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ButterWorth濾波和EM算法的電子布疵點(diǎn)檢測(cè)

        2019-10-18 07:26:32景軍鋒張緩緩蘇澤斌
        測(cè)控技術(shù) 2019年9期
        關(guān)鍵詞:檢測(cè)模型

        鄭 敏,景軍鋒,張緩緩,蘇澤斌

        (西安工程大學(xué)電子信息學(xué)院,陜西西安 710048)

        玻璃纖維電子布,又稱電子布,是由玻璃纖維紗線織造而成的一種工業(yè)用品,作為增強(qiáng)材料,被廣泛用于航天航空、機(jī)械零件等領(lǐng)域[1]。在工業(yè)生產(chǎn)過(guò)程中,疵點(diǎn)是影響其價(jià)格和品級(jí)評(píng)定的重要因素,也是產(chǎn)品質(zhì)量把關(guān)的關(guān)鍵環(huán)節(jié)[2]。目前,國(guó)內(nèi)外大多數(shù)電子布生產(chǎn)企業(yè)主要依靠人工來(lái)進(jìn)行電子布疵點(diǎn)檢測(cè)。人工檢測(cè)受主觀因素影響比較大,如長(zhǎng)時(shí)間的視覺(jué)疲勞,工作環(huán)境等,疵點(diǎn)檢出率只有70%左右[3],并且存在檢測(cè)速度慢、準(zhǔn)確率低或漏檢率高等問(wèn)題,無(wú)法滿足企業(yè)的實(shí)際生產(chǎn)需求,因此研究電子布疵點(diǎn)的自動(dòng)化檢測(cè)具有良好的應(yīng)用前景。

        近年來(lái),疵點(diǎn)檢測(cè)已成為數(shù)字圖像處理和機(jī)器視覺(jué)領(lǐng)域的研究熱點(diǎn)[4-5]。目前,國(guó)內(nèi)外學(xué)者對(duì)織物的疵點(diǎn)檢測(cè)方法大致分為:基于統(tǒng)計(jì)的方法,基于頻譜的方法和基于模型的方法[6]。Sayed[7]等人將熵濾波和最小誤差閾值用于檢測(cè)不同織物疵點(diǎn),該算法的檢測(cè)成功率為96.66%,但處理時(shí)間較長(zhǎng)。劉洲峰[8]等人結(jié)合局部統(tǒng)計(jì)特征和上下文整體顯著性分析獲得織物顯著圖,使用迭代最優(yōu)閾值分割織物疵點(diǎn),實(shí)時(shí)性較差。Liapis[9]等人利用離散小波變換在L通道提取灰度特征,在a、b通道提取顏色特征,對(duì)彩色圖像疵點(diǎn)檢測(cè)效果較好,處理時(shí)間長(zhǎng)。Chen[10]等人在織物圖像上采用多尺度匹配濾波算法,可檢測(cè)不同尺寸的疵點(diǎn),但計(jì)算量大。程為[11]等人利用高斯差分(Difference of Gaussians,DoG)算法增強(qiáng)圖像,消除圖像噪聲對(duì)疵點(diǎn)檢測(cè)的影響,但細(xì)節(jié)信息損失較多。

        為了提高電子布質(zhì)量管理水平,促進(jìn)紡織企業(yè)的自動(dòng)化與智能化發(fā)展,本文提出了一種基于Butter-Worth濾波和EM算法的電子布疵點(diǎn)檢測(cè)方法。首先對(duì)灰度化后的圖像進(jìn)行ButterWorth濾波,抑制背景紋理信息,增強(qiáng)疵點(diǎn)與背景的對(duì)比度;對(duì)經(jīng)過(guò)預(yù)處理的電子布圖像建立高斯混合模型,通過(guò)EM算法不斷迭代,求解出模型最優(yōu)解,進(jìn)而對(duì)整幅圖像進(jìn)行像素標(biāo)記;最后根據(jù)像素標(biāo)記實(shí)現(xiàn)疵點(diǎn)的二值化分割,檢測(cè)效果優(yōu)于其他算法。該算法可以檢測(cè)多種類型的疵點(diǎn),細(xì)節(jié)保留較好且精確度高。

        1 電子布疵點(diǎn)檢測(cè)算法

        基于ButterWorth濾波和EM算法的電子布疵點(diǎn)檢測(cè)算法流程圖如圖1所示。首先,對(duì)待檢測(cè)的電子布圖像灰度化后,使用ButterWorth低通濾波器對(duì)圖像進(jìn)行平滑處理,抑制背景紋理信息對(duì)疵點(diǎn)檢測(cè)的影響。然后將預(yù)處理得到的圖像進(jìn)行高斯混合模型處理,需要初始化類別個(gè)數(shù)、均值向量、協(xié)方差和先驗(yàn)概率,結(jié)合EM算法對(duì)其進(jìn)行參數(shù)估計(jì),使用E步驟計(jì)算最大似然函數(shù)的期望值,M步驟用來(lái)更新相應(yīng)的高斯混合模型參數(shù)。重復(fù)E步驟和M步驟,直到最大似然函數(shù)收斂為止,可得到高斯混合模型的最優(yōu)解。最后,經(jīng)過(guò)上述操作后,電子布疵點(diǎn)圖像的像素被分為兩類:背景區(qū)域和疵點(diǎn)區(qū)域,利用已經(jīng)標(biāo)記的像素進(jìn)行二值化處理,分割出電子布疵點(diǎn)的具體位置。

        圖1 算法流程圖

        1.1 ButterWorth低通濾波器

        電子布背景紋理信息與疵點(diǎn)區(qū)域在顏色特征上具有一定的相似性,若直接進(jìn)行高斯混合模型對(duì)電子布圖像處理,紋理信息會(huì)嚴(yán)重干擾疵點(diǎn)檢測(cè)效果,不能有效區(qū)分疵點(diǎn)與背景區(qū)域,結(jié)果如圖2所示。

        圖2 未經(jīng)預(yù)處理的檢測(cè)結(jié)果

        對(duì)于一幅電子布圖像f(x,y),圖像背景主要位于低頻分量中,而高頻分量主要包含噪聲和圖像細(xì)節(jié)信息。f(x,y)的傅里葉變換為F(u,v),在頻率域進(jìn)行卷積處理后,再進(jìn)行傅立葉反變換獲得濾波后的圖像g(x,y),如式(1)所示,可以達(dá)到平滑圖像的目的。

        式中,H(u,v)代表濾波器,在諸多濾波器中,Butter-Worth低通濾波器“振鈴”現(xiàn)象微弱,能夠增強(qiáng)圖像細(xì)節(jié)信息,所以采用ButterWorth低通濾波器[12-13]。ButterWorth低通濾波器(BLPF)傳遞函數(shù)如式(2)所示。

        式中,n為階數(shù),取正整數(shù),用來(lái)控制衰減速度;D0為截止頻率;D(u,v)是點(diǎn)(u,v)距原點(diǎn)的距離。實(shí)驗(yàn)選取階數(shù)n=2,截止頻率D0=50,濾波后的結(jié)果如圖3所示。

        圖3 ButterWorth濾波器處理結(jié)果

        將圖3中的兩幅圖像變換到頻域,可得到對(duì)應(yīng)的傅里葉變換頻譜圖如圖4所示。在一幅頻譜圖中,中心點(diǎn)對(duì)應(yīng)的是高頻分量,4個(gè)角對(duì)應(yīng)的是低頻分量。通過(guò)對(duì)比原圖像和ButterWorth濾波處理后圖像的頻譜圖,可以看出,經(jīng)過(guò)ButterWorth濾波處理后的圖像頻譜圖,4個(gè)角的低頻分量被消除,即表示在時(shí)域中,抑制了電子布圖像的背景紋理。

        對(duì)圖3中的原圖像和ButterWorth濾波處理后的圖像繪制相應(yīng)的灰度直方圖,如圖5所示。

        圖4 傅立葉變換頻譜圖

        圖5 灰度直方圖

        通過(guò)對(duì)比兩幅灰度直方圖可得到:ButterWorth濾波器處理后的圖像呈現(xiàn)雙峰性,說(shuō)明濾波后的電子布圖像所包含的背景和疵點(diǎn)區(qū)域在灰度值上有一定差異,可以通過(guò)建立高斯混合模型實(shí)現(xiàn)疵點(diǎn)分割。

        1.2 高斯混合模型與EM算法

        高斯混合模型[14]是用若干個(gè)高斯概率密度函數(shù)(即正態(tài)分布曲線)精確量化圖像而形成的模型。通過(guò)初始化類別個(gè)數(shù)、均值向量、協(xié)方差和先驗(yàn)概率,用高斯混合模型對(duì)圖像灰度直方圖進(jìn)行擬合,進(jìn)而來(lái)表征電子布圖像。帶有疵點(diǎn)的電子布圖像由背景區(qū)域和疵點(diǎn)區(qū)域組成,高斯混合模型通過(guò)類別的先驗(yàn)概率對(duì)高斯分布概率密度函數(shù)進(jìn)行加權(quán),估計(jì)特征向量的整體概率密度,可以實(shí)現(xiàn)無(wú)監(jiān)督的分類決策[15-17]。

        預(yù)處理后的電子布圖像為g(x,y),若用k個(gè)高斯概率密度函數(shù)來(lái)描述g(x,y)的灰度直方圖特征X={x1,x2,…,xN},則高斯混合模型的整體概率密度分布為

        高斯分量的概率密度函數(shù)為

        在式(3)和式(4)中,xi表示第i個(gè)觀測(cè)數(shù)據(jù),i=1,2,…,N;k為高斯混合模型中高斯分量的個(gè)數(shù),k=1,2,…,K;αk為觀測(cè)數(shù)據(jù)屬于第 k個(gè)高斯函數(shù)的概斯函數(shù)的分布參數(shù),μk表示均值向量,Σk表示協(xié)方差矩陣;f(xiθk)表示第k個(gè)高斯混合模型分量的概率密度;d為隨機(jī)向量維數(shù)。

        當(dāng)N個(gè)觀測(cè)數(shù)據(jù)滿足獨(dú)立的條件時(shí),則xi的聯(lián)合概率為

        其對(duì)數(shù)似然估計(jì)表示形式為

        在求解高斯混合模型參數(shù)的過(guò)程中,為了得到式(6)的極大值參數(shù),使用期望最大化(Expectation-Maximization),即EM算法對(duì)高斯混合模型的均值,協(xié)方差進(jìn)行求解。

        EM算法包括兩個(gè)步驟:E(Expectation)步驟和M(Maximization)步驟[18]。E步驟用來(lái)求解最大似然函數(shù)的期望值,M步驟用來(lái)更新高斯混合模型的均值、協(xié)方差和后驗(yàn)概率。根據(jù)M步驟得到參數(shù),重新計(jì)算E步驟最大似然函數(shù)的期望值,重復(fù)迭代,直到最大似然函數(shù)收斂為止[15]。

        ①E步驟。首先初始化先驗(yàn)概率αk和高斯混合模型的參數(shù)θk=(μk,Σk),則第i個(gè)觀測(cè)數(shù)據(jù)屬于第k個(gè)高斯分量的后驗(yàn)概率rjk為

        ②M步驟。采用E步驟得到的后驗(yàn)概率rjk更新第k個(gè)單高斯混合模型的先驗(yàn)概率αk,如式(8)所示。然后利用更新后的先驗(yàn)概率αk,根據(jù)式(9)和式(10)對(duì)高斯混合模型中的均值μk和協(xié)方差Σk進(jìn)行更新。

        1.3 圖像分割

        對(duì)預(yù)處理后的圖像建立高斯混合模型,利用EM算法進(jìn)行參數(shù)估計(jì),不斷迭代直到最大似然函數(shù)收斂為止。此時(shí),一幅有疵點(diǎn)的電子布圖像可以被k個(gè)高斯函數(shù)疊加用來(lái)擬合它的灰度直方圖,圖像灰度直方圖不僅可以反映圖像中某個(gè)灰度值出現(xiàn)的頻次,也可以表示圖像灰度概率密度的估計(jì)。由圖5(b)可知,經(jīng)過(guò)ButterWorth濾波后,電子布圖像的灰度直方圖呈現(xiàn)明顯的雙峰性,背景與疵點(diǎn)區(qū)域的對(duì)比度明顯,用2個(gè)高斯函數(shù)就可以表征電子布缺陷圖像,一個(gè)高斯函數(shù)擬合背景區(qū)域,另一個(gè)高斯函數(shù)擬合缺陷區(qū)域,實(shí)驗(yàn)選取k=2。根據(jù)每個(gè)像素點(diǎn)i屬于第k個(gè)高斯分量的概率,判別該點(diǎn)像素屬于背景區(qū)域還是疵點(diǎn)區(qū)域,進(jìn)而對(duì)每個(gè)像素點(diǎn)進(jìn)行標(biāo)記類別為k=1或者k=2。最后利用像素標(biāo)記的結(jié)果,對(duì)圖像進(jìn)行二值化分割,達(dá)到電子布疵點(diǎn)的精確檢測(cè)。

        2 實(shí)驗(yàn)結(jié)果研究

        2.1 實(shí)驗(yàn)數(shù)據(jù)和平臺(tái)

        實(shí)驗(yàn)選取366幅電子布樣本,圖像尺寸為256像素×256像素,樣本來(lái)源為工廠實(shí)際采集圖像,疵點(diǎn)包括斷經(jīng)、斷緯、污漬、稀密路、結(jié)頭等15種常見(jiàn)缺陷類型。實(shí)驗(yàn)環(huán)境為Matlab R2015a,計(jì)算機(jī)處理器為IntelRCoreTMi5-2400CPU@3.20 GHz。

        2.2 ButterWorth濾波器的參數(shù)選擇

        ButterWorth低通濾波器有階數(shù)n和截止頻率D0兩個(gè)參數(shù)。選定截止頻率D0=50,針對(duì)不同的濾波器階數(shù)處理結(jié)果如圖6所示。由圖6可知:當(dāng)n=1時(shí),仍存在較為明顯的背景紋理信息,對(duì)于細(xì)小的疵點(diǎn),背景紋理信息會(huì)嚴(yán)重干擾后續(xù)的疵點(diǎn)檢測(cè)。當(dāng)n=3時(shí),處理結(jié)果出現(xiàn)“振鈴”現(xiàn)象,并且隨著階數(shù)的增大,“振鈴”現(xiàn)象會(huì)越來(lái)越明顯。

        考慮不同截止頻率D0對(duì)電子布圖像的處理效果,如圖7所示。截止頻率越小,圖像中細(xì)節(jié)被消除得越嚴(yán)重,當(dāng)D0=10時(shí),損失了圖像中的細(xì)節(jié)信息;截止頻率越大,模糊程度越弱,圖像的紋理越清晰,當(dāng)D0=90時(shí),電子布圖像的紋理信息較為明顯,影響檢測(cè)結(jié)果。故選取階數(shù)n=2,截止頻率D0=50。

        2.3 實(shí)驗(yàn)結(jié)果與分析

        將本文方法與高斯差分(DoG)算法、Gabor算法和最大熵算法的疵點(diǎn)檢測(cè)結(jié)果進(jìn)行對(duì)比,檢測(cè)結(jié)果如表1所示。

        圖6 不同濾波器階數(shù)的效果對(duì)比

        圖7 不同截止頻率的效果對(duì)比

        表1 不同算法檢測(cè)效果對(duì)比

        DoG算法的疵點(diǎn)檢測(cè)結(jié)果丟失大量的疵點(diǎn)信息,不能精確分割疵點(diǎn)區(qū)域。原因是:高斯差分算法在處理過(guò)程中會(huì)減少圖像高頻信息,部分疵點(diǎn)被當(dāng)作高頻信息濾除。

        Gabor算法對(duì)于方向單一疵點(diǎn),檢測(cè)結(jié)果較好;當(dāng)圖像中疵點(diǎn)具有各向異性,很難將所有疵點(diǎn)信息檢測(cè)出來(lái)。原因是:在Gabor算法的檢測(cè)過(guò)程中,需要針對(duì)不同疵點(diǎn)設(shè)計(jì)相應(yīng)的尺度和方向,并進(jìn)行圖像融合,才能夠定位疵點(diǎn)位置,處理過(guò)程復(fù)雜,通用性較差。

        最大熵算法對(duì)大多數(shù)電子布疵點(diǎn)圖像的分割結(jié)果較好,但幾乎對(duì)每種疵點(diǎn)的檢測(cè)結(jié)果都存在大量的“雜點(diǎn)”。原因是電子布紋理信息對(duì)最大熵的計(jì)算有很大影響,盡管在最大熵算法之前進(jìn)行了ButterWorth濾波,但電子布紋理信息對(duì)疵點(diǎn)的檢測(cè)結(jié)果還是造成了影響。

        與其他3種方法進(jìn)行對(duì)比,本文算法可以準(zhǔn)確定位疵點(diǎn),并且對(duì)疵點(diǎn)的細(xì)節(jié)部分保留較好,疵點(diǎn)二值圖中沒(méi)有出現(xiàn)任何背景紋理信息。原因是:使用Butter-Worth低通濾波,可提高對(duì)背景紋理的平滑和降噪能力,增強(qiáng)疵點(diǎn)區(qū)域與背景區(qū)域的對(duì)比度;對(duì)預(yù)處理得到的圖像,進(jìn)行高斯混合模型處理,通過(guò)EM算法不斷迭代求解出高斯混合模型的最優(yōu)解,進(jìn)而對(duì)整幅圖像進(jìn)行像素標(biāo)記。最終通過(guò)像素分割的方法,將疵點(diǎn)區(qū)域以二值化的形式展現(xiàn)出來(lái)。

        為了驗(yàn)證本文算法的檢測(cè)時(shí)間,使用256像素×256像素的電子布圖像作為樣本,進(jìn)行多次實(shí)驗(yàn),并統(tǒng)計(jì)每種算法的平均時(shí)間,結(jié)果如表2所示。本文算法的檢測(cè)效率優(yōu)于Gabor算法和最大熵算法,但與DoG算法相比較,處理時(shí)間略長(zhǎng),主要原因是采用迭代的方法求解高斯混合模型最優(yōu)解耗時(shí)較長(zhǎng)。

        表2 不同方法的處理時(shí)間 單位:s

        3 結(jié)束語(yǔ)

        采用基于ButterWorth濾波和EM算法對(duì)電子布疵點(diǎn)進(jìn)行檢測(cè)。首先對(duì)灰度化后的圖像進(jìn)行Butter-Worth濾波,以消除背景紋理信息對(duì)疵點(diǎn)檢測(cè)的影響;然后初始化類別個(gè)數(shù)、均值向量、協(xié)方差和先驗(yàn)概率來(lái)對(duì)圖像灰度直方圖建立高斯混合模型,通過(guò)EM算法不斷迭代,直到最大似然函數(shù)趨于收斂時(shí),可獲得高斯混合模型的最優(yōu)解,進(jìn)而對(duì)整幅圖像進(jìn)行像素標(biāo)記;最后對(duì)已標(biāo)記的像素進(jìn)行二值化處理,精確區(qū)分背景與疵點(diǎn)區(qū)域。該算法與高斯差分算法、Gabor算法、最大熵算法進(jìn)行對(duì)比,不僅能夠消除背景紋理的影響而精確檢測(cè)出疵點(diǎn)位置,而且對(duì)疵點(diǎn)的細(xì)節(jié)部分保留較好。本文算法均在Matlab平臺(tái)上進(jìn)行仿真模擬,若將該算法應(yīng)用于電子布實(shí)際生產(chǎn)過(guò)程中,需要對(duì)電子布進(jìn)行實(shí)時(shí)采集與處理,提高算法的處理效率,達(dá)到硬件與軟件相統(tǒng)一,這將是下一階段的研究方向。

        猜你喜歡
        檢測(cè)模型
        一半模型
        “不等式”檢測(cè)題
        “一元一次不等式”檢測(cè)題
        “一元一次不等式組”檢測(cè)題
        “幾何圖形”檢測(cè)題
        “角”檢測(cè)題
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
        3D打印中的模型分割與打包
        小波變換在PCB缺陷檢測(cè)中的應(yīng)用
        久久久久久人妻一区精品| 精品国产色哟av一区二区三区| 亚洲日本精品国产一区二区三区| 成人无码网www在线观看| 日本少妇人妻xxxxx18| 欧美成人a视频免费专区| 在线观看一区二区蜜桃| 亚洲人成影院在线无码按摩店| 色狠狠一区二区三区香蕉| 午夜亚洲国产精品福利| 熟女免费观看一区二区| 国产日韩精品欧美一区喷水| ā片在线观看| 日韩肥熟妇无码一区二区三区| 国产精品黑丝美腿美臀| 久久久久免费看成人影片| 国产又爽又黄的激情精品视频| 亚洲人av毛片一区二区| 亚洲av无一区二区三区| 精品无码久久久久久国产| 在线欧美精品二区三区| 亚洲一区二区三区美女av| 情爱偷拍视频一区二区| 台湾佬自拍偷区亚洲综合| 亚洲国产精品久久九色| 女主播啪啪大秀免费观看| 亚洲综合成人婷婷五月网址| 久久99精品国产99久久| 特黄三级一区二区三区| 美丽的小蜜桃在线观看| 亚洲av无码一区二区三区人妖| 午夜精品一区二区三区无码不卡| 精品国产a毛片久久久av| 女人高潮久久久叫人喷水| 精品国产v无码大片在线观看 | 人成视频在线观看免费播放| 国产91人妻一区二区三区| 国产 字幕 制服 中文 在线| 国产亚洲精品综合一区| 精品人妻av一区二区三区四区| 99久久精品费精品国产一区二|