基于神经网络的玻璃缺陷类型识别方法毕业设计(编辑修改稿)

基于神经网络的玻璃缺陷类型识别方法毕业设计(编辑修改稿)内容摘要：

，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 ),( yx ，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 ),( yx ，作为处理后图像在该点上的灰度 ),( yxg ，即  ),(/1),( yxfmyxg ， m 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 33。 下面为各种玻璃缺陷中值滤波后的图像。 中北大学 20xx 届毕业论文 图 中值滤波后划痕的图像 图 中值滤波后夹杂的图像 中北大学 20xx 届毕业论文 图 中值滤波后气泡的图像 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，透射光线在其中北大学 20xx 届毕业论文 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 给出。 22 ]1,(),1([)]1,1(),([),( ） jifjifjifjifjiG ≈ )1,1(),(  jifjif + )1,(),1(  jifjif （ ） 其中 ),( jiG 是表示处理后 ),( ji 点的灰度值， ),( jif 表示处理前该点的灰度值。 ),( jif 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 所示。 0 1 1 0 图 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 所示。 1 0 0 1 中北大学 20xx 届毕业论文 图 Sobel 算子模块 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 所示。 图 Prewitt 算子模块 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 : 1 2 1 0 0 0 1 2 1 1 0 1 2 0 2 1 0 1 1 1 1 0 0 0 1 1 1 1 0 1 1 0 1 1 0 1 中北大学 20xx 届毕业论文 图 划痕边缘检测结果 图 夹杂边缘检测结果 中北大学 20xx 届毕业论文 图 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。 中北大学 20xx 届毕业论文 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。 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。 Hu 不变矩概述 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 : dx dyyxfyxM nmmn ),(  m,n=0,1,2... () 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 : 中北大学 20xx 届毕业论文     ),()() yxfyyxx nomomn （ m,n=0,1,2... () 其中 oo yx, 分别表示图像关于 x 轴和 y轴的灰度重心坐标 :       ),(),( yxfyxxfx o （ ）       ),(),(0 yxfyxyfy （ ） 归一化中心矩 mnI 为： rmnI  mn （ ） 其中 2nmr ， 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 qp 的二维离散的玻璃缺陷图像的灰度函数为 ),( yxf 相应的原点矩和中心距公式如下 :  pxqynmmn yxfyxM1 1 ),( （ ）     px qy nmomn yxfyyxx1 1 0 ),()()( （ ） 重心坐标为：       px qypx qyo yxfyxxfx 1 11 1 ),(),( （ ）       px qypx qy yxfyxyfy 1 11 10 ),(),( （ ）矩特征的物理意义 (1)零阶矩 根据矩的定义，图像 ),( yxf 的零阶矩 00M 定义为 : 中北大学 20xx 届毕业论文    dxdyyxfM ),(00。