劉洪生，蔣紅海，忽正熙

（昆明理工大學 機電工程學院，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 機電工程學院，昆明 650500）

針對目前磁瓦合格分類人工識別效率低。提出了一種基于高斯混合模型的磁瓦合格檢測方法，通過Halcon軟件將工業(yè)相機采集到的磁瓦樣本圖片進行圖像灰度化，降噪，濾波，閾值分割，形態(tài)學處理，處理后根據主成分分析法，提取出磁瓦的面積、周長和中心幾何距等特征參數，再根據特征參數的不同進行匯總賦值，利用高斯混合模型分類識別出磁瓦樣本的合格與不合格品。實驗結果表明，Halcon編程檢測出四十片磁瓦共耗時約7s，平均每個耗時0.2s，提高了檢測效率，并縮短了檢測時間。該算法針對磁瓦的識別效果較好，識別準確率高，相比人工檢測，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；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上能產生恒定磁能的瓦狀磁鐵。其質量的好壞對電機的性能有較大的影響。在磁瓦的生產過程中，由于技術等原因，磁瓦的缺陷難以避免。目前大多數生產磁瓦的廠家主要依賴于人工目視檢測[1]，這導致檢測磁瓦的效率低下，可靠性不足等缺點，無法滿足大規(guī)模高效率的生產。依靠機器視覺的自動化檢測是國內外研究的熱點[2～5]。文獻[6]開發(fā)了一種基于機器視覺技術的磁瓦表面缺陷自動檢測系統，但僅能檢測缺陷陷區(qū)域的面積，對于缺陷磁瓦的周長，寬高度及幾何距等無法檢測。文獻[7]介紹了一種基于小波變換的磁瓦表面缺陷檢測方法研究，但是檢測和處理耗時長，不適于在線檢測。文獻[8]中磁瓦檢測系統所需的光源復雜，且算法的通用性不高。本文運用Halcon軟件進行圖像處理和判別磁瓦是否合格。

1 視覺檢測系統實驗設計

實驗檢測系統主要由計算機圖像處理軟件，電動及氣動控制系統，和圖像數據采集裝置組成。該實驗系統的核心部件包括：工業(yè)CCD相機，LED光源，運動控制卡，交流伺服電機，步進電機，直流電源，傳感器，氣動機械手和計算機。系統總體結構如圖1所示。

圖1 系統結構圖

其中光照部分，本實驗平臺采用的是穹頂LED光源，穹頂光源是漫擴散，均勻照明，亮度可調，熱輻射小，柔和的光源。其張角可以使彎曲表面成像，它主要是通過半球型的內壁數次漫反射，消除物體的陰影來達到良好的光照效果。

系統工作過程如下：將待識別的磁瓦擺放在傳送帶上。通過距離傳感器實時給工業(yè)相機進行反饋，使工業(yè)相機采集磁瓦圖像并進行模式識別判斷出該磁瓦是否是合格品。通過氣動機械手將不合格的磁瓦吸取，然后將其放分類盒中。氣動機械手按照相關的動作順序進行往復循環(huán)動作來實現對待測磁瓦的分類和識別，圖2為實現工作過程的工件識別與氣動機械手抓取系統和Halcon軟件工作界面。

2 圖像處理

2.1 算法流程

為了對目標磁瓦識別系統的準確應用，并提高檢測速度和效率，首先要對磁瓦進行圖像的采集，圖像采集好壞直接影響后續(xù)圖像處理的結果，因為工業(yè)相機采集的圖像含有噪聲，所以必須對所采集的圖像進行一系列圖像預處理。比如灰度化處理，可以減少計算機對圖像處理的信息量，提高圖像處理速度，中值濾波，去除噪聲點，增加識別的準確性。閾值分割，突出目標的信息。運用形態(tài)學的處理，對檢測結果的銳化，為后續(xù)的圖像識別降低難度。最后設置合格磁瓦特征參數區(qū)間，來判別待檢測的磁瓦是否合格，如圖3所示為圖像處理的算法流程圖。

圖2 工件識別與氣動機械手系統及Halcon軟件界面

圖3 算法流程圖

2.2 圖像閾值的分割和提取

本實驗采用直方圖分割并二值化，首先對圖像灰度化處理，之后進行中值濾波降噪，這樣便于后續(xù)的進一步處理[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)學操作

數學形態(tài)學[10]是由一組形態(tài)學的代數運算子組成的非線性的圖像處理方法。其中本實驗運用到的開操作是將磁瓦的輪廓進行平滑、消除細小的突出物以及斷開較窄的狹頸。結構元B對集合A的開操作，表示為BA?，其定義如下：

圖5為進行開操作處理后不合格與合格的磁瓦圖片。

圖5 進行開操作后的圖片

3 圖像特征提取

主成分分析法的磁瓦樣本識別[11]，設磁瓦圖像大小為m.n，將其向量化變成維數是N=m.n的列向量。假設有M個訓練樣本，第j個樣本的列向量為Xj，即：

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

其維數是N.N[12]。

最優(yōu)投影子空間為協方差矩陣C的非零特征值的特征向量構成，主成分維數d則根據特征值具體的貢獻率來確定。特征空間矩陣為把訓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。

對于磁瓦檢測來說，通過主成分分析法提取的特征參數有面積、周長等[13]。

1）面積A。面積是圖像通過圖像預處理后，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，對于一個圖像區(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的距離為1，而傾斜方向上為2[14]。即通過像素的個數來表示輪廓。圖6為進行特征的提取和識別后檢測出的樣本區(qū)域，經過檢測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 特征提取和識別出的區(qū)域

4 圖像的模式識別

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

式中，xi為向量且維數為d；混合分布的參數kα為權系數且滿足其中是單高斯概率分布：

式中，kμ為訓練的樣本平均值；∑k為樣本方差矩陣。將任意測試樣本xi代入上式，可得到一個標量然后根據閾值來判斷樣本磁瓦是否屬于該類別即合格與不合格。圖7為識別后的結果。

圖7 識別出的合格與不合格樣本

5 實驗結果及分析

本實驗首先運用高斯混合模型對分類器進行前二十片磁瓦的分類訓練和識別，將得到的特征向量增加到不同的分類器。之后隨機選取傳輸帶上的二十片磁瓦，通過主成分分析法提取新圖像的特征參數如面積，周長，中心平均距等，特征參數選取得越多，識別出的錯誤率越低，使用已經訓練過的分類器進行識別和分類。實驗得出的數據如圖8所示，通過高斯混合模型的模式識別設定模板磁瓦的面積62901，輪廓長度為1076，中心距為147.77。設定磁瓦面積區(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所對應的模板磁瓦特征值為中心上下波動，如果超過設定區(qū)域范圍或偏離模板值越遠說明對應磁瓦為不合格品的概率越高。

圖8 實驗結果數據

6 結論

由于人工目視檢測不適合于工業(yè)上大規(guī)模自動化識

【】【】別，把實驗得到的圖像數據移植到Halcon開發(fā)環(huán)境中，應用Halcon編程，經過實驗驗證，忽略磁瓦在輸送帶上的速度，檢測四十片磁瓦共耗時7s平均每個耗時0.2s，提高了檢測效率，并縮短了時間。該算法針對磁瓦的識別效果較好，識別準確率為80%，相比人工檢測，時間效率和可靠性均有了一定的提升。

[1] 杜柳青,余永維.磁瓦表面缺陷機器視覺檢測與識別方法[J].圖學學報,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] 嚴俊龍,鄭曉曦,李鐵源.磁瓦表面缺陷自動檢測系統的研究[J].計算機工程與運用,2009,45(36):228-231.

[7] 楊成立,殷國富,蔣紅海,李雪琴. 基于小波變換的磁瓦表面缺陷檢測方法研究[J].計算機應用與軟件,2014,31(11):210-213.

[8] 余永維,殷國富,蔣紅海,黃強.磁瓦表面圖像的自適應形態(tài)學濾波缺陷提取方法[J].計算機輔助設計與圖形學學報,2012,24(3):351-356.

[9] 劉宇,孔明,馬忠祥.基于計算機視覺的齒條測量方法研究[J].計算機工程與運用,2011,47(33):240-243.

[10] Rafael C.Gonzalez, Richard E.Woods. 數字圖像處理(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,張學志,薛乃玉. 小波變換和特征加權融合的人臉識別[J].中國圖象圖形學報,2012,17(12):1523-1527.

[12] 楊軍,袁紅照.結合小波變換和圖像主元分析的人臉識別[J]. 計算機工程與運用,2010,46(4),1-3.

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

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

[15] 陳宇,黃仲洋,江露,鐘秋波.基于高斯混合模型的類人機器人果實辨識研究[J].安徽農業(yè)科學,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，研究方向為機器視覺與圖像處理。