亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于改進(jìn)Logistic回歸與不變矩的螺釘滑牙檢測(cè)方法

        2018-11-10 03:51:00郭慶華王家豪宋麗梅楊懷棟
        關(guān)鍵詞:分類(lèi)器梯度螺釘

        郭慶華 ,王家豪 ,宋麗梅 ,楊懷棟

        (1.天津工業(yè)大學(xué) 電氣工程及自動(dòng)化學(xué)院,天津 300387;2.清華大學(xué) 精密儀器系,北京 100084;3.伍倫貢大學(xué) 計(jì)算機(jī)、電氣工程與通信工程學(xué)院,伍倫貢 2500,澳大利亞)

        目前,在生產(chǎn)制造業(yè)方面,工業(yè)機(jī)器人自動(dòng)系統(tǒng)已發(fā)展得比較成熟,比如瑞士的ABB工業(yè)機(jī)器人系統(tǒng),日本的Nachi工業(yè)機(jī)器人系統(tǒng),都有一整套的解決方案.然而在產(chǎn)品檢測(cè)部分,尤其是高精度檢測(cè)部分,尚屬于國(guó)內(nèi)外學(xué)術(shù)界研究的熱點(diǎn)[1-4].檢測(cè)作為工業(yè)生產(chǎn)制造過(guò)程必不可少的環(huán)節(jié),正制約著生產(chǎn)自動(dòng)化的發(fā)展.市場(chǎng)上主流的自動(dòng)工業(yè)檢測(cè)設(shè)備大多采用激光或者光譜共聚焦設(shè)備,雖然精度很高,有些甚至能達(dá)到納米級(jí)的精度,但是造價(jià)高昂,而且其采集到的數(shù)據(jù)量龐大且冗余信息過(guò)多,從中提取感興趣區(qū)域ROI(region of interest)會(huì)耗費(fèi)大量的時(shí)間,這直接影響了算法的優(yōu)化.所以基于計(jì)算機(jī)視覺(jué)的工業(yè)檢測(cè)方向一直是國(guó)內(nèi)外研究的前沿與熱點(diǎn).在過(guò)去幾年中,大多數(shù)研究都集中在產(chǎn)品外觀、包裝以及大中型工業(yè)部件表面曲率是否合格、產(chǎn)品凹坑、加工精度是否符合要求等方面,對(duì)于螺釘、鉚釘這類(lèi)涉及精度較高的微小零部件的檢測(cè)還很少有人研究[5].

        2010年Kosarevsky等[6]提出了利用3D掃描儀對(duì)螺釘滑絲情況的檢測(cè),并給出了評(píng)價(jià)方法.2013年Latypov等[7]在Sergey Kosarevsky基礎(chǔ)上進(jìn)行了點(diǎn)云重建并提出了新的評(píng)價(jià)方法.2016年,Cha等[8]基于霍夫變換和支持向量機(jī)實(shí)現(xiàn)了對(duì)螺釘松脫方面的檢測(cè)與測(cè)量.由此可以看出,使用機(jī)器視覺(jué)的檢測(cè)系統(tǒng)的被測(cè)對(duì)象正向著小型化、高精度的方向發(fā)展.然而傳統(tǒng)的基于機(jī)器視覺(jué)的檢測(cè)方法準(zhǔn)確度低,且傳統(tǒng)的支持向量機(jī)算法需要多輪迭代才能收斂,需要較長(zhǎng)的學(xué)習(xí)時(shí)間[9].基于此,本文提出利用計(jì)算機(jī)視覺(jué)結(jié)合改進(jìn)logistic回歸分類(lèi)器對(duì)螺釘滑牙進(jìn)行檢測(cè)的方法,并搭建出基于此方法的測(cè)量系統(tǒng),以解決傳統(tǒng)機(jī)器視覺(jué)方法精度低、采用機(jī)器學(xué)習(xí)算法訓(xùn)練時(shí)間過(guò)長(zhǎng)等問(wèn)題.

        1 檢測(cè)平臺(tái)的搭建

        本研究采用型號(hào)為PointGrayGS3-U3-51S5M的工業(yè)CCD相機(jī),鏡頭為Schneider 11 mm焦距鏡頭,當(dāng)被測(cè)物體表面與相機(jī)距離為28.3 cm時(shí)取得最佳成像,經(jīng)實(shí)驗(yàn)測(cè)得,每像素代表的實(shí)際大小為0.010 4 mm.本系統(tǒng)選用條形光源進(jìn)行補(bǔ)光.實(shí)驗(yàn)平臺(tái)如圖1所示.

        圖1 實(shí)驗(yàn)平臺(tái)示意圖Fig.1 Sketch map of experiment platform

        2 系統(tǒng)工作流程與關(guān)鍵算法

        2.1 系統(tǒng)工作流程

        系統(tǒng)工作流程如圖2所示.

        圖2 工作流程圖Fig.2 System flow chart

        (1)圖像預(yù)處理部分:主要對(duì)CCD采集的圖像進(jìn)行濾波,在去除噪聲的同時(shí)增強(qiáng)圖像邊緣,提高ROI提取的精度.

        (2)ROI提取部分:首先對(duì)預(yù)處理后的圖像進(jìn)行閾值二值化,然后進(jìn)行霍夫圓變換,提取螺釘?shù)奈恢?

        (3)特征提取部分:計(jì)算每個(gè)ROI處的Hu矩.

        (4)判斷預(yù)測(cè)部分:用訓(xùn)練好的Logistic回歸分類(lèi)器對(duì)輸入的7個(gè)Hu矩進(jìn)行判斷.

        2.2 關(guān)鍵算法

        2.2.1 ROI提取算法

        在ROI提取方面,主要采用了霍夫變換的方法,將圖像中特定大小的圓(即螺釘)的圓心位置、半徑求出,即確定了ROI區(qū)域.

        霍夫變換是一種基于投票累加器的算法[10],對(duì)于霍夫圓變換的參數(shù)方程為:

        由式(1)可見(jiàn),由于方程含有3個(gè)未知量,如果構(gòu)建累加器則需要3個(gè)維度.為了節(jié)約時(shí)間及算法對(duì)內(nèi)存的占用,將霍夫圓變換分為2個(gè)步驟[11]:首先引入一個(gè)檢測(cè)圓心(ai,bi)的累加器.使用一個(gè)邊緣探測(cè)器檢測(cè)圓心周?chē)黠@的邊緣點(diǎn).由于圓周上的邊緣點(diǎn)的梯度應(yīng)該指向半徑方向,所以,在找到可能的圓心的情況下,建立一維的半徑直方圖,則直方圖峰值對(duì)應(yīng)的是檢測(cè)到的圓的半徑.

        2.2.2 特征提取算法

        不變矩是由Hu提出的,其利用中心矩構(gòu)造出7個(gè)不變量,能夠?qū)^(qū)域形狀進(jìn)行描述,而且具有平移、比例、旋轉(zhuǎn)不變性,在計(jì)算機(jī)視覺(jué)中是一種十分重要的特征描述方法[12].

        對(duì)于分布為f(x,y)的灰度圖像,定義其(p+q)階矩為[13]:

        且對(duì)應(yīng)的中心矩定義為:

        由于數(shù)字圖像的分布是不連續(xù)的,所以將矩函數(shù)與中心矩函數(shù)離散化:

        定義歸一化中心矩為:

        Hu利用二階、三階中心矩構(gòu)造出了7個(gè)不變矩,其在連續(xù)圖像條件下可保持圖像平移、縮放、旋轉(zhuǎn)不變性[14].具體定義如下:

        2.2.3 分類(lèi)判別算法

        Logistic回歸是業(yè)界最常用的分類(lèi)器之一,其對(duì)線性可分的數(shù)據(jù)有良好的分類(lèi)效果與分類(lèi)精度[15-16].Logistic回歸工作原理如圖3所示.

        圖3 Logistic回歸原理簡(jiǎn)圖Fig.3 Schematic diagram of Logistic regression

        定義數(shù)據(jù):X=[x0,x1,x2,x3…xn],其中 n 為特征維度.類(lèi)別標(biāo)簽

        網(wǎng)絡(luò)輸入:

        式中:W=[w0,w1,w2,w3,…,wn]為權(quán)重參數(shù).Logistic 回歸的目標(biāo)即訓(xùn)練出權(quán)重參數(shù)W使得分類(lèi)錯(cuò)誤率最低.

        激活函數(shù):

        Logistic回歸的學(xué)習(xí)過(guò)程就是不斷地更新權(quán)重W直到其收斂.傳統(tǒng)的Logistic回歸參數(shù)更新過(guò)程為:

        式中:σ為學(xué)習(xí)率;ΔJ(W)為損失函數(shù)的梯度.Logistic回歸的損失函數(shù)被定義為log-likelihood函數(shù)的最小值:

        在傳統(tǒng)的Logistic回歸學(xué)習(xí)過(guò)程中,如何選取合適的σ值成為至關(guān)重要的問(wèn)題,學(xué)習(xí)率過(guò)小會(huì)導(dǎo)致收斂過(guò)程變慢,需要更多的迭代次數(shù),學(xué)習(xí)率過(guò)大會(huì)造成更新過(guò)程發(fā)散.

        然而,在實(shí)際應(yīng)用中,數(shù)據(jù)中的每個(gè)特征對(duì)分類(lèi)的影響是不同的,對(duì)影響較大的特征使用較大的學(xué)習(xí)率勢(shì)必會(huì)造成學(xué)習(xí)過(guò)程中的發(fā)散,而對(duì)于影響較小的特征使用較小的學(xué)習(xí)率也會(huì)造成更新過(guò)程收斂較小.因此,本文提出使用自適應(yīng)學(xué)習(xí)權(quán)重?=[?1,?2,…,?n]重寫(xiě)參數(shù)更新過(guò)程:

        首先計(jì)算整體數(shù)據(jù)集的香農(nóng)熵:

        式中:P(xi)為分類(lèi)標(biāo)簽i的樣本數(shù)目占總樣本數(shù)目之比;n為分類(lèi)標(biāo)簽數(shù)目.

        對(duì)于特征F,遍歷整個(gè)數(shù)據(jù)集,尋找F對(duì)數(shù)據(jù)集的最佳劃分,使得信息增益IG最大化,信息增益的定義為:

        利用 IG 表征特征對(duì)分類(lèi)的影響,[?1,?2,…,?n]可由式(21)計(jì)算:

        3 實(shí)驗(yàn)驗(yàn)證

        在本次實(shí)驗(yàn)過(guò)程中,一共采集了不同光強(qiáng)下的53張圖片,每張圖片有3~10個(gè)數(shù)量不等的螺釘,用于分類(lèi)器訓(xùn)練.

        3.1 ROI提取結(jié)果

        已經(jīng)實(shí)驗(yàn)測(cè)得每像素代表的實(shí)際大小為0.010 4 mm,對(duì)于直徑為5~8 mm的螺釘,可算出其在圖像中的半徑大小約為240~385像素.所以設(shè)定霍夫圓變換最小檢測(cè)圓半徑為200像素.樣片霍夫變換提取結(jié)果如圖4所示.

        圖4 樣片霍夫變換結(jié)果Fig.4 Hough transform result of samples

        3.2 Hu矩計(jì)算結(jié)果

        在計(jì)算Hu矩之前要先提取螺釘中心紋理處的輪廓,然后計(jì)算7個(gè)Hu矩,樣片中各螺釘?shù)腍u矩如表1所示,單位為像素.

        表1 樣片中螺釘?shù)腍u矩計(jì)算結(jié)果Tab.1 Hu moments result of screws in sample

        3.3 滑牙缺陷判別處理

        首先進(jìn)行l(wèi)ogistic回歸分類(lèi)器的訓(xùn)練,將53張圖片共357個(gè)螺釘樣本分為測(cè)試樣本與訓(xùn)練樣本,計(jì)算各特征的最大化信息增益,結(jié)果如表2所示.

        表2 各特征的最大化信息增益Tab.2 Maximization of information gain for each feature

        由表 2 可知,I2、I4、I6對(duì)螺釘分類(lèi)的影響較大.然后將最大化信息增益的倒數(shù)歸一化,作為自適應(yīng)學(xué)習(xí)權(quán)重.分別取σ=0.1與σ=0.01并迭代500次,作為對(duì)比,分別繪制本文提出的自適應(yīng)學(xué)習(xí)權(quán)重隨機(jī)梯度下降法與傳統(tǒng)的隨機(jī)梯度下降法的損失函數(shù)輸出,如圖5和圖6所示.

        圖5 σ=0.01時(shí)損失函數(shù)輸出Fig.5 Loss function output at σ=0.01

        圖6 σ=0.1時(shí)損失函數(shù)輸出Fig.6 Loss function output at σ=0.1

        由圖5和圖6可以看出,當(dāng)學(xué)習(xí)率取0.01時(shí),傳統(tǒng)隨機(jī)梯度下降法需要迭代151步才能開(kāi)始收斂,而本文自適應(yīng)學(xué)習(xí)權(quán)重隨機(jī)梯度下降法迭代到33步時(shí)已經(jīng)開(kāi)始收斂,提高了收斂速度;當(dāng)學(xué)習(xí)率取0.1時(shí),傳統(tǒng)方法因?qū)W習(xí)率過(guò)大而發(fā)散,而本文方法迭代到35步時(shí)依然能開(kāi)始收斂.因此,與傳統(tǒng)的隨機(jī)梯度下降法相比,當(dāng)學(xué)習(xí)率取值較小時(shí),自適應(yīng)學(xué)習(xí)權(quán)重隨機(jī)梯度下降法有更快的收斂速度,同時(shí)當(dāng)學(xué)習(xí)率取值偏大時(shí)也能很好的收斂.

        然后用測(cè)試樣本分別測(cè)試訓(xùn)練好的Logistic回歸分類(lèi)器,求出其分類(lèi)準(zhǔn)確度.測(cè)試樣本集總數(shù)為100,基于自適應(yīng)學(xué)習(xí)權(quán)重隨機(jī)梯度下降法錯(cuò)分類(lèi)數(shù)為4,準(zhǔn)確度為96%.傳統(tǒng)隨機(jī)梯度下降法的Logistic回歸分類(lèi)器錯(cuò)分類(lèi)數(shù)為5,準(zhǔn)確率為95%.

        4 結(jié)論

        (1)σ=0.01時(shí),本文提出的改進(jìn)Logistic回歸分類(lèi)算法迭代33步后開(kāi)始收斂,而傳統(tǒng)方法需迭代151步;σ=0.1時(shí),本文方法需迭代35步后開(kāi)始收斂,而傳統(tǒng)方法因?qū)W習(xí)率過(guò)大而發(fā)散.因此,與傳統(tǒng)的Logistics回歸分類(lèi)器相比:在選取同樣的學(xué)習(xí)率σ時(shí),本文提出的改進(jìn)Logistic回歸分類(lèi)算法能更快地收斂,需要較少的迭代次數(shù);對(duì)于過(guò)大或過(guò)小的學(xué)習(xí)率,在滑牙檢測(cè)中依然有穩(wěn)定的迭代收斂次數(shù).

        (2)在減少訓(xùn)練過(guò)程的迭代次數(shù)的同時(shí),本文提出的改進(jìn)Logistic回歸分類(lèi)算法的分類(lèi)準(zhǔn)確率為96%,而傳統(tǒng)的Logistic回歸分類(lèi)算法準(zhǔn)確率為95%,二者有著相近的預(yù)測(cè)準(zhǔn)確度.

        猜你喜歡
        分類(lèi)器梯度螺釘
        一個(gè)改進(jìn)的WYL型三項(xiàng)共軛梯度法
        一種自適應(yīng)Dai-Liao共軛梯度法
        一類(lèi)扭積形式的梯度近Ricci孤立子
        一種浮動(dòng)不脫出螺釘組件的結(jié)構(gòu)設(shè)計(jì)與分析*
        BP-GA光照分類(lèi)器在車(chē)道線識(shí)別中的應(yīng)用
        加權(quán)空-譜與最近鄰分類(lèi)器相結(jié)合的高光譜圖像分類(lèi)
        結(jié)合模糊(C+P)均值聚類(lèi)和SP-V-支持向量機(jī)的TSK分類(lèi)器
        空心加壓螺釘治療末節(jié)指骨骨折
        26例下脛腓螺釘斷釘取出臨床分析
        基于LLE降維和BP_Adaboost分類(lèi)器的GIS局部放電模式識(shí)別
        在线观看免费日韩精品| 蜜桃一区二区三区在线看| 国产一区二区三区资源在线观看 | 最新日韩av在线不卡| 亚洲av推荐网站在线观看| 在厨房拨开内裤进入毛片| 亚洲精品乱码久久久久久日本蜜臀| 国产成人精品午夜福利在线| 精品人妻一区二区蜜臀av| 免费在线观看播放黄片视频| 国产精品无码久久久久久| 亚洲人成人网毛片在线播放| 久久精品一区二区三区不卡牛牛| 日产一区二区三区免费看| 国产在线精品一区在线观看| 纯肉无遮挡H肉动漫在线观看国产 国产精品自产拍在线观看免费 | 亚洲女同高清精品一区二区99| 80s国产成年女人毛片| 久久久噜噜噜www成人网| 天天干夜夜躁| 国产成人综合久久大片| 国产免费无遮挡吸奶头视频| 欧美亚洲国产精品久久高清 | 国产一区二区波多野结衣| 亚洲av色香蕉一区二区三区蜜桃| 美女很黄很色国产av| 老熟妇仑乱视频一区二区| 色窝窝无码一区二区三区2022 | 小池里奈第一部av在线观看| 精品亚洲成a人无码成a在线观看| 成人无码午夜在线观看| 精品国产乱码久久免费看| 日出白浆视频在线播放| 天天爽夜夜爽夜夜爽| 免费一级欧美大片久久网| 一区二区三区av在线| 小sao货水好多真紧h无码视频| 亚洲熟妇无码久久精品疯| 青青视频在线播放免费的| 欧美熟妇另类久久久久久不卡 | 久久精品国产精品亚洲|