基于SVM与D-S论据理论纱管检测
来源:用户上传
作者:
摘 要
针对理管机对残纱检测的精度不够且检测环境要求高的问题，文章提出了一种基于视觉显著性和特征融合的残纱纱管检测改进算法。该方法首先应用Gabor滤波器和Canny边缘算子，分别提取纱管的纹理和形状。然后使用SVM对每个特征进行残纱检测。再利用D-S论据理论将SVM的分类结果进行融合，得出最终结果。在实际生产线获取的纱管数据库上实验记录表明，该算法明显的提升了残纱纱管检测的精度，具有良好的鲁棒性。
关键词
SVM;纱管纱线检测;D-S论据理论
中图分类号： TP 391 文献标识码： A
DOI：10.19694/j.cnki.issn2095-2457.2020.04.66
0 引言
随着我国纺织业自动化程度的逐步提高，智能纺纱设备的使用率也在不断增强。其中智能理管机主要作用是用于纱管分拣，纱管分拣主要分为纱管颜色的分拣与残纱检测。残纱检测一直是一个难点也是学者们研究的重点内容。由于纱管特殊的反光性和自带纹理的特点，使得纱管的残纱检测难度有所增加。
为了提高检测方法的准确性，本文提出一种基于SVM-DS多特征融合残纱识别方法。对纱管图像提取其纹理和形状，利用DS证据理论能够融合不确定信息的优势[1-2]，以及SVM在小样本情况下良好的鲁棒性，融合单特征SVM残纱识别的信息，根据决策规则得到最终的识别结果。
1 纹理特征和颜色特征的分离
1.1 获取纹理特征图
视觉显著性检测是一种以人类视觉特点为基础的检测方法，这要求在设计算法时要以人类视觉特点为出发点。Gabor滤波器是以哺乳动物视觉系统为依据的模型，非常接近人类视觉系统的感受，并且光照对Gabor虚部滤波器的结果影响较弱[3]。所以这里使用Gabor滤波器虚部进行纱管纹理特征的提取。本文中纹理提取的步骤为：（1）提取纱管图像（2）设计Gabor虚部滤波器组（3）获取图像纹理特征图。
1.2 获取形状特征图
观察分析可知，含有残纱的纱管与空纱管之间的形状具有差异，且含有残纱时形状边界较为复杂。因此，本文选择适用于复杂边界提取的方法，采用其中对噪声敏感度最低的canny边缘检测算法来提取紗管整体的形状特征。Canny算法的步骤如下。
（1）使用二维高斯函数的一阶导数对图像进行平滑，减少噪声对梯度计算的影响。（2）使用Sobel算子来计算图像的梯度幅值与方向。（3）非极大抑制，遍历上一步得到的梯度幅值图像上的每个像素，插值计算当前像素梯度方向上相邻两个像素的梯度幅值，如果当前像素的梯度幅值大于或等于这两个值，则当前像素是可能的边缘点，否则该像素点为非边缘像素，将图像边缘细化为一个像素宽度。（4）双阈值检测和边缘连接。
2 SVM和D-S证据理论
2.1 支持向量机（SVM）
SVM 的思想是在由核函数确定的特征空间上 构造软间隔分离超平面，用正则化因子平衡间隔最大化和训练误差最小化，通过决策面实现样本的二分类。其判别函数如下：
其中ai表示Lagrange乘子;SV表示支持向量;K（xi，x）表示核函数;xi、yi表示两类中的支持向量;b表示根据训练样本确定的阈值。
2.2 D-S证据理论
设Θ为识别框架，定义函数m：2Θ→[0，1]，且满足M（φ）=0（φ为空集），∑m（A）=1（A∈2Θ）两个条件，则m（A）为框架Θ上的基本概率指派（BPA）。m（A）表示对事件A的信任程度，m（θ）表示证据的不确定性。
3 决策级融合残纱识别
3.1 单特征SVM识别
按照前述方法，在对纱管图像进行预处理的基础上，分别提取了纱管的颜色特征、纹理特征和形状特征，并用SVM分类器进行基于单个特征的残纱识别。
3.2 BPA函数构造
由于D-S证据理论的BPA是概率量[16]，范围在{1，0}，但是SVM的输出是{1，-1}，属于硬判断输出，不是概率输出，所以首先使用sigmoid函数把SVM的输出f（x）映射到[0，1]上，这样，在SVM分类器完成样本学习之后，得到后验概率Pi;然后对样本进行测试，得到识别正确率qi，则BPA函数可以定义为：
4 识别实验结果与分析
从纱管图库中随机选取有纱与无纱的图像各100幅作为SVM的训练样本，另外选取20幅为测试样本。首先按照本文方法提取出纱管的纹理和形状两个特征，并对特征进行归一化;然后对单独特征进行SVM分类;最后使用D-S证据理论进行决策级融合来进行残纱的识别。
表1为单特征识别率和多特征融合识别率。由实验数据可知，在单特征识别中，基于纹理特征的识别率最高，这是因为纱线与纱管纹理之间差异较大引起的，但是当光照强度大或者是纱管上有划痕时影响了纹理特征的获取，从而降低了识别的稳定性;而基于颜色特征的识别对颜色要求较高，当纱管与纱线同色时极容易产生漏检;基于形状特征的识别受残纱纱量的影响，当残纱纱管纱量很少时，对边缘产生的影响很小，从而降低了识别率。故整体上，单特征识别率较低，可靠性和稳定性差。
5 结论
多特征融合的识别准确率在测试时达到了99.8%，稳定性和可靠性明显高于单特征识别。这表明融合了纹理特征、颜色特征与形状特征的识别信息，并且以SVM后验概率和分类精度构造的信度指派为依据的DS论证理论的方法，明显提升了识别残纱纱管的可靠性。
参考文献
[1]Ayoub N， Gao ZG， Chen BC， et al. A Synthetic Fusion Rule for Salient Region Detection under the Framework of DS-Evidence Theory[J]. SYMMETRY-BASEL. 2018， 10（6）：183-187.
[2]于昕，韩崇昭.一种基于D-S 推理的异源信息目标识别方法[J].系统工程与电子技术，2007，29（5）：788-790.
[3]张帆，张团善，冀永乐，等.基于机器视觉的纺纱管颜色分拣算法研究[J].西安工程大学学报，2018，32（05）：560-566.
转载注明来源:https://www.xzbu.com/8/view-15181689.htm
