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

        ?

        基于灰狼優(yōu)化算法的改進(jìn)Canny算子的芯片標(biāo)識(shí)圖像邊緣檢測(cè)

        2024-09-30 00:00:00劉勍郝靜侯喆趙利民趙玉祥張進(jìn)兵

        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.

        亚洲国产综合精品久久av| 天堂а√在线中文在线新版| 草莓视频成人| АⅤ天堂中文在线网| 中文字幕第一页亚洲观看| 国产午夜福利av在线麻豆| av素人中文字幕在线观看| 无遮挡h肉动漫在线观看| 亚洲日韩精品欧美一区二区| 亚洲中久无码永久在线观看软件| 亚洲精品综合色区二区| 国产在线视频网友自拍| 日日噜噜夜夜狠狠va视频v| 亚洲精品久久久久成人2007| 一二三四在线视频社区3| bbbbbxxxxx欧美性| 精品国产亚洲av久一区二区三区| 国产综合精品久久99之一| 亚洲精品国产精品国自产| 激情偷乱人伦小说视频在线| 亚洲mv国产精品mv日本mv| 中文字幕这里都是精品| 五月婷婷开心六月激情| 国产精品av在线| 国产人妖视频一区二区| 免费国产在线精品三区| 精品国产免费一区二区久久| 成人免费a级毛片无码片2022| 40岁大乳的熟妇在线观看| 99久久国语露脸精品国产| 无码视频一区=区| 日本a级免费大片网站| 日本丰满少妇裸体自慰| 久激情内射婷内射蜜桃人妖| 国产精品青草视频免费播放| 少妇av免费在线播放| 久久国产精品国语对白| 国产av国片精品jk制服| 免费精品一区二区三区第35| 亚洲av影院一区二区三区四区| 国产诱惑人的视频在线观看|