刘洪生,蒋红海,忽正熙
(昆明理工大学 机电工程学院,昆明 650500)
基于高斯混合模型的磁瓦合格分类研究
刘洪生,蒋红海,忽正熙
(昆明理工大学 机电工程学院,昆明 650500)
针对目前磁瓦合格分类人工识别效率低。提出了一种基于高斯混合模型的磁瓦合格检测方法,通过Halcon软件将工业相机采集到的磁瓦样本图片进行图像灰度化,降噪,滤波,阈值分割,形态学处理,处理后根据主成分分析法,提取出磁瓦的面积、周长和中心几何距等特征参数,再根据特征参数的不同进行汇总赋值,利用高斯混合模型分类识别出磁瓦样本的合格与不合格品。实验结果表明,Halcon编程检测出四十片磁瓦共耗时约7s,平均每个耗时0.2s,提高了检测效率,并缩短了检测时间。该算法针对磁瓦的识别效果较好,识别准确率高,相比人工检测,效率和可靠性均有了提升。
磁瓦;高斯混合模型;图像处理;特征参数;Halcon
磁瓦是永磁体中的一种,主要是用在永磁直流电机上能产生恒定磁能的瓦状磁铁。其质量的好坏对电机的性能有较大的影响。在磁瓦的生产过程中,由于技术等原因,磁瓦的缺陷难以避免。目前大多数生产磁瓦的厂家主要依赖于人工目视检测[1],这导致检测磁瓦的效率低下,可靠性不足等缺点,无法满足大规模高效率的生产。依靠机器视觉的自动化检测是国内外研究的热点[2~5]。文献[6]开发了一种基于机器视觉技术的磁瓦表面缺陷自动检测系统,但仅能检测缺陷陷区域的面积,对于缺陷磁瓦的周长,宽高度及几何距等无法检测。文献[7]介绍了一种基于小波变换的磁瓦表面缺陷检测方法研究,但是检测和处理耗时长,不适于在线检测。文献[8]中磁瓦检测系统所需的光源复杂,且算法的通用性不高。本文运用Halcon软件进行图像处理和判别磁瓦是否合格。
实验检测系统主要由计算机图像处理软件,电动及气动控制系统,和图像数据采集装置组成。该实验系统的核心部件包括:工业CCD相机,LED光源,运动控制卡,交流伺服电机,步进电机,直流电源,传感器,气动机械手和计算机。系统总体结构如图1所示。
图1 系统结构图
其中光照部分,本实验平台采用的是穹顶LED光源,穹顶光源是漫扩散,均匀照明,亮度可调,热辐射小,柔和的光源。其张角可以使弯曲表面成像,它主要是通过半球型的内壁数次漫反射,消除物体的阴影来达到良好的光照效果。
系统工作过程如下:将待识别的磁瓦摆放在传送带上。通过距离传感器实时给工业相机进行反馈,使工业相机采集磁瓦图像并进行模式识别判断出该磁瓦是否是合格品。通过气动机械手将不合格的磁瓦吸取,然后将其放分类盒中。气动机械手按照相关的动作顺序进行往复循环动作来实现对待测磁瓦的分类和识别,图2为实现工作过程的工件识别与气动机械手抓取系统和Halcon软件工作界面。
2.1 算法流程
为了对目标磁瓦识别系统的准确应用,并提高检测速度和效率,首先要对磁瓦进行图像的采集,图像采集好坏直接影响后续图像处理的结果,因为工业相机采集的图像含有噪声,所以必须对所采集的图像进行一系列图像预处理。比如灰度化处理,可以减少计算机对图像处理的信息量,提高图像处理速度,中值滤波,去除噪声点,增加识别的准确性。阈值分割,突出目标的信息。运用形态学的处理,对检测结果的锐化,为后续的图像识别降低难度。最后设置合格磁瓦特征参数区间,来判别待检测的磁瓦是否合格,如图3所示为图像处理的算法流程图。
图2 工件识别与气动机械手系统及Halcon软件界面
图3 算法流程图
2.2 图像阈值的分割和提取
本实验采用直方图分割并二值化,首先对图像灰度化处理,之后进行中值滤波降噪,这样便于后续的进一步处理[9],得到如图4的样品图像阈值分割和提取图片,其中,图4(a)为不合格磁瓦与合格磁瓦灰度化后的中值滤波图。接着利用阈值分割提取磁瓦的特征区域,得到图4(b)不合格磁瓦与合格磁瓦的ROI区域划分。图4(c)为不合格磁瓦与合格磁瓦的灰度直方图。
图4 样品图像阈值分割和提取
2.3 形态学操作
数学形态学[10]是由一组形态学的代数运算子组成的非线性的图像处理方法。其中本实验运用到的开操作是将磁瓦的轮廓进行平滑、消除细小的突出物以及断开较窄的狭颈。结构元B对集合A的开操作,表示为BA◦,其定义如下:
图5为进行开操作处理后不合格与合格的磁瓦图片。
图5 进行开操作后的图片
主成分分析法的磁瓦样本识别[11],设磁瓦图像大小为m.n,将其向量化变成维数是N=m.n的列向量。假设有M个训练样本,第j个样本的列向量为Xj,即:
µ为训练磁瓦样本的均值,将训练样本的磁瓦图像均值化后可得到矩阵A,即则训练样本的协方差矩阵为:
其维数是N.N[12]。
最优投影子空间为协方差矩阵C的非零特征值的特征向量构成,主成分维数d则根据特征值具体的贡献率来确定。特征空间矩阵为把训练样本投影到特征空间,得到投影矩阵:
即为样本磁瓦的特征的矩阵。
对于磁瓦检测来说,通过主成分分析法提取的特征参数有面积、周长等[13]。
1)面积A。面积是图像通过图像预处理后,得到不同的区域,然后将这些区域连通,得到的连通区域像素的总数,对于一个图像区域R,其面积A表示为:
2)轮廓S。采用欧氏距离法,倾斜方向上的两个相邻像素fi,j和fm,n间的距离为:
图像水平或垂直方向上的相邻像素间点的距离为1,而倾斜方向上为2[14]。即通过像素的个数来表示轮廓。图6为进行特征的提取和识别后检测出的样本区域,经过检测得出图中的不合格与合格磁瓦的面积为:62183,62685,轮廓为:1060.79,1073.1,中心距为:146.363,147.484。
图6 特征提取和识别出的区域
高斯混合模型(Gaussian Mixture Model GMM)是一种常用的描述混合密度函数分布的模型[15],本文采用高斯混合模型来对磁瓦的合格与不合格样本特征进行建模。其概率密度为:
式中,xi为向量且维数为d;混合分布的参数kα为权系数且满足其中是单高斯概率分布:
式中,kµ为训练的样本平均值;∑k为样本方差矩阵。将任意测试样本xi代入上式,可得到一个标量然后根据阈值来判断样本磁瓦是否属于该类别即合格与不合格。图7为识别后的结果。
图7 识别出的合格与不合格样本
本实验首先运用高斯混合模型对分类器进行前二十片磁瓦的分类训练和识别,将得到的特征向量增加到不同的分类器。之后随机选取传输带上的二十片磁瓦,通过主成分分析法提取新图像的特征参数如面积,周长,中心平均距等,特征参数选取得越多,识别出的错误率越低,使用已经训练过的分类器进行识别和分类。实验得出的数据如图8所示,通过高斯混合模型的模式识别设定模板磁瓦的面积62901,轮廓长度为1076,中心距为147.77。设定磁瓦面积区间[62610,63230]为可接受的合格品区间如图8(a)所示,磁瓦轮廓长度区间[1068.3,1082.4]为可接受的合格品区间如图8(b)所示,磁瓦中心距区间[147.251,148.095]为可接受合格品区间如图8(c)所示。磁瓦样品特征值的分布根据所对应的模板磁瓦特征值为中心上下波动,如果超过设定区域范围或偏离模板值越远说明对应磁瓦为不合格品的概率越高。
图8 实验结果数据
由于人工目视检测不适合于工业上大规模自动化识
【】【】别,把实验得到的图像数据移植到Halcon开发环境中,应用Halcon编程,经过实验验证,忽略磁瓦在输送带上的速度,检测四十片磁瓦共耗时7s平均每个耗时0.2s,提高了检测效率,并缩短了时间。该算法针对磁瓦的识别效果较好,识别准确率为80%,相比人工检测,时间效率和可靠性均有了一定的提升。
[1] 杜柳青,余永维.磁瓦表面缺陷机器视觉检测与识别方法[J].图学学报,2014,4(35):590-594.
[2] Turaga P,Chellappa R, Subrahmanian V S, Udrea O. Machine Recognition of Human Activities: A Survey[J]. IEEE Transactions on Circuits and Systerm for Video Technology,2008,18(11):1473-1488.
[3] Kumar A.Computer-vision-based fabric defect detection: A Survey[J].IEEE Transactions on Industrial Electronics, 2008, 55(1):348-363.
[4] Keser T, Hocenski Z, Hocenski V. Intelligent Machine Vision System for Automated Quality Control in Ceramic Tiles Industry [J]. Strojarstov, 2010, 52(2):105-114.
[5] Brosnan T, Sun D W. Improving quality inspection of food products by computer vision-a review[J].Journal of Food Engineering,2004,64(1):3-16.
[6] 严俊龙,郑晓曦,李铁源.磁瓦表面缺陷自动检测系统的研究[J].计算机工程与运用,2009,45(36):228-231.
[7] 杨成立,殷国富,蒋红海,李雪琴. 基于小波变换的磁瓦表面缺陷检测方法研究[J].计算机应用与软件,2014,31(11):210-213.
[8] 余永维,殷国富,蒋红海,黄强.磁瓦表面图像的自适应形态学滤波缺陷提取方法[J].计算机辅助设计与图形学学报,2012,24(3):351-356.
[9] 刘宇,孔明,马忠祥.基于计算机视觉的齿条测量方法研究[J].计算机工程与运用,2011,47(33):240-243.
[10] Rafael C.Gonzalez, Richard E.Woods. 数字图像处理(MATLAB版)[M].阮秋琦等译.北京:电子工业出版社,2005:261-263.
[11] 赵焕利,王玉德,张学志,薛乃玉. 小波变换和特征加权融合的人脸识别[J].中国图象图形学报,2012,17(12):1523-1527.
[12] 杨军,袁红照.结合小波变换和图像主元分析的人脸识别[J]. 计算机工程与运用,2010,46(4),1-3.
[13] 谈蓉蓉.利用颜色和形状特征的杂草识别方法研究[D].江苏:江苏大学,2009.
[14] 高苗.水声图像特征提取技术研究[D].黑龙江:哈尔滨工程大学,2009.
[15] 陈宇,黄仲洋,江露,钟秋波.基于高斯混合模型的类人机器人果实辨识研究[J].安徽农业科学,2014,42(15):4889-4891.
Study on the qualified classification of magnetic tile based on gauss mixture model
LIU Hong-sheng, JIANG Hong-hai, HU Zheng-xi
TP391.41
:A
1009-0134(2017)01-0113-04
2016-09-04
刘洪生(1988 -),男,硕士,研究方向为机器视觉与图像处理。