CN109242848B - 基于otsu和ga-bp神经网络墙纸缺陷检测与识别方法 - Google Patents
基于otsu和ga-bp神经网络墙纸缺陷检测与识别方法 Download PDFInfo
- Publication number
- CN109242848B CN109242848B CN201811109923.5A CN201811109923A CN109242848B CN 109242848 B CN109242848 B CN 109242848B CN 201811109923 A CN201811109923 A CN 201811109923A CN 109242848 B CN109242848 B CN 109242848B
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- defect
- threshold
- wallpaper
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 122
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 230000011218 segmentation Effects 0.000 claims abstract description 54
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 23
- 230000002950 deficient Effects 0.000 claims description 16
- 210000000349 chromosome Anatomy 0.000 claims description 15
- 230000002068 genetic effect Effects 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 9
- 210000004205 output neuron Anatomy 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 3
- 238000009401 outcrossing Methods 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 13
- 238000012360 testing method Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000037303 wrinkles Effects 0.000 description 4
- 206010027146 Melanoderma Diseases 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Abstract
本发明公开了一种基于OTSU和GA‑BP神经网络墙纸缺陷检测与识别方法，其包括获取待检测墙纸的检测图像，并采用RGB颜色函数对检测图像进行预处理得到预处理图像；计算预处理图像中像素值小于像素阈值的像素点的占比；当所述占比大于设定阈值时，采用OTSU阈值分割法对预处理图像进行缺陷分割；计算进行缺陷分割后的图像中缺陷部分的灰度特征和几何特征；将所述灰度特征和几何特征输入预先训练的GA‑BP神经网络进行检测，得到墙纸中缺陷的类型；当所述占比小于等于设定阈值时，表明待检测墙纸无缺陷。
Description
技术领域
本发明涉及图像的检测技术，具体涉及一种基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法。
背景技术
墙纸也称作壁纸，是一种用来装饰墙面的室内装修材料。在实际生产线中，由于机械老化等原因使得生产出来的墙纸产品含有缺陷，最为常见的缺陷有褶皱、孔洞、裂纹、黑斑。
目前的缺陷检测识别主要分为缺陷分割和缺陷识别分类两大部分。在缺陷分割方面，阈值分割是缺陷分割的常用方法，由于传统阈值分割方法已经不能满足缺陷图像的检测需求，因此目前已有很多研究对传统阈值分割方法进行改进，并用于缺陷图像分割检测。Aiger D和Talbot H将原始图像利用快速傅里叶变换得到频谱图像，再使用PHOT将背景纹理滤除从而得到缺陷，该方法虽能够较准确分割出缺陷，但其分割后的缺陷区域存在失真现象。
Seba Susa等搭建高斯混合模型来自动检测缺陷，但其对复杂背景下的缺陷检测的误差较大。使用鲁棒主成分分析法(Robust Principal Component Analysis，RPCA)对图像进行分解，二值化分解后的稀疏矩阵得到缺陷图像，虽然该方法能够将缺陷从部分原始图像中分割出来，但仅适用于光滑、简单背景下的缺陷提取，墙纸的背景对分割效果影响较大。因此需要一种适用于各种纹路的分割方法，使墙纸不同缺陷能够准确、完整地分割出来。
发明内容
针对现有技术中的上述不足，本发明提供了一种检测精度高及检测时间短的基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法，其包括：
获取待检测墙纸的检测图像，并采用RGB颜色函数对检测图像进行预处理得到预处理图像；
计算预处理图像中像素值小于像素阈值的像素点的占比；
当所述占比大于设定阈值时，采用OTSU阈值分割法对预处理图像进行缺陷分割；
计算进行缺陷分割后的图像中缺陷部分的灰度特征和几何特征；
将所述灰度特征和几何特征输入预先训练的GA-BP神经网络进行检测，得到墙纸中缺陷的类型；
当所述占比小于等于设定阈值时，表明待检测墙纸无缺陷。
进一步地，所述RGB颜色函数为：
I＝a×R+b×G+c×B
其中，R为检测图像中红色通道分量；G为检测图像中绿色通道分量；B为检测图像中蓝色通道分量；a、b、c均为通道系数。
进一步地，所述通道系数a、b、c分别为1、1/5、1/2。
进一步地，所述OTSU阈值分割法的计算公式为：
σ′G 2＝P2 mP1 n(m1-mG)2+P2(m2-mG)2
其中，σ′G为类间方差；P1、P2分别为像素点被分配到前景、背景区域的概率；n、m分别为P1、P2的加权系数；m1和m2分别为分割后图像前景、背景区域中的像素平均值；mG为整个图像像素均值。
进一步地，所述灰度特征为灰度均值，灰度均值的计算公式为：
其中，Gm为灰度均值；M为图像像素点行数；N为图像像素点列数；g(i,j)为分割后的缺陷图象(i,j)位置的像素值；i为像素点行坐标；j为像素点列坐标；
所述几何特征包括图像中缺陷部分的面积、周长、最小外接矩形宽、最小外接矩形高、最小外接矩形宽高比、缺陷与最小外接矩形面积比及细度比例；
图像中缺陷部分的面积A的计算公式为：
图像中缺陷部分的周长P的计算公式为：
缺陷与最小外接矩形面积比R的计算公式为：
图像中缺陷部分的细度比例F的计算公式为：
其中，gw(i,j)为缺陷部分像素点；g′w(i,j)为缺陷边缘像素点；W为最小外接矩形宽；H为最小外接矩形高。
进一步地，基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法还包括采用遗传算法优化GA-BP神经网络。
进一步地，采用遗传算法优化GA-BP神经网络包括：
S1、获取墙纸多种类型的缺陷图像，每个类型包括若干缺陷图像；
S2、采用RGB颜色函数对所有检测图像进行预处理得到预处理图像，并采用OTSU阈值分割法对预处理图像进行缺陷分割；
S3、计算进行缺陷分割后的图像中缺陷部分的灰度特征和几何特征；
S4、将所有进行缺陷分割后的图像的灰度特征和几何特征输入GA-BP神经网络，得到BP神经网络权值和阈值；
S5、采用BP神经网络预测得到的输出结果与期望输出结果的欧氏距离计算适应度；
S6、采用输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值、输出层阈值四个部分组成遗传算法的染色体编码；
S7、当适应度大于等于预设误差时，在染色体编码中采用轮盘赌法选择一条染色体进行交叉、变异得到新的染色体；
S8、将新的染色体输入GA-BP神经网络，输出BP神经网络权值和阈值，之后进入步骤S5，直至适应度小于预设误差或者遗传迭代次数大于预设次数；
S9、将最近一次输出的权值和阈值作为最优权值和阈值输入GA-BP神经网络，之后输出GA-BP神经网络的新的权值和阈值；
S10、计算最优权值和阈值与新的权值和阈值之间的误差，当误差不满足设定条件时，返回步骤S8；
S11、当误差满足设定条件或GA-BP神经网络迭代次数大于预设阈值时，采用新的权值和阈值作为GA-BP神经网络的权值和阈值，完成GA-BP神经网络的优化。
进一步地，所述适应度的计算公式为：
其中，A'为适应度；n'为GA-BP神经网络输出神经元个数；yi为第i个输出神经元的期望输出；oi为第i个输出神经元的实际输出。
进一步地，变异过程中采用的遗传变异算子的计算公式为：
aij＝aij+(aij-amax)·r
其中，amax为染色体中个体基因aij的最大值，r为[-1,1]的随机数。
本发明的有益效果为：
1)本方案提出在RGB空间中，通过对各像素点的R、G、B三个分量处理后进行叠加，得到处理后的图像，并在此基础上利用OTSU算法，分割出墙纸的缺陷并且与其他方法相比较，分割效果更好；
(2)由分割出的缺陷以及缺陷二值图像，根据其几何特性及灰度特性，选择灰度均值、缺陷面积、周长、最小外接矩形高和宽以及高宽比、缺陷面积与最小外接矩形面积比、细度比例八种能够表达缺陷的特征作为特征向量，使用GA-BP模型，并利用选取的八种特征向量进行构建，从训练结果看，对训练数据的分类准确率达96.75％；
(3)对训练好的GA-BP模型进行测试，并与BP神经网络、RBF神经网络进行对比，从实验例结果看，GA-BP模型的平均分类准确率达97％，高于BP神经网络和RBF神经网络，而对于裂纹、孔洞、褶皱、黑斑四种缺陷分类精度GA-BP模型均优于另外两种模型，并且识别的时间更短。
附图说明
图1为基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法的流程图。
图2为待检测图像与预处理后的图像的效果对比图。
图3为采用本方案的OTSU阈值分割法在不同n、m取值情况下对多种类型的预处理图像进行分割后的效果对比图。
图4为传统OTSU与本方案OTSU分割结果的效果对比图。
图5为分割后图像中的缺陷特征提取示意图。
图6为不同分割方法与本申请的方法的效果对比图。
图7为不同缺陷的检测对比图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
参考图1，图1示出了基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法的流程图；如图1所示，该方法100包括步骤101至步骤106。
在步骤101中，获取待检测墙纸的检测图像，并采用RGB颜色函数对检测图像进行预处理得到预处理图像；实施时，本方案优选RGB颜色函数为：
I＝a×R+b×G+c×B
其中，R为检测图像中红色通道分量；G为检测图像中绿色通道分量；B为检测图像中蓝色通道分量；a、b、c均为通道系数。其中，通道系数a、b、c分别为1、1/5、1/2。
通过对检测图像中各像素点的三个分量值进行修改，最后进行叠加得到预处理后的图像，能够有效地抑制背景的影响，突出缺陷部位。通过实验表明，当a为1、b为
c为
时图像预处理效果最好，其处理效果如图2所示，从分割效果来看，该种预处理方式能够有效地抑制背景的影响，突出缺陷部位。
在步骤102中，计算预处理图像中像素值小于像素阈值的像素点的占比；因为在预处理后的图像里面缺陷部分的像素值普遍偏低，颜色偏深，而没有缺陷的图像里大部分像素值都集中在200以上偏亮，因此本方案选择150作为像素阈值。
在步骤103中，当所述占比小于设定阈值时，采用OTSU阈值分割法对预处理图像进行缺陷分割；通过实验表明，在预处理之后判断像素值小于像素阈值的像素点个数占比小于10e-5时为无缺陷图像，大于等于10e-5时为有缺陷图像，故本方案的设定阈值选择10e-5。
在本发明的一个实施例中，所述OTSU阈值分割法的计算公式为：
σ′G 2＝P2 mP1 n(m1-mG)2+P2(m2-mG)2
其中，σ′G为类间方差；P1、P2分别为像素点被分配到前景、背景区域的概率；n、m分别为P1、P2的加权系数；m1和m2分别为分割后图像前景、背景区域中的像素平均值；mG为整个图像像素均值。
在采用OTSU阈值分割法对预处理图像进行缺陷分割时，n、m对处理效果有很大的影响，n、m取值不同分割的效果不同，因此通过对n、m取不同值的分割效果对比。从视觉角度观察，当m为0.5和n为5时分割效果最好，能够完整地分割出缺陷部分。
对使用本方案的OTSU分割后的图像进行缺陷检测测试，测试图像共100幅，其中裂纹、孔洞、褶皱、黑斑四种缺陷的墙纸各25张，测试结果参见表1和图3。从表1可以看出，当m取0.5、n取5时，缺陷分割之后的检测误差最小，且耗时少，在测试的图像中，裂纹、黑斑的检测准确率最高。
表1不同参数的OTSU缺陷检测结果
本方案采用OTSU方法对预处理后图像进行计算，能够将墙纸裂纹、褶皱、孔洞、黑斑四种缺陷分割出来，并转换成二值图像。从图4中可以看出，与传统OTSU方法相比，本方案的OTSU方法更能适应墙纸缺陷的分割。
在步骤104中，计算进行缺陷分割后的图像中缺陷部分的灰度特征和几何特征；实施时，本方案优选所述灰度特征为灰度均值，灰度均值的计算公式为：
其中，Gm为灰度均值；M为图像像素点行数；N为图像像素点列数；g(i,j)为分割后的缺陷图象(i,j)位置的像素值；i为像素点行坐标；j为像素点列坐标；
特征的提取可以参考图5，其中
几何特征包括图像中缺陷部分的面积、周长、最小外接矩形宽、最小外接矩形高、最小外接矩形宽高比、缺陷与最小外接矩形面积比及细度比例；
图像中缺陷部分的面积A的计算公式为：
图像中缺陷部分的周长P的计算公式为：
缺陷与最小外接矩形面积比R的计算公式为：
图像中缺陷部分的细度比例F的计算公式为：
其中，gw(i,j)为缺陷部分像素点；g′w(i,j)为缺陷边缘像素点；W为最小外接矩形宽；H为最小外接矩形高。
在步骤105中，将所述灰度特征和几何特征输入预先训练的GA-BP神经网络进行检测，得到墙纸中缺陷的类型；
在步骤106中，当所述占比大于等于设定阈值时，表明待检测墙纸无缺陷。
在本发明的一个实施例中，基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法还包括采用遗传算法优化GA-BP神经网络，其具体实现方法包括：
S1、获取墙纸多种类型的缺陷图像，每个类型包括若干缺陷图像；
S2、采用RGB颜色函数对所有检测图像进行预处理得到预处理图像，并采用OTSU阈值分割法对预处理图像进行缺陷分割；
S3、计算进行缺陷分割后的图像中缺陷部分的灰度特征和几何特征；
S4、将所有进行缺陷分割后的图像的灰度特征和几何特征输入GA-BP神经网络，得到BP神经网络权值和阈值；
S5、采用BP神经网络预测得到的输出结果与期望输出结果的欧氏距离计算适应度；所述适应度的计算公式为：
其中，A'为适应度；n'为GA-BP神经网络输出神经元个数；yi为第i个输出神经元的期望输出；oi为第i个输出神经元的实际输出。
S6、采用输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值、输出层阈值四个部分组成遗传算法的染色体编码；
S7、当适应度大于等于预设误差时，在染色体编码中采用轮盘赌法选择一条染色体进行交叉、变异得到新的染色体。
实施时，本方案优选变异过程中的遗传变异算子的计算公式为：
aij＝aij+(aij-amax)·r
其中，amax为染色体中个体基因aij的最大值，r为[-1,1]的随机数。
S8、将新的染色体输入GA-BP神经网络，输出BP神经网络权值和阈值，之后进入步骤S5，直至适应度小于预设误差或者遗传迭代次数大于预设次数；
S9、将最近一次输出的权值和阈值作为最优权值和阈值输入GA-BP神经网络，之后输出GA-BP神经网络的新的权值和阈值；
S10、计算最优权值和阈值与新的权值和阈值之间的误差，当误差不满足设定条件时，返回步骤S8；
S11、当误差满足设定条件或GA-BP神经网络迭代次数大于预设阈值时，采用新的权值和阈值作为GA-BP神经网络的权值和阈值，完成GA-BP神经网络的优化。
本方案将遗传算法引入GA-BP神经网络当中，较GA-BP神经网络能够得到一个训练速度快、分类精度高的神经网络。采用GA-BP神经网络的方式，对输入层与隐含层的权值、隐含层的阈值、隐含层与输出层的权值以及输出层的阈值进行编码，在网络训练的同时对网络的连接权值、阈值进行寻优，以获得最佳的权值、阈值对网络进行优化。
下面结合具体的实验例对本方案的检测与识别方法的效果进行说明：
采用MATLAB R2010a在PC处理器为Intel Core i7-2620M 2.70GHz，内存大小为6GB的PC电脑上进行实验。实验参数设置如下：遗传算法迭代次数为30，种群规模为50，交叉概率为0.5，变异概率为0.01。BP神经网络最大迭代次数2000，学习率0.1。
缺陷分割结果分析
在缺陷分割中，由于墙纸花纹种类繁多、纹路复杂等问题，导致墙纸缺陷的分割变得困难。本方案采用优化的OTSU算法从不同墙纸中分割出缺陷，并与现有技术一(SWOT(Simple Weighted Otsu Thresholding)方法)、现有技术二(原始图像利用快速傅里叶变换得到频谱图像，再使用PHOT(Phase Only Transform)将背景纹理滤除从而得到缺陷)、现有技术三(使用鲁棒主成分分析法(Robust Principal Component Analysis，RPCA)对图像进行分解，二值化分解后的稀疏矩阵得到缺陷图像)的分割方法进行对比，实验结果如图6所示。
从图6中可以看出，现有技术一方法存在错误分割，且虽然能够找到缺陷位置，但分割出的缺陷存在多余部分。现有技术二的方法分割出的缺陷不连续，而现有技术三的方法对于裂纹、黑斑缺陷分割效果较好，但现有技术二、现有技术三的方法受墙纸背景纹路的影响较大。而本方案的方法能够准确、完整地分割出墙纸的四种缺陷。
缺陷检测结果分析
在分割出缺陷部分的二值图像后，裂纹、孔洞、褶皱、黑斑四种缺陷的检测效果如图7所示。
从图7中看出，对于不同墙纸背景下的这四种缺陷，本方案提出的方法能够准确地检测到缺陷位置，并且从表2中可以看出，对于不同墙纸中的四种缺陷检测时间较短，平均耗时0.157s。为之后缺陷识别打下坚定的基础。
表2缺陷检测消耗的时间
缺陷识别分类分析
本实验例选取1600幅墙纸图像进行训练，400幅图像用于测试，其中裂纹、孔洞、褶皱、黑斑缺陷图像各100幅。为了更好地验证本方案的方法，实验选择与传统BP神经网络、RBF神经网络两种模型进行对比。
对于训练结果GA-BP分类精度为96.75％，RBF神经网络、BP神经网络分别为92.25％和94.25％。在测试样本中GA-BP神经网络对四种缺陷的平均分类准确率达97％，而在训练样本以及测试样本中，黑斑缺陷的分类准确率最高，褶皱缺陷的分类准确率相对较低分别为92％和94％。
对于400幅测试图像，GA-BP神经网络对四种缺陷的分类精度均高于BP神经网络和RBF神经网络，GA-BP神经网络对4种缺陷的检测结果见表3，单幅图像评价识别时间见表4。
表3 GA-BP测试结果
表4不同模型性能对比
Table 5 Performance comparison of different models
从表3和表4可以看出，GA-BP神经网络表现较优，分类准确率为97％，相比较于传统的BP神经网络、RBF神经网络有了提升，对单幅图像平均识别时间较短，为0.923s。
Claims (4)
1.基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法，其特征在于，包括：
获取待检测墙纸的检测图像，并采用RGB颜色函数对检测图像进行预处理得到预处理图像；
计算预处理图像中像素值小于像素阈值的像素点的占比；
当所述占比大于设定阈值时，采用OTSU阈值分割法对预处理图像进行缺陷分割；所述OTSU阈值分割法的计算公式为：
其中，σ′G为类间方差；P1、P2分别为像素点被分配到前景、背景区域的概率；n、m分别为P1、P2的加权系数；m1和m2分别为分割后图像前景、背景区域中的像素平均值；mG为整个图像像素均值；
计算进行缺陷分割后的图像中缺陷部分的灰度特征和几何特征；
将所述灰度特征和几何特征输入预先训练的GA-BP神经网络进行检测，得到墙纸中缺陷的类型；
当所述占比小于等于设定阈值时，表明待检测墙纸无缺陷；
采用遗传算法优化GA-BP神经网络包括：
S1、获取墙纸多种类型的缺陷图像，每个类型包括若干缺陷图像；
S2、采用RGB颜色函数对所有检测图像进行预处理得到预处理图像，并采用OTSU阈值分割法对预处理图像进行缺陷分割；
S3、计算进行缺陷分割后的图像中缺陷部分的灰度特征和几何特征；
S4、将所有进行缺陷分割后的图像的灰度特征和几何特征输入GA-BP神经网络，得到BP神经网络权值和阈值；
S5、采用BP神经网络预测得到的输出结果与期望输出结果的欧氏距离计算适应度：
其中，A'为适应度；n'为GA-BP神经网络输出神经元个数；yi为第i个输出神经元的期望输出；oi为第i个输出神经元的实际输出；
S6、采用输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值、输出层阈值四个部分组成遗传算法的染色体编码；
S7、当适应度大于等于预设误差时，在染色体编码中采用轮盘赌法选择一条染色体进行交叉、变异得到新的染色体；变异过程中采用的遗传变异算子的计算公式为：
aij＝aij+(aij-amax)·r
其中，amax为染色体中个体基因aij的最大值；r为[-1,1]的随机数；
S8、将新的染色体输入GA-BP神经网络，输出BP神经网络权值和阈值，之后进入步骤S5，直至适应度小于预设误差或者遗传迭代次数大于预设次数；
S9、将最近一次输出的权值和阈值作为最优权值和阈值输入GA-BP神经网络，之后输出GA-BP神经网络的新的权值和阈值；
S10、计算最优权值和阈值与新的权值和阈值之间的误差，当误差不满足设定条件时，返回步骤S8；
S11、当误差满足设定条件或GA-BP神经网络迭代次数大于预设阈值时，采用新的权值和阈值作为GA-BP神经网络的权值和阈值，完成GA-BP神经网络的优化。
2.根据权利要求1所述的基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法，其特征在于，所述RGB颜色函数为：
I＝a×R+b×G+c×B
其中，R为检测图像中红色通道分量；G为检测图像中绿色通道分量；B为检测图像中蓝色通道分量；a、b、c均为通道系数。
3.根据权利要求2所述的基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法，其特征在于，所述通道系数a、b、c分别为1、1/5、1/2。
4.根据权利要求1所述的基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法，其特征在于，所述灰度特征为灰度均值，灰度均值的计算公式为：
其中，Gm为灰度均值；M为图像像素点行数；N为图像像素点列数；g(i,j)为分割后的缺陷图象(i,j)位置的像素值；i为像素点行坐标；j为像素点列坐标；
所述几何特征包括图像中缺陷部分的面积、周长、最小外接矩形宽、最小外接矩形高、最小外接矩形宽高比、缺陷与最小外接矩形面积比及细度比例；
图像中缺陷部分的面积A的计算公式为：
图像中缺陷部分的周长P的计算公式为：
缺陷与最小外接矩形面积比R的计算公式为：
图像中缺陷部分的细度比例F的计算公式为：
其中，gw(i,j)为缺陷部分像素点；g′w(i,j)为缺陷边缘像素点；W为最小外接矩形宽；H为最小外接矩形高。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811109923.5A CN109242848B (zh) | 2018-09-21 | 2018-09-21 | 基于otsu和ga-bp神经网络墙纸缺陷检测与识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811109923.5A CN109242848B (zh) | 2018-09-21 | 2018-09-21 | 基于otsu和ga-bp神经网络墙纸缺陷检测与识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109242848A CN109242848A (zh) | 2019-01-18 |
| CN109242848B true CN109242848B (zh) | 2021-04-20 |
Family
ID=65056481
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811109923.5A Active CN109242848B (zh) | 2018-09-21 | 2018-09-21 | 基于otsu和ga-bp神经网络墙纸缺陷检测与识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109242848B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934811B (zh) * | 2019-03-08 | 2022-12-30 | 中国科学院光电技术研究所 | 一种基于深度学习的光学元件表面缺陷检测方法 |
| CN111767914A (zh) * | 2019-04-01 | 2020-10-13 | 佳能株式会社 | 目标物体检测装置和方法、图像处理系统及存储介质 |
| CN111105411B (zh) * | 2019-12-30 | 2023-06-23 | 创新奇智(青岛)科技有限公司 | 一种磁瓦表面缺陷检测方法 |
| CN111242185B (zh) * | 2020-01-03 | 2023-10-27 | 凌云光技术股份有限公司 | 一种基于深度学习的缺陷快速初筛方法及系统 |
| CN111462092A (zh) * | 2020-04-02 | 2020-07-28 | 浙江工业大学 | 一种基于深度学习的保温杯表面的缺陷检测方法 |
| CN113313109A (zh) * | 2021-05-13 | 2021-08-27 | 中国计量大学 | 一种荧光免疫层析试纸的半定量分析方法 |
| CN113642529B (zh) * | 2021-09-17 | 2023-10-24 | 湖南科技大学 | 基于ga-bp神经网络的障碍物尺寸预测系统及方法 |
| CN114202515B (zh) * | 2021-11-29 | 2023-04-07 | 广州海谷电子科技有限公司 | 一种湿度传感器的印刷碳线缺陷的检测方法 |
| CN114399502A (zh) * | 2022-03-24 | 2022-04-26 | 视睿（杭州）信息科技有限公司 | 一种适用于led芯片的外观缺陷检测方法、系统及存储介质 |
| CN114565607A (zh) * | 2022-04-01 | 2022-05-31 | 南通沐沐兴晨纺织品有限公司 | 基于神经网络的织物缺陷图像分割方法 |
| CN114757916A (zh) * | 2022-04-15 | 2022-07-15 | 西安交通大学 | 基于特征提取和bp网络的工业ct图像缺陷分类方法 |
| CN115018847A (zh) * | 2022-08-09 | 2022-09-06 | 海门市华呈精密标准件有限公司 | 金属板材表面缺陷自动识别与分类方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101320004A (zh) * | 2008-07-03 | 2008-12-10 | 西北工业大学 | 基于机器视觉的竹条缺陷在线检测方法 |
| CN103258206A (zh) * | 2012-11-28 | 2013-08-21 | 河海大学常州校区 | 一种硅太阳能电池表面缺陷检测和识别方法 |
| CN103593670A (zh) * | 2013-10-14 | 2014-02-19 | 浙江工业大学 | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7248736B2 (en) * | 2004-04-19 | 2007-07-24 | The Trustees Of Columbia University In The City Of New York | Enhancing images superimposed on uneven or partially obscured background |
| CN102708356B (zh) * | 2012-03-09 | 2014-04-09 | 沈阳工业大学 | 一种基于复杂背景下的车牌自动定位和识别方法 |
| CN102879401B (zh) * | 2012-09-07 | 2015-06-24 | 西安工程大学 | 基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法 |
| CN104809722B (zh) * | 2015-04-13 | 2018-09-28 | 国家电网公司 | 一种基于红外热像的电气设备故障诊断方法 |
| CN104820977A (zh) * | 2015-05-22 | 2015-08-05 | 无锡职业技术学院 | 一种基于自适应遗传算法的bp神经网络图像复原算法 |
| CN106023195B (zh) * | 2016-05-18 | 2019-03-01 | 河南师范大学 | 基于自适应遗传算法的bp神经网络图像分割方法及装置 |
-
2018
- 2018-09-21 CN CN201811109923.5A patent/CN109242848B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101320004A (zh) * | 2008-07-03 | 2008-12-10 | 西北工业大学 | 基于机器视觉的竹条缺陷在线检测方法 |
| CN103258206A (zh) * | 2012-11-28 | 2013-08-21 | 河海大学常州校区 | 一种硅太阳能电池表面缺陷检测和识别方法 |
| CN103593670A (zh) * | 2013-10-14 | 2014-02-19 | 浙江工业大学 | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109242848A (zh) | 2019-01-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109242848B (zh) | 基于otsu和ga-bp神经网络墙纸缺陷检测与识别方法 | |
| CN109596634B (zh) | 电缆缺陷的检测方法及装置、存储介质、处理器 | |
| CN113538433B (zh) | 基于人工智能的机械铸件缺陷检测方法及系统 | |
| CN109255344B (zh) | 一种基于机器视觉的数显式仪表定位与读数识别方法 | |
| CN109978822B (zh) | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 | |
| CN114549522A (zh) | 基于目标检测的纺织品质量检测方法 | |
| CN109523529B (zh) | 一种基于surf算法的输电线路缺陷识别方法 | |
| CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
| CN114882026B (zh) | 基于人工智能的传感器外壳缺陷检测方法 | |
| CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
| CN113221881B (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
| CN109975196B (zh) | 一种网织红细胞检测方法及其系统 | |
| KR101813223B1 (ko) | 영상 표면의 결함을 검출 및 분류하는 방법 및 장치 | |
| CN115272350A (zh) | 一种计算机pcb主板生产质量检测方法 | |
| CN116137036A (zh) | 基于机器学习的基因检测数据智能处理系统 | |
| CN116823725A (zh) | 一种基于支持向量机的航空发动机叶片表面缺陷检测方法 | |
| CN112017109A (zh) | 一种在线铁谱视频图像气泡的消除方法 | |
| CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
| CN109859199B (zh) | 一种sd-oct图像的淡水无核珍珠质量检测的方法 | |
| CN110874835A (zh) | 作物叶部病害抗性鉴定方法、系统、电子设备及存储介质 | |
| CN111539293A (zh) | 一种果树病害诊断方法及系统 | |
| CN113344047A (zh) | 基于改进K-means算法的压板状态识别方法 | |
| Aslam et al. | A modified adaptive thresholding method using cuckoo search algorithm for detecting surface defects | |
| CN115170548A (zh) | 基于无监督学习的皮革缺陷自动检测方法及装置 | |
| CN113516193A (zh) | 基于图像处理的红枣缺陷识别分类方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240221 Address after: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Patentee after: Shenzhen Wanzhida Technology Co.,Ltd. Country or region after: China Address before: 610039, No. 999, Jin Zhou road, Jinniu District, Sichuan, Chengdu Patentee before: XIHUA University Country or region before: China |
|
| TR01 | Transfer of patent right |