劉 賀，馬小燕，張 靜

(揚州工業(yè)職業(yè)技術(shù)學(xué)院1.信息中心；2.智能制造學(xué)院;3.信息工程學(xué)院，江蘇 揚州 225127)

0 引 言

隨著產(chǎn)品包裝技術(shù)的發(fā)展，對牙刷包裝的要求越來越高，在產(chǎn)品出廠時需要對牙刷包裝進行缺陷定位檢測，分析牙刷包裝的缺陷分布，提高牙刷包裝的精密度。結(jié)合缺陷重建和特征分析方法進行牙刷包裝檢測，采用人工視覺特征分析方法，建立牙刷包裝缺陷檢測的大數(shù)據(jù)分析模型，提高牙刷包裝缺陷的分布式檢測和信息融合能力，因此對于牙刷包裝缺陷檢測方法的研究在牙刷包裝質(zhì)量檢測與評估中具有重要意義[1]。傳統(tǒng)方法在缺陷檢測過程中主要結(jié)合Sketchup、Auto CAD等軟件進行牙刷包裝缺陷的三維建模，具有局限性[2]，對此本文提出基于數(shù)據(jù)挖掘技術(shù)的牙刷包裝缺陷檢測方法。構(gòu)建牙刷包裝缺陷的視覺信息采樣模型，采用統(tǒng)計分析方法進行牙刷包裝缺陷分布特征檢測，利用信息增強和模糊聚類分析方法，實現(xiàn)對牙刷包裝缺陷的大數(shù)據(jù)挖掘和檢測，最后進行仿真測試分析，驗證了本文方法在提高牙刷包裝缺陷檢測能力方面的優(yōu)越性能。

1 牙刷包裝視覺圖像采集和特征預(yù)處理

1.1 牙刷包裝視覺圖像采集

為了實現(xiàn)牙刷包裝缺陷檢測，需要構(gòu)建牙刷包裝視覺信息采樣模型，對牙刷包裝視覺圖像進行超像素特征提取，結(jié)合三維視覺重建方法實現(xiàn)牙刷包裝缺陷檢測定位[3]，首先需要對牙刷包裝圖像進行三維輪廓重構(gòu)，采用Ray-Casting進行牙刷包裝圖像特征掃描，采用Harris角點檢測方法實現(xiàn)牙刷包裝圖像的分布式融合，得到牙刷包裝的視覺成像輸出為：

(1)

根據(jù)信息增強和模糊聚類方法，將牙刷包裝圖像的紋理子空間表示為：

(2)

上式中

(3)

根據(jù)牙刷包裝圖像模糊紋理分布，設(shè)定相關(guān)性K，求出牙刷包裝圖像模板匹配的疏線性方程組為：

g(x,y)=h(x,y)*f(x,y)+η(x,y)

(4)

其中，h(x,y)是牙刷包裝圖像紋理特征分布特征函數(shù)，符號*表示卷積。采用模糊度特征提取方法進行牙刷包裝視覺信息融合處理[4]，得到的結(jié)果為：

(5)

為實現(xiàn)牙刷包裝圖像的超像素分割，采用大數(shù)據(jù)挖掘方法進行牙刷包裝圖像特征檢測[5]。假設(shè)牙刷包裝圖像的模糊度特征量為M，進行M-1次迭代，牙刷包裝圖像檢測的模糊迭代公式如下：

(6)

計算在大數(shù)據(jù)環(huán)境下牙刷包裝圖像特征差異像素值[6]，進而得到牙刷包裝圖像的邊緣像素估計值為：

(7)

1.2 包裝缺陷特征提取

采用分塊特征檢測和區(qū)域模塊化特征匹配方法進行牙刷包裝缺陷定位[7]，得到牙刷包裝缺陷的邊緣輪廓區(qū)域分布：

L(w,b,e,α)=J(w,e)-

(8)

式中，αi為牙刷包裝缺陷檢測的拉格朗日乘子。采用灰度像素特征分解方法進行牙刷包裝缺陷圖像的增強處理，得到增強的像素分布矩陣為：

(9)

其中：

(10)

式中，I表示單位矩陣，用自相關(guān)特征匹配方法進行牙刷包裝缺陷定位，得到牙刷包裝缺陷檢測的模糊統(tǒng)計特征量Qij=(φ(xi)φ(xj))。在灰度像素區(qū)域內(nèi)根據(jù)牙刷包裝缺陷的分布狀態(tài)進行信息融合[8]，得到牙刷包裝缺陷特征提取結(jié)果為：

(11)

式中，σ為牙刷包裝缺陷的仿射不變區(qū)域分割參數(shù)。

2 包裝缺陷檢測優(yōu)化方法

2.1 包裝缺陷大數(shù)據(jù)挖掘

對牙刷包裝視覺圖像進行超像素特征提取，建立牙刷包裝缺陷的大數(shù)據(jù)分布集，結(jié)合模糊信息采樣技術(shù)進行牙刷包裝缺陷的信息采樣和多分辨融合，利用一組牙刷包裝視覺圖像訓(xùn)練樣本構(gòu)造主特征向量空間，以實現(xiàn)牙刷包裝缺陷紋理的分布式組合重構(gòu)[9]，得到牙刷包裝缺陷的紋理分布函數(shù)如下所示：

(12)

(13)

以像素點i為中心，進行牙刷包裝缺陷的融合檢測，在得到的牙刷包裝視覺圖像的仿射不變區(qū)域中進行圖像分割[10]，假設(shè)前l(fā)個牙刷包裝視覺圖像的幾何特征向量為e1,e2,...,el，在重疊區(qū)域內(nèi)，牙刷包裝缺陷檢測的迭代方程如下：

(14)

其中，c3·rand(.)和c4·rand(.)為牙刷包裝缺陷的大數(shù)據(jù)分布節(jié)點，其表達(dá)式為：

(15)

(16)

其中，c3和c4稱為牙刷包裝缺陷的差異性特征量。對于牙刷包裝缺陷圖像的灰色樣本集(xi,yi)，用xi表示輸入，yi表示相應(yīng)牙刷包裝缺陷圖像輸出，得到牙刷包裝缺陷特征分布函數(shù)為：

f(x)=wTφ(x)+b

(17)

式中，ω為牙刷包裝缺陷檢測的模糊度函數(shù)，b為牙刷包裝缺陷檢測的偏置量。計算各像素點與聚類中心間距，根據(jù)缺陷相似性原理進行牙刷包裝缺陷定位，得到牙刷包裝缺陷大數(shù)據(jù)挖掘結(jié)果為：

yi=wTφ(x)+b+ei,i=1,2,…,l

(18)

式中，C為牙刷包裝缺陷檢測的懲罰參數(shù)；ei為牙刷包裝缺陷檢測的差異度函數(shù)，結(jié)合缺陷分布進行信息融合，提高牙刷包裝缺陷檢測性能[11]。

2.2 包裝缺陷檢測輸出

P(i,j)(i∈[0,int(W/2)-1],j∈[0,int(H/2)-1])

(19)

對牙刷包裝視覺特征分布集進行信息融合，定義牙刷包裝視覺分布權(quán)系數(shù)：

(20)

在仿射不變區(qū)域內(nèi)，進行牙刷包裝視覺像素重構(gòu)，獲得牙刷包裝缺陷視覺檢測結(jié)果[12]：

Eimage(Vi)=-

|I(xi-1,yi+1)+2I(xi,yi+1)+I(xi+1,yi+1)-

I(xi-1,yi-1)-2I(xi,yi-1)-I(xi+1,yi-1)|+

|I(xi+1,yi-1)+2I(xi+1,yi)+I(xi+1,yi-1)-

I(xi-1,yi-1)-2I(xi-1,yi)-I(xi-1,yi+1)|

(21)

由此完成了牙刷包裝缺陷視覺檢測，結(jié)合塊區(qū)域特征匹配方法實現(xiàn)牙刷包裝視覺缺陷定位，其中牙刷包裝缺陷點定位函數(shù)為：

(22)

利用區(qū)域輪廓檢測方法，得到牙刷包裝缺陷分布長度為：

(23)

對于k個鄰近點，牙刷包裝缺陷的紋理特征分布為：

SSIM(x,y)=[l(x,y)]α·[c(x,y)]β·[s(x,y)]γ

(24)

牙刷包裝局部缺陷的信息增量為：

(25)

牙刷包裝缺陷檢測結(jié)果的輸出為：

I(x)=J(x)t(x)+A(1-t(x))

(26)

其中，A表示不同成像區(qū)域內(nèi)牙刷包裝視覺圖像的分塊像素集，t(x)為牙刷包裝視覺圖像的最大本征值，J(x)t(x)表示牙刷包裝視覺圖像的像素強度。取未知樣本的k個近鄰，把待識別的牙刷包裝視覺圖像輸入特征分塊子空間中，實現(xiàn)牙刷包裝缺陷自動檢測。

3 仿真測試分析

為了驗證本方法在實現(xiàn)牙刷包裝缺陷檢測中的應(yīng)用性能，進行實驗測試。牙刷包裝視覺圖像采樣的灰度像素集為120*120，模糊迭代次數(shù)為1200，缺陷檢測的自適應(yīng)學(xué)習(xí)權(quán)重為0.14，初始像素集為400*400，缺陷特征分布閾值Tth=0.25，根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，進行牙刷包裝缺陷檢測。原始牙刷包裝視覺圖像如圖1所示。

圖1 牙刷包裝視覺圖像

以圖1作為研究對象，結(jié)合模糊信息采樣技術(shù)進行牙刷包裝缺陷的信息采樣和多分辨融合，建立牙刷包裝圖像的信息融合模型，得到缺陷檢測結(jié)果如圖2所示。

圖2 邊緣輪廓檢測結(jié)果

分析圖2得知，本方法能夠?qū)崿F(xiàn)牙刷包裝缺陷檢測。測試不同方法的檢測精度，得到的對比結(jié)果如表1所示。分析表1得知，本方法進行牙刷包裝缺陷檢測的精度較高。

表1 檢測精度對比

4 結(jié) 語

為提高牙刷包裝缺陷檢測精度，提出基于數(shù)據(jù)挖掘技術(shù)的牙刷包裝缺陷檢測方法。構(gòu)建牙刷包裝缺陷的視覺信息采樣模型，對牙刷包裝視覺圖像進行超像素特征提取，建立牙刷包裝圖像的信息融合模型，采用統(tǒng)計分析方法進行牙刷包裝缺陷分布特征檢測，根據(jù)信息增強和模糊聚類分析方法，實現(xiàn)牙刷包裝缺陷檢測。仿真實驗結(jié)果表明，采用本文方法進行牙刷包裝缺陷檢測的精度較高，自適應(yīng)性較好，實用性更強。