基于多尺度圖像增強結合卷積神經網絡的紙病識別分類

李光明 薛丁華 加小紅 李云彤 雷濤

摘要：針對造紙工業中傳統紙病識別分類依賴于特征描述子和分類器的選擇問題，提出一種多尺度圖像增強結合卷積神經網絡的紙病識別分類方法。該方法利用多尺度形態學梯度增強紙病圖像的邊緣輪廓信息，突出缺陷梯度特征，然后利用卷積神經網絡（CNN）學習紙病圖像的特征并分類識別，從而實現紙病的準確識別分類。實驗結果表明，該方法對紙病識別分類的結果明顯優于HOG+SVM、LBP+SVM以及傳統CNN方法，在Caltech101、KTH-TIPS以及本課題的數據集上的分類正確識別率分別達到98.44%、99.23%和99.64%。與現有紙病識別分類方法相比，本課題方法不需針對各種紙病進行缺陷特征提取和特征描述，能快速實現紙病的準確識別分類。

關鍵詞：圖像增強；卷積神經網絡；多尺度形態學梯度；圖像分類

中圖分類號：TS77；TP302.1

文獻標識碼：A

DOI：10.11980/j.issn.0254-508X.2018.08.009

特征提取是模式識別的關鍵步驟，在圖像分析和模式識別中有著重要應用。傳統的圖像分類方法首先需要定義特征描述子，再根據定義好的特征描述子進行特征提取并分類[1-2]。針對造紙行業中的紙病分類問題，由于實際紙張圖像容易受光照、環境等因素影響，使得紙病檢測研究問題、紙病特征提取及紙病識別分類成為造紙行業中的熱點[3]。目前，學者們已經提出了多種紙病識別分類算法。袁浩等人[4]通過對紙病圖像進行特征選擇，提出將支持向量機應用于紙病識別分類，但紙病圖像灰度表現單一，且受光照因素影響存在亮度上的變化，導致分類效果不理想。因此，胡慕伊等人[5]根據不同紙張缺陷圖像的灰度特征，利用動態雙閾值分割紙張缺陷區域，提取缺陷特征并進行識別分類，然而閾值分割需要對不同的紙張缺陷設置不同的閾值，導致參數設置困難。為了降低參數設置復雜度，張剛強等人[6]利用Hough變換檢測直線特征的方法對紙張缺陷進行識別分類，該方法在缺陷形狀為線型時識別效果較好，但不適用于大多數非線型形狀的紙張缺陷識別分類。為了提高紙病分類算法的魯棒性，楊雁南等人[7]提出利用模糊融合器對紙病的多種特征值進行特征層融合，利用徑向基神經網絡對紙病圖像進行識別分類，擴大了紙病辨識的范圍，但提取的特征單一且為淺層特征，從而導致分類精度較低。為此，羅磊等人[8]利用LBP（Locial Binary Pattern，局部二進制模式）提取紙張缺陷特征并進行識別分類，但由于LBP方法對紙張表面圖像紋理清晰度要求較高，需要復雜的預處理算法。

近來，吳一全等人[9]提出一種基于Krawtchouk矩不變量和小波支持向量機的紙病識別分類方法，通過計算紙病圖像的Krawtchouk 矩不變量來構造紙病圖像的特征向量，根據訓練樣本的特征向量構造支持向量機，對紙病進行識別分類，然而該方法的計算復雜性較高。為了進一步提高缺陷辨識精度，周強等人[10]提出利用二維小波變換去噪、奇異值分解方法提取紙病特征并進行識別分類，有效提高了識別分類精度。

針對傳統圖像分類方法依賴于特征描述子的問題，Hinton等人[11-12]提出的深度學習能夠分層學習圖像特征，有效避免傳統圖像分類方法依賴于人工特征描述子的問題，在圖像處理及計算機視覺等眾多領域中得到了廣泛應用。作為深度學習的代表性模型，卷積神經網絡（CNN）能自動學習圖像特征，對復雜圖像的形狀特征、紋理特征、顏色特征以及空間關系特征進行深層特征提取[13]并分類，通常可獲得比傳統特征提取方法更好的分類效果。2012年，Alex K等人[14]采用深度卷積網絡對ImageNet分類，錯誤率15.3%。2014年，Szegedy C等人[15]提出了一個包含22層的GoogleNet對ImageNet分類，將錯誤率降至6.67%。2016年，He K等人[16]提出的152層殘差網絡（ResNet） 將錯誤率進一步降低到3.57%。

鑒于CNN在圖像特征學習及分類方面的巨大優勢[12-17]，本課題提出了一種多尺度圖像增強結合卷積神經網絡的紙病識別分類方法。形態學中小尺度結構元素有利于梯度細節檢測，大尺度結構元素有利于抑制噪聲；多尺度形態學梯度檢測能兼顧小尺度結構元素和大尺度結構元素的優點，且形態學對邊緣方向性依賴小，使得圖像能保持較強的對比度。本課題利用多尺度梯度增強紙病圖像中缺陷邊緣輪廓信息，同時利用CNN能夠自動學習圖像特征的優勢，對紙病圖像進行特征提取并識別分類，主要解決現有的紙病識別分類方法依賴于特征描述子和分類器選擇、特征計算復雜等問題。實驗結果表明，本課題提出的方法對不同紙病數據集獲得了更高的分類精度，能有效降低紙病分類識別的錯誤率。

本課題主要目的：①將CNN應用在紙病識別分類中，解決傳統方法存在紙病特征提取困難、分類精度低的問題；②將多尺度形態學梯度應用于紙病圖像增強，解決傳統CNN方法直接應用于紙病識別分類存在深層特征學習困難導致紙病分類精度較低的問題；③與傳統方法相比，在保證計算效率的前提下，給出的方法有效提高了紙病識別率。進一步證明深度CNN對于分類準確性是有利的，同時表明CNN在缺陷圖像多類別目標的識別分類中具有較好的實用性，克服了傳統方法的不足[17]。

1傳統紙病識別分類方法

傳統的識別分類方法是基于對采集到的紙病圖像進行定量化特征提取，用分類器直接對提取特征進行分類，得到分類結果，進而對紙病的分類信息進行統計分析[3]，針對造成具體紙病的原因，采取改進造紙生產過程中不合理或操作管理不當等措施，提高紙張質量。

圖1為傳統紙病識別分類流程。從圖1可知，預先定義特征描述子，進行紙張缺陷特征提取和特征描述計算，用以訓練分類器模型，之后基于定義特征和分類器模型，對測試圖像進行特征提取并識別分類。首先，傳統的識別分類方法中的特征描述子包含大量的先驗知識，其進行特征提取的主要問題是識別的準確性很大程度上取決于該特征描述子是否具有描述某些特征的能力[21-23]，但對多數圖像而言，固定的特征描述子難以提取到圖像的完整信息；其次，傳統識別分類方法的特征計算復雜，提取到的特征單一且為圖像的底層特征。因此，為了獲取更好的圖像特征，需要提取紙病圖像的深層語義特征，由此提取到的特征更有利于紙病識別分類。

2本課題方法

針對傳統的紙病識別分類方法依賴于傳統特征描述子、特征計算復雜等問題，本課題提出一種多尺度圖像增強結合CNN用于紙病識別分類的方法。對特征提取步驟而言，傳統CNN可以提取到圖像的深層特征信息，深層的網絡能提取到更全面的高維特征。通過對圖像的形狀特征、紋理特征、顏色特征以及空間關系特征的深層特征信息進行特征提取并識別分類，能獲得比傳統分類方法更好的識別效果。

對紙病而言，不同的紙病表現在形狀特征、灰度特征以及紙病邊緣特征信息的不同，比如黑斑、孔洞、毯痕、褶皺。而實際中紙病圖像紋理簡單，背景單一，大多數紙病缺陷邊緣輪廓清晰度不高，同時都屬于少量缺陷。直接用CNN對其進行特征提取，提取到的缺陷特征信息占整幅圖像的特征信息比例較小、特征有效率較低，導致識別效果不理想。因此，結合具體紙病進行分析后，本課題利用多尺度圖像增強方法，突出紙病輪廓梯度特征，進而增強紙病輪廓清晰度，之后再利用CNN進行特征提取，有利于提取到紙病信息，更有利于紙病的識別分類。

本課題方法的總體框圖如圖2所示。從圖2可知，首先計算多尺度形態學梯度，對輸入圖像進行不同尺度形態學梯度運算，得到多個尺度下的形態學梯度圖像；然后，對不同尺度下的梯度圖像加權融合得到最終的多尺度形態學梯度圖像，將多尺度形態學梯度圖像與紙張缺陷圖像進行融合實現圖像增強，輸入至CNN訓練模型；最后，將訓練集輸入到CNN模型，進行紙病圖像的特征提取并準確識別分類。

2.1紙病梯度圖像增強

由于紙病圖像紋理簡單，背景單一，大多數紙病缺陷邊緣輪廓清晰度不高，為了突出紙病輪廓梯度特征，提高紙病輪廓清晰度，有利于CNN提取到有效特征，所以對紙病圖像進行梯度增強。

梯度圖像在沿圖像目標區域的邊緣處有較高的值，在背景區域的梯度值較低，能夠很好地突出灰度值變化比較大的邊界區域。因此將梯度圖像與紙病圖像進行融合實現梯度圖像增強，突出梯度特征的同時保留了原始圖片特征信息、紙病的部分背景信息和缺陷周邊特征信息，之后輸入CNN進行特征提取并識別分類。

圖3為三種算子對應的紙病的各梯度增強圖像。從圖3可以看出，圖像的邊緣輪廓清晰度相對原圖有所提升，但各算子對缺陷邊緣方向性依賴比較大。Canny算子和Prewitt算子比Sobel算子的抑噪能力強，容易平滑掉一些邊緣信息，且所用算子為固定尺度的結構元素，不適合存在弱邊界的紙病圖像進行圖像梯度增強。

2.2紙病多尺度圖像增強

Canny算子和Prewitt算子抑制噪聲能力強，但增強效果有限。Sobel算子增強效果明顯，但對噪聲比較敏感。針對傳統梯度增強方法存在的問題，由于形態學梯度對邊緣方向性依賴小，且能保持較強的對比度[26-28]，所以本課題擬采用形態學梯度函數進行圖像增強。

形態學梯度根據膨脹或腐蝕與原始圖像之差作圖，來增強結構元素領域中像素的強度，突出高亮區域的外圍。

常用膨脹后的圖像減去腐蝕后的圖像作為梯度圖像。一幅圖像的單尺度形態學梯度表示為grad，見式（1）。

式中，⊕和Θ分別表示膨脹和腐蝕的運算符號；f（x，y）為原始圖像，se（x，y）為結構元素，算子性能取決于結構元素se的大小和形狀。小尺度的結構元素抑噪能力弱，但有利于檢測到好的梯度邊緣細節信息，大尺度的結構元素有利于抑制噪聲，但所檢測到的梯度邊緣較粗，結構元素過大或者過小都容易產生較差結果，進而影響后續工作。

為了利用小尺度結構元素和大尺度結構元素各自的優點，使用不同尺度的結構元素對原始圖像進行形態學梯度運算，并重構各梯度圖像，通過對不同尺度形態學梯度圖像加權融合取均值，得到最終的多尺度形態學梯度圖像。一幅圖像的多尺度形態學梯度圖像表示為Multi_Grad，見式（2）。

相同種類的紙張缺陷圖像的周邊信息特征具有一致性，為了增強紙病的邊緣輪廓信息和梯度特征信息，同時保留原始圖像的背景信息和紙病周邊特征信息，因此提出將多尺度形態學特征圖像與原始圖像加權融合實現圖像增強[22]，增強圖像梯度特征和邊緣特征，之后將增強圖像輸入至CNN進行特征提取并識別分類。結合式（2） 得最終輸入至網絡的圖像為Multi_Grad_Input[f（x，y）]，見式（3）。

利用多尺度形態學得到多尺度形態學梯度圖像（見圖4），其中MSMG為多尺度形態學梯度圖像。

對比圖4與圖3的梯度增強圖像可以發現，多尺度形態學方法處理后的缺陷輪廓信息有所提高，對比度也隨之增強，周邊信息得到細化，作為CNN的輸入進行缺陷特征提取，更能代表紙病圖像的特征信息。首先，形態學梯度在兼有梯度圖像優點下，還具有對邊緣方向性依賴小，達到增強梯度特征、邊緣輪廓特征的目的的優勢。其次，形態學梯度與各種空間梯度算子有區別，當使用對稱結構元素時，其對邊緣方向依賴性與空間增強技術中梯度算子的邊緣方向依賴性更小。由于圓盤狀結構元素具有各個方向同性的性質，且適合目標有弧度的圖像的梯度信息提取，結合紙病圖像的缺陷形狀，因此本課題選擇采用圓形結構元。

2.3CNN提取特征并識別分類

根據圖2，對于增強后的紙張圖像采用CNN進行紙病特征學習并識別分類。由于增強后的紙病圖像對比度明顯，能突出紙病缺陷的梯度特征和邊緣信息特征。提取到的特征有效率較高，因此更有利于紙病識別分類。

CNN是一種處理二維輸入數據的前饋神經網絡，與傳統神經網絡一樣使用反向傳播算法訓練修正參數，區別在于網絡的結構，CNN包含了若干個由卷積層和池化層構成的特征提取器[24]。本課題用AlexNet網絡模型進行特征提取。圖5是簡單的CNN圖像分類框架。Ci表示第i卷積層，Sj表示第j池化層。

2.3.1卷積層

卷積層是CNN的特征提取層，卷積層的每一個特征圖是前一層的特征圖與卷積核進行濾波卷積和，增加偏置項的結果，通過卷積操作提取圖像的局部特征[24-25]，第l層特征圖的計算可表示為式（4）。

2.3.2池化層

池化層為下采樣特征映射層，通過降低特征的分辨率，來防止過擬合。同時減少網絡參數和保持圖像平移、伸縮和旋轉不變形，能計算圖像局部特征并對圖像不同位置的特征進行聚合統計[24-25]，得到其特征表達。采用最大池化方法，第l+1層的特征圖可表示如式（5）所示。

2.3.3基于CNN的紙病特征提取

AlexNet深度網絡模型如圖6所示，其中前5層（C1～C5）是特征提取層，Ci表示第i卷積層，用以在保持圖像平移、伸縮和旋轉不變形的情況下進行圖像特征提取。后面3層為全連接層，Fj表示第j全連接層，實現對紙病圖像的特征學習、特征提取并識別分類。

基于AlexNet深度網絡模型，對紙病進行特征學習，將孔洞紙病圖像和其增強圖像輸入至CNN 中進行特征提取，各卷積層結果如圖7所示。從圖7中的圖像對比可以看出，本課題方法使孔洞紙病整體對比度提高，且輪廓邊緣清晰。

2.4本課題算法描述

本課題基于多尺度圖像增強結合CNN的紙病識別分類算法，結合小尺度結構元和大尺度結構元的優點，利用數學形態學方法計算紙病圖像的形態學梯度圖像，對不同尺度下的形態學梯度圖像加權融合取均值，得最終的多尺度形態學梯度圖像。輸入至CNN中進行特征提取并識別分類。

基于多尺度圖像增強結合CNN的紙病識別分類算法具體步驟如下：

（1）準備紙病圖像數據，并隨機劃分訓練集和測試集。

（2）初始化，給定程序的運行參數，sei為第 i尺度對應的結構元，此處取半徑大小為1、3、5、7的圓形結構元素，并輸入紙病訓練集圖像。

（3）利用形態學方法對輸入圖像進行不同尺度形態學梯度運算，得到多個尺度下的形態學梯度圖像；G（i）表示尺度i的形態學梯度圖像，見式（6）。

（4）對不同尺度下的形態學梯度圖像加權融合，得最終的多尺度形態學梯度圖像MG；n表示尺度數目，見式（7）。

（5）將多尺度形態學梯度圖像與紙張缺陷圖像進行融合實現增強圖像。

（6）將訓練集對應的增強圖像輸入至CNN進行特征學習。

（7）將測試集對應的增強圖像，輸入至訓練好的模型上進行紙病特征提取并識別分類，得訓練集數據對應的預測標簽。

（8）訓練集的預測標簽與實際標簽對比，計算紙病識別分類正確率。

本課題算法流程圖如圖8所示。

3實驗與分析

實驗研究了通過紙病識別分類來驗證本課題算法的可行性。實驗選擇共400張227*227*3紙病圖像，各類紙病100張，對數據集按0.8比例隨機劃分訓練集和測試集。對比紙病預測類別標簽與實際類別標簽，對實現結果進行評價，實驗在CPU： Intel（TM）i7-6700U處理器，16G內存，NVIDIA Quadro K620顯卡的硬件環境和Matlab2017a的軟件環境下運行。

本課題方法利用多尺度形態學實現紙病圖像增強，在增強紙病圖像的邊緣輪廓信息和梯度特征的同時，保留了原圖的背景信息和缺陷目標周邊特征信息，增強了圖像梯度特征和缺陷邊緣輪廓特征，由此提取到的特征更有利于紙病識別分類，進而實現CNN的特征提取并識別分類，能提高識別分類精度。

3.1紙張缺陷數據集測試結果

為了更清晰地觀察和分析各類圖像正確分類的個數及與某個類別容易混淆造成錯分的類別，實驗利用混淆矩陣對正確分類的圖像個數進行表征，其中混淆矩陣的X軸和Y軸均表示紙病類別，第i行第j列的值代表第i類紙病被分為第j類的個數比例，混淆矩陣對角線上的元素值表示對應紙病正確識別分類的比例，對測試集紙病圖像進行分類得到正確識別率。結果如表1所示。

從表1實驗結果可以看出，CNN耗時明顯優于HOG+SVM和LBP+SVM，本課題算法在紙病識別分類中正確識別率達到99.64%，比傳統CNN方法提高了0.89個百分點，明顯優于其他算子的梯度增強方法和傳統CNN方法。實現了在保證不影響耗時的前提下，對紙病進行準確快速識別分類，具有分類精度高、耗時少的優勢，因此在紙病識別分類應用方面具有一定的可行性。

3.2Caltech101、KTH-TIPS數據集測試結果

Caltech101是一個圖像物體識別數據集，包含101類物體的圖像，每個類別中最小包含 31 張圖像。隨機劃分訓練集2505張圖像，測試集626張圖像；KTH-TIPS是一個在不同的光照、角度和尺度下拍攝的不同材質表面紋理圖片，總共10類紋理圖像，每類81張圖像，隨機劃分訓練集648張圖像，測試集162。兩種數據集多用于圖像識別分類，在各數據集上用以上方法進行對比實驗，實驗結果見表2。從表2可以看出，與其他算子的梯度增強方法和傳統CNN方法相比，本課題的多尺度圖像增強結合CNN分類方法有較高的分類精度，對兩種數據集的分類正確識別率分別達到了98.44%和99.23%。同時，耗時少于傳統方法。證明了本課題方法的優越性和實用性。

4結論

本課題將卷積神經網絡（CNN）應用在紙病識別分類中，能快速實現紙病圖像的特征提取并準確識別分類；同時提出一種多尺度圖像增強結合CNN的紙病識別分類方法，解決傳統紙病識別分類依賴于傳統特征描述子和分類器選擇、特征計算復雜等問題。實驗結果表明，在保證計算效率的前提下，本課題提出的方法在紙病數據集上的分類正確識別率達到了99.64%，比傳統CNN方法提高了0.89個百分點，降低了錯誤率。且在Caltech101、KTH-TIPS數據集上的分類正確識別率分別達到98.44%和99.23%，進一步驗證了方法的可行性和有效性。不足之處是所分類識別對象僅為4種紙張缺陷，下一步的研究方向可以改進CNN的結構以提高其泛化能力，應用到多種紙病中。

參考文獻

[1]Romero A， Gatta C， Camps-Valls G. Unsupervised deep feature extraction for remote sensing image classification[J]. IEEE Transactions on Geoscience and Remote Sensing， 2016， 54（3）： 1349.

[2]Chen Y， Jiang H， Li C， et al. Deep feature extraction and classification of hyperspectral images based on convolutional neural networks[J]. IEEE Transactions on Geoscience and Remote Sensing， 2016， 54（10）： 6232.

[3]ZHOU Qiang， CHEN Ying， SHEN Tian-yu， et al. Development of Paper Disease Detection System Based on Machine Vision[J]. China Pulp & Paper， 2016， 35（5）： 72.

周強， 陳穎， 沈天宇， 等. 基于機器視覺的紙病檢測系統發展綜述[J]. 中國造紙， 2016， 5： 72.

[4]Yuan H， Fu Z L， et al. Paper defect image classification and recognition based on support vector machine[J]. Journal Of Computer Applications， 2008， 28（2）： 330.

袁浩， 付忠良， 等. 基于支持向量機的紙張缺陷圖像分類識別[J]. 計算機應用， 2008， 28（2）： 330.

[5]YIN Yan-ping， XIONG Zhi-xin， HU Mu-yi. Paper defect image recognition algorithm based on threshold segmentation and fractal features[J]. Transactions of China Pulp and Paper， 2011， 26（4）： 41.

殷燕屏， 熊智新， 胡慕伊. 基于閾值分割及分形特征的紙病圖像識別算法研究[J]. 中國造紙學報， 2011， 26（4）： 41.

[6]ZHANG Gang-qiang， ZHOU Qiang. Application of improved Hough transform in paper defect detection system[J]. Transactions of China Pulp and Paper， 2011， 26（4）： 38.

張剛強， 周強. 改進Hough變換在紙病檢測系統中的應用[J]. 中國造紙學報， 2011， 26（4）： 38.

[7] Zhou Q， Yang Y N， Liu Y， et al. Paper recognition based on RBFNN fuzzy fusion[J]. Acta Photonica Sinica， 2013， 42（8）： 1002.

周強， 楊雁南， 劉勇， 等. 基于RBFNN模糊融合的紙病在線辨識[J]. 光子學報， 2013， 42（8）： 1002.

[8] Luo L， Zhang E H. Research and implementation of paper surface defect detection system based on image analysis[J]. Journal of Xian University of Technology， 2014， 30（2）： 187.

羅磊， 張二虎. 基于圖像分析的紙張表面缺陷檢測系統的研究與實現[J]. 西安理工大學學報， 2014， 30（2）： 187.

[9] Zhu L， Wu Y Q. Research on detection methods of pulp fibers and paper defects based on computer vision[D]. Nanjing： Nanjing University of Aeronautics and Astronautics， 2015.

朱麗， 吳一全. 基于計算機視覺的紙漿纖維和紙張缺陷檢測方法研究[D]. 南京： 南京航空航天大學， 2015.

[10] ZHOU Qiang， QI Lu. Paper defect identification based on SVD and SVM for complex background noise image[J]. Transactions of China Pulp and Paper， 2016， 31（2）： 49.

周強， 齊璐. 基于SVD和SVM的復雜背景噪聲圖像的紙病辨識[J]. 中國造紙學報， 2016， 31（2）： 49.

[11] Hinton G， Osindero S， Teh Y-W. A fast learning Algorithm for Deep Belief Nets[J]. Nature， 2006， 18（7）， 1527.

[12] Le Cun Y， Bengio Y， Hinton G. Deep learning[J]. Nature， 2015， 521（7553）： 436.

[13]Schmidhuber J. Deep Learning in neural networks： An overview[J]. Neural Networks， 2015， 61： 85.

[14]Alex K， Ilya S， Geoff H. Imagenet classification with deep convolutional neural networks[J]. Advances in Neural Information Processing Systems， 2012， 25（2）： 1106.

[15]Szegedy C， Liu W， Jia Y， et al. Going deeper with convolutions[C]// IEEE Conference on Computer Vision and Pattern Recognition. IEEE Computer Society， Boston， United States， 2015： 1.

[16]He K， Zhang X， Ren S， et al. Deep Residual Learning for Image Recognition[C]// IEEE Conference on Computer Vision and Pattern Recognition， Las Vegas， NV， United States， 2016： 770.

[17] Ren S， He K， Girshick R， et al. Object detection networks on convolutional feature maps[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（7）： 1476.

[18] Tang B， Kong J Y， Wu S Q. Review of surface defection based on machine vision[J]. Journal of Image and Graphics， 2017， 22（12）： 1640.

湯勃， 孔建益， 伍世虔. 機器視覺表面缺陷檢測綜述[J]. 中國圖象圖形學報， 2017， 22（12）： 1640.

[19] Bian Z G. Development of machine vision technology[J]. China Instrumentation， 2015（6）： 40.

卞正崗. 機器視覺技術的發展[J]. 中國儀器儀表， 2015（6）： 40.

[20] Xu K， Wang L， Wang J Y. Surface defect recognition of hot-rolled steel plates based on Tetrolet transform[J]. Journal of Mechanical Engineering， 2016， 52（4）： 13.

徐科， 王磊， 王璟瑜. 基于Tetrolet變換的熱軋鋼板表面缺陷識別方法[J]. 機械工程學報， 2016， 52（4）： 13.

[21]Koch C， Georgieva K， Kasireddy V， et al. A review on computer vision based defect detection and condition assessment of concrete and asphalt civil infrastructure[J]. Advanced Engineering Informatics， 2015， 29（2）： 196.

[22]Cha Y-J， You K， Choi W. Vision-based detection of loosened bolts using the Hough transform and support vector machines[J]. Automation in Construction， 2016， 71（2）： 181.

[23] Zhou Y C， Wei Y. Learning hierarchical spectral-spatial features for hyperspectral image classification[J]. IEEE Transactions on Cybernetics， 2016， 46（2）： 1667.

[24] Cha Y-J， Choi W， Büyükztürk O. Deep learning-based crack damage detection using convolutional neural networks[J]. IEEE Transactions on Geoscience and Remote Sensing， 2017， 32： 361.

[25] Chougrad H， Zouaki H， Alheyane O. Deep Convolutional Neural Networks for breast cancer screening[J]. Computer Methods and Programs in Biomedicine， 2018， 157： 19.

[26] Lei T， Jia X H， Zhang Y N， et al. Significantly fast and robust fuzzy c-means clustering algorithms based on morphological reconstruction and membership filtering[J]. IEEE Transactions on Fuzzy Systems.[DOI： 10. 1109/TFUZZ. 2018. 2796074].

[27] Lei T， Zhang Y N， Wang Y， et al. A conditionally invariant mathematical morphological framework for color images[J]. Information Sciences， 2017， 387（5）： 34.

[28] Lei T， Fan Y Y， Wang Y. Color edge detection based on the fusion of hue and Principal component analysis[J]. IET Image Processing， 2014， 8（1）： 44.

（責任編輯：常青）