基于感知哈希算法的特征融合玻璃瓶缺陷檢測(cè)

傅 莉，吉宏軒，張宇峰，任 艷

(1.沈陽航空航天大學(xué) 自動(dòng)化學(xué)院，遼寧 沈陽 110136；2.渤海大學(xué) 物理科學(xué)與技術(shù)學(xué)院，遼寧 錦州 121013；3.沈陽航空航天大學(xué) 人工智能學(xué)院，遼寧 沈陽 110136)

0 引言

玻璃瓶作為日常生活中不可或缺的必需品,因?yàn)榫哂谢瘜W(xué)穩(wěn)定性好、易于密封和透明等特性而優(yōu)于其他材質(zhì)的瓶子,因此被廣泛應(yīng)用于飲品、食品、藥品和化工制品等產(chǎn)品的包裝。在玻璃瓶的生產(chǎn)過程中由于環(huán)境、生產(chǎn)工藝的限制,生產(chǎn)出的玻璃瓶質(zhì)量難免有缺陷,會(huì)對(duì)玻璃瓶的美觀甚至使用造成較大影響,因此針對(duì)玻璃瓶缺陷的檢測(cè)研究具有重要意義。

近年來,眾多研究學(xué)者將效果較好的特征提取算法加以改正并應(yīng)用于機(jī)器視覺領(lǐng)域。例如雙重降維方向梯度直方圖(Histogram of Oriented Gradients,HOG)特征提取算法[1]、多元局部二值模式(Local Binary Pattern,LBP)特征提取算法[2]以及F-SIFT特征提取算法[3]等。2017年,Chrysafi等[4]利用主動(dòng)紅外熱成像技術(shù)進(jìn)行無損檢測(cè),并設(shè)計(jì)了一種基于二維小波變換和一維傅里葉變換的機(jī)器視覺系統(tǒng),用于檢測(cè)碳纖維復(fù)合材料層合板中2種不同類型的缺陷。同年,Jian等[5]設(shè)計(jì)開發(fā)了一種機(jī)器視覺系統(tǒng),用于識(shí)別和分割手機(jī)屏幕玻璃的缺陷。對(duì)于振動(dòng)引起的錯(cuò)位采取了基于邊界的配準(zhǔn)方法創(chuàng)建模板圖像;此外,還將圖像減法和灰度投影相結(jié)合,以減少環(huán)境照明的波動(dòng),最后提出了改進(jìn)的模糊c均值聚類算法對(duì)手機(jī)屏幕缺陷進(jìn)行分割。

2019年,Zhou等[6]設(shè)計(jì)了一種基于機(jī)器視覺的實(shí)時(shí)瓶底檢測(cè)裝置,并提出了以顯著性檢測(cè)和模板匹配為主要手段的缺陷檢測(cè)框架,并得到了較好的檢測(cè)性能。2020年,Zhou等[7]針對(duì)玻璃瓶瓶底的紋理區(qū)域缺陷難以檢測(cè)等技術(shù)難題,設(shè)計(jì)了一個(gè)表面缺陷檢測(cè)框架,提出了一種將最小二乘圓檢測(cè)和熵率超像素與改進(jìn)的隨機(jī)圓檢測(cè)相結(jié)合的算法,用于準(zhǔn)確獲取瓶底的感興趣區(qū)域。Fu等[8]融合中值濾波、Canny算子、幾何特征提取及OTSU等經(jīng)典圖像處理方法檢測(cè)透明玻璃藥瓶瓶口的裂紋、缺邊、污點(diǎn)等缺陷。2021年,Zhao等[9]另辟蹊徑,從玻璃瓶敲擊聲信號(hào)中提取特征,提出了一種改進(jìn)的特征選擇算法,并通過將該算法與高性能分類器結(jié)合,在大量的玻璃瓶敲擊聲信號(hào)建立的數(shù)據(jù)集中測(cè)試,得到了很好的分類結(jié)果。

由于工業(yè)生產(chǎn)過程采集的圖像中并非僅有檢測(cè)目標(biāo),而是包含背景或者雜物,因此在進(jìn)行特征提取時(shí)會(huì)提取比較多的無用特征而影響最終的檢測(cè)結(jié)果和效率。因此,提出了一種基于感知哈希算法(Perceptual Hash Algorithm,PHA)的邊緣檢測(cè)算子選擇方法,基于提出的HOG特征和尺度不變特征變換(Scale Invariant Feature Transform,SIFT)特征融合的算法進(jìn)行特征提取,通過支持向量機(jī)(Support Vector Machine,SVM)完成缺陷的分類識(shí)別。

1 算法原理

首先進(jìn)行瓶身圖像預(yù)處理,利用基于PHA的邊緣檢測(cè)算子選擇方法選擇不同缺陷的邊緣檢測(cè)算子進(jìn)行邊緣檢測(cè),按照邊緣檢測(cè)的結(jié)果將圖片的目標(biāo)檢測(cè)區(qū)域裁剪,然后根據(jù)HOG特征和SIFT特征融合的算法進(jìn)行特征提取,最后將得到的特征輸入到SVM進(jìn)行訓(xùn)練測(cè)試與驗(yàn)證。算法流程如圖1所示。

圖1 算法流程Fig.1 Algorithm flowchart

1.1 瓶身圖像預(yù)處理

圖像在拍攝、傳輸以及接收過程中由于各種干擾因素的存在,可能會(huì)受到各種噪聲的影響。為避免圖像的質(zhì)量對(duì)檢測(cè)結(jié)果的影響,本文采用中值濾波[10]和灰度線性變換[11]對(duì)圖像進(jìn)行噪聲抑制與圖像增強(qiáng)。

1.1.1 中值濾波

中值濾波算法的基本原理是將圖像中某個(gè)像素點(diǎn)的值替換為其鄰域內(nèi)所有點(diǎn)的中值,實(shí)現(xiàn)過程是通過特定大小的窗口滑動(dòng)來確定鄰域范圍,將鄰域內(nèi)所有數(shù)據(jù)在一個(gè)向量中進(jìn)行排序,找出排序序列的中間值,然后將中間值賦值給鄰域中心位置的像素點(diǎn)。窗口繼續(xù)滑動(dòng)到下一個(gè)位置,循環(huán)整個(gè)過程。以滑動(dòng)窗口大小3×3為例的實(shí)現(xiàn)示意如圖2所示。

圖2 3×3滑動(dòng)窗實(shí)現(xiàn)示意Fig.2 3×3 sliding window implementation

(1)

式中:σ2為輸入圖像噪聲的方差,m為滑動(dòng)窗口的寬度。本文以裂紋缺陷圖像為例的中值濾波算法處理結(jié)果如圖3所示,對(duì)于復(fù)雜的圖像可以使用線性組合中值濾波、加權(quán)中值濾波等。

(a)處理前的圖像

(b)處理后的圖像

1.1.2 灰度線性變換

假設(shè)原始圖像中像素灰度值f為[a,b],經(jīng)過灰度線性變換后的圖像中像素灰度值g為[a′,b′],則變換前后的像素灰度值關(guān)系如下:

(2)

由式(2)可得,經(jīng)過灰度線性變換后將原始圖像中像素灰度值小于a像素點(diǎn)的賦值為a′,將像素灰度值大于b的像素點(diǎn)賦值為b′。對(duì)于像素灰度值介于[a,b]的像素點(diǎn),采用線性投影的方法將其賦值為投影[a′,b′]。如果b′-a′≥b-a,灰度線性變換將增大圖像的灰度值范圍和對(duì)比度,變換后的圖像與原圖相比更加清晰。像素點(diǎn)的灰度值越高經(jīng)過線性變換后的灰度值就會(huì)越高,而灰度值較低的像素點(diǎn)經(jīng)過變換后受到的影響較小,因此可以快速區(qū)分出背景和感興趣區(qū)域[13]。灰度線性變換如圖4所示。

圖4 灰度線性變換Fig.4 Grayscale linear transform

以裂紋缺陷圖像為例,經(jīng)過灰度線性變換的處理結(jié)果如圖5所示。可以看出,相比于灰度線性變換之前,變換后的圖片更明亮清晰,感興趣區(qū)域與背景的區(qū)分更加明顯。

(a)變換前的圖像

(b)變換后的圖像

1.2 基于PHA的邊緣檢測(cè)算子選擇方法

PHA[14]是哈希算法的一種,主要用來衡量圖像之間的相似程度,實(shí)現(xiàn)原理是對(duì)于每一幅圖像生成一組包含所有特征的指紋,通過比較每幅圖像的指紋信息來衡量圖像間的相似程度。

得到圖像的指紋之后,可以對(duì)比不同的圖像,通過比較64位整數(shù)中位數(shù)不同的個(gè)數(shù),確定不同圖像之間的相似程度。PHA的優(yōu)點(diǎn)是圖像的寬高、亮度甚至顏色發(fā)生改變時(shí),其哈希值都不會(huì)改變[15]。

為使缺陷的定位更加準(zhǔn)確,本文提出了一種基于PHA的邊緣檢測(cè)算子選擇方法。該方法的實(shí)現(xiàn)原理為:將所有玻璃瓶瓶身的缺陷圖像使用不同的邊緣檢測(cè)算子進(jìn)行邊緣提取,得到提取后的圖像再分別與原圖比較計(jì)算哈希值。相同種類的缺陷求得的哈希值需要再計(jì)算平均值,選擇最大平均哈希值對(duì)應(yīng)的邊緣檢測(cè)算子作為相應(yīng)缺陷的邊緣檢測(cè)算子。哈希值越大代表2張圖像的相似程度越低,因此可以反映出經(jīng)過相應(yīng)邊緣檢測(cè)算子處理后的圖像與原圖差別較大。說明該邊緣檢測(cè)算子對(duì)于相應(yīng)缺陷圖像的邊緣特征提取更準(zhǔn)確、提取效果更好,能夠較好地避免非缺陷背景區(qū)域的干擾。

根據(jù)上述原理計(jì)算出所有缺陷對(duì)應(yīng)不同邊緣檢測(cè)算子的哈希值,如表1所示。

表1 不同缺陷對(duì)應(yīng)不同邊緣檢測(cè)算子的哈希值

由表1可以看出,對(duì)于裂紋缺陷圖像,使用Roberts邊緣檢測(cè)算子處理的裂紋缺陷圖像得到的哈希值比使用另外4種檢測(cè)算子的哈希值要高。表現(xiàn)在圖像上是經(jīng)過Roberts邊緣檢測(cè)算子處理過的裂紋缺陷圖像對(duì)比缺陷原圖差異性更大,提取缺陷的邊緣輪廓更加精準(zhǔn),因此Roberts邊緣檢測(cè)算子更適合裂紋缺陷圖像。其原因和裂紋缺陷的形狀有關(guān),在裂紋缺陷的圖像中,裂紋一般是傾斜的弧狀,與水平方向有一定大小的夾角,因此采用Roberts邊緣檢測(cè)算子檢測(cè)的時(shí)候,正好吻合該算子的特性,在45°和135°方向有著較強(qiáng)的檢測(cè)強(qiáng)度,從而使得裂紋缺陷圖像上的裂紋缺陷邊緣特征更加明顯,表現(xiàn)在哈希值上相比于其他檢測(cè)算子得到的哈希值最大。

對(duì)于模縫缺陷圖像,該圖像上的模縫缺陷一般呈豎線狀,和水平方向垂直。此特征剛好吻合Sobel算子的特性,在使用該算子檢測(cè)時(shí)可以使垂直方向的邊緣特征更加凸顯,因此模縫缺陷的2個(gè)邊緣更加容易被檢測(cè)出來。在計(jì)算哈希值時(shí),模縫缺陷圖像使用Sobel邊緣檢測(cè)算子提取邊緣特征計(jì)算得到的哈希值相比于其他邊緣檢測(cè)算子較大,因此模縫缺陷圖像的邊緣特征提取使用Sobel邊緣檢測(cè)算子效果更佳。

對(duì)于冷斑缺陷圖像和皺紋缺陷圖像,由于冷斑缺陷和皺紋缺陷在原圖像中不是特別凸顯。Canny邊緣檢測(cè)算子采用基于邊緣梯度方向的非極大值抑制和雙閾值的滯后閾值處理,可以解決冷斑缺陷和皺紋缺陷邊緣不明顯的問題。經(jīng)過Canny邊緣檢測(cè)算子處理過的冷斑缺陷圖像和皺紋缺陷圖像,表現(xiàn)在哈希值上比其他的邊緣檢測(cè)算子得到的哈希值大,因此冷斑缺陷圖像和皺紋缺陷圖像的邊緣特征提取使用Canny邊緣檢測(cè)算子效果更佳。

對(duì)于結(jié)石缺陷圖像、黑點(diǎn)缺陷圖像和氣泡缺陷圖像,這3種缺陷從形狀上看一般近似圓形,因此需要分析這3類缺陷周圍小范圍的局部特征。Laplacian邊緣檢測(cè)算子針對(duì)上述3類缺陷進(jìn)行邊緣特征提取時(shí),將缺陷中央及離中央位置較近的像素點(diǎn)賦予較大的權(quán)重,將離缺陷中央較遠(yuǎn)的像素點(diǎn)賦予較小的權(quán)重,因此可以很好地突出缺陷的圓形邊緣特征。該算子對(duì)于孤立點(diǎn)比較敏感,因此對(duì)于黑點(diǎn)缺陷的邊緣特征比其他缺陷的更突出。使用Laplacian邊緣檢測(cè)算子檢測(cè)結(jié)石缺陷圖像、黑點(diǎn)缺陷圖像和氣泡缺陷圖像得到的哈希值比其他邊緣檢測(cè)算子要高,因此Laplacian邊緣檢測(cè)算子更適合結(jié)石缺陷圖像、黑點(diǎn)缺陷圖像和氣泡缺陷圖像的邊緣特征提取。

1.3 缺陷裁剪與特征提取

1.3.1 缺陷裁剪

根據(jù)缺陷邊緣的輪廓,選取邊緣輪廓中最小的橫坐標(biāo)xmin和最小縱坐標(biāo)ymin作為矩形框的左上角點(diǎn)的坐標(biāo),即A(xmin,ymin),選取邊緣輪廓中最大的橫坐標(biāo)xmax和最大的縱坐標(biāo)ymax作為矩形框右下角點(diǎn)的坐標(biāo),即B(xmax,ymax)。有了上述點(diǎn)A(xmin,ymin)和點(diǎn)B(xmax,ymax)的坐標(biāo)就可以得到包含完整缺陷邊緣的最小外接矩形,將這2個(gè)點(diǎn)映射到原圖像就可以裁剪出原圖像中完整的缺陷圖像,便于后期進(jìn)行缺陷檢測(cè)識(shí)別。

1.3.2 HOG特征提取

HOG特征常應(yīng)用在圖形處理領(lǐng)域中的實(shí)物檢測(cè),基于對(duì)圖像小范圍區(qū)域進(jìn)行運(yùn)算統(tǒng)計(jì)得到梯度直方圖的方法來得到相應(yīng)的特征值。

HOG特征作為特征描述子,最早由Dalal等[16]提出,而后被廣泛運(yùn)用到各個(gè)領(lǐng)域。HOG特征是對(duì)圖樣小范圍內(nèi)的梯度信息表述,并對(duì)各特征歸一化,由于圖像各塊與塊間有著重疊關(guān)系,所以能夠?qū)崿F(xiàn)關(guān)聯(lián)性。HOG特征對(duì)圖像的光強(qiáng)、梯度的變化有著一定的穩(wěn)定性。計(jì)算HOG特征,第一步是梯度計(jì)算。梯度的計(jì)算定義如下:

(3)

式中:H為輸入樣本,Gx、Gy為水平梯度和垂直梯度。基于卷積核為(-1,0,1)和(-1,0,1)T點(diǎn)的梯度大小定義如下:

(4)

點(diǎn)(x,y)的梯度方向定義如下:

(5)

綜上,由于基于局部窗格進(jìn)行圖樣的HOG特征提取,所以HOG特征對(duì)幾何及光學(xué)形變并不敏感,這2類形變只能作用于更大的空間范圍。粗略程度不同、光學(xué)條件的變化、歸一化等作用下,特征提取的效果如圖6所示。

圖6 HOG特征提取結(jié)果Fig.6 HOG feature extraction results

1.3.3 SIFT特征提取

SIFT由Lowe等[17]提出并加以完善,主要用于處理圖像的局部特征。相比于其他特征提取算法,該特征提取算法在處理過程中可以很大程度上降低圖像維度變換以及噪聲對(duì)于特征提取的干擾[18]。此外,由于SIFT的特點(diǎn)使其能夠很好地與其他特征提取算法進(jìn)行融合,進(jìn)而得到比單一特征提取算法更好的效果。SIFT的處理過程可大致分為以下3個(gè)步驟:

① 生成尺度空間并檢測(cè)極值點(diǎn)

首先構(gòu)建尺度空間L(x,y,σ),一幅二維圖像I(x,y)的尺度空間定義如下:

L(x,y,σ)=G(x,y,σ)×I(x,y),

(6)

式中:σ為可變尺度參數(shù),其大小決定圖像的平滑程度; (x,y)為空間坐標(biāo),G(x,y,σ)為可變尺度的高斯函數(shù)。

(7)

由此,構(gòu)造出高斯差分空間如下:

D(x,y,σ)=[G(x,y,kσ)-G(x,y,σ)]×I(x,y)=
L(x,y,kσ)-L(x,y,σ)。

(8)

通過構(gòu)造的式(8)可以檢測(cè)穩(wěn)定的特征點(diǎn),如圖7所示。根據(jù)極值點(diǎn)的定義,對(duì)比采樣點(diǎn)與其所有的臨近點(diǎn)來尋找尺度空間的極值點(diǎn)。

圖7 圖像采樣點(diǎn)Fig.7 Image sampling points

由圖7可以看出,中間的采樣點(diǎn)需要和其尺度空間內(nèi)的8個(gè)點(diǎn)以及上下2層的18個(gè)點(diǎn)對(duì)比,如果該采樣點(diǎn)是所在尺度空間的極值點(diǎn),就認(rèn)為該點(diǎn)是圖像在該尺度下的一個(gè)準(zhǔn)特征點(diǎn)。

② 特征點(diǎn)的定位篩選

為了避免上述得到的準(zhǔn)特征點(diǎn)為不穩(wěn)定的邊緣極值點(diǎn),需要進(jìn)行擬合三維二次函數(shù)和通過Hessian矩陣的方法來消除邊緣不穩(wěn)定極值點(diǎn)的影響。當(dāng)極值點(diǎn)滿足式(9)時(shí),說明該點(diǎn)不是不穩(wěn)定的邊緣極值點(diǎn),可以作為特征點(diǎn),反之亦然。

(9)

式中:H為坐標(biāo)(x,y)的Hessian矩陣,如式(10)所示;r為Hessian矩陣的2個(gè)特征值的比值。

(10)

③ 特征點(diǎn)指定方向參數(shù)和生成描述子

根據(jù)特征點(diǎn)的鄰域像素的梯度方向分布特性,可以給每個(gè)特征點(diǎn)指定方向參數(shù):

(11)

式中:m(x,y)、θ(x,y)表示(x,y)處梯度的模值和方向。至此,圖像的特征點(diǎn)均已確定,并且每個(gè)特征點(diǎn)具有位置、所處尺度和方向3個(gè)信息。以確定的特征點(diǎn)為中心,選取滑動(dòng)窗口為16×16大小進(jìn)行滑動(dòng)采樣,根據(jù)8個(gè)方向信息得到128維的特征描述子。

1.4 分類器設(shè)計(jì)

SVM[19]是一種有監(jiān)督的學(xué)習(xí)模型,通過獲取不同類別樣本之間的最大邊距超平面,即可作為該算法分類時(shí)的決策邊界。

當(dāng)在線性可分的情況下,分類函數(shù)如式下:

f(x)=WTx+b,

(12)

式中:WT為法向量,b為位移項(xiàng)。在線性不可分時(shí),可以把輸出量x與高維的特征向量空間進(jìn)行一一映射,特征向量Φ(x)隨之更新,從而得到目標(biāo)函數(shù)。無論哪一步操作都僅僅用到了內(nèi)積計(jì)算,而在原空間的核函數(shù)上,可以取代該內(nèi)積計(jì)算,因此為了實(shí)現(xiàn)從線性問題到非線性問題的推廣可通過選擇合適的核函數(shù)完成。

由于最終要盡可能地縮小全部樣本點(diǎn)與該面的平均差,因此需要尋求一個(gè)最優(yōu)超平面,即對(duì)于一個(gè)容量為n的樣本集:

T={(xi,yi),i=1,2,......,n},xi∈d,yi∈,

(13)

式中:i為樣本序號(hào),d為xi的維數(shù)。當(dāng)函數(shù)f(xi)與相對(duì)應(yīng)的樣本值yi最靠近時(shí),此時(shí)的f為最優(yōu)。

建立拉格朗日函數(shù)如下:

(14)

式中:

(15)

(16)

式中:b0為回歸參數(shù)值。

2 算法驗(yàn)證及分析

本文在一臺(tái)戴爾臺(tái)式機(jī)(CPU為Intel(R) Core(TM) i5-11400,主頻2.6 GHz)上進(jìn)行本節(jié)提出的算法以及其他2種對(duì)比算法的測(cè)試實(shí)驗(yàn),并對(duì)比分析各種算法的準(zhǔn)確率,操作系統(tǒng)為Windows 10,軟件平臺(tái)為Python3.8。

首先將現(xiàn)有的缺陷數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集,測(cè)試集中共2 340張缺陷圖像,其中黑點(diǎn)320張、結(jié)石280張、冷斑390張、裂紋370張、模縫320張、氣泡360張、皺紋300張;測(cè)試集中共921張缺陷圖像,其中黑點(diǎn)120張、結(jié)石101張、冷斑160張、裂紋150張、模縫130張、氣泡140張、皺紋120張。將劃分好的圖像先進(jìn)行預(yù)處理,然后使用PHA選擇每種缺陷適合的邊緣檢測(cè)算子,使用正確的邊緣檢測(cè)算子后將定位出來的缺陷范圍統(tǒng)一裁剪出來。由于缺陷的形狀各不相同,因此裁剪出來的圖片大小也各不相同,因此將裁剪后的圖片統(tǒng)一尺寸為80 pixel×80 pixel,由于采集的原圖是灰度圖片,因此不需要再進(jìn)行灰度化。

2.1 PHA-HOG-SVM算法驗(yàn)證

通過HOG特征提取得到HOG特征集,利用SVM對(duì)訓(xùn)練特征集進(jìn)行訓(xùn)練,并使用訓(xùn)練所得到的模型對(duì)測(cè)試集進(jìn)行檢測(cè)分類。測(cè)試結(jié)果如表2所示。

表2 基于PHA-HOG-SVM的玻璃瓶瓶身缺陷檢測(cè)結(jié)果——混淆矩陣

由表2可知,基于PHA-HOG-SVM的玻璃瓶瓶身缺陷檢測(cè)結(jié)果中,模縫缺陷的準(zhǔn)確率最高,達(dá)到了90.78%;其次是皺紋缺陷,達(dá)到了89.17%;結(jié)石缺陷和氣泡缺陷的準(zhǔn)確率較低,分別為71.29%和72.86%。因此,上述7種缺陷的檢測(cè)準(zhǔn)確率未達(dá)到要求,最高的準(zhǔn)確率僅僅高于90%,并且部分缺陷準(zhǔn)確率僅70%左右,總體的檢測(cè)準(zhǔn)確率不太理想。

2.2 PHA-SIFT-SVM算法驗(yàn)證

通過SIFT特征提取得到SIFT特征集,利用SVM對(duì)訓(xùn)練特征集進(jìn)行訓(xùn)練,并使用訓(xùn)練所得到的模型對(duì)測(cè)試集進(jìn)行檢測(cè)分類。測(cè)試結(jié)果如表3所示。

表3 基于PHA-SIFT-SVM的玻璃瓶瓶身缺陷檢測(cè)結(jié)果——混淆矩陣

由表3可以看出,基于PHA-SIFT-SVM的玻璃瓶瓶身缺陷檢測(cè)算法測(cè)試結(jié)果中,裂紋缺陷的準(zhǔn)確率最高,達(dá)到了93.33%;模縫缺陷的準(zhǔn)確率僅次于裂紋缺陷,達(dá)到了92.31%;準(zhǔn)確率最低的是冷斑缺陷和結(jié)石缺陷,分別為75.63%和76.24%;4類缺陷的準(zhǔn)確率均超過的90%,但未突破95%,仍然有3類缺陷的準(zhǔn)確率低于80%。綜上所述,總體的準(zhǔn)確率仍有提升空間,整體表現(xiàn)良好。

2.3 基于PHA的特征融合算法驗(yàn)證

通過將HOG特征提取到的特征集和SIFT特征提取到的特征集進(jìn)行線性融合得到融合特征集,利用SVM對(duì)訓(xùn)練融合特征集進(jìn)行訓(xùn)練,并使用訓(xùn)練所得到的模型對(duì)測(cè)試集進(jìn)行檢測(cè)分類。測(cè)試結(jié)果如表4所示。

表4 基于PHA的特征融合玻璃瓶瓶身缺陷檢測(cè)結(jié)果——混淆矩陣

由表4可以看出,基于特征融合的玻璃瓶瓶身缺陷檢測(cè)結(jié)果中,皺紋缺陷的檢測(cè)準(zhǔn)確率最高,達(dá)到了95.83%;準(zhǔn)確率最低的是結(jié)石缺陷,但是也達(dá)到了79.21%;7種缺陷中僅有一種缺陷的檢測(cè)準(zhǔn)確率低于80%,4種缺陷的檢測(cè)準(zhǔn)確率超過90%,其中皺紋缺陷的檢測(cè)準(zhǔn)確率超過了95%。整體來看,大部分缺陷的檢測(cè)準(zhǔn)確率較高,總體表現(xiàn)較好。

3種檢測(cè)算法對(duì)于每類缺陷的檢測(cè)結(jié)果如表5所示。在3種檢測(cè)算法中,PHA-HOG-SVM算法的檢測(cè)準(zhǔn)確率較低,平均準(zhǔn)確率僅為80.71%;2種特征融合的算法是3種算法中平均準(zhǔn)確率最高的,達(dá)到了88.7%。單從平均準(zhǔn)確率方面分析,特征融合算法相比于PHA-SIFT-SVM算法提升了2.97%,相比于PHA-HOG-SVM算法則提升了7.99%。雖然特征融合算法的平均準(zhǔn)確率最終沒能突破90%,但是相比于其他2種單一沒有進(jìn)行特征融合的算法平均準(zhǔn)確率也有顯著提升。特征融合算法對(duì)于其中4類缺陷的檢測(cè)準(zhǔn)確率均達(dá)到了90%以上。

表5 3種檢測(cè)算法結(jié)果對(duì)比

3 結(jié)束語

通過3種算法的瓶身缺陷檢測(cè)準(zhǔn)確率可以看出,特征融合算法的效果優(yōu)于單一特征提取算法。HOG特征和SIFT特征對(duì)于數(shù)據(jù)集的描述側(cè)重點(diǎn)不同,HOG特征通過計(jì)算缺陷圖像的HOG來提取特征信息;SIFT特征側(cè)重于描述缺陷圖像尺度空間中的極值點(diǎn),幫助檢測(cè)缺陷,獲取極值點(diǎn)位置方向等信息。從特征描述方面分析,SIFT特征相較HOG特征獲取的特征信息復(fù)雜,與單一特征提取算法相比,基于SIFT特征提取的算法效果較好。本文的特征融合算法將二者所描述的特征信息進(jìn)行了線性融合,具有二者共有的特征信息,因此檢測(cè)效果最優(yōu),缺陷檢測(cè)準(zhǔn)確率為3種算法中最高。

本文提出的基于PHA的邊緣檢測(cè)算子選擇方法可以根據(jù)不同缺陷種類計(jì)算得到哈希值,并據(jù)此選擇不同缺陷最佳的邊緣檢測(cè)算子;使用特征融合算法的檢測(cè)結(jié)果高于使用2種單一特征提取算法準(zhǔn)確率,其中平均準(zhǔn)確率較PHA-HOG-SVM算法提升了7.99%,較PHA-SIFT-SVM算法提升了2.97%。準(zhǔn)確率在單個(gè)缺陷方面也均有顯著提升,但仍有極個(gè)別缺陷的準(zhǔn)確率不理想,主要原因是其用于訓(xùn)練的缺陷數(shù)據(jù)樣本不夠充裕,希望日后能夠不斷豐富缺陷數(shù)據(jù)集增加訓(xùn)練樣本數(shù)量并且優(yōu)化算法,提高個(gè)別缺陷的檢測(cè)準(zhǔn)確率。