)械手將不合格的磁瓦吸取，然后將其放分類盒中。氣動(dòng)機(jī)械手按照相關(guān)的動(dòng)作順序進(jìn)行往復(fù)循環(huán)動(dòng)作來(lái)實(shí)現(xiàn)對(duì)待測(cè)磁瓦的分類和識(shí)別，圖2為實(shí)現(xiàn)工作過(guò)程的工件識(shí)別與氣動(dòng)機(jī)械手抓取系統(tǒng)和Halcon軟件工作界面。

2 圖像處理

2.1 算法流程

為了對(duì)目標(biāo)磁瓦識(shí)別系統(tǒng)的準(zhǔn)確應(yīng)用，并提高檢測(cè)速度和效率，首先要對(duì)磁瓦進(jìn)行圖像的采集，圖像采集好壞直接影響后續(xù)圖像處理的結(jié)果，因?yàn)楣I(yè)相機(jī)采集的圖像含有噪聲，所以必須對(duì)所采集的圖像進(jìn)行一系列圖像預(yù)處理。比如灰度化處理，可以減少計(jì)算機(jī)對(duì)圖像處理的信息量，提高圖像處理速度，中值濾波，去除噪聲點(diǎn)，增加識(shí)別的準(zhǔn)確性。閾值分割，突出目標(biāo)的信息。運(yùn)用形態(tài)學(xué)的處理，對(duì)檢測(cè)結(jié)果的銳化，為后續(xù)的圖像識(shí)別降低難度。最后設(shè)置合格磁瓦特征參數(shù)區(qū)間，來(lái)判別待檢測(cè)的磁瓦是否合格，如圖3所示為圖像處理的算法流程圖。

圖2 工件識(shí)別與氣動(dòng)機(jī)械手系統(tǒng)及Halcon軟件界面

圖3 算法流程圖

2.2 圖像閾值的分割和提取

本實(shí)驗(yàn)采用直方圖分割并二值化，首先對(duì)圖像灰度化處理，之后進(jìn)行中值濾波降噪，這樣便于后續(xù)的進(jìn)一步處理[9]，得到如圖4的樣品圖像閾值分割和提取圖片，其中，圖4(a)為不合格磁瓦與合格磁瓦灰度化后的中值濾波圖。接著利用閾值分割提取磁瓦的特征區(qū)域，得到圖4(b)不合格磁瓦與合格磁瓦的ROI區(qū)域劃分。圖4(c)為不合格磁瓦與合格磁瓦的灰度直方圖。

圖4 樣品圖像閾值分割和提取

2.3 形態(tài)學(xué)操作

數(shù)學(xué)形態(tài)學(xué)[10]是由一組形態(tài)學(xué)的代數(shù)運(yùn)算子組成的非線性的圖像處理方法。其中本實(shí)驗(yàn)運(yùn)用到的開(kāi)操作是將磁瓦的輪廓進(jìn)行平滑、消除細(xì)小的突出物以及斷開(kāi)較窄的狹頸。結(jié)構(gòu)元B對(duì)集合A的開(kāi)操作，表示為BA?，其定義如下：

圖5為進(jìn)行開(kāi)操作處理后不合格與合格的磁瓦圖片。

圖5 進(jìn)行開(kāi)操作后的圖片

3 圖像特征提取

主成分分析法的磁瓦樣本識(shí)別[11]，設(shè)磁瓦圖像大小為m.n，將其向量化變成維數(shù)是N=m.n的列向量。假設(shè)有M個(gè)訓(xùn)練樣本，第j個(gè)樣本的列向量為Xj，即：

μ為訓(xùn)練磁瓦樣本的均值，將訓(xùn)練樣本的磁瓦圖像均值化后可得到矩陣A，即則訓(xùn)練樣本的協(xié)方差矩陣為：

其維數(shù)是N.N[12]。

最優(yōu)投影子空間為協(xié)方差矩陣C的非零特征值的特征向量構(gòu)成，主成分維數(shù)d則根據(jù)特征值具體的貢獻(xiàn)率來(lái)確定。特征空間矩陣為把訓(xùn)練樣本投影到特征空間，得到投影矩陣：

即為樣本磁瓦的特征的矩陣。

對(duì)于磁瓦檢測(cè)來(lái)說(shuō)，通過(guò)主成分分析法提取的特征參數(shù)有面積、周長(zhǎng)等[13]。

1）面積A。面積是圖像通過(guò)圖像預(yù)處理后，得到不同的區(qū)域，然后將這些區(qū)域連通，得到的連通區(qū)域像素的總數(shù)，對(duì)于一個(gè)圖像區(qū)域R，其面積A表示為：

2）輪廓S。采用歐氏距離法，傾斜方向上的兩個(gè)相鄰像素fi,j和fm,n間的距離為：

圖像水平或垂直方向上的相鄰像素間點(diǎn)的距離為1，而傾斜方向上為2[14]。即通過(guò)像素的個(gè)數(shù)來(lái)表示輪廓。圖6為進(jìn)行特征的提取和識(shí)別后檢測(cè)出的樣本區(qū)域，經(jīng)過(guò)檢測(cè)得出圖中的不合格與合格磁瓦的面積為：62183，62685，輪廓為：1060.79，1073.1，中心距為：146.363，147.484。

圖6 特征提取和識(shí)別出的區(qū)域

4 圖像的模式識(shí)別

高斯混合模型（Gaussian Mixture Model GMM）是一種常用的描述混合密度函數(shù)分布的模型[15]，本文采用高斯混合模型來(lái)對(duì)磁瓦的合格與不合格樣本特征進(jìn)行建模。其概率密度為：

式中，xi為向量且維數(shù)為d；混合分布的參數(shù)kα為權(quán)系數(shù)且滿足其中是單高斯概率分布：

式中，kμ為訓(xùn)練的樣本平均值；∑k為樣本方差矩陣。將任意測(cè)試樣本xi代入上式，可得到一個(gè)標(biāo)量然后根據(jù)閾值來(lái)判斷樣本磁瓦是否屬于該類別即合格與不合格。圖7為識(shí)別后的結(jié)果。

圖7 識(shí)別出的合格與不合格樣本

5 實(shí)驗(yàn)結(jié)果及分析

本實(shí)驗(yàn)首先運(yùn)用高斯混合模型對(duì)分類器進(jìn)行前二十片磁瓦的分類訓(xùn)練和識(shí)別，將得到的特征向量增加到不同的分類器。之后隨機(jī)選取傳輸帶上的二十片磁瓦，通過(guò)主成分分析法提取新圖像的特征參數(shù)如面積，周長(zhǎng)，中心平均距等，特征參數(shù)選取得越多，識(shí)別出的錯(cuò)誤率越低，使用已經(jīng)訓(xùn)練過(guò)的分類器進(jìn)行識(shí)別和分類。實(shí)驗(yàn)得出的數(shù)據(jù)如圖8所示，通過(guò)高斯混合模型的模式識(shí)別設(shè)定模板磁瓦的面積62901，輪廓長(zhǎng)度為1076，中心距為147.77。設(shè)定磁瓦面積區(qū)間[62610,63230]為可接受的合格品區(qū)間如圖8(a)所示，磁瓦輪廓長(zhǎng)度區(qū)間[1068.3,1082.4]為可接受的合格品區(qū)間如圖8(b)所示，磁瓦中心距區(qū)間[147.251,148.095]為可接受合格品區(qū)間如圖8(c)所示。磁瓦樣品特征值的分布根據(jù)所對(duì)應(yīng)的模板磁瓦特征值為中心上下波動(dòng)，如果超過(guò)設(shè)定區(qū)域范圍或偏離模板值越遠(yuǎn)說(shuō)明對(duì)應(yīng)磁瓦為不合格品的概率越高。

圖8 實(shí)驗(yàn)結(jié)果數(shù)據(jù)

6 結(jié)論

由于人工目視檢測(cè)不適合于工業(yè)上大規(guī)模自動(dòng)化識(shí)

【】【】別，把實(shí)驗(yàn)得到的圖像數(shù)據(jù)移植到Halcon開(kāi)發(fā)環(huán)境中，應(yīng)用Halcon編程，經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證，忽略磁瓦在輸送帶上的速度，檢測(cè)四十片磁瓦共耗時(shí)7s平均每個(gè)耗時(shí)0.2s，提高了檢測(cè)效率，并縮短了時(shí)間。該算法針對(duì)磁瓦的識(shí)別效果較好，識(shí)別準(zhǔn)確率為80%，相比人工檢測(cè)，時(shí)間效率和可靠性均有了一定的提升。

[1] 杜柳青,余永維.磁瓦表面缺陷機(jī)器視覺(jué)檢測(cè)與識(shí)別方法[J].圖學(xué)學(xué)報(bào),2014,4(35):590-594.

[2] Turaga P,Chellappa R, Subrahmanian V S, Udrea O. Machine Recognition of Human Activities: A Survey[J]. IEEE Transactions on Circuits and Systerm for Video Technology,2008,18(11):1473-1488.

[3] Kumar A.Computer-vision-based fabric defect detection: A Survey[J].IEEE Transactions on Industrial Electronics, 2008, 55(1):348-363.

[4] Keser T, Hocenski Z, Hocenski V. Intelligent Machine Vision System for Automated Quality Control in Ceramic Tiles Industry [J]. Strojarstov, 2010, 52(2):105-114.

[5] Brosnan T, Sun D W. Improving quality inspection of food products by computer vision-a review[J].Journal of Food Engineering,2004,64(1):3-16.

[6] 嚴(yán)俊龍,鄭曉曦,李鐵源.磁瓦表面缺陷自動(dòng)檢測(cè)系統(tǒng)的研究[J].計(jì)算機(jī)工程與運(yùn)用,2009,45(36):228-231.

[7] 楊成立,殷國(guó)富,蔣紅海,李雪琴. 基于小波變換的磁瓦表面缺陷檢測(cè)方法研究[J].計(jì)算機(jī)應(yīng)用與軟件,2014,31(11):210-213.

[8] 余永維,殷國(guó)富,蔣紅海,黃強(qiáng).磁瓦表面圖像的自適應(yīng)形態(tài)學(xué)濾波缺陷提取方法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2012,24(3):351-356.

[9] 劉宇,孔明,馬忠祥.基于計(jì)算機(jī)視覺(jué)的齒條測(cè)量方法研究[J].計(jì)算機(jī)工程與運(yùn)用,2011,47(33):240-243.

[10] Rafael C.Gonzalez, Richard E.Woods. 數(shù)字圖像處理(MATLAB版)[M].阮秋琦等譯.北京:電子工業(yè)出版社,2005:261-263.

[11] 趙煥利,王玉德,張學(xué)志,薛乃玉. 小波變換和特征加權(quán)融合的人臉識(shí)別[J].中國(guó)圖象圖形學(xué)報(bào),2012,17(12):1523-1527.

[12] 楊軍,袁紅照.結(jié)合小波變換和圖像主元分析的人臉識(shí)別[J]. 計(jì)算機(jī)工程與運(yùn)用,2010,46(4),1-3.

[13] 談蓉蓉.利用顏色和形狀特征的雜草識(shí)別方法研究[D].江蘇:江蘇大學(xué),2009.

[14] 高苗.水聲圖像特征提取技術(shù)研究[D].黑龍江:哈爾濱工程大學(xué),2009.

[15] 陳宇,黃仲洋,江露,鐘秋波.基于高斯混合模型的類人機(jī)器人果實(shí)辨識(shí)研究[J].安徽農(nóng)業(yè)科學(xué),2014,42(15):4889-4891.

Study on the qualified classification of magnetic tile based on gauss mixture model

LIU Hong-sheng, JIANG Hong-hai, HU Zheng-xi

TP391.41

：A

1009-0134(2017)01-0113-04

2016-09-04

劉洪生（1988 -），男，碩士，研究方向?yàn)闄C(jī)器視覺(jué)與圖像處理。