文章編號(hào)1000-5269（2024）05-0041-08 DOI：10.15958/j.cnki.gdxbzrb.2024.05.06

摘要：為有效進(jìn)行芯片標(biāo)識(shí)的提取，提出一種基于灰狼優(yōu)化算法（graywolfoptimization，GWO）的改進(jìn)動(dòng)態(tài)雙閾值的Canny算子來(lái)進(jìn)行芯片標(biāo)識(shí)圖像邊緣提取。首先，從芯片標(biāo)識(shí)生產(chǎn)環(huán)境復(fù)雜、圖像干擾信息多的角度出發(fā)，對(duì)Canny算子的雙閾值進(jìn)行改進(jìn);其次，使用灰狼優(yōu)化算法確定其高閾值選??；最后，將本文算法與傳統(tǒng)Log、Prewitt、Roberts、Canny、Sobel算子進(jìn)行實(shí)驗(yàn)比較，利用召回率和精確率等方法作了客觀評(píng)估。實(shí)驗(yàn)結(jié)果表明，本文所提算法優(yōu)于傳統(tǒng)的邊緣提取算法，提取準(zhǔn)確度高，為后續(xù)識(shí)別打下了堅(jiān)實(shí)基礎(chǔ)。

關(guān)鍵詞：芯片標(biāo)識(shí)圖像；邊緣檢測(cè)；改進(jìn)Canny算子；GWO 中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)志碼：A

這些年，信息產(chǎn)業(yè)和人工智能進(jìn)入快速發(fā)展時(shí)期，對(duì)芯片的需求量越來(lái)越大。在芯片的生產(chǎn)環(huán)節(jié)中對(duì)封裝外觀的檢測(cè)是最后一步。同時(shí)，標(biāo)識(shí)識(shí)別系統(tǒng)是圖像處理技術(shù)在芯片檢測(cè)領(lǐng)域的必要應(yīng)用。其中，邊緣提取算法能夠準(zhǔn)確清晰提取圖像關(guān)鍵信息顯得極為必要。

邊緣提取算法已經(jīng)產(chǎn)生多類方法，如基于梯度的傳統(tǒng)檢測(cè)算法；基于深度學(xué)習(xí)的邊緣檢測(cè)算法［1］；Canny等考慮邊緣提取算子需要擁有較好的檢測(cè)效果以及邊緣定位準(zhǔn)確，提出Canny算子。Canny算子是一個(gè)多級(jí)邊緣檢測(cè)算法［2-3］，與上述圖像邊緣檢測(cè)算子相比，在信噪比和準(zhǔn)確性上更有優(yōu)勢(shì)。傳統(tǒng)Canny算子利用高斯濾波可以很好地去除圖像中的高斯噪聲，識(shí)別圖像中的強(qiáng)邊緣和弱邊緣［4］，但對(duì)于椒鹽噪聲處理效果不好，會(huì)平滑圖像邊緣［5］。張加朋等［6］提出了采用開(kāi)關(guān)中值濾波替換高斯濾波器，開(kāi)關(guān)中值濾波可以融合K-means和Otsu算法自適應(yīng)選擇高低閾值，提高自適應(yīng)性。MA等［7］提出采用自適應(yīng)平滑濾波器對(duì)椒鹽噪聲進(jìn)行濾波，利用邊緣噪聲幾何特征區(qū)別真假邊緣。FARAHANIARD等［8］提出將模糊神經(jīng)網(wǎng)絡(luò)（fuzzyneuralnetworks，F(xiàn)NN）和自適應(yīng)中值濾波（adaptivemedianfilter，AMF）融合進(jìn)行濾波，解決椒鹽噪聲污染圖像的邊緣檢測(cè)問(wèn)題。湯旻安等［9］提出了利用雙邊濾波器對(duì)圖像進(jìn)行去噪，自適應(yīng)地選取高低閾值，并對(duì)邊緣進(jìn)行檢測(cè)。CHEN等［10］引入了最大類間方差（Otsu）算法，運(yùn)用Otsu算法進(jìn)行高低雙閾值的自適應(yīng)。針對(duì)芯片標(biāo)識(shí)提取需要的準(zhǔn)確性以及清晰度，現(xiàn)提出一種使用灰狼優(yōu)化算法（graywolfoptimization，GWO）優(yōu)化并進(jìn)行閾值選取的改進(jìn)Canny算法。

為此，本文在現(xiàn)有Canny算法改進(jìn)研究的基礎(chǔ)上，引入灰狼優(yōu)化算法。將圖像灰度值作為GWO的適應(yīng)度函數(shù)，旨在尋找最適合芯片標(biāo)識(shí)圖像的閾值。隨后，將該改進(jìn)算法的檢測(cè)結(jié)果與其他邊緣算子進(jìn)行主客觀比較。

1Canny算子及其自適應(yīng)雙閾值

Canny算法是一種非常流行的邊緣檢測(cè)算法，是JohoCanny在1986年基于3個(gè)圖像邊緣準(zhǔn)則即良好的信噪比、準(zhǔn)確的定位、對(duì)單一邊緣有唯一響應(yīng)創(chuàng)造的邊緣檢測(cè)算法［11-12］。其基本流程如圖1所示，具體如下：1）將原始圖像進(jìn)行高斯濾波，以減少噪聲對(duì)邊緣檢測(cè)的影響。2）對(duì)濾波后的圖像進(jìn)行梯度計(jì)算，得到每個(gè)像素點(diǎn)的梯度大小和方向。3）對(duì)梯度大小進(jìn)行非極大值抑制處理，將不是邊緣的像素值設(shè)為0，只保留局部最大值點(diǎn)［13-14］。4）經(jīng)過(guò)非極大ku3FDPec9JgT/FeFViJwdQ==抑制后的圖像中仍然有很多噪聲點(diǎn)，為此算法中采用了一種叫雙閾值技術(shù)進(jìn)行檢測(cè)，即設(shè)定一個(gè)閾值上界和閾值下界，圖像中像素點(diǎn)如果大于閾值上界則認(rèn)為是邊界（稱為強(qiáng)邊界）；小于閾值下界則認(rèn)為不是邊界；介于兩者之間的則認(rèn)為是候選項(xiàng)（稱為弱邊界），需進(jìn)行進(jìn)一步處理［15］。傳統(tǒng)的Canny算子的雙閾值確定方法通常是人為按經(jīng)驗(yàn)設(shè)定，這會(huì)造成細(xì)節(jié)丟失，或者保留的噪聲點(diǎn)過(guò)多。本文探索采用灰狼優(yōu)化算法來(lái)優(yōu)化閾值選取，根據(jù)每張圖像的特性進(jìn)行閾值設(shè)定。

2灰狼優(yōu)化算法

灰狼優(yōu)化算法是由澳大利亞格里菲斯大學(xué)學(xué)者M(jìn)irjalili等人于2014年提出的一種群智能優(yōu)化算法［16-17］。靈感來(lái)自于灰狼群體捕食行為。它具有較強(qiáng)的收斂性能，結(jié)構(gòu)簡(jiǎn)單、需要調(diào)節(jié)的參數(shù)少，容易實(shí)現(xiàn)，存在能夠自適應(yīng)調(diào)整的收斂因子以及信息反饋機(jī)制，能夠在局部尋優(yōu)與全局搜索之間實(shí)現(xiàn)平衡，因此在對(duì)問(wèn)題的求解精度和收斂速度方面都有良好的性能。但是也存在易早熟收斂，面對(duì)復(fù)雜問(wèn)題時(shí)收斂精度不高、收斂速度不夠快等問(wèn)題［18］。

灰狼群體中有嚴(yán)格的等級(jí)制度，如圖2所示，小部分擁有絕對(duì)話語(yǔ)權(quán)的灰狼帶領(lǐng)一群灰狼向獵物前進(jìn)?；依侨阂话惴譃?個(gè)等級(jí)：α、β、δ、ω。在集體狩獵的時(shí)候，α狼負(fù)責(zé)指揮與決策，β狼幫助α狼完成決策，δ狼則是負(fù)責(zé)實(shí)現(xiàn)決策聽(tīng)從指揮，ω是協(xié)調(diào)狼群協(xié)作?？偠灾?，將α作為最優(yōu)解（個(gè)體的適應(yīng)度最優(yōu)），β為次優(yōu)解，δ為最佳解決方案，剩下的候選解命名為ω。狩獵過(guò)程由α、β、δ引導(dǎo)，跟隨這3只狼，去找到3個(gè)最佳解決方案；ω圍繞該區(qū)域進(jìn)行搜索，目的是找到更好的解決方案，然后更新。

集體狩獵是灰狼的一種社會(huì)行為。在這一過(guò)程中，社會(huì)等級(jí)發(fā)揮著至關(guān)重要的作用。在α狼的帶領(lǐng)下，灰狼們會(huì)先跟蹤并接近獵物，通過(guò)騷擾、追捕和包圍等一系列戰(zhàn)術(shù)使獵物停止移動(dòng)。之后，它們發(fā)起攻擊以捕獲獵物。為了模擬灰狼的社會(huì)等級(jí)，文中構(gòu)建相應(yīng)的層次模型并對(duì)其進(jìn)行數(shù)學(xué)建模。在計(jì)算機(jī)模擬環(huán)境中，雖然無(wú)法像現(xiàn)實(shí)中的狼群那樣通過(guò)視覺(jué)和嗅覺(jué)來(lái)定位獵物，但可以設(shè)定一個(gè)搜索空間，并假設(shè)其中已經(jīng)存在一個(gè)最佳解決方案，即“獵物”的位置。利用這個(gè)初始的最佳解決方案，不斷迭代優(yōu)化，以逐步逼近更出色的解決方案。具體流程如圖3所示。

在灰狼進(jìn)行集體捕獵時(shí)，灰狼個(gè)體位置的更新公式如式（1）：

xi（t+1）=xi（t）+vi（t+1）（1）

式中：xi為第i只灰狼在t時(shí)刻的位置；vi（t+1）為第i只灰狼在t+1時(shí)刻的速度。

灰狼個(gè)體速度的更新公式如式（2）：

vi（t+1）=A1vi（t）+A2（xp（t）－xi（t））+A3（xp（t）－xq（t））（2）

式中：A1、A2和A3分別為3個(gè)加速常數(shù)；

xp（t）為當(dāng)前群體中適應(yīng)度最好的灰狼個(gè)體的位置；xq（t）為當(dāng)前群體中適應(yīng)度第二好的灰狼個(gè)體的位置。

灰狼群體捕獵中協(xié)作和競(jìng)爭(zhēng)如式（3）—（5）：

Dp（t）=‖xp（t）-xi（t）‖（3）

Ci（t）=∑Nj－1Xj（t）－xi（t）（4）

xi（t+1）=xp（t）－A4·Dp（t）·Ci（t）+A5·r1·（x1（t）－x2（t））（5）

式中：Dp（t）為第i只灰狼到當(dāng)前群體中適應(yīng)度最好的灰狼個(gè)體的距離；Ci（t）為第i只灰狼與群體其他灰狼個(gè)體之間競(jìng)爭(zhēng)與協(xié)作的力度；A4和A5分別為兩個(gè)調(diào)節(jié)參數(shù)；r1為隨機(jī)向量；x1（t）和x2（t）分別為當(dāng)前群體中位置最好的灰狼和位置第二好的灰狼。

3GWO優(yōu)化適應(yīng)度函數(shù)

灰狼優(yōu)化算法在搜索迭代中，通過(guò)灰狼的適應(yīng)度值來(lái)判斷當(dāng)前位置的優(yōu)劣，從而更新灰狼的位置。由此可見(jiàn)，適應(yīng)度函數(shù)的選擇具有舉足輕重的作用?？紤]到圖像的灰度值和邊緣信息的呈現(xiàn)，選擇圖像灰度值作為構(gòu)建適應(yīng)度函數(shù)的核心依據(jù)。由式（6）計(jì)算求得

G=δ（t）=P0（t）∑ti=0［iPiP0（t）］+P1（t）∑L－1i=t+1［iPiP0（t）］（6）

式中：δ（t）為類間方差；Pi為點(diǎn)i灰度值出現(xiàn)的概率；P0（t）為灰度值在區(qū)間（0，t）的概率；P1（t）表示灰度值在區(qū)間（t+1，L-1）的概率?；依莾?yōu)化算法可以根據(jù)給出的適應(yīng)度函數(shù)，尋找適應(yīng)度函數(shù)的最大值，即為最佳閾值。

4實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)環(huán)境為Windows10，AMDRyzen54600UCPU，16GBRAM計(jì)算機(jī)，實(shí)驗(yàn)所用工具為MATLAB2021a；選取各種不同環(huán)境下的芯片標(biāo)識(shí)圖像進(jìn)行實(shí)驗(yàn)，并分別采用經(jīng)典Log、Prewitt、Roberts、Canny、Sobel以及本文算法進(jìn)行邊緣檢測(cè)評(píng)估比較。

在進(jìn)行邊緣檢測(cè)評(píng)估時(shí)，通常采用精確率P（precision）和召回率R（recall）作為指標(biāo)。精確率展現(xiàn)了在機(jī)器生成的邊界像素中，真實(shí)邊界像素所占的比重。換言之，它體現(xiàn)了預(yù)測(cè)為正例的結(jié)果中真實(shí)正例的比例，強(qiáng)調(diào)的是預(yù)測(cè)的準(zhǔn)確性。召回率則揭示了所有真實(shí)邊界像素中被機(jī)器成功識(shí)別出來(lái)的比例，也就是真實(shí)正例被預(yù)測(cè)為正例的比率，它更側(cè)重于能夠找出多少真正的正例。F1又稱為F-Score，是精確率和召回率的調(diào)和平均數(shù)，通過(guò)調(diào)整β的值，可以平衡精確率和召回率在評(píng)估中的權(quán)重，具體計(jì)算公式如式（7）所示。在邊緣檢測(cè)過(guò)程中，用TP（truepositive，TP）表示正確預(yù)測(cè)的正例數(shù)量，F(xiàn)P（falsepositive，F(xiàn)P）代表被錯(cuò)誤預(yù)測(cè)為正例的數(shù)量，而FN（falsenegative，F(xiàn)N）表示正例的樣本被錯(cuò)誤地預(yù)測(cè)為負(fù)例的數(shù)量，它們被用來(lái)計(jì)算F1、精確率和召回率。

F1=（1+β2）PRβ2（P+R）（7）

P=TPTP+FP（8）

R=TPTP+FN（9）

AUC（areaunderthecurve，AUC）是衡量模型性能的指標(biāo)，通常用于評(píng)估模型效果，其取值范圍在0到1之間，數(shù)值越高表示模型性能越好，如式（10）所示。

AUC=∑i∈Mri－M（M+1）/2MN（10）

式中：M為正樣本數(shù)；N為負(fù)樣本數(shù)；∑i∈Mri為正樣本序號(hào)之和，i是序號(hào)。

因?yàn)樾酒砻婷娣e明確，本文還采用分割常用評(píng)估評(píng)判標(biāo)準(zhǔn)如骰子系數(shù)Dice（dicecoefficient，Dice）、體積重疊誤差VOE（volumetricoverlaperror，VOE）、相對(duì)體積誤差RVD（relativevolumedifference，RVD），對(duì)幾種邊緣檢測(cè)算子進(jìn)行評(píng)估，如式（11）—（13）所示。

Dice=2（Rs∩Rg）Rs+Rg（11）

VOE=2（Rs－Rg）Rs+Rg（12）

RVD=RsRg－1×100%（13）

式中：Rg為標(biāo)準(zhǔn)參考圖；Rs為算法的結(jié)果。

如表1所示，本文對(duì)7種不同的邊緣檢測(cè)算法進(jìn)行評(píng)估，包括Log、Prewitt、Roberts、Sobel、Canny、文獻(xiàn)［9］算法和本文算法。通過(guò)對(duì)5張不同的芯片標(biāo)識(shí)圖像進(jìn)行測(cè)試，得到了每種算法在多個(gè)評(píng)價(jià)指標(biāo)上的表現(xiàn)數(shù)據(jù)。

評(píng)估對(duì)比實(shí)驗(yàn)結(jié)果顯示，本文算法在多數(shù)評(píng)價(jià)指標(biāo)上都有優(yōu)異的表現(xiàn)，尤其是在F1分?jǐn)?shù)上，它在所有圖像中均達(dá)到或接近最高值，顯示出其在精確性和召回性上的優(yōu)勢(shì)。在AUC指標(biāo)上，本文算法也展現(xiàn)了較高的分類性能，尤其是在圖3和圖4上。Dice系數(shù)結(jié)果進(jìn)一步證實(shí)了本文算法在邊緣提取準(zhǔn)確性上的優(yōu)勢(shì)。其他傳統(tǒng)算法（Log、Prewitt、Roberts、Sobel）在這些評(píng)價(jià)指標(biāo)上的表現(xiàn)通常不如Canny和本文算法，這可能是由于它們?cè)谔幚砀咴肼暬驈?fù)雜紋理圖像時(shí)的局限性。使用灰狼優(yōu)化算法根據(jù)圖像特性選取閾值的方法，其關(guān)鍵在于它不僅關(guān)注強(qiáng)邊緣，也試圖保留那些可能是真實(shí)邊緣的弱邊緣信息。在自適應(yīng)雙閾值的應(yīng)用中，算法首先使用高閾值檢測(cè)出最顯著的邊緣，這些邊緣通常對(duì)應(yīng)圖像中的主要結(jié)構(gòu)。然后，算法利用低閾值來(lái)探索這些主要邊緣附近的區(qū)域，以便捕捉到更多的細(xì)節(jié)。通過(guò)這種方式，算法能夠在保持高召回率的同時(shí)，也提高了精確度，這在F1的優(yōu)異表現(xiàn)中得到了體現(xiàn)?？傮w而言，本文算法在芯片標(biāo)識(shí)圖像邊緣提取任務(wù)上表現(xiàn)出了較高的性能，尤其是在F1分?jǐn)?shù)、AUC和Dice系數(shù)上。

以下的圖4—8皆為芯片標(biāo)識(shí)圖像，其中圖（a1）—（a5）是芯片標(biāo)識(shí)原圖，（b1）—（b5）、（c1）—（c5）、（d1）—（d5）、（e1）—（e5）、（f1）—（f5）分別為傳統(tǒng)Log算子提取圖像、傳統(tǒng)Prewitt算子提取圖像、傳統(tǒng)Sobel算子提取圖像、傳統(tǒng)Roberts算子提取圖像和傳統(tǒng)Canny算子提取圖像，最后（g1）—（g5）是文獻(xiàn)［9］改進(jìn)Canny算子提取圖像，（h1）—（h5）為本文算法提取的芯片邊緣圖像。

實(shí)驗(yàn)結(jié)果顯示，傳統(tǒng)算法在不同程度上都存在一些問(wèn)題。Log算法在邊緣定位上較為準(zhǔn)確，但在噪聲較多的圖像中容易產(chǎn)生虛假邊緣。Prewitt算法對(duì)噪聲較為敏感，導(dǎo)致檢測(cè)出的邊緣不夠清晰。Roberts算法對(duì)細(xì)節(jié)邊緣敏感，但在噪聲抑制上表現(xiàn)不佳。Sobel算法相對(duì)平衡，但在邊緣清晰度和噪聲抑制上仍有改進(jìn)空間。Canny算法是這些傳統(tǒng)算法中表現(xiàn)最好的，它通過(guò)雙閾值處理和邊緣連接策略提供了較為清晰的邊緣檢測(cè)結(jié)果，但在高噪聲圖像中仍然會(huì)出現(xiàn)一些噪聲點(diǎn)。文獻(xiàn)［9］算法通過(guò)對(duì)傳統(tǒng)算法的優(yōu)化，嘗試解決噪聲和邊緣清晰度的問(wèn)題，但實(shí)驗(yàn)結(jié)果表明，雖然在某些情況下表現(xiàn)得比某些傳統(tǒng)算法好，但仍未能在所有方面達(dá)到最優(yōu)。本文算法在邊緣提取的過(guò)程中，首先通過(guò)灰狼優(yōu)化算法選取合適的高低閾值，確保了即使在光照變化或紋理復(fù)雜的情況下，算法也能準(zhǔn)確地識(shí)別出真實(shí)的邊緣，保證邊緣的完整性，使提取出的邊緣更加清晰和連貫。同時(shí)，算法能夠去除噪聲產(chǎn)生的偽邊緣，從而保證在不損失重要邊緣信息的前提下，去除那些不必要的干擾。081c36c3b48d1ae443cccea284948d77999f1d7a85feaa87c25100ef0ac08844這一點(diǎn)在處理高噪聲環(huán)境下的圖像時(shí)尤為重要，它能夠確保最終得到的邊緣圖像既干凈又精確。如圖4—8所示，提出的改進(jìn)Canny算法在實(shí)驗(yàn)中表現(xiàn)出了顯著的優(yōu)勢(shì)。它不僅在視覺(jué)效果上提供了最清晰、最完整的邊緣信息，在噪聲抑制方面也表現(xiàn)出色。通過(guò)對(duì)邊緣檢測(cè)機(jī)制和噪聲抑制策略的創(chuàng)新設(shè)計(jì)，本文算法能夠有效地識(shí)別真實(shí)邊緣，同時(shí)抑制噪聲點(diǎn)的生成。

5總結(jié)

本文深入分析了多種邊緣檢測(cè)算法在圖像處理中的表現(xiàn)，通過(guò)對(duì)比Log、Prewitt、Roberts、Sobel、Canny算法，以及文獻(xiàn)[9]中改進(jìn)算法和本文提出的新算法，得出了一系列結(jié)論。首先，盡管傳統(tǒng)算法在邊緣檢測(cè)領(lǐng)域有著廣泛的應(yīng)用，但它們?cè)谔幚砗懈咴肼暤膱D像時(shí)往往會(huì)產(chǎn)生不準(zhǔn)確的邊緣，或在邊緣清晰度上不盡如人意。Canny算法在這些傳統(tǒng)方法中表現(xiàn)相對(duì)優(yōu)秀，但在極端情況下仍然會(huì)受到噪聲的影響。文中提出的算法在芯片標(biāo)識(shí)圖像邊緣提取中顯示出顯著的優(yōu)勢(shì)，特別是在噪聲抑制和邊緣清晰度方面。這得益于算法中采用的先進(jìn)邊緣檢測(cè)機(jī)制和有效的噪聲抑制策略，使算法能夠在保持邊緣完整性的同時(shí)，最大限度地減少噪聲的干擾。

下一步研究將探索更高效算法的實(shí)現(xiàn)方式，以減少計(jì)算資源的消耗，提高算法的運(yùn)行速度，使其更適合實(shí)時(shí)處理大規(guī)模圖像數(shù)據(jù)。通過(guò)引入機(jī)器學(xué)習(xí)或深度學(xué)習(xí)技術(shù)，進(jìn)一步提高算法對(duì)芯片標(biāo)識(shí)檢測(cè)領(lǐng)域和芯片生產(chǎn)復(fù)雜場(chǎng)景的適應(yīng)性和魯棒性。

參考文獻(xiàn)：

[1]

黃夢(mèng)濤，連一鑫.基于改進(jìn)Canny算子的鋰電池極片表面缺陷檢測(cè)［J］.儀器儀表學(xué)報(bào)，2021（10）：199-209.

［2］張愉玲，邢會(huì)林，李三忠，等.基于蟻群和Canny邊緣檢測(cè)算子混合算法的二維巖石圖像裂隙特征提取與修復(fù)研究［J］.大地構(gòu)造與成礦學(xué)，2021，45（1）：242-251.

［3］KIMJ，LEES.Extractingmajorlinesbyrecruitingzero-thresholdCannyedgelinksalongsobelhighlights［J］.IEEESignalProcessingLetters，2015，22（10）：1689-1692.

［4］車暢，蘭文寶.Canny算法和中值濾波法的紅外全景圖像拼接［J］.激光雜志，2020，41（5）：109-113.

［5］楊少令，刁燕，羅華，等.一種改進(jìn)的Canny圖像分割算法［J］.計(jì)算機(jī)與現(xiàn)代化，2018（8）：57-60.

［6］張加朋，于鳳芹.基于Canny算子改進(jìn)型的影像測(cè)量邊緣檢測(cè)［J］.激光與光電子學(xué)進(jìn)展，2020，57（24）：258-265.

［7］MAQDY，MAZ，JIC，etal.ArtificialobjectedgedetectionbasedonenhancedCannyalgorithmforhigh-speedrailwayapparatusidentification［C］//201710thInternationalCongressonImageandSignalProcessing，BioMedicalEngineeringandInformatics（CISP-BMEI）.Beijing：IEEE，2017：1-6.

［8］FARAHANIARDH，SHANBEHZADEHJ，PEDRAMMM，etal.Ahybridedgedetectionalgorithmforsalt-and-peppernoise［J］.TheInternationalMultiConferenceofEngineersandComputerScientists，2011，1（3）：16-18.

［9］湯旻安，王晨雨.基于改進(jìn)Canny算法與Hough變換的軌道圖像邊緣提取［J］.鐵道標(biāo)準(zhǔn)設(shè)計(jì)，2021，65（8）：60-64.

［10］

CHENXF，GUANHB，GUJN，etal.AstudyandimprovementsonCannyalgorithm[J].AdvancedEngineeringForum，2012，2078（6/7）：205-209.

［11］杜緒偉，陳東，馬兆昆，等.基于Canny算子的改進(jìn)圖像邊緣檢測(cè)算法［J］.計(jì)算機(jī)與數(shù)字工程，2022，50（2）：410-413.

［12］梅永，莊建軍.基于Canny邊緣檢測(cè)的圖像預(yù)處理優(yōu)化算法［J］.信息技術(shù)，2022，45（1）：75-79.

［13］趙婭岐.基于Canny算子的邊緣檢測(cè)算法研究改進(jìn)與電路實(shí)現(xiàn)［D］.武漢：華中科技大學(xué)，2021.

［14］李小龍，閆娟，楊慧斌，等.基于改進(jìn)Canny算法的齒輪表面邊緣檢測(cè)［J］.智能計(jì)算機(jī)與應(yīng)用，2022，12（10）：180-183.

［15］康雅琪，孫鵬，郎宇博，等.重構(gòu)色彩空間下陳舊印章印文自適應(yīng)Canny檢測(cè)［J］.計(jì)算機(jī)仿真，2023，40（8）：230-234，402.

［16］楊益服，李文磊，李俊杰，等.基于改進(jìn)GWO-SVM的金屬產(chǎn)品表面缺陷分類研究［J］.組合機(jī)床與自動(dòng)化加工技術(shù)，2022，63（11）：143-146，150.

［17］鄭德強(qiáng).基于灰狼優(yōu)化的V-detector檢測(cè)器分布方法［J］.智能計(jì)算機(jī)與應(yīng)用，2022，12（11）：34-40.

［18］付家棋，胡國(guó)杰.基于改進(jìn)灰狼算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的住宅工程造價(jià)預(yù)測(cè)研究［J］.科技創(chuàng)新與應(yīng)用，2022，12（30）：12-16.

（責(zé)任編輯：曾晶）

Abstract：

Toeffectivelyextractchipmarking，animproveddynamicdualthresholdCannyoperatorbasedongraywolfoptimization（GWO）algorithmisproposedforedgeextractionofchipmarkingimages.Firstly，fromtheperspectiveofthecompleximageinterferenceinformationinthechipmarkingproductionenvironment，thedualthresholdoftheCannyoperatorisimproved.Secondly，thegreywolfalgorithmisusedtodetermineitshighthresholdselection;Finally，thealgorithmproposedinthispaperisexperimentallycomparedwithtraditionalLogoperators，traditionalPrewittoperators，traditionalRobertsoperators，traditionalCannyoperators，andtraditionalSobeloperators，andobjectiveevaluationsareconductedusingmethodssuchasrecallandaccuracy.Theexperimentalresultsshowthatthealgorithmproposedinthisstudyissuperiortotraditionaledgeextractionalgorithms，withhighextractionaccuracy，andlaysasolidfoundationforsubsequentrecognitiontasks.

Keywords：

chipmarkingimage;edgedetection;improvedCannyoperator;graywolfoptimization（GWO）

收稿日期：2023-10-21

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目（61461046）；甘肅省自然科學(xué)基金資助項(xiàng)目（20JR10RA802，20JR5RA494）；甘肅省科技重大專項(xiàng)計(jì)劃資助項(xiàng)目（22ZD6GE016，23ZDGE001）；甘肅省教育廳教育揭榜掛帥項(xiàng)目（2021jyjbgs-06）；天水師范學(xué)院科研項(xiàng)目（PTJ2022-01，PTJ2022-04）；天水市秦州區(qū)科技計(jì)劃資助項(xiàng)目（2023-SHFZG-6476）；天水師范學(xué)院研究生創(chuàng)新引導(dǎo)項(xiàng)目（2023CXZX-802，TYCX2236）；甘肅省2023年度重點(diǎn)人才項(xiàng)目（2023RCXM29）

作者簡(jiǎn)介：劉勍（1970—），男，教授，博士，研究方向：智能圖像信息處理技術(shù)，E-mail：lqlzu@126.com.

*通訊作者：劉勍，E-mail：lqlzu@126.com.