郭朔江

摘 要

針對(duì)理管機(jī)對(duì)殘紗檢測(cè)的精度不夠且檢測(cè)環(huán)境要求高的問(wèn)題，文章提出了一種基于視覺顯著性和特征融合的殘紗紗管檢測(cè)改進(jìn)算法。該方法首先應(yīng)用Gabor濾波器和Canny邊緣算子，分別提取紗管的紋理和形狀。然后使用SVM對(duì)每個(gè)特征進(jìn)行殘紗檢測(cè)。再利用D-S論據(jù)理論將SVM的分類結(jié)果進(jìn)行融合，得出最終結(jié)果。在實(shí)際生產(chǎn)線獲取的紗管數(shù)據(jù)庫(kù)上實(shí)驗(yàn)記錄表明，該算法明顯的提升了殘紗紗管檢測(cè)的精度，具有良好的魯棒性。

關(guān)鍵詞

SVM;紗管紗線檢測(cè);D-S論據(jù)理論

中圖分類號(hào)： TP 391 ?文獻(xiàn)標(biāo)識(shí)碼： A

DOI：10.19694/j.cnki.issn2095-2457.2020.04.66

0 引言

隨著我國(guó)紡織業(yè)自動(dòng)化程度的逐步提高，智能紡紗設(shè)備的使用率也在不斷增強(qiáng)。其中智能理管機(jī)主要作用是用于紗管分揀，紗管分揀主要分為紗管顏色的分揀與殘紗檢測(cè)。殘紗檢測(cè)一直是一個(gè)難點(diǎn)也是學(xué)者們研究的重點(diǎn)內(nèi)容。由于紗管特殊的反光性和自帶紋理的特點(diǎn)，使得紗管的殘紗檢測(cè)難度有所增加。

為了提高檢測(cè)方法的準(zhǔn)確性，本文提出一種基于SVM-DS多特征融合殘紗識(shí)別方法。對(duì)紗管圖像提取其紋理和形狀，利用DS證據(jù)理論能夠融合不確定信息的優(yōu)勢(shì)[1-2]，以及SVM在小樣本情況下良好的魯棒性，融合單特征SVM殘紗識(shí)別的信息，根據(jù)決策規(guī)則得到最終的識(shí)別結(jié)果。

1 紋理特征和顏色特征的分離

1.1 獲取紋理特征圖

視覺顯著性檢測(cè)是一種以人類視覺特點(diǎn)為基礎(chǔ)的檢測(cè)方法，這要求在設(shè)計(jì)算法時(shí)要以人類視覺特點(diǎn)為出發(fā)點(diǎn)。Gabor濾波器是以哺乳動(dòng)物視覺系統(tǒng)為依據(jù)的模型，非常接近人類視覺系統(tǒng)的感受，并且光照對(duì)Gabor虛部濾波器的結(jié)果影響較弱[3]。所以這里使用Gabor濾波器虛部進(jìn)行紗管紋理特征的提取。本文中紋理提取的步驟為：（1）提取紗管圖像（2）設(shè)計(jì)Gabor虛部濾波器組（3）獲取圖像紋理特征圖。

1.2 獲取形狀特征圖

觀察分析可知，含有殘紗的紗管與空紗管之間的形狀具有差異，且含有殘紗時(shí)形狀邊界較為復(fù)雜。因此，本文選擇適用于復(fù)雜邊界提取的方法，采用其中對(duì)噪聲敏感度最低的canny邊緣檢測(cè)算法來(lái)提取紗管整體的形狀特征。Canny算法的步驟如下。

（1）使用二維高斯函數(shù)的一階導(dǎo)數(shù)對(duì)圖像進(jìn)行平滑，減少噪聲對(duì)梯度計(jì)算的影響。（2）使用Sobel算子來(lái)計(jì)算圖像的梯度幅值與方向。（3）非極大抑制，遍歷上一步得到的梯度幅值圖像上的每個(gè)像素，插值計(jì)算當(dāng)前像素梯度方向上相鄰兩個(gè)像素的梯度幅值，如果當(dāng)前像素的梯度幅值大于或等于這兩個(gè)值，則當(dāng)前像素是可能的邊緣點(diǎn)，否則該像素點(diǎn)為非邊緣像素，將圖像邊緣細(xì)化為一個(gè)像素寬度。（4）雙閾值檢測(cè)和邊緣連接。

2 SVM和D-S證據(jù)理論

2.1 支持向量機(jī)（SVM）

SVM 的思想是在由核函數(shù)確定的特征空間上 構(gòu)造軟間隔分離超平面，用正則化因子平衡間隔最大化和訓(xùn)練誤差最小化，通過(guò)決策面實(shí)現(xiàn)樣本的二分類。其判別函數(shù)如下：

其中ai表示Lagrange乘子;SV表示支持向量;K（xi，x）表示核函數(shù);xi、yi表示兩類中的支持向量;b表示根據(jù)訓(xùn)練樣本確定的閾值。

2.2 D-S證據(jù)理論

設(shè)Θ為識(shí)別框架，定義函數(shù)m：2Θ→[0，1]，且滿足M（φ）=0（φ為空集），∑m（A）=1（A∈2Θ）兩個(gè)條件，則m（A）為框架Θ上的基本概率指派（BPA）。m（A）表示對(duì)事件A的信任程度，m（θ）表示證據(jù)的不確定性。

3 決策級(jí)融合殘紗識(shí)別

3.1 單特征SVM識(shí)別

按照前述方法，在對(duì)紗管圖像進(jìn)行預(yù)處理的基礎(chǔ)上，分別提取了紗管的顏色特征、紋理特征和形狀特征，并用SVM分類器進(jìn)行基于單個(gè)特征的殘紗識(shí)別。

3.2 BPA函數(shù)構(gòu)造

由于D-S證據(jù)理論的BPA是概率量[16]，范圍在{1，0}，但是SVM的輸出是{1，-1}，屬于硬判斷輸出，不是概率輸出，所以首先使用sigmoid函數(shù)把SVM的輸出f（x）映射到[0，1]上，這樣，在SVM分類器完成樣本學(xué)習(xí)之后，得到后驗(yàn)概率Pi;然后對(duì)樣本進(jìn)行測(cè)試，得到識(shí)別正確率qi，則BPA函數(shù)可以定義為：

4 識(shí)別實(shí)驗(yàn)結(jié)果與分析

從紗管圖庫(kù)中隨機(jī)選取有紗與無(wú)紗的圖像各100幅作為SVM的訓(xùn)練樣本，另外選取20幅為測(cè)試樣本。首先按照本文方法提取出紗管的紋理和形狀兩個(gè)特征，并對(duì)特征進(jìn)行歸一化;然后對(duì)單獨(dú)特征進(jìn)行SVM分類;最后使用D-S證據(jù)理論進(jìn)行決策級(jí)融合來(lái)進(jìn)行殘紗的識(shí)別。

表1為單特征識(shí)別率和多特征融合識(shí)別率。由實(shí)驗(yàn)數(shù)據(jù)可知，在單特征識(shí)別中，基于紋理特征的識(shí)別率最高，這是因?yàn)榧喚€與紗管紋理之間差異較大引起的，但是當(dāng)光照強(qiáng)度大或者是紗管上有劃痕時(shí)影響了紋理特征的獲取，從而降低了識(shí)別的穩(wěn)定性;而基于顏色特征的識(shí)別對(duì)顏色要求較高，當(dāng)紗管與紗線同色時(shí)極容易產(chǎn)生漏檢;基于形狀特征的識(shí)別受殘紗紗量的影響，當(dāng)殘紗紗管紗量很少時(shí)，對(duì)邊緣產(chǎn)生的影響很小，從而降低了識(shí)別率。故整體上，單特征識(shí)別率較低，可靠性和穩(wěn)定性差。

5 結(jié)論

多特征融合的識(shí)別準(zhǔn)確率在測(cè)試時(shí)達(dá)到了99.8%，穩(wěn)定性和可靠性明顯高于單特征識(shí)別。這表明融合了紋理特征、顏色特征與形狀特征的識(shí)別信息，并且以SVM后驗(yàn)概率和分類精度構(gòu)造的信度指派為依據(jù)的DS論證理論的方法，明顯提升了識(shí)別殘紗紗管的可靠性。

參考文獻(xiàn)

[1]Ayoub N， Gao ZG， Chen BC， et al. A Synthetic Fusion Rule for Salient Region Detection under the Framework of DS-Evidence Theory[J]. SYMMETRY-BASEL. 2018， 10（6）：183-187.

[2]于昕，韓崇昭.一種基于D-S 推理的異源信息目標(biāo)識(shí)別方法[J].系統(tǒng)工程與電子技術(shù)，2007，29（5）：788-790.

[3]張帆，張團(tuán)善，冀永樂(lè)，等.基于機(jī)器視覺的紡紗管顏色分揀算法研究[J].西安工程大學(xué)學(xué)報(bào)，2018，32（05）：560-566.