英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料
关于透明液体中杂质检测方法的研究
摘要
如何利用机器视觉有效地检测和识别透明液体中的各种杂质，仍然是一个尚未解决的难题。目前存在的主要问题包括识别速度慢、识别精度低、漏检漏检等。因此，本文提出了一种新的杂质检测方法。首先，利用模糊c均值聚类算法对采集到的图像进行聚类，将聚类结果与改进的最小二乘滤波相结合，实现对杂质图像的背景抑制。然后采用基于目标计数器面积和先验知识的方法实现帧间目标检测和跟踪。最后，采用分级识别策略提高识别效果。在预识别阶段，利用目标灰度、大小和位置来快速检测太大的杂质和正常的小颗粒。第二阶段采用模糊最小二乘支持向量机对与气泡相似的杂质进行识别。实验结果表明，该方法的识别率可达98.6%，而误检率仅为0.53%，识别时间可缩短至100毫秒。
简介
透明液体中杂质的自动检测是产品质量检测中最重要的检测项目之一，在食品饮料、化工、医药等生产领域具有广阔的应用前景[1-3]。国内外对液体中杂质和小异物的检测方法主要有光阻法、光散射法、x射线法和基于机器视觉的方法[4-9]。但实践证明，以往的方法不适用于对液体杂质在线检测要求较高的场合。基于机器视觉的检测方法采用人工灯光检测原理，用摄像机代替人眼，用计算机代替人脑分析可见异物的性质。基于机器视觉的检测方法具有安全可靠、对人体无害、适合在线检测等优点，已成为研究热点，并在许多领域得到了应用。文献[10]提出了一种基于人工免疫算法的异物检测方法，有效提高了检测精度。在文献[11]中，提出了一种在保证识别率的前提下，结合Camshift算法和SVM提高识别速度的杂质检测方法。此外，文献[12-15]也讨论了杂质检测方法。这些研究有助于基于机器视觉的杂质检测技术的发展。在文献[15]中，设计了一套杂质检测系统，以满足某企业对125 ml玻璃瓶装葡萄酒中异物检测的要求。它能有效地检测杂质。然而，随着生产线的改进和检测标准的提高，该系统已不能满足新的需求。因此，本文在文献[15]中提出的检测系统的基础上，提出了一种新的杂质检测方法。首先利用模糊聚类算法对采集到的图像进行聚类，将聚类结果与改进的最小二乘滤波相结合，实现对图像背景的抑制。然后基于目标计数器区域和先验知识，通过帧间关联实现目标检测和跟踪。最后，根据检测到的目标物的灰度、形状和位置特征，对检测到的目标物进行分类，快速识别出杂质大的不合格产品和小颗粒正常的不合格产品。对于与气泡相似的小杂质，采用模糊最小二乘支持向量机对小杂质和气泡进行判别。实验结果表明，该方法能够快速、准确地检测液体杂质
2 实现方法
2.1 图像背景抑制
图像中点源目标模型为，
（1）
其中D(x,y)为目标的理想图像。(x,y)为像素坐标。g是目标灰度函数的最大值。(x0,y0)是目标的中心。噪声图像的加性模型为:
（2）
其中B(x,y)表示图像背景杂波，一般表现为全局灰度非平稳和局部灰度拟平稳特征。v(x, y)为测量噪声，通常假设为零均值高斯白过程。
通过迭代方法解决方程式(3)和(4)，对输入图像f(x,y)实现模糊c均值聚类。
（3）
（4）
其中N为样本集的样本个数，C为聚类个数。vj是聚类中心。uk就是一个例子。是第k个样本到第j类的隶属函数。
对于Mtimes;M图像，根据字典编译顺序将灰度矩阵f(x,y)排列成一个m2维向量。输入图像f(x,y)可以通过设置隶属度决策准则进行聚类。如式(5)所示，
（5）
其中为所有分类为j组的样本，C为组数。
然后结合迭代最小二乘滤波方法实现背景抑制，假设f1(n)为lsquo;Zrsquo;扫描得到的一维数据，为遗忘因子，算法如下:
- 赋值
（6）
（7）
（8）
其中d(n)为期望输出响应。f1(n)为Z扫描得到的一维数据，f T s (n)为输入日期。wT (n)为权值矩阵，n为迭代次数。l为滤波器权值的坐标。
- 更新增益向量g（n）
（9）
- 更新过滤权重w（n）
（10）
- 更新逆矩阵p（n）
（11）
选择初始值，ε是最小的实数,I是单位矩阵。当n gt;4l时，w基本收敛。然后将w赋值给w(0)，重启递归，得到背景估计值，
（12）
背景抑制后的图像可以通过改变Bcirc;(n)为Bcirc;(xn, yn)获得
（13）
其中(xn, yn)为背景抑制后的图像，f(xn, yn)为原始图像。
2.2目标检测和追踪
假设背景抑制后的图像为I(t)。在图像I(t)上用标号L = (L1，hellip;，Lm)标记m个轮廓区域。在图像序列的第一帧中，根据区域大小标记这些区域。在接下来的图像序列中，采用抢占法实现轮廓区域关联，实现数据关联和多目标跟踪。让先验知识打败(Sk,Gk, Vk)，其中Sk,Gk, Vk分别是形状特征，灰度特征和运动特征。
定义基于图像I，轮廓C，标签L的能量函数为，
（14）
其中Ed[C,I(t)]是一种基于可伸缩区域自适应能量函数的图像分割方法。使用的最小能量函数是，
（15）
上面方程的第一项是自适应数据。第二项是曲线弧度的长度。第三项是规则水平集。其中，，是等高线的零级集长度 phi;,是亥维赛函数。是常量。是近似图像。高斯核，是范围参数。。
上面的方程可以更新fi(x)，所以不需要重新初始化level set。通过微分使F(，f1,f2)最小化，梯度下降流为，
（16）
另外，
（17）
其中，前一项为与先验知识相关的概率项。最后一项是约束项，，加权系数是基于先验知识的概率函数。
总能量函数的梯度下降流是，
（18）
其中
（19）
（20）
利用下式可以实现图像序列中两个连续帧之间的跟踪目标匹配，
（21）
其中m是形状S1到S2的映射。k1, k2是相应的形状曲率，alpha;重量系数。上式第一项为区域中心到拐点的距离之和，用dver表示。第二项是区域面积，用sare表示。因此，该区域的轮廓特征可以表示为Sk(dver, sare)，通过轮廓特征可以在帧间跟踪目标。
2.3 杂质识别
为了提高识别速度，这里提出了分级识别方法。对于含有较大杂质的产品，可以通过直接设置阈值进行识别。一旦产品被确定含有杂质，决策过程就结束了。如果不能使用上述方法进行判断，则可以使用改进的模糊最小二乘支持向量机实现杂质的识别。
2.3.1 阈值方法
在跟踪过程中，我们可以根据目标的特性，按照指定的规则对目标进行分类，实现对杂质的预检测。选取帧间目标灰度、目标面积和目标位置变化作为排序特征，规则如下:
（22）
其中为灰度值Tgi、面积值Tsi、pk的权重系数;pk为第i个目标帧间位置变化量;Tg和Ts是所有目标的平均面积和平均灰度。根据上述公式得到目标的oi值，并按降序排序。根据先验知识，利用以下公式实现杂质的预检测，
（23）
其中Th1和Th2是判断的起点。I = 1表示目标是杂质。I = 0表示目标不是杂质，而是正常粒子或图像噪声。I = 2表示无法确定，因为具有此范围值的目标可能是杂质或气泡。判断过程如图1所示。
图1 杂质判断
通过快速的判断过程，可以识别出含有较大杂质的不合格产品和含有正常颗粒的合格产品。如果目标不能确定为杂质或气泡，我们需要采取其他方法。提出了一种改进的模糊最小二乘支持向量机。
2.3.2 改进的模糊最小二乘支持向量机方法
给定一个带有类标签的训练集:(x1, y1)，(x2, y2)，hellip;(xN, yN)。其中xiisin;Rn, yiisin;{- 1,1}。未知函数的回归方程为
（25）
构造模糊最小二乘支持向量机，优化问题为:
（26）
其约束方程为：
（27）
ϕ(bull;)是Rn→Rnh的非线性映射。权向量omega;Tisin;Rnh。误差变量iisin;Rn。b是偏差变量。C是最大分类区间和最小分类误差的折衷。是隶属函数。构造拉格朗日函数,
（28）
其中ai是拉格朗日乘子。根据KTT最优条件，得到最优解，
（29）
其中。Omega;是矩阵，第k行和第l列中的元素可以表示为。K（xk,xl）是内核函数并满足Mercer 条件。得到最优解a*和b*后可得到分类器的决策函数，
（30）
定义以下隶属度函数来设计隶属度，
（31）
其中，xi、xj为样本，为样本密度。M(X)是样本集X的样本量。d(xi，xj)是测量肯定函数。T为控制样本的外围区域阈值。阈值内相似样本的密度定义为正密度，非均匀样本的密度定义为负密度。正类的平均密度为。
应用上述模糊最小二乘支持向量机，选择灰色gi、面积si、速度vi和加速度ai作为分类特征，实现杂质和气泡的分类。由于杂质和气泡的速度和运动轨迹存在较大的差异，利用上述特征可以正确区分杂质和气泡。
3 实验和结论
采用国际通用测试方法(Knapp-Kushner方法学)对本文算法的效果进行了评价。在实验中，以125毫升的健康葡萄酒玻璃瓶为研究对象。图像传感器的分辨率为2亿像素，这款工业个人电脑由2.8 GHz处理器驱动，内存为2gb。图像处理程序是在Visual c 6.0环境下开发的。在视野中，玻璃瓶的高度为115毫米。每个被测试的产品都有六个连续的图像。
图像处理过程如图2所示。
在图2中，(a)为原始图像。(b)为背景抑制后的图像。(c)为使用常规检测方法后的目标图像。(d)为使用本文所述检测方法后的目标图像。
实验是在生产现场进行的。杂质主要包括汤渣、玻璃渣、渣棉等液体中的杂质。采用该方法检测了5万个样品瓶，其中不合格品510个，合格品49490个。本实验共筛选出507种不合格产品，准确度为98.6%。结果如表1所示。将560个合格产品误认为不合格产品，错误率为0.53%。平均检测时间为100毫秒。
实验表明，该方法检测速度可达36000瓶/小时，不合格品检出率可达98.6%，合格品误检率为0.53%。与参考[15]相比，提高了检测速度和精度。
鸣谢
本课题由国家星火计划(2007EA105009)、山东省科技创新项目(200910201014)、山东大学自主创新基金(2012TS079)资助。
参考文献
[1] State Pharmacopeia Committee of China, Pharmacopoeia of the Peoplersquo;s
Republic of China. Version 2, Chemical Industry Press, Beijing, 2
全文共11283字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[2982]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
