基于HOG特征與SVM的膠體氣泡識別方法研究

潘琪 尹雄 秦襄培 武勝超 王洪嬌 李俊林

Abstract： In this paper， a classification method based on HOG feature and Support Vector Machine is proposed to replace manual method to detect colloid bubble in the optical fiber connector. Firstly， this method gets the image about colloidal part from video frame by frame， making positive and negative training sample set and test set according to the sample. Then， the appropriate parameters are selected to extract colloid bubble HOG features from training set and test set， and HOG features trained and tested by the Support Vector Machine （SVM） to detect whether there is a bubble. Finally， the classification results of this method are verified by artificial recognition. The results show that this method can effectively classify the samples without bubbles and gain obvious advantages in time and manpower.

引言

近年來，光纖技術隨著科學研究的發展而迅速崛起為現代新興實用門類之一。光纖活動連接器作為光纖技術中的一個重要部件，通常要經過裁纜、穿散件、剝纖、注膠、穿纖、加熱、斷纖、組裝、機磨、檢測、包裝等一系列加工組裝環節。然而，在其注膠和固化的過程中，會因為一些人為因素導致光纖活動連接器中間的膠體部分產生氣泡，比如人工參與注膠是由于無法一直保持穩定性或者點膠路徑未臻完美而產生氣泡，并且在加熱階段過后會使這些膠體氣泡更加明顯。大約100個產品中會存在3～5個帶有膠體氣泡的產品。這種帶有氣泡的光纖活動連接器若在惡劣的工作環境下付諸使用會導致炸膠現象，會急劇縮短光纖電子元器件的使用壽命。

現階段，對于光纖活動連接器的膠體部分是否存在氣泡依然處于人工識別的階段，也就是通過電子顯微鏡依靠人眼來檢測產品是否合格，不僅速度慢、強度大，而且也削弱了所得結果的客觀性。光纖活動連接器及內部氣泡的視像效果可如圖1所示。

對于傳統的圖像處理方法，由于不同樣本的環境或多或少皆有不同，其二值化過程中的閾值則將難以選取，不同的產品生成結果也不盡相同；而對于神經網絡法，雖然其適應性好、抗干擾能力強、準確率高，但識別速度較慢，并且在識別過程中容易產生過學習[1]。基于此，本文將提出一種基于方向梯度直方圖特征（Histogram of Oriented Gradient，HOG）與支持向量機（Support Vector Machine，SVM）的方法來對存在膠體氣泡的產品進行識別與分類。一方面，這種方法能代替人工做到產品特征的識別；另一方面，這種方法兼顧訓練誤差和泛化能力，在解決小樣本、非線性、高維數、局部極小值等模式識別問題中具有諸多鮮明的獨特優勢[。下面將對此展開研究論述。

1方向梯度直方圖特征

方向梯度直方圖特征是一種在圖像處理以及計算機視覺領域中用來檢測物體的特征描述符。其主要思想是圖像的局部目標的表象和現狀能夠很好地被梯度或方向密度分布來描述，首先將圖像分成很小的細胞單元，接著采集每個細胞單元中各個像素點的梯度的或邊緣的方向直方圖，最后將這些直方圖組合起來便構成了HOG特征描述器[3]。在此，給出HOG特征提取算法的流程步驟具體如下。

（1）使用Gamma校正法對顏色空間歸一化。由于局部的表層曝光在圖像紋理強度中的比重較大，為了能夠減少光照等因素對圖像的影響，需要將圖像進行歸一化處理，通常是先將其轉為灰度圖。Gamma壓縮公式為：I（x，y）=I（x，y）gamma（1）其中，I（x，y）表示圖像，gamma表示校正值。

θx，y=arctanGxx，yGyx，y（5）（3）構建每個細胞單元的梯度方向直方圖。將梯度方向量化成9個直方圖通道，對細胞單元中的每個像素點都基于這9個方向的直方圖通道進行加權投票，其中9個直方圖通道代表9個不同的梯度方向，而梯度大小則作為投影依次按投影量作為權值來疊加到這9個梯度方向所代表的直方圖上。

（4）將細胞單元組合成較大的塊，并在塊內的梯度直方圖實現歸一化。考慮到局部光照和前景-背景對比度的變化，會使梯度強度的變化范圍趨于寬泛，于是需要對梯度強度再次調取歸一化，即對光照、陰影以及邊緣予以進一步壓縮。主要方法就是將若干個細胞單元組合成一個塊，則可以將塊內所有的細胞單元串聯起來得到對應塊的HOG特征。但是這些塊是互有重疊的，因此每個細胞單元的特征會以不同的結果并且多次出現在最后的特征向量中。而這種引入了歸一化處理后的塊描述符則稱為HOG描述符。

（5）收集HOG特征。收集檢測窗口中所有存在重疊的塊的HOG特征，以供后續分類研究使用。

2支持向量機

支持向量機是Vapnik等人根據統計學理論設計提出的一種通用學習方法，就是建立在統計學的VC維理論和結構風險最小原理基礎上的，能較好地解決小樣本、非線性、高維數和局部極小點等實際問題[5-8]。

對于線性不可分的問題，則需要將非線性問題轉換為線性問題來求解。此時便可以利用核函數把低維輸入空間中的數據通過非線性函數映射到高維屬性空間，將分類問題轉化在屬性空間來延承此后的設計與開發[9]。屬性空間中的向量的點積運算就與輸入空間中的核函數對應。其分類函數將隨即變換為如下形式：f（x）=sgn{∑ni=1a*iyiKxi·x+b*}（7）其中，Kxi·x為核函數。目前使用的核函數主要有4種，分別是：線性核函數、p階多項式核函數、多層感知器核函數和RBF核函數[10]。

一般情況下，SVM分類器的設計步驟可概括描述如下。

（1）將讀取的數據分為2組，一組作為訓練集，一組作為測試集。其中，訓練集再根據需求分為若干類。

（2）選取適當的核函數，對訓練集樣本的數據進行SVM訓練。

（3）根據訓練的結果對測試集進行測試，從而得出測試集的分類結果。

3實驗分析

本次研究是基于Matlab開發環境，選擇樣本為采用353ND膠水進行注膠的光纖活動連接器。其中，353ND膠水是按一定比例調制混合，在80 ℃溫度下經過15 min確保達到固化。

3.1實驗設計

（1）使用電子顯微鏡對樣品采集一段視頻，而后利用Matlab將該視頻逐幀提取，擷取其中存在氣泡的50幀圖片作為正樣本訓練集，記為pos，再取其中不存在氣泡的50幀圖片作為負樣本訓練集，記為neg。訓練集取樣結果即如圖2所示。接著從該視頻中再取其它的50幀圖片作為測試集，用于此后的訓練結果驗證。

（2）對所有的圖片進行預處理，將其圖像大小歸為統一。然后利用Matlab的extractHOGFeatures函數來提取每張圖片的HOG特征。該函數中，參數cellsize取[8 8]，blocksize取[2 2]，numbins取9，即定義8*8個像素為一個細胞單元，2*2個細胞單元作為一個塊，直方圖通道為9。研究得到樣本中的HOG特征描繪可如圖3所示。

（3）使用Matlab中的fitcecoc函數對正、負樣本圖片的HOG特征進行SVM分類訓練，且采用Gaussian RBF函數作為核函數。

（4）使用Matlab中的predict函數對測試樣本進行預測分類。分類結果展示可詳見圖4。

3.2實驗結果分析

為了驗證本文方法的有效性，將以人工識別作為標準，與這50個測試樣本的預測結果進行對比。研究內容可表述如下。

（1）人工識別與SVM分類器正確率對比。對比結果可見表1。

由表1實驗數據分析指出，在50個小樣本測試過程中，HOG特征與SVM結合的分類器在正樣本識別正確率、負樣本識別正確率、總識別正確率上均超過了90%。證明本文方法在一定誤差范圍允許的情況下的可行性。

（2）人工識別與SVM分類器時間對比。對比結果可見表2。

由表2實驗數據分析指出，對于50個小樣本測試，人工識別因人而異，需要5～8 min；而在本次實驗Intel G1620 2.70 GHz處理器上使用Matlab訓練和測試SVM分類器總共只需要14.466 2 s。證明本文方法在時間上明顯優于人工識別。

4結束語

針對光纖連接器在生產過程中膠體會存在氣泡的現象，本文探討提出了一種基于HOG特征與SVM的分類方法，用以替代目前人工檢測膠體中是否存在氣泡的常規手段。該方法首先創建了訓練集和測試集，然后根據氣泡的特征，選取了適當的參數來提取膠體中氣泡的HOG特征，并利用支持向量機來訓練和測試氣泡的HOG特征，最后能夠通過計算機來運行識別膠體中是否存在氣泡。相比較人工識別而言，驗證了本文的方法的可行性，并在時間、人力上，取得明顯的優勢。

參考文獻

[1] 薛丹，孫萬蓉，李京京，等. 一種基于SVM的改進車牌識別算法[J]. 電子科技，2013，26（11）：22-25.

[ 田有文，李天來，李成華，等. 基于支持向量機的葡萄病害圖像識別方法[J]. 農業工程學報，2007，23（6）：175-180.

[3] KAPOOR R， GUPTA R， SON L H， et al. Detection of power quality event using histogram of oriented gradients and Support Vector Machine[J]. Measurement，2018（120）：52-75.

[4] 徐淵，許曉亮，李才年，等. 結合SVM分類器與HOG特征提取的行人檢測[J]. 計算機工程，2016，42（1）56-60，65.

[5] VAPNIK V N .The nature of statistical learning theory[M]. New York： Springer-Verlag Inc，2000 .

[6] 楊淑瑩. 模式識別與智能計算—Matlab技術實現[M]. 北京：電子工業出版社，2008.

[7] 郭明瑋，趙宇宙，項俊平，等. 基于支持向量機的目標檢測算法綜述[J]. 控制與決策，2014，29（2）：193-200.

[8] 汪海燕，黎建輝，楊風雷. 支持向量機理論及算法研究綜述[J]. 計算機應用研究，2014，31（5）：1281-1286.

[9] 汪永濤. 利用SVM的聚類算法在時間序列信號識別中的應用[J]. 微電子學與計算機，2012，29（3）：182-184.

[10]許國根，賈瑛. 模式識別與智能計算的MATLAB實現[M]. 北京：北京航空航天大學出版社，2012.（上接第20頁）

[6] NANDI A， MANDAL A， ATREJA S， et al. Anomaly detection using program control flow graph mining from execution logs[C]// Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco， California， USA：ACM， 2016：215-224.

[7] SAHOO R K， OLINER A J， RISH I， et al. Critical event prediction for proactive management in large-scale computer clusters[C]// Proceedings of the ninth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Washington， DC， USA：ACM， 2003：426-435.

[8] TINGSANCHALI T， GAUTAM M R. Application of tank， NAM， ARMA and neural network models to flood forecasting[J]. Hydrological Processes， 2015， 14（14）：2473-2487.

[9] WATANABE Y， MATSUMOTO Y. Online failure prediction in cloud data centers[J]. Fujitsu Scientific & Technical Journal， 2014， 50（1）：66-71.

[10]FRONZA I， SILLITTI A， SUCCI G， et al. Failure prediction based on log files using random indexing and Support Vector Machines[J]. Journal of Systems and Software， 2013， 86（1）：2-11.

[11]KEERTHI S S， SHEVADE S K， BHATTACHARYYA C， et al. Improvements to Platt's SMO algorithm for SVM classifier design[J]. Neural Computation， 2001， 13（3）：637-649.

[12]LEVENSHTEIN V I. Binary codes capable of correcting deletions， insertions and reversals[J]. Soviet Physics Doklady， 1966， 10（1）：707-710.

[13]OKUDA T， TANAKA E， KASAI T. A method for the correction of Garbled words based on the Levenshtein Metric[J]. IEEE Transactions on Computers， 1976， C-25（2）：172-178.

[14]MAKANJU A A O， ZINCIR-HEYWOOD A N， MILIOS E E. Clustering event logs using iterative partitioning[C]// Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Paris， France：ACM， 2009：1255-1264.

[15]VAARANDI R. A data clustering algorithm for mining patterns from event logs[C]// 3rd IEEE Workshop on Ip Operations & Management. Kansas City， MO， USA：IEEE， 2003：119-126.

[16]AIZAWA A. An information-theoretic perspective of tf-idf measures[J]. Information Processing & Management， 2003， 39（1）：45-65.

[17]ZAHARIA M， CHOWDHURY M， FRANKLIN M J， et al. Spark： Cluster computing with working sets[C]// HotCloud'10 Proceedings of the 2nd USENIX conference on Hot topics in cloud computing. Boston， MA：ACM， 2010：10.

[18]HARRELL F E. Regression modeling strategies： with applications to linear models， logistic regression， and survival analysis[M]. New York：Springer-Verlag， 2001.

[19]LIAW A， WIENER M. Classification and regression by Random Forest[J]. R news， 2002， 2（3）： 18-22.