尹可鑫，歐 陽，李柏林，林冬婷

（1.西南交通大學(xué)牽引動(dòng)力國家重點(diǎn)實(shí)驗(yàn)室，四川 成都 610031；2.西南交通大學(xué)機(jī)械工程學(xué)院，四川 成都 610031）

1 引言

高頻元件的智能精密加工工序流程中采用射頻芯片技術(shù)，即將高頻元件的加工工藝參數(shù)、電性能參數(shù)等信息載入射頻芯片中，并與該元件所放置的托盤進(jìn)行關(guān)聯(lián)。由于在元件的熱處理階段，元件與托盤脫離導(dǎo)致元件原有的射頻芯片失效，無法完成后續(xù)的智能加工所以需要對元件二次匹配識(shí)別。傳統(tǒng)的元件識(shí)別方法是依靠人工完成，存在檢測速度慢、主觀性強(qiáng)、誤檢率高等缺陷。因此需要在熱處理前后使用圖像識(shí)別技術(shù)識(shí)別工件圖像，完成元件信息的關(guān)聯(lián)，實(shí)現(xiàn)整個(gè)加工過程的智能化。

針對圖像識(shí)別技術(shù)，國內(nèi)外學(xué)者提出了一些相關(guān)算法，主要可分為優(yōu)化特征提取算法及優(yōu)化特征匹配算法。文獻(xiàn)針對多尺度[1?3]、大仿射、大規(guī)模復(fù)雜場景等不同的適應(yīng)條件進(jìn)行改進(jìn)，但無法區(qū)分具有紋理復(fù)雜的工件。文獻(xiàn)[4]提取圖像中各設(shè)備的SIFT特征，并與標(biāo)準(zhǔn)庫中的設(shè)備圖像進(jìn)行對比實(shí)現(xiàn)目標(biāo)識(shí)別，由于該方法需要手動(dòng)標(biāo)注，因此難以應(yīng)用于大批量的工件生產(chǎn)中。文獻(xiàn)[5]通過計(jì)算文獻(xiàn)[6]獲取圖像多個(gè)矩的互相關(guān)性以確定配準(zhǔn)點(diǎn)位置，該方法雖然具有旋轉(zhuǎn)及尺度不變性，但針對相似度較高的高頻元件，識(shí)別能力較弱。此外，擴(kuò)展的圓投影算法或者改進(jìn)環(huán)投影向量模板匹配算法[7?8]由于使用像素平均值作為評(píng)判依據(jù)，導(dǎo)致高頻元件的細(xì)節(jié)特征丟失。

針對上述算法應(yīng)用于高頻元件圖像識(shí)別存在的問題，提出了一種基于等積環(huán)形分割特征的圖像識(shí)別算法。首先使用滑動(dòng)窗口的方法根據(jù)互信息熵快速定位，再利用等積環(huán)形對圖像進(jìn)行分割，通過計(jì)算各個(gè)環(huán)上的梯度幅值及方向得到匹配系數(shù)MRR，由此對不同的高頻元件進(jìn)行定位及識(shí)別。

2 圖像識(shí)別算法

以精密加工的高頻工件為研究對象，提出基于等積環(huán)形分割特征的圖像識(shí)別算法，其整體框架流程，如圖1所示。

圖1 算法整體框架流程Fig.1 Overall Framework Flow of Algorithm

2.1 基于互信息熵的圖像快速定位

由于互信息熵使用的是圖像相關(guān)性的統(tǒng)計(jì)特征，因此具有旋轉(zhuǎn)不變性。待檢測圖像與不同模板的定位結(jié)果，如圖2所示。

圖2 待檢測圖像與不同模板的定位結(jié)果Fig.2 Positioning Results of the Image to be Detected and Different Templates

根據(jù)圖2所示，雖然互信息熵法根據(jù)圖像本身的灰度值及形狀信息來對其進(jìn)行定位的準(zhǔn)確度較高，對圖像的水平、垂直、旋轉(zhuǎn)變化的魯棒性較好，但是對于相似度極大的精密加工高頻元件，不能直接通過最大互信息熵I進(jìn)行區(qū)分。因此，互信息熵法只能用于快速定位，在定位后的所有互信息熵點(diǎn)集結(jié)果中，選擇互信息熵最大的n2個(gè)點(diǎn)作為待檢測角點(diǎn)集。并且根據(jù)圖像大小選擇不同數(shù)目的待檢測角點(diǎn)n2，其計(jì)算方式如下：

其中，cols及rows為圖像的長、寬，得出的n2個(gè)滑動(dòng)窗口的左上角點(diǎn)的點(diǎn)集分布圖，如圖3中黑色區(qū)域所示。

圖3 互信息熵點(diǎn)集分布Fig.3 Distribution of Mutual Information Entropy Point Set

2.2 等積環(huán)形圖像分割

圖4 目標(biāo)圖像等積環(huán)分割結(jié)果Fig.4 Segmentation Results of Target Image with Equal Product Ring

2.3 匹配系數(shù)MRR的推導(dǎo)

2.3.1 Sobel算子的改進(jìn)

Sobel算子是考慮了±0°、±90°4個(gè)方向的梯度加權(quán)求和的3×3各向異性的梯度算子。而待檢測圖像的內(nèi)部加工紋理較為復(fù)雜且相對密集，傳統(tǒng)的Sobel算子只描述了水平、垂直方向的特征并不能很好地描述其斜方向的細(xì)節(jié)特征，因此增加±45°以及±135°四個(gè)方向的卷積核。改進(jìn)后的Sobel算子卷積核，如圖5所示。卷積效果對比，如圖6所示?？梢娂由稀?5°以及±135°卷積核后，對于斜方向的加工紋理表達(dá)能力更強(qiáng)，在原4方向卷積效果的基礎(chǔ)上，添加更多有效描述。

圖5 改進(jìn)后的Sobel算子8方向卷積核Fig.5 Improved 8?Direction Convolution Kernel of Sobel Operator

圖6 卷積核卷積結(jié)果對比Fig.6 Comparison of Convolution Results of Convolution Kernel

2.3.2 計(jì)算等積環(huán)的梯度幅值與梯度方向

在各個(gè)等積環(huán)中使用8方向Sobel算子計(jì)算梯度幅值（Pixel Gradient Amplitude，PGA）與梯度方向（Pixel Gradient Direction，PGD）的步驟如下：

（1）計(jì)算各方向的梯度幅值。設(shè)原圖M為f(x,y)，0°方向卷積結(jié)果為T0，45°方向卷積結(jié)果為T45，90°方向卷積結(jié)果為T90，

PGA與PGD的整體計(jì)算流程，如圖7所示。

圖7 計(jì)算流程Fig.7 Calculation Flow

2.3.3 有效特征點(diǎn)的篩選

將上述所得到的梯度幅值PGA與梯度方向PGD分別進(jìn)行統(tǒng)計(jì)分組，使用預(yù)先設(shè)置的閾值篩選出符合條件的有效特征。

（1）利用梯度幅值篩選每個(gè)圓環(huán)中的有效特征點(diǎn)。圖8（b）為圖8（a）的梯度幅值3維分布圖。由于模板是由程序自動(dòng)分割，在模板的4個(gè)邊界不可避免的出現(xiàn)部分背景區(qū)域也因此導(dǎo)致了圖8中4邊界區(qū)域梯度方向發(fā)生畸變，雖再次使用等積環(huán)分割，但不能保證分割后的圖像中不出現(xiàn)背景區(qū)域，為過濾可能出現(xiàn)的背景區(qū)域，需要使用閾值600過濾。在剩余區(qū)域，使用數(shù)理統(tǒng)計(jì)的方法最終確定本次實(shí)驗(yàn)中有效特征點(diǎn)的梯度幅值閾值為400。因此特征點(diǎn)的梯度幅值區(qū)間為[400，600]。

圖8 梯度幅值計(jì)算Fig.8 Gradient Amplitude Calculation

（3）利用梯度方向篩選每個(gè)圓環(huán)中的有效特征點(diǎn)。圖8（a）的梯度方向分布圖，如圖9所示。同樣為過濾可能出現(xiàn)的背景區(qū)域，將梯度方向的閾值設(shè)為[?80，+80]。根據(jù)所得數(shù)據(jù)進(jìn)行分析，將有效梯度方向的篩選閾值區(qū)間設(shè)為[?70，+70]。

圖9 原圖像的梯度方向3維分布圖Fig.9 Gradient Direction 3 Dimensional Distribution of the Original Image

2.3.4 特征匹配

首先將模板圖像中的n2個(gè)圓環(huán)的平均梯度幅值與待檢測圖像依次進(jìn)行歐氏距離的比較，得到梯度幅值的特征匹配度。為比

2.3.5 匹配系數(shù)MRR的適應(yīng)性分析

算法MRR 的參數(shù)梯度幅值PGA、梯度方向PGD的分析結(jié)果，如圖10、圖11所示。

圖10 待檢測圖像與正確模板的參數(shù)三維分布圖Fig.10 Three Dimensional Distribution of Parameters Between the Image to be Detected and the Correct Template

圖11 待檢測圖像與錯(cuò)誤模板的參數(shù)三維分布圖Fig.11 Three Dimensional Distribution of the Parameters of the Image to be Detected and the Error Template

對于PGA匹配，當(dāng)滑動(dòng)窗口越接近目標(biāo)圖像所在位置時(shí)其PGA指數(shù)越低，說明PGA匹配對于目標(biāo)的位置信息具有越好的描述作用；對于PGD匹配，在滑動(dòng)窗口的滑動(dòng)過程中，PGD指數(shù)跳變嚴(yán)重，尤其在目標(biāo)圖像所在區(qū)域PGD指數(shù)變化最為明顯，因此PGD對于滑動(dòng)窗口區(qū)域的特征描述能力較強(qiáng)，但由于周邊環(huán)境對其影響較大，導(dǎo)致其定位能力較弱。根據(jù)基于等積環(huán)形分割特征的圖像識(shí)別算法得出的MRR指數(shù)，綜合了梯度幅值與梯度方向各自的優(yōu)點(diǎn)，在保留了PGA對于圖像定位能力的同時(shí)，也加入了PGD對高頻元件細(xì)節(jié)特征的表達(dá)能力，因此可以作為一個(gè)對于圖像定位以及識(shí)別的重要參數(shù)。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)配置及數(shù)據(jù)集

實(shí)驗(yàn)選用的計(jì)算機(jī)配置為英特爾酷睿I5?6400（2.7GHz）CPU，NVIDIA GeForce GTX 730 GPU，8.00GB 內(nèi)存，Windows10系統(tǒng)，實(shí)驗(yàn)使用的編譯工具為Matlab 2018。

本次驗(yàn)證實(shí)驗(yàn)中選擇元件共計(jì)30種，每種元件選取5張圖像。為驗(yàn)證旋轉(zhuǎn)不變性，我們將各個(gè)圖像繞與軸的旋轉(zhuǎn)角度固定，繞 軸從（0～324）°步長為36°進(jìn)行旋轉(zhuǎn)，組成1350張圖像的測試集。對比試驗(yàn)選用其他4種常用的模板匹配算法，通過實(shí)驗(yàn)將本算法與ARRCH[11]、互信息熵、SIFT、SURF在定位性能、識(shí)別性能與時(shí)效性上進(jìn)行比較。

3.2 定位性能對比

為評(píng)估各個(gè)算法的定位性能，給出一種評(píng)估方法用于衡量定位準(zhǔn)確度的指標(biāo)ACC：

式中dM1—目標(biāo)圖像的中心位置；dM—待檢測模板中準(zhǔn)確區(qū)域的中心位置；D—目標(biāo)圖像的對角線長，ACC對比結(jié)果，如圖13所示。從圖13中可以看出，提出的算法在定位性能上與同類算法相比有所提升，其ACC值均保持在0.945以上。

圖12 5種算法的ACC對比結(jié)果Fig.12 ACC Comparison Results of Five Algorithms

3.3 識(shí)別性能對比

使用1350張測試圖像比較SURF、ARRCH、互信息熵、SIFT及本算法的識(shí)別性能，將識(shí)別的準(zhǔn)確率作為識(shí)別性能的對比指標(biāo)結(jié)果，如表1所示。根據(jù)表1所示的對比結(jié)果，本算法對高頻元件的識(shí)別準(zhǔn)確率達(dá)到了95.9%，在識(shí)別性能上高于其他4種算法。

表1 識(shí)別性能對比結(jié)果Tab.1 Comparison Results of Recognition Performance

3.4 時(shí)效性對比

使用1350張測試圖像來比較5種算法的時(shí)效性，以每張圖的平均處理時(shí)長作為對比指標(biāo)結(jié)果，如表2所示。

表2 時(shí)效性對比結(jié)果Tab.2 Time Effect Comparison Results

由于本算法使用了較復(fù)雜的計(jì)算過程，不可避免的在分析圖像的時(shí)間上有所增加。根據(jù)表2所示的對比結(jié)果，處理每張圖像的平均時(shí)長為10.4s。

4 總結(jié)

針對高頻元件紋理復(fù)雜、相似度高，因而不能用傳統(tǒng)模板匹配技術(shù)進(jìn)行區(qū)分及定位的問題，提出了一種基于等積環(huán)形分割特征的圖像識(shí)別算法。使用等積環(huán)形分割、改進(jìn)的Sobel算子卷積，根據(jù)其梯度方向及幅值進(jìn)行計(jì)算，綜合考慮了匹配過程中定位的精準(zhǔn)度以及顯著特征點(diǎn)的提取匹配。實(shí)驗(yàn)結(jié)果表明本算法能夠以95.9%的準(zhǔn)確率區(qū)分外表相似度極高的高頻元件，具有實(shí)際的應(yīng)用價(jià)值。