• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于1-分類支持向量機(jī)的機(jī)器視覺(jué)缺陷分類方法

    2012-09-28 04:56:50盧榮勝
    關(guān)鍵詞:超平面球面線性

    李 琪, 盧榮勝, 陳 成

    (合肥工業(yè)大學(xué) 儀器科學(xué)與光電工程學(xué)院,安徽 合肥 230009)

    0 引 言

    隨著現(xiàn)代制造業(yè)的飛速發(fā)展,在一些高速連續(xù)的生產(chǎn)線上,如薄膜材料、紙張/出版物和帶鋼鋁材的生產(chǎn)中,對(duì)產(chǎn)品的生產(chǎn)速度和表面質(zhì)量要求都有了明顯的提高,而在生產(chǎn)過(guò)程中由于原材料和生產(chǎn)過(guò)程的技術(shù)原因,都不可避免地會(huì)產(chǎn)生多種缺陷,傳統(tǒng)上對(duì)這些缺陷檢測(cè)常采用人工檢測(cè)、檢測(cè)式檢測(cè)、電磁式檢測(cè)和電渦流式檢測(cè)等方法,但是這些方法效率低、勞動(dòng)強(qiáng)度大、誤檢率高,對(duì)產(chǎn)品造成損傷或受限于檢測(cè)材料的性質(zhì)。隨著現(xiàn)代生產(chǎn)技術(shù)的進(jìn)步,這些方法已不適應(yīng)檢測(cè)要求。而機(jī)器視覺(jué)缺陷檢測(cè)技術(shù)作為一種非接觸、高效靈活、檢測(cè)精度高、適用范圍廣的檢測(cè)手段,得到了迅猛發(fā)展。目前影響力較大的有德國(guó)的Parsytec公司和美國(guó)的Cognex公司,它們針對(duì)鋼材檢測(cè)和紙張/薄膜檢測(cè)分別推出了HTS/HTP和ISRA VISION表面缺陷檢測(cè)系統(tǒng),這些系統(tǒng)都采用CCD或CMOS相機(jī)作為光電接收裝置,采用明場(chǎng)/暗場(chǎng)反射成像方式生成缺陷圖像,并且將神經(jīng)網(wǎng)絡(luò)引入到缺陷檢測(cè)過(guò)程中。目前,國(guó)內(nèi)機(jī)器視覺(jué)檢測(cè)還局限于小規(guī)模視場(chǎng)的在線檢測(cè)。

    機(jī)器視覺(jué)檢測(cè)過(guò)程主要涉及對(duì)采集的圖像進(jìn)行預(yù)處理、缺陷分割和缺陷分類3個(gè)環(huán)節(jié),其中圖像預(yù)處理和缺陷分割屬于數(shù)字圖像處理的范疇,其研究已經(jīng)十分成熟。而缺陷圖像分類屬于模式分類的范疇,它是將基于統(tǒng)計(jì)學(xué)習(xí)的理論引入到表面缺陷的自動(dòng)分類中,對(duì)實(shí)現(xiàn)檢測(cè)自動(dòng)化具有十分重要的作用。模式分類源自機(jī)器學(xué)習(xí)方法是在給定樣本數(shù)據(jù)集上,評(píng)估數(shù)據(jù)樣本的內(nèi)在概率聯(lián)系,建立輸入輸出對(duì)應(yīng)關(guān)系模型,并對(duì)新樣本數(shù)據(jù)進(jìn)行劃分的過(guò)程。相比于神經(jīng)網(wǎng)絡(luò)方法,模式分類是建立在VC維和結(jié)構(gòu)風(fēng)險(xiǎn)最?。?]基礎(chǔ)上,而神經(jīng)網(wǎng)絡(luò)方法對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)建選擇尚無(wú)完整的理論指導(dǎo),因此模式分類對(duì)實(shí)際數(shù)據(jù)泛化能力和分類效果要更好。在模式分類中,目前最有前途的方法當(dāng)屬SVM支持向量機(jī),一般情況下使用SVM方法時(shí),首先為所有的缺陷類別都選取大致相等的缺陷訓(xùn)練樣本,生成分類模型,然后將待測(cè)試的缺陷輸入模型中,最后得到一個(gè)結(jié)果表明缺陷所屬歸類。但是在實(shí)際檢測(cè)過(guò)程中,會(huì)遇到不同類缺陷的訓(xùn)練樣本數(shù)目存在很不均衡的情況,此時(shí)仍使用多分類的方法會(huì)產(chǎn)生較大的分類誤差。因此,針對(duì)這種情況研究基于1-分類的SVM方法,該分類方法只檢測(cè)待測(cè)樣本屬于/不屬于某一類缺陷,產(chǎn)生真/假的結(jié)果。

    1 支持向量機(jī)原理

    支持向量機(jī)分類模型有線性分類模型和非線性分類模型2種,線性模型是基礎(chǔ),非線性分類模型主要是由各種核函數(shù)與線性模型結(jié)合起來(lái)得到的;此外,SVM原型是2分類模型,多分類模型是在2分類基礎(chǔ)上通過(guò)組合得到的[2]。

    1.1 線性分類原理

    在線性SVM中,假設(shè)分類特征是n維向量x=(x1,…,xn),則線性分類器定義為實(shí)值函數(shù)f:

    由(1)式可以看到f定義了一個(gè)由n維變量到1維變量的映射,其中n維變量代表輸入樣本特征,1維代表此樣本所屬類別的標(biāo)簽,并且這個(gè)函數(shù)是通過(guò)參數(shù)對(duì)(ω,b)∈Rn×R確定的。另外從幾何角度解釋,(ω,b)在特征空間中確立了一個(gè)線性劃分超平面H:ω·x+b=0。對(duì)于2分類問(wèn)題,超平面將n維輸入空間X分為兩半,對(duì)應(yīng)于ω·x+b≥k1區(qū)域定義為正類,用yi=1表示;對(duì)應(yīng)于ω·x+b≤k2區(qū)域定義為負(fù)類,用yi=-1表示,接著對(duì)超平面做變換,平移H,使得有ω·x+b′≥k和ω·x+b′≤k,不等式兩邊除以k,使得有ω′·x+b″≥1和ω′·x+b″≤1,最后就得到了線性SVM公式的標(biāo)準(zhǔn)形式,即

    (2)式可以寫成統(tǒng)一的形式,即yi(ω·x+b)≥1。使用SVM進(jìn)行分類的第1步是對(duì)分類器進(jìn)行訓(xùn)練,由(2)式可以看出SVM 的未知參數(shù)為(ω,b),因此訓(xùn)練過(guò)程實(shí)際上就是根據(jù)訓(xùn)練樣本求得最優(yōu)參數(shù)(ω,b)的過(guò)程。假設(shè)有訓(xùn)練集s={(x1,y1),…,(xi,yi)},其中xi是訓(xùn)練樣本,yi是xi的已知分類標(biāo)簽。

    此時(shí)由超平面幾何距離可以求出最近樣本點(diǎn)到超平面的距離為d=|ω·xi+b|/‖ω‖=1/‖ω‖,進(jìn)而得到2類的分類間隔為2/‖ω‖。為提高分類準(zhǔn)確率,要求2/‖ω‖盡可能大,該問(wèn)題可變?yōu)榍蠼饧s束優(yōu)化問(wèn)題,即

    其中,ω為超平面系數(shù)向量;b為分類超平面閾值。為更進(jìn)一步提高分類準(zhǔn)確率,SVM還引入了松弛變量ξi≥0(i=1,2,…,l)和懲罰系數(shù)C,使得優(yōu)化問(wèn)題變?yōu)椋?/p>

    求解該優(yōu)化問(wèn)題采用拉格朗日乘數(shù)法,即

    其中,αi和βi為拉格朗日乘子。(5)式分別對(duì)ω、b和ξ求導(dǎo),并使之為0,可得:

    將(6)式代入到(5)式中,消去ω、b和ξ,即可得到原問(wèn)題的對(duì)偶最優(yōu)化問(wèn)題:

    此時(shí)根據(jù)(7)式求解αi,其中與不為零的αi對(duì)應(yīng)的xi即為分類器的支持向量,由支持向量得到最優(yōu)超平面的ω和b。

    1.2 非線性分類原理

    非線性分類器對(duì)應(yīng)于樣本分類特征在特征空間中無(wú)法線性分類的情況,其思想是通過(guò)核函數(shù)將樣本特征映射到高維特征空間,變換為線性可分的情況[3-4]。

    核函數(shù)映射示意,如圖1所示,圖1b中一維空間內(nèi)的2類缺陷無(wú)法進(jìn)行線性分類,但是當(dāng)將樣本映射到二維空間時(shí),就可以用線性分類的方法區(qū)分2類缺陷,如圖1c所示。

    研究的結(jié)果表明學(xué)生總體來(lái)說(shuō)缺乏與策略相關(guān)的意識(shí)。他們相對(duì)來(lái)說(shuō)缺乏豐富的策略儲(chǔ)備,例如他們對(duì)學(xué)習(xí)策略不大了解。因此,他們不能實(shí)施恰當(dāng)?shù)膶W(xué)習(xí)策略和有意識(shí)的控制學(xué)習(xí)策略的使用[6]。所有這些都說(shuō)明學(xué)生在不同的語(yǔ)言學(xué)習(xí)任務(wù)中實(shí)施恰當(dāng)?shù)膶W(xué)習(xí)策略以及控制策略使用方面的能力比較低。因此學(xué)習(xí)策略的培訓(xùn)也是迫在眉睫。學(xué)習(xí)策略的訓(xùn)練旨在幫助學(xué)習(xí)者考量影響自己學(xué)習(xí)的因素,找到最適合自己的學(xué)習(xí)策略,這樣學(xué)習(xí)者才可能更有效的學(xué)習(xí),并且對(duì)自己的學(xué)習(xí)負(fù)責(zé)。它更加關(guān)注的是學(xué)習(xí)過(guò)程,因此強(qiáng)調(diào)是如何學(xué)而不是學(xué)什么。因此高校應(yīng)盡可能地為非英語(yǔ)專業(yè)大學(xué)生自主學(xué)習(xí)英語(yǔ)的過(guò)程中提供相應(yīng)的幫助和指導(dǎo),讓學(xué)生掌握如何自主學(xué)習(xí)英語(yǔ)的能力。

    圖1 核函數(shù)映射示意圖

    一般非線性SVM中的核函數(shù)有線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核(RBF)函數(shù)和Sigmoid核函數(shù)。

    通常使用最多的為RBF函數(shù),因?yàn)樗母咚箯较蚧梢钥醋魇菬o(wú)窮級(jí)數(shù)和,即可以將特征樣本映射到無(wú)窮維的空間中,其表達(dá)式為:

    相應(yīng)的求非線性最終化問(wèn)題變?yōu)椋?/p>

    1.3 1-分類原理

    在表面缺陷分類過(guò)程中,有時(shí)檢測(cè)過(guò)程中會(huì)出現(xiàn)某些新類型缺陷需要分類判斷,此時(shí)新類型缺陷樣本數(shù)較少,且與其他類型缺陷的訓(xùn)練樣本數(shù)目相比不均衡,這種情況如果仍然采用通常的SVM分類方法會(huì)對(duì)分類準(zhǔn)確率造成較大影響。

    1-分類方法的最小分類數(shù)為1,即判斷待測(cè)試的特征向量“屬于”或“不屬于”某類,它只需要訓(xùn)練樣本對(duì)特定類的特征向量分布有較好的描述,而不用關(guān)心訓(xùn)練集對(duì)其他類的特征向量分布的描述[5-8]。1-分類方法的優(yōu)點(diǎn)是能夠在缺少其他分類統(tǒng)計(jì)特征的情況下,對(duì)新的輸入缺陷向量是否屬于特定類進(jìn)行精確判斷,同時(shí)建立這種分類函數(shù)f(x:ω)需要的訓(xùn)練樣本少,計(jì)算簡(jiǎn)單,分辨能力高。1-分類不同于其他SVM分類的超平面分類模型,它使用超球面作為分類邊界,根據(jù)特定類的樣本點(diǎn)計(jì)算超球面的球心和半徑,并通過(guò)最優(yōu)化問(wèn)題求位置a和半徑R的最小值。已知超球面表達(dá)式為:

    ξ為松弛變量,相應(yīng)地用拉格朗日乘數(shù)法求解有:

    其中拉格朗日乘數(shù)λi≥0和γi≥0,對(duì)(11)式求R和a的偏導(dǎo),可得:

    與線性SVM分類相似,可以將原問(wèn)題轉(zhuǎn)換為求對(duì)偶問(wèn)題的極大值,求出λi的值,進(jìn)而得到R和a的值。

    在測(cè)試時(shí),對(duì)于新的輸入向量z,如果z在超球面內(nèi)必須滿足(14)式:

    在表面缺陷檢測(cè)的缺陷分類中,根據(jù)每種類型缺陷的訓(xùn)練集,使用1-分類方法得到N個(gè)超球面中心為as,半徑為Rs:s={1,2,…,N}的分類函數(shù)fs,對(duì)一個(gè)新輸入缺陷向量z,應(yīng)用分類函數(shù)fs可以得到z點(diǎn)到不同球面中心的距離as,此時(shí)取距離中心點(diǎn)最短min(Rz)s時(shí)分類作為歸屬的類。

    2 缺陷圖像處理及特征參數(shù)選擇

    本文著重選取了孔洞、劃痕和刮擦3種缺陷進(jìn)行分類研究。

    首先在預(yù)處理階段,研究了傅里葉低通濾波、中值濾波、圖像卷積濾波幾種去噪方法,實(shí)驗(yàn)表明,中值濾波在計(jì)算速度和效果方面都有不錯(cuò)的表現(xiàn)。

    其次在缺陷圖像分割階段,因?yàn)槿毕莸膸缀涡螤畈町惡艽?,其中孔洞和劃痕缺陷是連續(xù)區(qū)域缺陷,而刮擦缺陷是許多離散小區(qū)域缺陷,為正確將這些不同種類的缺陷在圖像中分割出來(lái),先通過(guò)設(shè)定閾值將圖像二值化,同時(shí)創(chuàng)建一幅該二值化圖像的副本。又因?yàn)槿毕輩^(qū)域?yàn)檫B續(xù)區(qū)域(孔洞和劃痕)或許多相互間距離很近的離散小區(qū)域(刮擦),因此在副本圖像中,用形態(tài)學(xué)中的閉操作將刮擦中的鄰近離散小區(qū)域合并成一個(gè)大區(qū)域,接著搜索此時(shí)副本上的連通域,記錄下每個(gè)連通域外接正方形的中心坐標(biāo)和邊長(zhǎng),最后返回到原始二值圖像中,根據(jù)存儲(chǔ)的中心坐標(biāo)和邊長(zhǎng)分割缺陷圖像。對(duì)于所有缺陷圖像,最終都要變成50×50或100×100相同的尺寸。

    當(dāng)完成了缺陷圖像分割后,需要提取缺陷圖像特征參數(shù),以反映該缺陷的基本屬性。這里選用圖像不變矩作為圖像特征參數(shù),其理由是缺陷圖像經(jīng)過(guò)二值化已經(jīng)去除了亮度不一致的區(qū)別,只剩下缺陷的幾何輪廓信息,而不變矩對(duì)圖像幾何特征具有旋轉(zhuǎn)不變性和尺度不變性,非常適合作為分類的標(biāo)準(zhǔn)。圖像的不變矩最后生成7個(gè)參數(shù),分別為φ1~φ7,注意在缺陷樣本集合中必須將φ1~φ7按列歸一化。

    3 交叉驗(yàn)證對(duì)核函數(shù)參數(shù)尋優(yōu)

    為進(jìn)一步提高模型的分類準(zhǔn)確率,本文使用了交叉驗(yàn)證的方法[9-10]。在交叉驗(yàn)證中,假設(shè)對(duì)一類缺陷有N個(gè)訓(xùn)練樣本,將樣本均分為m個(gè)分支,1個(gè)分支用于訓(xùn)練超球面,剩下m-1個(gè)分支驗(yàn)證準(zhǔn)確率;然后反過(guò)來(lái),將開(kāi)始用于驗(yàn)證的分支訓(xùn)練超球面,并將開(kāi)始用于訓(xùn)練的分支驗(yàn)證分類準(zhǔn)確率[11],最后求得1-分類的R,a取均值。在基于RBF的SVM中,除樣本外,影響分類器的還有罰函數(shù)系數(shù)C和高斯徑向基半徑σ參數(shù)。為使分類器具有較優(yōu)準(zhǔn)確率,可以將C和σ劃分為網(wǎng)格形式進(jìn)行驗(yàn)證,在實(shí)驗(yàn)中取范圍為C∈[0.1,0.5,1,5,10,50,100]和σ∈[0.05,0.10,0.15,0.20,…,1],最后得到對(duì)應(yīng)孔洞、劃痕和刮擦3類缺陷,參數(shù)C=50,σ=0.30;C=50,σ=0.55;C=10,σ=0.70,有較好的效果,通過(guò)C和σ解最優(yōu)化問(wèn)題,得到SVDD超球面參數(shù),見(jiàn)表1所列。1-分類超球面如圖2所示。

    表1 SVDD超球面參數(shù)

    圖2 1-分類超球面

    4 實(shí)驗(yàn)結(jié)果及分析

    選取2幅圖像,并在圖像中對(duì)孔洞、劃痕和刮傷3種缺陷各取20個(gè)樣本,采用1-分類方法驗(yàn)證,分類結(jié)果如圖3所示。圖3中,標(biāo)識(shí)0表示劃痕,1表示孔洞,2表示刮擦。由圖3可見(jiàn),對(duì)于劃痕缺陷,漏檢數(shù)目為2、多檢的數(shù)目為2,誤檢為孔洞的數(shù)目為3;對(duì)于孔洞缺陷,漏檢數(shù)目為2,誤檢為劃痕的數(shù)目為2,誤檢為刮擦的數(shù)目為1;對(duì)于刮擦缺陷,誤檢為劃痕的數(shù)目為2。而將這3種缺陷用Matlab中的svmtrain和svmclassify命令進(jìn)行分類時(shí),因?yàn)橐獙⑷毕菹冗M(jìn)行兩兩分類最后合成為多分類,在過(guò)程中誤差將會(huì)擴(kuò)大,見(jiàn)表2所列。綜上所述,使用1-分類方法有效地提高了分類準(zhǔn)確率,見(jiàn)表3所列。

    圖3 缺陷分類結(jié)果

    表2 svmclassify兩兩分類準(zhǔn)確率

    表3 1-分類準(zhǔn)確率

    5 結(jié)束語(yǔ)

    分析誤分的原因,一方面是實(shí)驗(yàn)中的樣本準(zhǔn)備得還不夠充分和有代表性,另一方面是檢測(cè)時(shí)受光照的影響,出現(xiàn)斷線和孔洞陰影的情況,使對(duì)缺陷區(qū)域進(jìn)行特征提取時(shí)受到了影響。此外,由于1-分類方法是固定訓(xùn)練樣本的分類方法,因此比啟發(fā)式學(xué)習(xí)的分類方法效果差,啟發(fā)式的分類方法隨著測(cè)試樣本的不斷增多而不停地進(jìn)行樣本訓(xùn)練,在一段時(shí)間后可以獲得更高的準(zhǔn)確率,但是其缺點(diǎn)是耗時(shí)長(zhǎng)、速度慢,相比之下,1-分類方法兼顧了分類準(zhǔn)確率和處理速度,適合實(shí)時(shí)在線檢測(cè)的應(yīng)用。

    [1]Platt J C.Sequential minimal optimization:a fast algorithm for training support vector machines[J].Advances in Kernel Methods Support Vector Learning,1998,208(4):1-21.

    [2]唐 英,李應(yīng)珍.線性支持向量機(jī)多類分類器幾何構(gòu)造方法[J].計(jì)算機(jī)工程,2012,7(4):152-154.

    [3]Scholkopf B,Smola A J.Learning with kernels support vector mahcines,regularization,optimization and beyond[M].MIT Press,2002:187-200.

    [4]Ming H Q,Partha N,Yao Yuan.Mercer’s theorem feature maps and smoothing[J].IEEE International Conference on Tools with Artificial Intelligence(COLT),2006,40(5):154-168.

    [5]Tax D J,Robert P W.Support vector domain description[J].Pattern Recognition Letters,1999(20):1191-1199.

    [6]David M J Tax,Robert P W.Data domain description using support vectors[C]//European Symposium on Artificial Neural Networks,1999:251-256.

    [7]Juszczak P,Robert P W.Uncertainty sampling methods for one-class classifiers[J].International Conference on Machine Learning,2003,9(12):42-56.

    [8]Tax M J,Alexander Y P,Robert P W.Support vector data description applied to machine vibration analysis[C]//5th Annual Conference of the Advanced Pattern Recognition,1999,353:121-134.

    [9]陳 剛,王宏琦,孫 顯.基于核函數(shù)原型和自適應(yīng)遺傳算法的SVM模型選擇方法[J].中國(guó)科學(xué)院研究生院學(xué)報(bào),2012,29(1):62-69.

    [10]奉國(guó)和.SVM分類核函數(shù)及參數(shù)選擇比較[J].計(jì)算機(jī)工程與應(yīng)用2011,47(3):123-128.

    [11]王永鋒,黃思明,徐 晶.一種通用的基于梯度的SVM核參數(shù)選取算法[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí),2011,41(1):7-13.

    猜你喜歡
    超平面球面線性
    漸近線性Klein-Gordon-Maxwell系統(tǒng)正解的存在性
    全純曲線的例外超平面
    涉及分擔(dān)超平面的正規(guī)定則
    線性回歸方程的求解與應(yīng)用
    球面檢測(cè)量具的開(kāi)發(fā)
    以較低截?cái)嘀財(cái)?shù)分擔(dān)超平面的亞純映射的唯一性問(wèn)題
    二階線性微分方程的解法
    Heisenberg群上移動(dòng)球面法的應(yīng)用——一類半線性方程的Liouville型定理
    數(shù)學(xué)年刊A輯(中文版)(2015年1期)2015-10-30 01:55:44
    球面穩(wěn)定同倫群中的ξn-相關(guān)元素的非平凡性
    如皋市| 广西| 三台县| 南宁市| 汉川市| 子洲县| 会宁县| 涪陵区| 额济纳旗| 博野县| 手游| 博客| 固原市| 靖州| 岑溪市| 马龙县| 县级市| 神农架林区| 邵阳县| 石台县| 江阴市| 司法| 寻乌县| 牙克石市| 博乐市| 永州市| 高淳县| 平远县| 安远县| 冀州市| 威信县| 图们市| 揭东县| 略阳县| 高青县| 文安县| 南漳县| 吉木乃县| 郓城县| 阿克| 平湖市|