李光明 薛丁華 加小紅 李云彤 雷濤

摘要：針對造紙工業(yè)中傳統(tǒng)紙病識別分類依賴于特征描述子和分類器的選擇問題，提出一種多尺度圖像增強結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的紙病識別分類方法。該方法利用多尺度形態(tài)學(xué)梯度增強紙病圖像的邊緣輪廓信息，突出缺陷梯度特征，然后利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）學(xué)習(xí)紙病圖像的特征并分類識別，從而實現(xiàn)紙病的準(zhǔn)確識別分類。實驗結(jié)果表明，該方法對紙病識別分類的結(jié)果明顯優(yōu)于HOG+SVM、LBP+SVM以及傳統(tǒng)CNN方法，在Caltech101、KTH-TIPS以及本課題的數(shù)據(jù)集上的分類正確識別率分別達到98.44%、99.23%和99.64%。與現(xiàn)有紙病識別分類方法相比，本課題方法不需針對各種紙病進行缺陷特征提取和特征描述，能快速實現(xiàn)紙病的準(zhǔn)確識別分類。

關(guān)鍵詞：圖像增強；卷積神經(jīng)網(wǎng)絡(luò)；多尺度形態(tài)學(xué)梯度；圖像分類

中圖分類號：TS77；TP302.1

文獻標(biāo)識碼：A

DOI：10.11980/j.issn.0254-508X.2018.08.009

特征提取是模式識別的關(guān)鍵步驟，在圖像分析和模式識別中有著重要應(yīng)用。傳統(tǒng)的圖像分類方法首先需要定義特征描述子，再根據(jù)定義好的特征描述子進行特征提取并分類[1-2]。針對造紙行業(yè)中的紙病分類問題，由于實際紙張圖像容易受光照、環(huán)境等因素影響，使得紙病檢測研究問題、紙病特征提取及紙病識別分類成為造紙行業(yè)中的熱點[3]。目前，學(xué)者們已經(jīng)提出了多種紙病識別分類算法。袁浩等人[4]通過對紙病圖像進行特征選擇，提出將支持向量機應(yīng)用于紙病識別分類，但紙病圖像灰度表現(xiàn)單一，且受光照因素影響存在亮度上的變化，導(dǎo)致分類效果不理想。因此，胡慕伊等人[5]根據(jù)不同紙張缺陷圖像的灰度特征，利用動態(tài)雙閾值分割紙張缺陷區(qū)域，提取缺陷特征并進行識別分類，然而閾值分割需要對不同的紙張缺陷設(shè)置不同的閾值，導(dǎo)致參數(shù)設(shè)置困難。為了降低參數(shù)設(shè)置復(fù)雜度，張剛強等人[6]利用Hough變換檢測直線特征的方法對紙張缺陷進行識別分類，該方法在缺陷形狀為線型時識別效果較好，但不適用于大多數(shù)非線型形狀的紙張缺陷識別分類。為了提高紙病分類算法的魯棒性，楊雁南等人[7]提出利用模糊融合器對紙病的多種特征值進行特征層融合，利用徑向基神經(jīng)網(wǎng)絡(luò)對紙病圖像進行識別分類，擴大了紙病辨識的范圍，但提取的特征單一且為淺層特征，從而導(dǎo)致分類精度較低。為此，羅磊等人[8]利用LBP（Locial Binary Pattern，局部二進制模式）提取紙張缺陷特征并進行識別分類，但由于LBP方法對紙張表面圖像紋理清晰度要求較高，需要復(fù)雜的預(yù)處理算法。

近來，吳一全等人[9]提出一種基于Krawtchouk矩不變量和小波支持向量機的紙病識別分類方法，通過計算紙病圖像的Krawtchouk 矩不變量來構(gòu)造紙病圖像的特征向量，根據(jù)訓(xùn)練樣本的特征向量構(gòu)造支持向量機，對紙病進行識別分類，然而該方法的計算復(fù)雜性較高。為了進一步提高缺陷辨識精度，周強等人[10]提出利用二維小波變換去噪、奇異值分解方法提取紙病特征并進行識別分類，有效提高了識別分類精度。

針對傳統(tǒng)圖像分類方法依賴于特征描述子的問題，Hinton等人[11-12]提出的深度學(xué)習(xí)能夠分層學(xué)習(xí)圖像特征，有效避免傳統(tǒng)圖像分類方法依賴于人工特征描述子的問題，在圖像處理及計算機視覺等眾多領(lǐng)域中得到了廣泛應(yīng)用。作為深度學(xué)習(xí)的代表性模型，卷積神經(jīng)網(wǎng)絡(luò)（CNN）能自動學(xué)習(xí)圖像特征，對復(fù)雜圖像的形狀特征、紋理特征、顏色特征以及空間關(guān)系特征進行深層特征提取[13]并分類，通?？色@得比傳統(tǒng)特征提取方法更好的分類效果。2012年，Alex K等人[14]采用深度卷積網(wǎng)絡(luò)對ImageNet分類，錯誤率15.3%。2014年，Szegedy C等人[15]提出了一個包含22層的GoogleNet對ImageNet分類，將錯誤率降至6.67%。2016年，He K等人[16]提出的152層殘差網(wǎng)絡(luò)（ResNet） 將錯誤率進一步降低到3.57%。

鑒于CNN在圖像特征學(xué)習(xí)及分類方面的巨大優(yōu)勢[12-17]，本課題提出了一種多尺度圖像增強結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的紙病識別分類方法。形態(tài)學(xué)中小尺度結(jié)構(gòu)元素有利于梯度細節(jié)檢測，大尺度結(jié)構(gòu)元素有利于抑制噪聲；多尺度形態(tài)學(xué)梯度檢測能兼顧小尺度結(jié)構(gòu)元素和大尺度結(jié)構(gòu)元素的優(yōu)點，且形態(tài)學(xué)對邊緣方向性依賴小，使得圖像能保持較強的對比度。本課題利用多尺度梯度增強紙病圖像中缺陷邊緣輪廓信息，同時利用CNN能夠自動學(xué)習(xí)圖像特征的優(yōu)勢，對紙病圖像進行特征提取并識別分類，主要解決現(xiàn)有的紙病識別分類方法依賴于特征描述子和分類器選擇、特征計算復(fù)雜等問題。實驗結(jié)果表明，本課題提出的方法對不同紙病數(shù)據(jù)集獲得了更高的分類精度，能有效降低紙病分類識別的錯誤率。

本課題主要目的：①將CNN應(yīng)用在紙病識別分類中，解決傳統(tǒng)方法存在紙病特征提取困難、分類精度低的問題；②將多尺度形態(tài)學(xué)梯度應(yīng)用于紙病圖像增強，解決傳統(tǒng)CNN方法直接應(yīng)用于紙病識別分類存在深層特征學(xué)習(xí)困難導(dǎo)致紙病分類精度較低的問題；③與傳統(tǒng)方法相比，在保證計算效率的前提下，給出的方法有效提高了紙病識別率。進一步證明深度CNN對于分類準(zhǔn)確性是有利的，同時表明CNN在缺陷圖像多類別目標(biāo)的識別分類中具有較好的實用性，克服了傳統(tǒng)方法的不足[17]。

1傳統(tǒng)紙病識別分類方法

傳統(tǒng)的識別分類方法是基于對采集到的紙病圖像進行定量化特征提取，用分類器直接對提取特征進行分類，得到分類結(jié)果，進而對紙病的分類信息進行統(tǒng)計分析[3]，針對造成具體紙病的原因，采取改進造紙生產(chǎn)過程中不合理或操作管理不當(dāng)?shù)却胧岣呒垙堎|(zhì)量。

圖1為傳統(tǒng)紙病識別分類流程。從圖1可知，預(yù)先定義特征描述子，進行紙張缺陷特征提取和特征描述計算，用以訓(xùn)練分類器模型，之后基于定義特征和分類器模型，對測試圖像進行特征提取并識別分類。首先，傳統(tǒng)的識別分類方法中的特征描述子包含大量的先驗知識，其進行特征提取的主要問題是識別的準(zhǔn)確性很大程度上取決于該特征描述子是否具有描述某些特征的能力[21-23]，但對多數(shù)圖像而言，固定的特征描述子難以提取到圖像的完整信息；其次，傳統(tǒng)識別分類方法的特征計算復(fù)雜，提取到的特征單一且為圖像的底層特征。因此，為了獲取更好的圖像特征，需要提取紙病圖像的深層語義特征，由此提取到的特征更有利于紙病識別分類。

2本課題方法

針對傳統(tǒng)的紙病識別分類方法依賴于傳統(tǒng)特征描述子、特征計算復(fù)雜等問題，本課題提出一種多尺度圖像增強結(jié)合CNN用于紙病識別分類的方法。對特征提取步驟而言，傳統(tǒng)CNN可以提取到圖像的深層特征信息，深層的網(wǎng)絡(luò)能提取到更全面的高維特征。通過對圖像的形狀特征、紋理特征、顏色特征以及空間關(guān)系特征的深層特征信息進行特征提取并識別分類，能獲得比傳統(tǒng)分類方法更好的識別效果。

對紙病而言，不同的紙病表現(xiàn)在形狀特征、灰度特征以及紙病邊緣特征信息的不同，比如黑斑、孔洞、毯痕、褶皺。而實際中紙病圖像紋理簡單，背景單一，大多數(shù)紙病缺陷邊緣輪廓清晰度不高，同時都屬于少量缺陷。直接用CNN對其進行特征提取，提取到的缺陷特征信息占整幅圖像的特征信息比例較小、特征有效率較低，導(dǎo)致識別效果不理想。因此，結(jié)合具體紙病進行分析后，本課題利用多尺度圖像增強方法，突出紙病輪廓梯度特征，進而增強紙病輪廓清晰度，之后再利用CNN進行特征提取，有利于提取到紙病信息，更有利于紙病的識別分類。

本課題方法的總體框圖如圖2所示。從圖2可知，首先計算多尺度形態(tài)學(xué)梯度，對輸入圖像進行不同尺度形態(tài)學(xué)梯度運算，得到多個尺度下的形態(tài)學(xué)梯度圖像；然后，對不同尺度下的梯度圖像加權(quán)融合得到最終的多尺度形態(tài)學(xué)梯度圖像，將多尺度形態(tài)學(xué)梯度圖像與紙張缺陷圖像進行融合實現(xiàn)圖像增強，輸入至CNN訓(xùn)練模型；最后，將訓(xùn)練集輸入到CNN模型，進行紙病圖像的特征提取并準(zhǔn)確識別分類。

2.1紙病梯度圖像增強

由于紙病圖像紋理簡單，背景單一，大多數(shù)紙病缺陷邊緣輪廓清晰度不高，為了突出紙病輪廓梯度特征，提高紙病輪廓清晰度，有利于CNN提取到有效特征，所以對紙病圖像進行梯度增強。

梯度圖像在沿圖像目標(biāo)區(qū)域的邊緣處有較高的值，在背景區(qū)域的梯度值較低，能夠很好地突出灰度值變化比較大的邊界區(qū)域。因此將梯度圖像與紙病圖像進行融合實現(xiàn)梯度圖像增強，突出梯度特征的同時保留了原始圖片特征信息、紙病的部分背景信息和缺陷周邊特征信息，之后輸入CNN進行特征提取并識別分類。

圖3為三種算子對應(yīng)的紙病的各梯度增強圖像。從圖3可以看出，圖像的邊緣輪廓清晰度相對原圖有所提升，但各算子對缺陷邊緣方向性依賴比較大。Canny算子和Prewitt算子比Sobel算子的抑噪能力強，容易平滑掉一些邊緣信息，且所用算子為固定尺度的結(jié)構(gòu)元素，不適合存在弱邊界的紙病圖像進行圖像梯度增強。

2.2紙病多尺度圖像增強

Canny算子和Prewitt算子抑制噪聲能力強，但增強效果有限。Sobel算子增強效果明顯，但對噪聲比較敏感。針對傳統(tǒng)梯度增強方法存在的問題，由于形態(tài)學(xué)梯度對邊緣方向性依賴小，且能保持較強的對比度[26-28]，所以本課題擬采用形態(tài)學(xué)梯度函數(shù)進行圖像增強。

形態(tài)學(xué)梯度根據(jù)膨脹或腐蝕與原始圖像之差作圖，來增強結(jié)構(gòu)元素領(lǐng)域中像素的強度，突出高亮區(qū)域的外圍。

常用膨脹后的圖像減去腐蝕后的圖像作為梯度圖像。一幅圖像的單尺度形態(tài)學(xué)梯度表示為grad，見式（1）。

式中，⊕和Θ分別表示膨脹和腐蝕的運算符號；f（x，y）為原始圖像，se（x，y）為結(jié)構(gòu)元素，算子性能取決于結(jié)構(gòu)元素se的大小和形狀。小尺度的結(jié)構(gòu)元素抑噪能力弱，但有利于檢測到好的梯度邊緣細節(jié)信息，大尺度的結(jié)構(gòu)元素有利于抑制噪聲，但所檢測到的梯度邊緣較粗，結(jié)構(gòu)元素過大或者過小都容易產(chǎn)生較差結(jié)果，進而影響后續(xù)工作。

為了利用小尺度結(jié)構(gòu)元素和大尺度結(jié)構(gòu)元素各自的優(yōu)點，使用不同尺度的結(jié)構(gòu)元素對原始圖像進行形態(tài)學(xué)梯度運算，并重構(gòu)各梯度圖像，通過對不同尺度形態(tài)學(xué)梯度圖像加權(quán)融合取均值，得到最終的多尺度形態(tài)學(xué)梯度圖像。一幅圖像的多尺度形態(tài)學(xué)梯度圖像表示為Multi_Grad，見式（2）。

相同種類的紙張缺陷圖像的周邊信息特征具有一致性，為了增強紙病的邊緣輪廓信息和梯度特征信息，同時保留原始圖像的背景信息和紙病周邊特征信息，因此提出將多尺度形態(tài)學(xué)特征圖像與原始圖像加權(quán)融合實現(xiàn)圖像增強[22]，增強圖像梯度特征和邊緣特征，之后將增強圖像輸入至CNN進行特征提取并識別分類。結(jié)合式（2） 得最終輸入至網(wǎng)絡(luò)的圖像為Multi_Grad_Input[f（x，y）]，見式（3）。

利用多尺度形態(tài)學(xué)得到多尺度形態(tài)學(xué)梯度圖像（見圖4），其中MSMG為多尺度形態(tài)學(xué)梯度圖像。

對比圖4與圖3的梯度增強圖像可以發(fā)現(xiàn)，多尺度形態(tài)學(xué)方法處理后的缺陷輪廓信息有所提高，對比度也隨之增強，周邊信息得到細化，作為CNN的輸入進行缺陷特征提取，更能代表紙病圖像的特征信息。首先，形態(tài)學(xué)梯度在兼有梯度圖像優(yōu)點下，還具有對邊緣方向性依賴小，達到增強梯度特征、邊緣輪廓特征的目的的優(yōu)勢。其次，形態(tài)學(xué)梯度與各種空間梯度算子有區(qū)別，當(dāng)使用對稱結(jié)構(gòu)元素時，其對邊緣方向依賴性與空間增強技術(shù)中梯度算子的邊緣方向依賴性更小。由于圓盤狀結(jié)構(gòu)元素具有各個方向同性的性質(zhì)，且適合目標(biāo)有弧度的圖像的梯度信息提取，結(jié)合紙病圖像的缺陷形狀，因此本課題選擇采用圓形結(jié)構(gòu)元。

2.3CNN提取特征并識別分類

根據(jù)圖2，對于增強后的紙張圖像采用CNN進行紙病特征學(xué)習(xí)并識別分類。由于增強后的紙病圖像對比度明顯，能突出紙病缺陷的梯度特征和邊緣信息特征。提取到的特征有效率較高，因此更有利于紙病識別分類。

CNN是一種處理二維輸入數(shù)據(jù)的前饋神經(jīng)網(wǎng)絡(luò)，與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)一樣使用反向傳播算法訓(xùn)練修正參數(shù)，區(qū)別在于網(wǎng)絡(luò)的結(jié)構(gòu)，CNN包含了若干個由卷積層和池化層構(gòu)成的特征提取器[24]。本課題用AlexNet網(wǎng)絡(luò)模型進行特征提取。圖5是簡單的CNN圖像分類框架。Ci表示第i卷積層，Sj表示第j池化層。

2.3.1卷積層

卷積層是CNN的特征提取層，卷積層的每一個特征圖是前一層的特征圖與卷積核進行濾波卷積和，增加偏置項的結(jié)果，通過卷積操作提取圖像的局部特征[24-25]，第l層特征圖的計算可表示為式（4）。

2.3.2池化層

池化層為下采樣特征映射層，通過降低特征的分辨率，來防止過擬合。同時減少網(wǎng)絡(luò)參數(shù)和保持圖像平移、伸縮和旋轉(zhuǎn)不變形，能計算圖像局部特征并對圖像不同位置的特征進行聚合統(tǒng)計[24-25]，得到其特征表達。采用最大池化方法，第l+1層的特征圖可表示如式（5）所示。

2.3.3基于CNN的紙病特征提取

AlexNet深度網(wǎng)絡(luò)模型如圖6所示，其中前5層（C1～C5）是特征提取層，Ci表示第i卷積層，用以在保持圖像平移、伸縮和旋轉(zhuǎn)不變形的情況下進行圖像特征提取。后面3層為全連接層，F(xiàn)j表示第j全連接層，實現(xiàn)對紙病圖像的特征學(xué)習(xí)、特征提取并識別分類。

基于AlexNet深度網(wǎng)絡(luò)模型，對紙病進行特征學(xué)習(xí)，將孔洞紙病圖像和其增強圖像輸入至CNN 中進行特征提取，各卷積層結(jié)果如圖7所示。從圖7中的圖像對比可以看出，本課題方法使孔洞紙病整體對比度提高，且輪廓邊緣清晰。

2.4本課題算法描述

本課題基于多尺度圖像增強結(jié)合CNN的紙病識別分類算法，結(jié)合小尺度結(jié)構(gòu)元和大尺度結(jié)構(gòu)元的優(yōu)點，利用數(shù)學(xué)形態(tài)學(xué)方法計算紙病圖像的形態(tài)學(xué)梯度圖像，對不同尺度下的形態(tài)學(xué)梯度圖像加權(quán)融合取均值，得最終的多尺度形態(tài)學(xué)梯度圖像。輸入至CNN中進行特征提取并識別分類。

基于多尺度圖像增強結(jié)合CNN的紙病識別分類算法具體步驟如下：

（1）準(zhǔn)備紙病圖像數(shù)據(jù)，并隨機劃分訓(xùn)練集和測試集。

（2）初始化，給定程序的運行參數(shù)，sei為第 i尺度對應(yīng)的結(jié)構(gòu)元，此處取半徑大小為1、3、5、7的圓形結(jié)構(gòu)元素，并輸入紙病訓(xùn)練集圖像。

（3）利用形態(tài)學(xué)方法對輸入圖像進行不同尺度形態(tài)學(xué)梯度運算，得到多個尺度下的形態(tài)學(xué)梯度圖像；G（i）表示尺度i的形態(tài)學(xué)梯度圖像，見式（6）。

（4）對不同尺度下的形態(tài)學(xué)梯度圖像加權(quán)融合，得最終的多尺度形態(tài)學(xué)梯度圖像MG；n表示尺度數(shù)目，見式（7）。

（5）將多尺度形態(tài)學(xué)梯度圖像與紙張缺陷圖像進行融合實現(xiàn)增強圖像。

（6）將訓(xùn)練集對應(yīng)的增強圖像輸入至CNN進行特征學(xué)習(xí)。

（7）將測試集對應(yīng)的增強圖像，輸入至訓(xùn)練好的模型上進行紙病特征提取并識別分類，得訓(xùn)練集數(shù)據(jù)對應(yīng)的預(yù)測標(biāo)簽。

（8）訓(xùn)練集的預(yù)測標(biāo)簽與實際標(biāo)簽對比，計算紙病識別分類正確率。

本課題算法流程圖如圖8所示。

3實驗與分析

實驗研究了通過紙病識別分類來驗證本課題算法的可行性。實驗選擇共400張227*227*3紙病圖像，各類紙病100張，對數(shù)據(jù)集按0.8比例隨機劃分訓(xùn)練集和測試集。對比紙病預(yù)測類別標(biāo)簽與實際類別標(biāo)簽，對實現(xiàn)結(jié)果進行評價，實驗在CPU： Intel（TM）i7-6700U處理器，16G內(nèi)存，NVIDIA Quadro K620顯卡的硬件環(huán)境和Matlab2017a的軟件環(huán)境下運行。

本課題方法利用多尺度形態(tài)學(xué)實現(xiàn)紙病圖像增強，在增強紙病圖像的邊緣輪廓信息和梯度特征的同時，保留了原圖的背景信息和缺陷目標(biāo)周邊特征信息，增強了圖像梯度特征和缺陷邊緣輪廓特征，由此提取到的特征更有利于紙病識別分類，進而實現(xiàn)CNN的特征提取并識別分類，能提高識別分類精度。

3.1紙張缺陷數(shù)據(jù)集測試結(jié)果

為了更清晰地觀察和分析各類圖像正確分類的個數(shù)及與某個類別容易混淆造成錯分的類別，實驗利用混淆矩陣對正確分類的圖像個數(shù)進行表征，其中混淆矩陣的X軸和Y軸均表示紙病類別，第i行第j列的值代表第i類紙病被分為第j類的個數(shù)比例，混淆矩陣對角線上的元素值表示對應(yīng)紙病正確識別分類的比例，對測試集紙病圖像進行分類得到正確識別率。結(jié)果如表1所示。

從表1實驗結(jié)果可以看出，CNN耗時明顯優(yōu)于HOG+SVM和LBP+SVM，本課題算法在紙病識別分類中正確識別率達到99.64%，比傳統(tǒng)CNN方法提高了0.89個百分點，明顯優(yōu)于其他算子的梯度增強方法和傳統(tǒng)CNN方法。實現(xiàn)了在保證不影響耗時的前提下，對紙病進行準(zhǔn)確快速識別分類，具有分類精度高、耗時少的優(yōu)勢，因此在紙病識別分類應(yīng)用方面具有一定的可行性。

3.2Caltech101、KTH-TIPS數(shù)據(jù)集測試結(jié)果

Caltech101是一個圖像物體識別數(shù)據(jù)集，包含101類物體的圖像，每個類別中最小包含 31 張圖像。隨機劃分訓(xùn)練集2505張圖像，測試集626張圖像；KTH-TIPS是一個在不同的光照、角度和尺度下拍攝的不同材質(zhì)表面紋理圖片，總共10類紋理圖像，每類81張圖像，隨機劃分訓(xùn)練集648張圖像，測試集162。兩種數(shù)據(jù)集多用于圖像識別分類，在各數(shù)據(jù)集上用以上方法進行對比實驗，實驗結(jié)果見表2。從表2可以看出，與其他算子的梯度增強方法和傳統(tǒng)CNN方法相比，本課題的多尺度圖像增強結(jié)合CNN分類方法有較高的分類精度，對兩種數(shù)據(jù)集的分類正確識別率分別達到了98.44%和99.23%。同時，耗時少于傳統(tǒng)方法。證明了本課題方法的優(yōu)越性和實用性。

4結(jié)論

本課題將卷積神經(jīng)網(wǎng)絡(luò)（CNN）應(yīng)用在紙病識別分類中，能快速實現(xiàn)紙病圖像的特征提取并準(zhǔn)確識別分類；同時提出一種多尺度圖像增強結(jié)合CNN的紙病識別分類方法，解決傳統(tǒng)紙病識別分類依賴于傳統(tǒng)特征描述子和分類器選擇、特征計算復(fù)雜等問題。實驗結(jié)果表明，在保證計算效率的前提下，本課題提出的方法在紙病數(shù)據(jù)集上的分類正確識別率達到了99.64%，比傳統(tǒng)CNN方法提高了0.89個百分點，降低了錯誤率。且在Caltech101、KTH-TIPS數(shù)據(jù)集上的分類正確識別率分別達到98.44%和99.23%，進一步驗證了方法的可行性和有效性。不足之處是所分類識別對象僅為4種紙張缺陷，下一步的研究方向可以改進CNN的結(jié)構(gòu)以提高其泛化能力，應(yīng)用到多種紙病中。

參考文獻

[1]Romero A， Gatta C， Camps-Valls G. Unsupervised deep feature extraction for remote sensing image classification[J]. IEEE Transactions on Geoscience and Remote Sensing， 2016， 54（3）： 1349.

[2]Chen Y， Jiang H， Li C， et al. Deep feature extraction and classification of hyperspectral images based on convolutional neural networks[J]. IEEE Transactions on Geoscience and Remote Sensing， 2016， 54（10）： 6232.

[3]ZHOU Qiang， CHEN Ying， SHEN Tian-yu， et al. Development of Paper Disease Detection System Based on Machine Vision[J]. China Pulp & Paper， 2016， 35（5）： 72.

周強， 陳穎， 沈天宇， 等. 基于機器視覺的紙病檢測系統(tǒng)發(fā)展綜述[J]. 中國造紙， 2016， 5： 72.

[4]Yuan H， Fu Z L， et al. Paper defect image classification and recognition based on support vector machine[J]. Journal Of Computer Applications， 2008， 28（2）： 330.

袁浩， 付忠良， 等. 基于支持向量機的紙張缺陷圖像分類識別[J]. 計算機應(yīng)用， 2008， 28（2）： 330.

[5]YIN Yan-ping， XIONG Zhi-xin， HU Mu-yi. Paper defect image recognition algorithm based on threshold segmentation and fractal features[J]. Transactions of China Pulp and Paper， 2011， 26（4）： 41.

殷燕屏， 熊智新， 胡慕伊. 基于閾值分割及分形特征的紙病圖像識別算法研究[J]. 中國造紙學(xué)報， 2011， 26（4）： 41.

[6]ZHANG Gang-qiang， ZHOU Qiang. Application of improved Hough transform in paper defect detection system[J]. Transactions of China Pulp and Paper， 2011， 26（4）： 38.

張剛強， 周強. 改進Hough變換在紙病檢測系統(tǒng)中的應(yīng)用[J]. 中國造紙學(xué)報， 2011， 26（4）： 38.

[7] Zhou Q， Yang Y N， Liu Y， et al. Paper recognition based on RBFNN fuzzy fusion[J]. Acta Photonica Sinica， 2013， 42（8）： 1002.

周強， 楊雁南， 劉勇， 等. 基于RBFNN模糊融合的紙病在線辨識[J]. 光子學(xué)報， 2013， 42（8）： 1002.

[8] Luo L， Zhang E H. Research and implementation of paper surface defect detection system based on image analysis[J]. Journal of Xian University of Technology， 2014， 30（2）： 187.

羅磊， 張二虎. 基于圖像分析的紙張表面缺陷檢測系統(tǒng)的研究與實現(xiàn)[J]. 西安理工大學(xué)學(xué)報， 2014， 30（2）： 187.

[9] Zhu L， Wu Y Q. Research on detection methods of pulp fibers and paper defects based on computer vision[D]. Nanjing： Nanjing University of Aeronautics and Astronautics， 2015.

朱麗， 吳一全. 基于計算機視覺的紙漿纖維和紙張缺陷檢測方法研究[D]. 南京： 南京航空航天大學(xué)， 2015.

[10] ZHOU Qiang， QI Lu. Paper defect identification based on SVD and SVM for complex background noise image[J]. Transactions of China Pulp and Paper， 2016， 31（2）： 49.

周強， 齊璐. 基于SVD和SVM的復(fù)雜背景噪聲圖像的紙病辨識[J]. 中國造紙學(xué)報， 2016， 31（2）： 49.

[11] Hinton G， Osindero S， Teh Y-W. A fast learning Algorithm for Deep Belief Nets[J]. Nature， 2006， 18（7）， 1527.

[12] Le Cun Y， Bengio Y， Hinton G. Deep learning[J]. Nature， 2015， 521（7553）： 436.

[13]Schmidhuber J. Deep Learning in neural networks： An overview[J]. Neural Networks， 2015， 61： 85.

[14]Alex K， Ilya S， Geoff H. Imagenet classification with deep convolutional neural networks[J]. Advances in Neural Information Processing Systems， 2012， 25（2）： 1106.

[15]Szegedy C， Liu W， Jia Y， et al. Going deeper with convolutions[C]// IEEE Conference on Computer Vision and Pattern Recognition. IEEE Computer Society， Boston， United States， 2015： 1.

[16]He K， Zhang X， Ren S， et al. Deep Residual Learning for Image Recognition[C]// IEEE Conference on Computer Vision and Pattern Recognition， Las Vegas， NV， United States， 2016： 770.

[17] Ren S， He K， Girshick R， et al. Object detection networks on convolutional feature maps[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（7）： 1476.

[18] Tang B， Kong J Y， Wu S Q. Review of surface defection based on machine vision[J]. Journal of Image and Graphics， 2017， 22（12）： 1640.

湯勃， 孔建益， 伍世虔. 機器視覺表面缺陷檢測綜述[J]. 中國圖象圖形學(xué)報， 2017， 22（12）： 1640.

[19] Bian Z G. Development of machine vision technology[J]. China Instrumentation， 2015（6）： 40.

卞正崗. 機器視覺技術(shù)的發(fā)展[J]. 中國儀器儀表， 2015（6）： 40.

[20] Xu K， Wang L， Wang J Y. Surface defect recognition of hot-rolled steel plates based on Tetrolet transform[J]. Journal of Mechanical Engineering， 2016， 52（4）： 13.

徐科， 王磊， 王璟瑜. 基于Tetrolet變換的熱軋鋼板表面缺陷識別方法[J]. 機械工程學(xué)報， 2016， 52（4）： 13.

[21]Koch C， Georgieva K， Kasireddy V， et al. A review on computer vision based defect detection and condition assessment of concrete and asphalt civil infrastructure[J]. Advanced Engineering Informatics， 2015， 29（2）： 196.

[22]Cha Y-J， You K， Choi W. Vision-based detection of loosened bolts using the Hough transform and support vector machines[J]. Automation in Construction， 2016， 71（2）： 181.

[23] Zhou Y C， Wei Y. Learning hierarchical spectral-spatial features for hyperspectral image classification[J]. IEEE Transactions on Cybernetics， 2016， 46（2）： 1667.

[24] Cha Y-J， Choi W， Büyükztürk O. Deep learning-based crack damage detection using convolutional neural networks[J]. IEEE Transactions on Geoscience and Remote Sensing， 2017， 32： 361.

[25] Chougrad H， Zouaki H， Alheyane O. Deep Convolutional Neural Networks for breast cancer screening[J]. Computer Methods and Programs in Biomedicine， 2018， 157： 19.

[26] Lei T， Jia X H， Zhang Y N， et al. Significantly fast and robust fuzzy c-means clustering algorithms based on morphological reconstruction and membership filtering[J]. IEEE Transactions on Fuzzy Systems.[DOI： 10. 1109/TFUZZ. 2018. 2796074].

[27] Lei T， Zhang Y N， Wang Y， et al. A conditionally invariant mathematical morphological framework for color images[J]. Information Sciences， 2017， 387（5）： 34.

[28] Lei T， Fan Y Y， Wang Y. Color edge detection based on the fusion of hue and Principal component analysis[J]. IET Image Processing， 2014， 8（1）： 44.

（責(zé)任編輯：常青）