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)OTSU法的原棉破籽類雜質(zhì)快速檢測

        2022-07-14 05:58:04齊英蘭
        毛紡科技 2022年6期
        關(guān)鍵詞:檢測方法

        齊英蘭

        (河南輕工職業(yè)學(xué)院 信息工程系,河南 鄭州 450002)

        近年來,我國棉花產(chǎn)量一直位居世界前列,2020年我國棉花產(chǎn)量約 591萬t,約占全球棉花總產(chǎn)量的25.4%[1]。作為主要紡織原材料,棉花與農(nóng)業(yè)、工業(yè)、商業(yè)等領(lǐng)域都息息相關(guān)。棉花在加工過程中,即使經(jīng)過籽棉清理,原棉中仍會留存雜質(zhì),這些雜質(zhì)在軋花過程中被打散成更細(xì)小的雜質(zhì)微?;祀s在棉纖維中,增加了后續(xù)工藝中清除的難度,也降低了棉紡成品的質(zhì)量和價(jià)格[2]。在原棉雜質(zhì)中,包括破籽、帶纖維籽屑、軟籽表皮在內(nèi)的破籽類雜質(zhì)占比較大,因此,快速準(zhǔn)確檢測出該類雜質(zhì)成為亟待解決的難題。

        目前,原棉破籽類雜質(zhì)主要依靠刺輥鋸齒分梳松散,在機(jī)械和氣流的作用下,纖維和雜質(zhì)分離,該方式人工勞動強(qiáng)度大、耗時(shí)長、檢測效率低[3-4]。隨著機(jī)器視覺技術(shù)的發(fā)展,相關(guān)研究主要有,李龍[5]提出基于Mobile-Net-V2模型的棉花表面雜質(zhì)自動化識別方法;王飛等[6]選取Sobel算子等4種邊緣檢測方法進(jìn)行適用性分析;張志強(qiáng)等[7]采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,獲得的BP神經(jīng)網(wǎng)絡(luò)權(quán)值、閾值進(jìn)行棉花圖像分割;黃仰東等[8]設(shè)計(jì)了一種基于Mean-shift的圖像處理特征識別算法;婁聯(lián)堂等[9]提出了基于圖像灰度變換的OTSU閾值優(yōu)化算法。由于OTSU最佳閾值需要遍歷所有像素值、計(jì)算復(fù)雜度高、實(shí)時(shí)性弱等限制了OTSU方法的應(yīng)用[10]。

        針對上述存在的問題,本文結(jié)合原棉破籽類雜質(zhì)的性狀特征,通過動態(tài)調(diào)整慣性權(quán)重因子與自適應(yīng)動態(tài)調(diào)整學(xué)習(xí)因子進(jìn)行優(yōu)化,迭代整個(gè)群體的全局最優(yōu)位置和粒子自身的歷史最優(yōu)位置,進(jìn)而求解最大類間方差,獲取最優(yōu)圖像分割閾值。

        1 圖像采集與預(yù)處理

        對于原棉破籽類雜質(zhì)圖像的采集,本文搭建了基于工業(yè)相機(jī)與LED光源的視覺圖像采集系統(tǒng),采用??低旵MOS工業(yè)相機(jī),相機(jī)具有自動和手動調(diào)節(jié)增益功能,圖像采集最大尺寸2 048 pixel × 1 536 pixel,能夠準(zhǔn)確獲取清晰的雜質(zhì)圖像,光照系統(tǒng)采用LED光源,色溫6 500 K。圖像處理算法采用VC++與OpenCV實(shí)現(xiàn),計(jì)算機(jī)硬件為Intel Core i7 CPU、8GB內(nèi)存。

        由于原棉破籽類雜質(zhì)圖像邊緣信息復(fù)雜,為了更加突出雜質(zhì)的結(jié)構(gòu)特征,需要對采集的圖像進(jìn)行灰度變換增強(qiáng)處理,在降低噪聲的同時(shí)獲取到雜質(zhì)真實(shí)細(xì)節(jié)特征信息,進(jìn)而實(shí)現(xiàn)雜質(zhì)邊緣信息的有效提取。

        灰度變換具體方法是根據(jù)目標(biāo)條件,按照變換關(guān)系逐像素點(diǎn)調(diào)整原始圖像內(nèi)各像素的灰度,增強(qiáng)圖像動態(tài)范圍,進(jìn)而使原棉雜質(zhì)圖像具有較高的對比度,使得主要內(nèi)容顯著且清晰?;叶茸儞Q可分為線性變換和非線性變換,本文采用分段線性變換,方法見圖1。

        圖1 分段線性變換Fig.1 Segmented linear transformation

        在圖1中,設(shè)定原棉雜質(zhì)圖像為f(i,j)的灰度值區(qū)間為[0,255],目標(biāo)灰度值區(qū)間為[a,b],假設(shè)變換后的圖像g(i,j)將灰度值區(qū)間延伸至[c,d]范圍內(nèi),那么[a,b]區(qū)間內(nèi)的灰度值將被延伸,兩端的灰度值將會被壓縮,則其相對應(yīng)的分段線性變換方法見式(1):

        (1)

        2 原棉圖像中破籽類雜質(zhì)檢測

        2.1 OTSU方法

        OTSU是用于圖像自適應(yīng)閾值分割的算法,由于其通過圖像灰度特征值確定最佳閾值使得檢測目標(biāo)和圖像背景2部分的類間方差取最大值。由于方差能夠度量圖像灰度等級分布相似性,檢測目標(biāo)與圖像背景的類間方差越大,檢測目標(biāo)與圖像背景差別就越大,因此,確保類間方差最大,使得錯(cuò)分的機(jī)率最小。

        假設(shè)圖像目標(biāo)與背景分割閾值為t,目標(biāo)像素點(diǎn)平均灰度為μ1,目標(biāo)占整幅圖像像素比為ω2,背景像素點(diǎn)平均灰度為μ2,目標(biāo)占整幅圖像像素比為ω2,整幅圖像所有像素平均灰度為μ,則類間方差為σ2的數(shù)學(xué)表達(dá)見式(2):

        σ2=ω1(μ1-μ)2+ω2(μ2-μ1)2

        (2)

        由于類間方差越大,檢測目標(biāo)與圖像背景的像素差異越大,因此,σ2取最大值時(shí)的閾值t即為最佳閾值。

        2.2 最佳分割閾值計(jì)算模型

        粒子群算法是群體智能優(yōu)化迭代算法,它通過研究粒子位置更新模式,以快速準(zhǔn)確收斂至全局最優(yōu)解,即是,將類間方差設(shè)置為目標(biāo)函數(shù),通過整個(gè)群體的全局最優(yōu)位置和粒子自身的歷史最優(yōu)位置,在一定的隨機(jī)擾動下決定下一步速度,進(jìn)而求解最大類間方差。

        設(shè)定d維空間中第i個(gè)粒子由 3個(gè)d維向量組成當(dāng)前位置xi、歷史最優(yōu)位置pi、速度vi分別為:

        xi=(xi1,xi2,…,xid)

        (3)

        pi=(pi1,pi2,…,pid)

        (4)

        vi=(vi1,vi2,…,vid)

        (5)

        式中,i為粒子群中粒子數(shù)目。每次迭代過程中,將粒子i的當(dāng)前位置與歷史最優(yōu)位置比較,如果當(dāng)前位置優(yōu)于其歷史最優(yōu)位置時(shí)更新pi,否則維持pi不變。粒子的位置和速度迭代更新依照式(6)進(jìn)行,

        (6)

        式中:ω為慣性權(quán)重因子,c1、c2為學(xué)習(xí)因子,r1、r2為區(qū)間范圍[0,1]中的隨機(jī)數(shù),t為迭代次數(shù)。

        在現(xiàn)有粒子群算法的基礎(chǔ)上,本文采用通過動態(tài)調(diào)整慣性權(quán)重因子與自適應(yīng)動態(tài)調(diào)整學(xué)習(xí)因子進(jìn)行改進(jìn),慣性權(quán)重因子與學(xué)習(xí)因子依照式(7)動態(tài)更新,

        (7)

        在最佳閾值計(jì)算模型中,群體中粒子總數(shù)為N,則自適應(yīng)系數(shù)按式(8)計(jì)算,

        (8)

        2.3 改進(jìn)OTSU方法檢測流程

        在改進(jìn)的OTSU破籽類雜質(zhì)檢測方法中,通過動態(tài)調(diào)整慣性權(quán)重因子與自適應(yīng)動態(tài)調(diào)整學(xué)習(xí)因子優(yōu)化,完成粒子位置與速度的迭代更新,進(jìn)而求取最佳閾值,其檢測流程如圖2所示。

        圖2 改進(jìn)OTSU方法檢測流程Fig.2 Improved OTSU method detection process

        主要步驟描述為:

        步驟1:對原棉圖像進(jìn)行灰度變換增強(qiáng)處理,初始化各粒子的速度和位置。

        步驟2:按照式(6)進(jìn)行信息更新,一般選擇c1 =c2 = 2,ω= 0.9。

        步驟3:根據(jù)式(2)計(jì)算每個(gè)粒子適應(yīng)度值,即為其對應(yīng)閾值的類間方差。

        步驟4:將粒子當(dāng)前適應(yīng)度與其歷史最優(yōu)值比較,若當(dāng)前適應(yīng)度更有優(yōu),則更新歷史最優(yōu)值且將當(dāng)前位置作為粒子最優(yōu)位置。同樣,更新種群歷史最優(yōu)位置。

        步驟5:判斷粒子群中所有粒子的適應(yīng)度是否都已經(jīng)計(jì)算完畢,同時(shí),根據(jù)式(7)重新計(jì)算慣性權(quán)重因子和學(xué)習(xí)因子,返回Step2,直至粒子群計(jì)算完成。

        步驟6:根據(jù)粒子群算法獲取的最佳閾值,進(jìn)行OTSU邊緣檢測與識別。

        3 結(jié)果與分析

        為驗(yàn)證本文方法的有效性,實(shí)驗(yàn)選取含有破籽類雜質(zhì)的原棉樣本50份,每個(gè)樣品100 g,圖像采集系統(tǒng)獲取原棉圖像,其分辨率為1 400 pixel × 1 800 pixel,位深度24,采用仿真程序進(jìn)行檢測性能分析。

        3.1 雜質(zhì)邊緣提取精度分析

        破籽類雜質(zhì)邊緣的提取精度直接影響著邊緣的檢測準(zhǔn)確度,在圖像采集與仿真實(shí)驗(yàn)系統(tǒng)中,實(shí)驗(yàn)對比了OTSU、Canny、Sobel方法與本文改進(jìn)方法在雜質(zhì)邊緣的提取精度上的測試結(jié)果。邊緣提取精度采用對提取的雜質(zhì)邊緣像素點(diǎn)數(shù)量的相對誤差進(jìn)行衡量,即絕對誤差與真實(shí)測量值的比值乘以100%,50份棉樣檢測結(jié)果取平均值,結(jié)果如表1所示。

        表1 雜質(zhì)邊緣提取精度對比Tab.1 Impurity edge extraction accuracy comparison

        從表1可以看出,根據(jù)50例棉樣的均值數(shù)據(jù)統(tǒng)計(jì),OTSU、Canny、Sobel方法檢測到的雜質(zhì)像素都在44 762 pixel以下,漏檢至少3 511 pixel,相對誤差在7%以上。本文改進(jìn)OTSU方法的相對誤差為6.03%,通過動態(tài)調(diào)整慣性權(quán)重因子與自適應(yīng)動態(tài)調(diào)整學(xué)習(xí)因子優(yōu)化改進(jìn),獲得圖像分割的最優(yōu)閾值,使邊緣信息的描述更全面地表征雜質(zhì)像素的屬性,與其它方法相比,相對誤差平均降低2.74%,雜質(zhì)漏檢減少2 910 pixel,增加了檢出雜質(zhì)量,有效提高雜質(zhì)邊緣提取精度。

        3.2 檢測耗時(shí)分析

        為進(jìn)一步驗(yàn)證本文方法雜質(zhì)檢測的效率,在圖像采集與仿真實(shí)驗(yàn)系統(tǒng)中,分別采集600 pixel×1 536 pixel等4種不同分辨率的棉樣圖像進(jìn)行對比測試。對比結(jié)果如圖3所示。

        圖3 檢測耗時(shí)對比Fig.3 Comparison of testing time consumption

        圖3對比結(jié)果顯示,與OTSU方法相比,在高中低分辨率條件下,本文方法采用粒子群優(yōu)化,由于降低了迭代次數(shù),進(jìn)而檢測耗時(shí)較少,平均減少0.21 s,有效減少了圖像分割與檢測的時(shí)間。

        3.3 檢測效果分析

        雜質(zhì)邊緣分割精度的是檢測效果的重要體現(xiàn),基于上述實(shí)驗(yàn)環(huán)境,分別采集帶有破籽類雜質(zhì)的原棉圖像,對圖像進(jìn)行預(yù)處理,并將OTSU、Canny、Sobel方法與本文方法的檢測效果進(jìn)行對比,檢測效果對比如圖4所示??芍?,各方法基本都檢測到了原始棉樣中的雜質(zhì),但OTSU方法與Sobel方法存在漏檢,Canny方法檢測的雜質(zhì)邊緣清晰流暢,但背景噪聲較大,且存在誤判,本文方法通過動態(tài)調(diào)整慣性權(quán)重因子與自適應(yīng)動態(tài)調(diào)整學(xué)習(xí)因子進(jìn)行優(yōu)化,進(jìn)而獲取最優(yōu)圖像分割閾值。相比其他方法,本文方法更能準(zhǔn)確刻畫雜質(zhì)的邊緣特征,檢測到的雜質(zhì)邊緣完整、流暢,避免了雜質(zhì)邊緣的漏檢,能夠有效提高原棉破籽類雜質(zhì)的檢測效果與效能,但雜質(zhì)與圖像背景分割還不夠分明,存在少量背景雜散點(diǎn),尚需進(jìn)一步改進(jìn)優(yōu)化。

        圖4 檢測效果對比Fig.4 Comparison of testing results. (a) Original cotton sample image;(b) Image pre-processing;(c) OTSU method;(d) Canny method;(e) Sobel method;(f) This article method

        4 結(jié) 論

        在OTSU方法最佳閾值的獲取中,本文提出基于粒子群優(yōu)化最佳閾值的雜質(zhì)檢測方法,通過動態(tài)調(diào)整慣性權(quán)重因子與自適應(yīng)動態(tài)調(diào)整學(xué)習(xí)因子進(jìn)行優(yōu)化,進(jìn)而求解最大類間方差,獲取最優(yōu)圖像分割閾值。實(shí)驗(yàn)結(jié)果表明,與OTSU、Canny、Sobel方法相比,本文方法的雜質(zhì)檢測相對誤差平均降低2.74%,檢測到的雜質(zhì)邊緣能夠有效表征雜質(zhì)像素,雜質(zhì)邊緣描述明確,提高了雜質(zhì)檢測性能,適用于原棉破籽類雜質(zhì)快速檢測。

        猜你喜歡
        檢測方法
        “不等式”檢測題
        “一元一次不等式”檢測題
        “一元一次不等式組”檢測題
        “幾何圖形”檢測題
        “角”檢測題
        學(xué)習(xí)方法
        可能是方法不對
        小波變換在PCB缺陷檢測中的應(yīng)用
        用對方法才能瘦
        Coco薇(2016年2期)2016-03-22 02:42:52
        四大方法 教你不再“坐以待病”!
        Coco薇(2015年1期)2015-08-13 02:47:34
        麻豆国产一区二区三区四区| 精品在免费线中文字幕久久| 精品熟妇av一区二区三区四区| 久久想要爱蜜臀av一区二区三区| 午夜精品久久久久久久99老熟妇| 欧妇女乱妇女乱视频| 久久亚洲AV成人一二三区| av天堂手机一区在线| 成人女同av在线观看网站| 精品久久久无码中字| 欧美日韩在线免费看| av黄片免费在线观看| 自拍视频在线观看首页国产| 女的扒开尿口让男人桶30分钟| 久久久久亚洲av无码尤物| 中文字幕在线一区乱码| 男女av免费视频网站| 无码国产福利av私拍| 女同亚洲女同精品| 精品国产一区二区三区男人吃奶| 日韩三级一区二区三区| 亚洲av高清在线一区二区三区 | 少妇一区二区三区精选| 邻居少妇张开腿让我爽了一夜 | 少妇精品亚洲一区二区成人| 成人免费毛片aaaaaa片| 级毛片免费看无码| 国产超碰在线91观看| 亚洲av高清在线观看一区二区| 8888四色奇米在线观看| 国产一区二区三区观看视频 | 青青草原亚洲| 免费无码肉片在线观看| 日本草逼视频免费观看| 久久综合精品人妻一区二区三区| 少妇下蹲露大唇无遮挡| 久久综合视频网站| 久久精品国产在热亚洲不卡| 无遮挡18禁啪啪羞羞漫画| 东北无码熟妇人妻AV在线| 少妇激情一区二区三区久久大香香|