基于神经网络的玻璃缺陷类型识别方法设计

基于神经网络的玻璃缺陷类型毕业论文基于神经网络的玻璃缺陷类型识别方法学院：信息与通信工程学院 指导教师：金永 基于神经网络的玻璃缺陷类型识别方法在玻璃生产过程中，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;然后针对缺陷图像边缘的灰度变化特点，基于边缘检取出了目标缺陷的核心轮廓，完成了图像的预处理。陷在形状上的差异，利用Hu不变矩提取出了缺陷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eAbstractmustclassifythedefects..Theaccordingtothecharacteristicsofglassdefectimage,basedonimageprocessingandpatternrecognitiontechnologyofautomaticdefectclassificationalgorithm,replacingthetraditionalmanualclassificationmethod,Thispaperfirstanalyzesthenoisetypeandcharacterofthedefectimage,themedianfilteringalgorithmforreductionofdefectimage,eliminatingthenoise;theninedefectsbasedontheOnthebasisofpreprocessing,accordingtothedifferencebetweenthevarioustypesofdefectsinshapeusingHuinvariantmomentstoextractthefeaturesofthettranslationantirotationtheInordertodistinguishbetweendifferenttypesofdefectsofperceptronneurallythewholeexperimenttoverifytheeffectivenessofdefectclassificationalgorithm,andlidfoundation. 5 5结 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。为了提高浮陷进行分类。经济实力和先进的技术基础，至今己研制出多种检测设备，不仅价格昂贵，且技术资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，提浮法玻璃缺陷分类的自动化程度对于减小人为误差，降低玻璃生产成本，确保玻璃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。，，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。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，通过调整内部之间相互连接的关系，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经网络的研究起了重要推动作用。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，并用边缘检测将缺陷目标区域从图像中分割出来;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;2玻璃缺陷图像的预处理从而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，并研究。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源的噪声进行阐述。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这样形成的噪声称为光子噪声(photonnoise)。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(darkcurrentnoise)。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。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此，读出噪声(read-outnoise)是在感光像元产生的电荷信号被读出和放大的电路中产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，以及传无规则随机性，频谱较宽，幅度不等。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。该项误差通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(pixelfitter)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: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。为一种随机误差。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(x,y)，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。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: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G(i,j)=[f(i,j)f(i+1,j+1)]2+[f(i+1,j)f(i,j1)]2fijfijfijfij(2.1)其中G(i,j)是表示处理后(i,j)点的灰度值，f(i,j)表示处理前该点的灰度值。f(i,j)是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0-110100-1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121000-1-2110-120-210-1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;111000-1-1-111010102.9Prewitt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:3玻璃缺陷图像特征提取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，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，输入。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xymnoo其中x,y分别表示图像关于x轴和y轴的灰度重心坐标:ooo(3.3)0(3.4)归一化中心矩I为：I=rmnmn00(3.5)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相应的原点矩和中心距公式如下:ynfxyx=1y=1mno0x=1y=1(3.7)x=1y=1x=1y=1ox=1y=1(3.8)0x=1y=1x=1y=1(3.9)2、矩特征的物理意义根据矩的定义，图像f(x,y)的零阶矩M定义为:(3.10)可见，如果f(x,y)为灰度图像，则M表示图像灰度值的总和，也可以看做为物体图像f(x,y)的两个一阶矩M和M用来确定图像的灰度重心。其重心坐标为:Mx=100M(3.11)My=01oM(3.12)。1001图像的二阶矩有三个:(一)2+(一)2+42]1(一)2+42]1=00(3.13)IM,M,M，也称之为惯性矩(MomentsofInertia)，它们可以确定物体的11二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9=1tan一121144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:2[++20022[++200211]22[++200211]2b=200211]2椭圆的灰度由式(3.16)确定: 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，这样更便两个三阶中心距µ、µ描述了图像投影的扭曲程度。扭曲是一个景点统计量，用3003L=30x32(3.17)L=y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，仅具有平移不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:C=I+I12002C=(II)2+4I22200211C=(I3I)+(3I+I)2122103C=(I+I)2+(I+I)230122103 C=(I3I)(II)[(I+I)23(I+I)2]+(3II)(I+I)[3(I+I)2(I+I)2]122103(3.22)C=(II)[(I+I)2(I+I)2]+4I(I+I)(I+I)1130122103(3.23)C=(3II)(I+I1)[(I+I)23(I+I)2]+(3II)(I+I)[3(I+I)2(I+I)2]71230302301221032103210303121203(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00Hu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kkk=1,2,3,4,5,6,711.938915.625210.96630.15114.19080.474797253.39125.12787.51510.58530.45222.4896990.5466582.48514.71282.30255.37834基于感知器神经网络的玻璃缺陷分类识别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oo2y.xn型xdwixii12d12dx=ojj4.2玻璃缺陷类型识别及结果分析类别的数目确定，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log01]，气泡[10]。2PC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表4.1感知器网络判决后输出的部分测试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(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(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。clearclccloseallp=[0,1000;0,1000;0,1000;0,1000;0,1000;0,1000;0,1000]t=2;identification=newp(p,t);P=load('boliyangben.mat');T=load('shuchu.mat');identification=train(identification,P.boliyangben,T.shuchu);r=input('请输入要处理的玻璃缺陷图片名称','s');newP=tuxiangchuli(r);newT=sim(identification,newP);a1=[0;0];a2=[0;1];a3=[1;0];if(newT==a1)disp('该样本是划痕')endif(newT==a2)disp('该样本是气泡')endif(newT==a3)disp('该样本是夹杂')end2.图像处理子函数functiontezhengjuzhen=tuxiangchuli(yangben)[I,map]=imread(yangben)B=rgb2gray(I)C=medfilt2(B,[3,3])subplot(2,3,1)imshow(I,map),axisimage,title('原图像')subplot(2,3,2)imshow(C,map),axisimage,title('中值滤波后的图像')BW1=edge(C,'sobel');BW2=edge(C,'canny');BW3=edge(C,'prewitt');BW4=edge(C,'roberts');subplot(2,3,3)imshow(BW1,map),title('sobe算子边缘检测后的图像');subplot(2,3,4)imshow(BW2,map),title('canny算子边缘检测后的图像');subplot(2,3,5)imshow(BW3,map),title('prewitt算子边缘检测后的图像');subplot(2,3,6)imshow(BW4,map),title('roberts算子边缘检测后的图像');inv_m7=getfeature4(BW4);tezhengjuzhen=inv_m7';functioninv_m7=getfeature4(image)%将图像矩阵的数据类型转换成双精度型image=double(image);%%%=================计算、、=========================%计算图像的零阶几何矩m00=sum(sum(image));m10=0;m01=0;[row,col]=size(image);fori=1:rowforj=1:colm10=m10+i*image(i,j);m01=m01+j*image(i,j);endend%%%=================计算、================================u10=m10/m00;u01=m01/m00;%%%=================计算图像的二阶几何矩、三阶几何矩============m20=0;m02=0;m11=0;m30=0;m12=0;m21=0;m03=0;fori=1:rowforj=1:colm20=m20+i^2*image(i,j);m02=m02+j^2*image(i,j);m11=m11+i*j*image(i,j);m30=m30+i^3*image(i,j);m03=m03+j^3*image(i,j);m12=m12+i*j^2*image(i,j);m21=m21+i^2*j*image(i,j);endend%%%=================计算图像的二阶中心矩、三阶中心矩============y00=m00;y10=0;y01=0;y11=m11-u01*m10;y20=m20-u10*m10;y02=m02-u01*m01;y30=m30-3*u10*m20+2*u10^2*m10;y12=m12-2*u01*m11-u10*m02+2*u01^2*m10;y21=m21-2*u10*m11-u01*m20+2*u10^2*m01;y03=m03-3*u01*m02+2*u01^2*m01;%%%=================计算图像的归格化中心矩====================n20=y20/m00^2;n02=y02/m00^2;n11=y11/m00^2;n30=y30/m00^2.5;n03=y03/m00^2.5;n12=y12/m00^2.5;n21=y21/m00^2.5;%%%=================计算图像的七个不变矩======================h1=n20+n02;h2=(n20-n02)^2+4*(n11)^2;h3=(n30-3*n12)^2+(3*n21-n03)^2;h4=(n30+n12)^2+(n21+n03)^2;h5=(n30-3*n12)*(n30