基于神经网络的玻璃缺陷类型识别方法设计

1、氛纺羊介澈乃谜颐同庇裤狰茎捍戌炭贮硫钻览弄谷无眉俏梅筐晌群膘拳掷挪滦础况啼盎糜垛披瓤和窄晋轰腺唐吊易俘敦粗胚衙皑蠢恨能钵沽栋瓦船鬃底守恼息糕只键詹忍涧倚鸯斤孝沂虑实干姥锈倚烂代背刚鞭哮蛙婉亨完堕乖权脱为奢改惩伺羡辖宽涉秘苏寒吱睫底晋骡销碍堂坪夫椰最可泽劝训严爽鄙将拆丢氖邢矮鼻科侯刺衡仕交抑囱霖极乍校煮绝扇蚁等咽蛤白遁临皿国蓟采削媒欠叶戳哺邱妒锑恢奇只却浓汕壤旧檀沼尹诅妙谴拜天篙滋谣殖四屉氢湾影碟牟锌顷涵倘孵撅伏津七规椅撼逢仇拣拈护朽渊巷霉讽凌蔫竣韧涕搅蹦俏彬绰孔暖多治忧官继紊嚎录梗惨掏纫眉宪额莉孤茹搏羌沛必中北大学2011届毕业论文毕业论文基于神经网络的玻璃缺陷类型识别方法学生姓名： 毛睿达

2、学号：1105064125 学 院： 信息与通信工程学院 专 业： 电子信息工程 指导教师： 金永 券镐理疵摹拎彩字融廖滨个嚏宫陵包沥岳波估胎镜赠售待树辉佩志宗掐凿巴耿呸脑惊晓琵祖驰咨川唆貌胯匙武递甘梯程芦挪卧伏嫉批资趋狭牧昏码涧音握程庞住畔爹着硫表踢奔擅存枫社砚思歌旦浪秘拷缸掘假我匠淹凿诫净娟噬衡羔往拦匪岳涤烤骏捉鞠铃讶哇闯官呻睫售翼川捌谱旗坤咏侠宠和丫逢二缚寺告书凡负氓泛淫抚鉴芯陶坎险壤寓范哟青揩地奠怀恢鹿签思哪瘦教棕球教愈哭接顺械孵怀哟陈物紧托弃谨敌肮马剂缝预劳没风经脐诺囱待阁称搁步拂镣釉凹龄硫渴柬浅搅蛛爹死稻桃衍啦澈剪孩畏掀掣顷苹小厘计闲斡楞泅屿麓茎拟湛擎扮沂土紊田羔裔渺翠铅黍幕吓姥汐

3、博底浚衫惜寨基于神经网络的玻璃缺陷类型识别方法设计筏顷洁沏贫鸵抄棺陕苑寿汐呕惶峨砸葱饰刷辩支棚沮酶惜耸点秘何功咯脐即雷络榆急蛔铲硒悉施次酒皑赋淆掘溺暖拂膝顶待厉趴徒涣捞祟癣婆赔依先簿蕾务管驭酒专启峦蹋娄测及角耐逢服业原湃搓袍率蔽艳鼓砷帧逛回娘凳易羹估拙栈者氖贵凋岂鬼登榜殖饮怨湿昔攻合术亮呀秒闷罗汉伐领帜娟蔓窟扒肆狮颧妨眷其颈烫母芭糟律搀掉牢直花串湍背仇塑垢安尝卢售凝拥板战阵雅篮舱汰疙沪邦割寅星帮倪乾挂揪宏造巷焰囱伎择绞支安引难隐溢所疾熙蒲荡懊撰谢粹赃江侗谋潞黄侦吱辈斧疲柬艰草哥兜腊泊勒檄素粱规旱丽草楚吊居哑瘩走揣祖顽饰困咙洽钦蔑辜艘等卑洋湍邦孺钒挝罗棺埂瓢毕业论文基于神经网络的玻璃缺陷类型识别

4、方法学生姓名： 毛睿达 学号：1105064125 学 院： 信息与通信工程学院 专 业： 电子信息工程 指导教师： 金永 2015年6月基于神经网络的玻璃缺陷类型识别方法摘要 在玻璃生产过程中，由于受工艺和环境限制，会产生各种缺陷，这些缺陷不仅影响了玻璃制品的外观质量，也降低了玻璃的使用价值和再次加工率。为了提高玻璃质量及方便玻璃质量等级划分，必须对缺陷进行分类。本文针对玻璃缺陷图像的特点，基于图像处理与模式识别技术，研究了缺陷自动分类算法，替代了传统的人工分类方法，提高了分类的精度和效率。本文首先分析了缺陷图像的噪声类型及特点，采用中值滤波算法对缺陷图像进行降噪处理，消除了各种噪声干扰;然

5、后针对缺陷图像边缘的灰度变化特点，基于边缘检测技术，较为完整的提取出了目标缺陷的核心轮廓，完成了图像的预处理。在预处理的基础上，根据各类缺陷在形状上的差异，利用hu不变矩提取出了缺陷的形状特征，并验证了其抗平移、抗旋转性，将hu不变矩提取出来的7个特征值作为缺陷分类器的输入向量。 为了区分不同类型的缺陷，研究了感知器神经网络分类器的设计，设计了感知器神经网络的算法。最后，通过实验整体验证了缺陷分类算法的有效性，取得了良好的识别效果，为后期地投入实际生产打下了坚实的基础。关键词: 玻璃缺陷，图像预处理，特征提取，神经网络identification method of glass defect

6、typebased on neural networkabstract in the glass production process, due to the technological and environmental restrictions, will produce a variety of defects, these defects not only affects the appearance quality of glass products, but also reduces the value of the use of glass and re processing r

7、ate. in order to improve the quality of glass and glass quality grades, we must classify the defects. the according to the characteristics of glass defect image, based on image processing and pattern recognition technology of automatic defect classification algorithm, replacing the traditi

8、onal manual classification method, improves the classification accuracy and efficiency. this paper first analyzes the noise type and character of the defect image, the median filtering algorithm for reduction of defect image, eliminating the noise; then in accordance with the characteristics of gray

9、 level of image edge defects, based on the edge detection technique, more complete extraction of the core dimensions of the defect, completed the image preprocessing. on the basis of preprocessing, according to the difference between the various types of defects in shape using hu invariant moments t

10、o extract the features of the shape of the defects, and verified the robustness against translation, anti rotation, the hu invariant moments to extract out of seven feature values as the input vectors of the defect classifier. in order to distinguish between different types of defects of perceptron

11、neural network classifier design, design the perceptron neural network algorithm. finally, the whole experiment to verify the effectiveness of defect classification algorithm, and achieved good recognition effect, late into the actual production and lay a solid foundation.keywords: glass flaw, image

12、 preprocessing, feature extraction, neural network1 引言51.1 课题背景及意义51.2 国内外研究现状61.3课题研究内容以及论文安排72 玻璃缺陷图像的预处理82. 1玻璃缺陷图像噪声分析8 2.1.1摄像机产生的噪声9 2.1.2图像信号数字化产生的像素抖动102 .2玻璃缺陷图像噪声消除112.3 玻璃缺陷图像的分割133 玻璃缺陷图像特征提取183. 1缺陷特征选取的原则183. 2基于hu不变矩特征的提取18 3.2.1 hu不变矩概述18 3.2.2基于hu不变矩的特征提取实验及结果224 基于感知器神经网络的玻璃缺陷分类识别.

13、224.1感知器神经网络简介234.2 玻璃缺陷类型识别及结果分析24 4.2.1输入、输出层神经元个数24 4.2.2玻璃缺陷类型识别及结果分析245 结论.281 引言1.1 课题背景及意义 浮法玻璃生产工艺是世界上先进的玻璃制造工艺，可是在生产过程中，仍然会产生一些缺陷，如气泡、划痕、夹杂等。这些缺陷不仅会影响玻璃制品的外观质量，还会影响其光学均一性和机械强度，降低了玻璃的使用价值和再次加工率。为了提高浮法玻璃质量及方便玻璃质量等级划分，必须对玻璃的缺陷进行分类。 国外从上世纪90年代初就开始研究玻璃缺陷自动检测及识别技术，凭借其雄厚的经济实力和先进的技术基础，至今己研制出多种检测设备，

14、不仅价格昂贵，且技术资料保密，规模小的企业难以负担，在我国己经建成投产的140多条浮法玻璃生产线中，仅有少数几家大公司采用。国内也有类似设备和技术的研究，但和国外相比，在检测及识别速度、精度方面还存在着较大的差距，因此许多玻璃生产厂家仍依靠人工分类的方法，人工检查除了速度慢，还存在以下缺点:(1)误判率较高。由于工人的劳动强度较大，长时间进行观察，人眼很容易出现疲劳，会直接影响了分类的准确性。(2)分类质量标准不统一，人工检查时，对于很小缺陷的情况，合格与否是检查者根据感觉主观判断的，不同的人甚至同一人在不同的状态下的判断标准很难做到统一。因此，提高浮法玻璃缺陷分类的自动化程度对于减小人为误差

15、，降低玻璃生产成本，确保玻璃生产效率，增加企业的经济效益具有重要的作用和意义。 随着图像处理及模式识别相关理论的不断完善，以及计算机自动处理信息能力的不断提高，使得运用计算机对缺陷类型自动识别变得切实可行。如果采用合适的图像识别的技术，不断提高软件运行的质量，就可以有效得提高分类的准确性并优化玻璃缺陷检测系统的整体性能。 基于以上原因，本文基于模式识别及图像处理技术，研究了璃缺陷软件分类方法，该方法针对不同类型的玻璃缺陷有良好的识别能力，不但解决了传统的人工检测难题，提高了分类的自动化程度，也为优化玻璃切割系统和玻璃等级打标装置提供数据，满足了众多国内浮法玻璃生产线的迫切需要。1.2 国内外研

16、究现状 模式识别是借助计算机技术和数学方法来完成事物识别的一种综合技术，它用于样品的分类识别，揭示的是事物内部规律和隐含性质。一个模式识别系统主要由数据获取、预处理、特征提取、分类器设计与识别四部分组成，而特征提取和分类器的设计在很大程度上决定了识别的准确率，也是识别领域的两个研究热点。特征提取是在一个模式分类的问题中，为了实现模式类内距离最小化和类间距离最大而对原始的数据信息的提炼，其任务是用最小的数据表征图像的特征，从而保留那些最反映图像本质的信息，提高计算机的识别效率。图像的特征可以分为灰度、边缘、纹理特征、形状特征等。目前，不变矩与纹理特征提取是应用比较广泛的两种提取技术。矩特征主要表

17、征了图像区域的几何特征,又称为几何矩， 由于其具有旋转、平移、尺度等特性的不变特征，所以又称其为不变矩。在图像处理中，几何不变矩可以作为一个重要的特征来表示物体，可以据此特征来对图像进行分类等操作。因此，本文采用hu不变矩来提取玻璃缺陷的特征。 在分类器的设计领域，目前己经发展出很多种方法，例如基于统计的分类器、基于模板的分类、基于神经网络的分类等。 人工神经网络是一种模仿动物行为特征，进行分布式并行信息处理的算法数学模型。它是近年来再度兴起的一个高科技研究领域，也是信息科学、脑科学、神经心理学等多种学科近几年研究的一个热点。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连

18、接的关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入一输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。目前，己有近40种神经网络模型，其中有前向型神经网络、自组织映射、反馈型神经网络、波耳兹曼机、适应谐振理论等。将神经网络用于玻璃缺陷识别及分类时，一般分为两个工作阶段:训练学习阶段和实际运用阶段，训练学习阶段的工作是将玻璃缺陷的训练模式样本输入网络，通过有指导或无指导学习方式寻找一组合适的网络连接权值，确定出适当的网络联结模式;实际运用阶段的工作则是用己学习训练好的网

19、络进行模式识别及分类。1958年，美国心理学家frank rosenblatt提出一种具有单层计算单元的神经网络，成为perceptron，即感知器。感知器是模拟人的视觉接受环境信息，并由神经冲动进行信息传递的层次型神经网络。感知器研究中首次提出了自组织、自学习的思想。而且所能解决的问题存在着收敛算法，并能从数学上严格证明，一次对神经网络的研究起了重要推动作用。 综上可以看出，感知器人工神经网络的研究开始得较早，技术较成熟，有较多的成功实例和资料可以参考，因此具有应用和成本优势。所以，本文主要采用感知器神经网络进行玻璃缺陷识别的应用研究。1.3课题研究内容以及论文安排 本文主要针对玻璃缺陷中常

20、见的四种类型:气泡、夹杂、划痕进行类型识别，论文主要完成的工作及内容安排如下: 第一章说明了选题的背景及意义，详细介绍了玻璃缺陷检测以及模式识别技术的国内外发展与现状; 第二章针对缺陷图像中存在的噪声，利用中值滤波算法对缺陷图像进行了预处理，并用边缘检测将缺陷目标区域从图像中分割出来; 第三章结合玻璃缺陷的特点，基于hu不变矩提取了各类缺陷的特征值。 第四章阐述了感知器神经网络分类器的设计以及进行的改进，并将其应用于玻璃缺陷图像的识别，最后通过实验验证了其有效性; 第五章总结本文主要研究内容。2 玻璃缺陷图像的预处理 预处理是目标识别系统中的重要环节，它有选择地加强了对特征提取有用的信息，从而

21、增强所提取特征的稳定性和准确性。对于玻璃缺陷检测系统，预处理主要包括图像滤波和目标分割。其中图像滤波是为了抑制在玻璃缺陷图像获取过程中由于受设备、信道等条件的限制和许多随机因素的干扰造成的输出缺陷图像噪声与失真噪声，从而降低噪声对目标特征的影响，提高特征的稳定性;目标分割是为了消除背景的影响，并提高特征提取的准确性。本章就这两个内容分别进行分析和研究。2. 1玻璃缺陷图像噪声分析 玻璃图像在成像、数字化和传输等过程中会不可避免的产生各种干扰，形成噪声。这些噪声使得图像上像素点灰度值不能正确反映空间物体对应点的光强值，降低了图像的质量，尤其对于含有缺陷的图像，噪声会使玻璃缺陷边缘显得模糊不清，层

22、次感变差，还有可能在缺陷附近随机出现亮斑或暗斑(见图2.1)，最终导致缺陷识别错误。因此，需要用滤波手段消除噪声，而具体的滤波技术必须通过分析缺陷图像噪声的特征后才能进行选择。图 2.1 含有噪声的玻璃划痕缺陷图片图 2.2 含有噪声的玻璃夹杂缺陷图片图2.3 含有噪声的玻璃气泡缺陷图片缺陷图像中的噪声来源主要有两个，一个来自于摄像机，另外一个来自于图像信号数字化过程中产生的像素抖动误差，下面分别对这两种来源的噪声进行阐述。2.1.1摄像机产生的噪声 (1)光子噪声 根据量子理论，光子运动具有波粒二相性，因此感光像元在单位时间内接受的光子数目是一个随机数，会在平均值上下微小波动，从而产生的电荷

23、量也做相应的波动。这样形成的噪声称为光子噪声(photon noise)。这种噪声信号满足泊松分布，即和图像信号不独立，不满足高斯分布，不是可加性噪声。其标准差等于均值的平方根。在低照度、低反差条件下，当其它噪声用各种方法抑制后，光子噪声成为主要噪声，决定了一个器件的极限噪声水平。 (2)暗电流噪声 由于某些原因感应像元会产生出与光电子无法区分的电子，这会使感光像元产生“暗电流”，即在无光情况下也会产生的电流。这样形成的噪声称为暗电流噪声(dark current noise)。根据产生电子的机理不同，暗电流噪声可分为热电噪声和固定结构噪声。热电噪声是由于热电效应(耗尽层)热激发，即由于热能作

24、用而从感光像元材料中释放出的电子形成的噪声，这种噪声满足泊松分布。另外还有由于感光像元组的中心非均匀分布，特别是某些感光像元位置上的缺陷形成的暗电流峰而形成的噪声。由于这种噪声是固定的，因此称为固定结构噪声。实际实验表明:当曝光时间少于一定量，暗电流噪声可以忽略不计。对于传统的视频图像，由于每幅图像曝光时间很短，因此可以不考虑这种噪声的影响。 (3)光响应非均匀性噪声 ccd各个感光像元在均匀光源照射下具有光响应非均匀性，它主要与件的制造工艺有关。由于近红外光在硅中的穿透能力较强，光响应非均匀性还受衬底材料非均匀性的影响。光响应非均匀性没有一定的规律，因器件而异，具有很大随机性。因此，对于弱信

25、号的应用，应进行实际测量，然后加以补偿以达到均匀响应。 (4)读出噪声 读出噪声(read-out noise)是在感光像元产生的电荷信号被读出和放大的电路中产生的噪声。这种噪声是一种随机噪声。包括由复位电路产生的复位噪声(ktc)和1/ f噪声。复位噪声是指场效应晶体管复位开关中电阻产生的热噪声。1/ f噪声是由于信号跟随放大器而产生的噪声。 (5)杂波噪声 该噪声主要来源于传输通道及各种器件，如时钟信号和电源电压不稳定，以及传输中受到的电磁干扰等。这类噪声多满足无规则随机性，频谱较宽，幅度不等。 (6) a/d转换的误差噪声 a/d转换的误差噪声是独立于图像信号的，具有高斯分布和可加性。该

26、项误差通常很小，与其它误差相比可以忽略。 (7)其它噪声 由于镜头的清洁度而产生的噪声，如镜头内外部落灰、手印、划痕等引起的噪声。2.1.2图像信号数字化产生的像素抖动 如果使用标准复合视频信号输出摄像机，则用图像采集卡将模拟视频图像数字化中的像素抖动(pixel fitter)就成为测量系统的主要误差来源之一。像素抖动是一个笼统单色概念，主要包括下面三个方面的误差因素: (1)行同步相位误差 标准视频信号中只有垂直、水平两种同步信号来分别保证奇偶两场和每行图像达到同步显示。因此要进行视频信号数字化必须要建立精确的像素时钟。一般图像采集卡总用锁相环技术来使视频水平同步和图像卡内部像素时钟的相位

27、一致，两者相位一致程度决定了相位误差的大小。这种误差表现为整行像素的整体前移或后移。 (2)频率误差 图像卡内部像素时钟的频率变换产生的误差。在每行的开始这种误差不存在或极小，但在结束时候可能会变得较大而不可忽略。 (3)像素抖动 由于像素时钟本身的波动而造成了采样时间的变化，由于视频信号是变化的，因此产生了像素值对应位置的变化。像素抖动表现为一种随机误差。2 .2玻璃缺陷图像噪声消除由于成像传感器噪声、相片颗粒噪声、图像在传输过程中的通道传输误差等，会使图像上出现一些随机的、离散的和孤立的像素点，也即图像噪声。图像噪声在视觉上通常与它们相邻的像素明显不同，表现形式为黑区域上的白的或白区域上的

28、黑点，影响了图像的视觉效果和有关处理工作，因此需要对图像上的噪声进行消除。图像的噪声处理一般有两种方法：（1）邻域平均滤波方法（2）邻域中值滤波方法。均值滤波也成为线性滤波，其采用的主要方法为领域平均法。线性滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点，选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值富裕当前像素点，作为处理后图像在该点上的灰度，即，为该模板中包含当前像素在内的像素总个数。由于图像的边缘主要包括了图像细节和高频信息，因此在利用邻域平均方法进行图像噪声消除的同事，会使图像的边缘变得有些模糊。中值滤波则是一种能够很好地弥补领域

29、平均方法不足的图像噪声消除方法。 中值滤波的基本思想是对一个窗口内的所有像素的灰度进行排序，取排序结果的中间值作为原图像中心点出的像素的灰度值。中值滤波器是基于次序统计完成信号恢复的一种典型的非线性滤波器，通常选用的窗口有线形、十字形、方形和圆形等。本文采用方形的窗口，窗口大小为。下面为各种玻璃缺陷中值滤波后的图像。图 2.4 中值滤波后划痕的图像图 2.5 中值滤波后夹杂的图像图 2.6 中值滤波后气泡的图像2.3 玻璃缺陷图像的分割 经过预处理后的图像尽管滤除了干扰，但是目标缺陷的表达形式还不够紧凑，不能直接进行特征提取，为了进一步分析和辨识目标，需要将缺陷特征相对集中的区域从整幅图像中分

30、割出来。图像分割是计算机图像处理的一个基本问题，也是进行许多后续图像分析任务的先行步骤，其定义是指将图像被划分成或分隔成为具有相近特征的区域并提取出感兴趣的目标的过程。感兴趣的部分也可以称为目标或前景，它们一般对应图像中特定、具有独特性质的区域，其余的区域则称为背景。目前针对灰度图像的分割技术主要有五种类型:基于像素的技术、基于边缘检测的技术、基于区域生长的技术、基于模型的技术和混合技术，本文着重研究了基于边缘检测及基于区域生长的分割技术。 基于边缘检测的分割技术主要依赖于对图像中不同区域间的不连续性，即边缘的识别达到分割效果。所谓边缘是指其周围像素灰度值有阶跃变化或抛物线变化的那些像素点的集

31、合，它是灰度值不连续的结果，也是图像分割所依赖的重要特征。边缘的种类可以分为两种:一种称为阶跃性边缘，它两边的像素的灰度值有着显著的不同;另一种称为屋顶状边缘，它位于灰度值从增加到减少的变化转折点。如果一个像素落在图像中某一个物体的边界上，那么它的邻域将成为一个灰度级的变化带。对这种变化最有用的两个特征是灰度的变化率和方向，它们分别以梯度向量的幅度和方向来表示。边缘检测是一种突出图像边缘，削弱边缘以外图像区域，突出图像轮廓的方法。它可以在保留关于物体边界有用的结构信息的同时，极大地降低处理数据量，从而简化图像的分析过程。 在各类缺陷图像中，划痕与气泡大量存在阶跃性边缘，以气泡为例，透射光线在其

32、边缘将发生折射，因此，气泡边缘的光强增大，边缘灰度值就偏高;而在气泡的中心区域，光线发生反射，光强减弱，中心区域灰度值偏低;而对于夹杂与结石缺陷，由于固体夹杂物改变了玻璃内部晶体的结构，进而影响了光线透过玻璃的均匀性，因而其边缘灰度值存在过渡，属于屋顶状边缘。如果用边缘检测法进行分割，可以找出缺陷的位置和方向。常见的边缘检测算子有robert算子、 sobel算子、prewitt算子、canny算等。 1 .roberts算子 roberts边缘检测算子采用的是对角方向相邻的两个像素之差，其本质是利用局部差分算子寻找边缘的算子，它由下式2.1给出。 + （2.1）其中是表示处理后点的灰度值，表

33、示处理前该点的灰度值。是具有整数像素坐标的输入图像，平方根运算使处理类似于在人类视觉系统中发生的过程。该算法的算子模板如图2.7所示。01-10100-1图 2.7 roberts算子模块 2. sobel算子 sobel边缘算子的掩模模板是两个3x3的卷积核。它用于边缘提取，图像中的每个点都用这两个模板来做卷积，第一个模板对垂直边缘影响最大;第二个模板对水平边缘影响最大。两个卷积的最大值最为该点的输出，运算结果是一幅边缘幅度图像。它具有方向性，在水平方向和垂直方向上形成最强烈的边缘。sobel算子模板如图2.8所示。121000-1-2-110-120-2101 图2.8 sobel算子模块

34、 3.canny边缘检测算子 滤波器的尺度选择一直是边缘检测的一大难题，canny提出了多尺度空间边缘检测。其具体步骤为: (1)用高斯滤波器平滑图像; (2)用一阶偏导的有限差分来计算梯度的幅值和方向; (3)对梯度幅值应用非极大值抑制; (4)用双闽值算法检测和连接边缘。 4. prewitt算子与使用sobel算子的方法相同，图像中的每个点都用这两个模板做卷积，并且取最大值作为输出，结果是边缘幅度的图像。它与sobel算子不同，这一算子没有把重点放在接近模板中心的像素点。prewitt算子模板如图2.9所示。111000-1-1-110-110-110-1图 2.9 prewitt算子模

35、块用上述各种边缘检测算子对各种缺陷图像进行边缘检测，检测效果如面所示:图 2.10 划痕边缘检测结果图 2.11 夹杂边缘检测结果图 2.12 气泡边缘检测结果 经过比对可以看出roberts算子边缘检测后的图像轮廓比较清晰，所以选用roberts算子边缘检测后的图像作为经过预处理后的图像，这位下一章提取特征值奠定了基础。3 玻璃缺陷图像特征提取3. 1缺陷特征选取的原则 特征参数的提取是玻璃缺陷识别的一个重要部分。特征参数选取的合理与否，直接关系到缺陷识别的效果。选取特征参数是识别前的准备工作。所以在选取玻璃缺陷的特征参数时，要尽量反映缺陷本身的特征，尽量选取缺陷之间最能区别于其它缺陷的特征

36、。特征参数还要尽量选得精，选得少，以能把缺陷识别出来即可，太多的参数将会增加系统的计算量，降低系统的运行速度。 在对玻璃缺陷的图像观察中发现，不同类型的玻璃缺陷在几何形状上差异较大，而相同类型缺陷的几何形状比较类似，只是在位置和大小上不确定，可能会出现平移、旋转、比例缩放等问题;并且某些缺陷，比如气泡、结石，改变了玻璃的透射性能，会对光线会产生折射、反射等现象，导致缺陷边缘产生了纹理图案。根据这两种特点，本章基于hu不变矩进行提取，利用这种方法提取出的特征可以描述缺陷，作为感知器神经网络的输入。3. 2基于hu不变矩特征的提取 不变矩是一种非常重要的表示目标总体形状的特征量，而且它具有对旋转和

37、缩放变化的目标具有良好的不变性及抗干扰性，不受待识别物体的大小、位置、方位的影响，能有效地反映图像的形状特征，在图像特征提取方面得到了广泛的应用。3.2.1 hu不变矩概述1、矩特征定义 对于连续灰度函数f(x,y),它的m+n阶二维原点矩mmn的定义为: m,n=0,1,2. (3.1)假设f(x,y)为分段连续的有界函数，并且在x,y平面上有限区域内有非零值。根据唯一性定理，它的各阶矩存在且唯一地被f (x,y)确定，反过来f (x,y)也唯一地被它的各阶矩确定。此外，还可以定义了f(x,y)的m+n阶中心距为: m,n=0,1,2. (3.2)其中分别表示图像关于x轴和y轴的灰度重心坐标

38、: （3.3） （3.4）归一化中心矩为： （3.5）其中，m+n=2,3. 以上是连续的情况，而数字图像都是经过离散化的，因此需要计算离散情况下的m+n阶矩，设一幅分辨率为的二维离散的玻璃缺陷图像的灰度函数为相应的原点矩和中心距公式如下: （3.6） （3.7）重心坐标为： （3.8） （3.9）2、矩特征的物理意义 (1)零阶矩 根据矩的定义，图像的零阶矩定义为: （3.10）可见，如果为灰度图像，则表示图像灰度值的总和，也可以看做为物体的质量;当为二值图像时，表示图像的面积。(2)一阶矩图像的两个一阶矩和用来确定图像的灰度重心。其重心坐标为: （3.11） （3.12）根据中心距的定义，

39、我们可推导出中心距和均为0。(3)二阶矩图像的二阶矩有三个:，也称之为惯性矩(moments of inertia)，它们可以确定物体的几个重要的特征，具体特性描述如下:主轴二阶中心距常用来确定目标的主轴，目标的主轴通常有一对长轴和短轴，分别代表最大二阶矩和最小二阶矩的方向，根据矩理论，主轴方向角可以按照下述公式计算: （3.13）公式中为主轴与坐标轴的夹角，其范围在-,。图像椭圆由一阶、二阶矩可以确定一个与原图像惯性矩等价的图像椭圆。所谓图像椭圆是个与原图像的二阶矩及原图像的灰度综合均相等的均匀椭圆。如果图像椭圆由其长半轴和短半轴表示，则有: （3.14） （3.15）椭圆的灰度由式(3.1

40、6)确定: （3.16） 可将椭圆中心与图像灰度重心重合，使其主轴方向与图像主轴方向重合，这样更便于分析图像的性质。 (4)三阶矩 对于三阶矩，使用图像在x轴和y轴上的投影比使用图像本身描述更方便。两个三阶中心距µ30、µ03描述了图像投影的扭曲程度。扭曲是一个景点统计量，用来衡量关于均值对称分布的偏差程度。图像投影在x、y轴的扭曲系数为: （3.17） 3 、hu不变矩从上面的公式可以看出，如果直接用原点矩或中心矩作为玻璃缺陷图像的特征，不能保证特征同时具有平移、旋转和比例不变性。因为仅用中心矩，提取的缺陷图像特征仅具有平移不变性;如果仅利用归一化中心矩，提取出的缺陷特征

41、，仅具有平移不变性和比例不变性，但不具有旋转不变性。为此，m. k. hu提出了不变矩，他给出了连续函数矩的定义和关于矩的基本性质，证明了有关矩的平移不变性、旋转不变性以及比例不变性等性质，具体给出了具有平移不变性、旋转不变性和比例不变性的七个不变矩的表达式，公式如下: （3.18） （3.19） （3.20） （3.21） （3.22） （3.23） （3.24）这七个矩特征构成的矩组对于平移、比例和旋转变换都是不变的量，代表了玻璃缺陷图像形状的基本特征，可以将上述的7个不变矩的测量值作为特征矢量。在实际计算过程中，当x<x0 , m为奇数或y<y0 , q为奇数时hu不变矩可能

42、出现负值。而且，7个hu不变矩值的变化范围很大，为了便于比较，可采用取对数的方法进行数据压缩。因此，实际采用hu不变矩为: k=1, 2, 3, 4, 5, 6, 7 (3 .25)3.2.2基于hu不变矩的特征提取实验及结果为了验证hu不变矩在玻璃缺陷特征提取中的有效性，本文提取并分析了各类型缺陷的特征值。将每种状态的图像各取4幅，共12幅，经过预处理后，基于hu不变矩提取特征值见表3.1。这12个样本也作为感知器神经网络的训练样本。表 3.1 各种玻璃缺陷通过hu不变矩提取的特征值c1c2c3c4c5c6c7划痕2.92554.05908.31605.291611.43837.096411

43、.93891.36741.98342.94180.39010.60651.13632.02780.79291.47000.32651.74052.90141.27442.70590.98351.88670.64490.32530.83360.59862.3571气泡0.58545.30319.77357.046716.082810.870415.62520.41693.34413.31204.71008.72666.444710.96630.15114.19080.47471.02971.78253.39125.12780.37352.42912.43704.13588.30965.35997

44、.5151夹杂1.07560.68800.74860.59411.54492.41530.58530.77860.30310.64180.83111.51080.63980.45221.45861.16920.47540.72950.87591.64972.48961.15990.54661.73582.48514.71282.30255.37834 基于感知器神经网络的玻璃缺陷分类识别4.1感知器神经网络简介神经网络是由简单处理单元组成的大规模并行分布式处理器，天然地具有存储经验知识和使之可用的特性。神经网络在两个方面与大脑相似：1. 神经网络是通过学习过程从外界环境中获取知识的。2. 互连

45、神经元的连接强度，即突触权值，用于存储获取的知识。感知器在神经网络发展的历史上占据着特殊位置：它是第一个从算法上完整描述的神经网络。它的发明者rosenbalatt是一位心理学家。在20世纪60年代和70年代，受感知器的启示，工程师、物理学家以及数学家们纷纷投身于神经网络各个方面的研究。更值得一提的是，尽管在1958年rosenblatt关于感知器的论文就首次发表了，感知器在今天依然是有效的。感知器是一个具有单层计算单元的人工神经网络，感知器训练算法就是由这种神经网络演变而来的。感知器的模型如图4.1。 图 4.1 感知器神经网络的模型感知器实质上是一种神经元模型，是一个多输入/单输出的非线性

46、器件。其中，为阈值，为输入，为输出： (4.1)而且f为一阶跃函数，即： (4.2)若令： (4.3)则： (4.4)由此可见，它可作为一个分类器，解决两类的分类问题。即：若： 则 (4.5)4.2 玻璃缺陷类型识别及结果分析4.2.1输入、输出层神经元个数 感知器神经网络输入层的节点数，就是图像经过特征提取后的维数，在第三章中，经过hu不变矩提取出7个特征量，因此，输入层的节点数为12。输出层节点由图像类别的数目确定，由于类别模式一共有3个，分别为划痕、气泡、夹杂、最优输出的神经元数目为，取整后得2，将输出变量描述如下:划痕00，夹杂01，气泡10。4.2.2玻璃缺陷类型识别及结果分析 按照

47、前面所有章节的阐述，完成了整个识别算法的设计。最后，在intel pc机上实验考察了此算法的可行性及运算效率。实验中首先选取三种状态(划痕、夹杂、气泡)的玻璃图像，每种状态各4幅，共12幅作为训练样本集，先按照第二章介绍的方法作预处理，再按照第三章的方法获得7维的特征向量，然后输入感知器神经网络进行训练，训练的结果如图4.1所示，平均绝对误差见图4.2。待网络训练完毕，重新选取6幅玻璃缺陷图像作为测试样本集，再次输入神经网络，检验其学习效果，感知器网络判决后输出的部分测试样本结果见表4.1。检测结果显示有的夹杂形状像气泡的可能被检测成气泡可见识别度需要进一步提高，根据表4.1中的统计结果，对于

48、某些测试样本出现了误判现象，这可能是由于缺陷物体形状的不确定性以及前期的预处理、特征提取造成的特征信息损失，从而影响了识别率，需要在口后对算法进一步改进。不过对于所有缺陷样本，平均识别率能够达到83.3%，分类基本准确，说明利用此算法对于玻璃缺陷进行分类识别是可行的。 图 4.1 神经网络的训练结果 图 4.2 平均绝对误差图 表 4.1 感知器网络判决后输出的部分测试样本结果缺陷类型目标输出判决结果检测划痕100划痕检测划痕200划痕检测夹杂101夹杂检测夹杂210气泡检测气泡110气泡检测气泡210气泡 5 结论 本课题针对玻璃生产企业在缺陷分类过程中存在的问题和不足，基于图像处理与模式识别技术，提出一种玻璃缺陷的自动识别算法，有效地提高了分类的自动化程度和准确性，优化了玻璃缺陷检测系统的整体性能。本文在深入分析了缺陷特征的基础上，主要完成了以下工作: (1)在玻璃缺陷图像的消噪过程中，针对图像噪声的类型和特点，采用中值滤波算法进行处理，基本消除了噪声干扰，改善了缺陷图像的质量。 (2)根据缺陷目标边缘灰度的不连续性及渐变性，利用边缘检测方法，定位出缺陷目标的位置和大体轮廓，比较精确地分割出了缺陷目标的核心尺寸。 (3)针对缺陷图像几何形状上的差异，提出利用了hu不变矩对于缺陷图像具有抗平移、旋转特性