基于形状特征提取的工业透明薄膜包装检测方法及装置.pdf

本发明涉及一种基于形状特征提取的工业透明薄膜包装检测方法和装置。方法包括：对获取的包装产品图像进行预处理；对预处理后的图像进行超像素的分割；利用七个Hu不变矩定义形状特征实现形状特征提取，并引入新的参数；对多变量参数矩阵进行处理，得到主成分；使用最小二乘支持向量机根据形状特征进行训练，再对超像素块进行分类。装置包括传送带模块、图片拍摄模块、算法模块和结果分析模块。本发明能够减少检测时间，并且同时保持较高的分类性能。

1.  一种基于形状特征提取的工业透明薄膜包装检测方法，其特征在于，包括以下步骤：
(1)对获取的包装产品图像进行预处理；
(2)对预处理后的图像进行超像素的分割；
(3)利用七个Hu不变矩定义形状特征实现形状特征提取，并引入新的参数；
(4)对多变量参数矩阵进行处理，得到主成分；
(5)使用最小二乘支持向量机根据形状特征进行训练，再对超像素块进行分类。

2.  根据权利要求1所述的基于形状特征提取的工业透明薄膜包装检测方法，其特征在于，所述包装产品图像运用碗状光源和广角镜头进行获取。

3.  根据权利要求1所述的基于形状特征提取的工业透明薄膜包装检测方法，其特征在于，所述步骤(1)中采用先利用Canny边缘检测，再利用膨胀操作对获取的包装产品图像进行预处理。

4.  根据权利要求1所述的基于形状特征提取的工业透明薄膜包装检测方法，其特征在于，所述步骤(2)采用简单的线性迭代聚类的方式进行超像素分割。

5.  根据权利要求1所述的基于形状特征提取的工业透明薄膜包装检测方法，其特征在于，所述步骤(3)中七个Hu不变矩分别为：
φ₁＝η₂₀+η₀₂；
φ₂＝(η₂₀-η₀₂)²+4η₁²₁；
φ₃＝(η₃₀-3η₁₂)²+(3η₂₁-η₀₃)²；
φ₄＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)²；
φ₅＝(η₃₀-3η₁₂)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]
+(3η₂₁-η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]；
φ₆＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]+4η₁₁(η₃₀+η₁₂)(η₂₁+η₀₃)；
φ₇＝(3η₂₁-η₀₃)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+
(η₀₃-η₁₂)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]；
η_ij表示图像的(i+j)阶规格化中心矩；
其中，七个Hu不变矩的归一化矩对平移、缩放、伸展和挤压变化不变；前六个Hu不变矩的归一化中心矩对旋转不变；第七个Hu不变矩的归一化中心矩对旋转不变并且对扭曲也不变。

6.  根据权利要求1所述的基于形状特征提取的工业透明薄膜包装检测方法，其特征在于，所述步骤(3)中引入新的参数包括：面积、周长、致密度、孔洞数目、孔洞数目和面积之比；其中，面积：用来计算孔洞所包含的像素数；周长：孔洞的轮廓线上像素间距离之和来度量；致密度：其中S为面积，L为周长；孔洞数目：一个包装上的孔洞数目；孔洞数目和面积之比：用来区分大孔洞和小孔洞。

7.  根据权利要求1所述的基于形状特征提取的工业透明薄膜包装检测方法，其特征在于，所述步骤(4)中使用最小二乘支持向量机选取1000个孔洞和2000个非孔洞进行训练，使用训练出来的分类器对分割好的超像素进行分类。

8.  一种基于形状特征提取的工业透明薄膜包装检测装置，其特征在于，包括：传送带模块，用于传送包装产品；图片拍摄模块，位于传送带模块的正上方，用于获取传送包装产品的图像；算法模块，与所述图片拍摄模块相连，用于根据如权利要求1-7中任一权利要求所述的检测方法进行图片处理；结果分析模块，用于对图片处理的结果进行分析。

基于形状特征提取的工业透明薄膜包装检测方法及装置
技术领域
本发明涉及透明薄膜包装检测技术领域，特别是涉及一种基于形状特征提取的工业透明薄膜包装检测方法及装置。
背景技术
产品外包装薄膜常存在封装气泡、褶皱、松弛等缺陷，严重影响产品的形象。由于包装薄膜透光率高，现多采用人工肉眼检测，检测效果不理想，操作者的经验和技能影响较大，在自动化生产线上无法实现对产品外包装薄膜的热封缺陷进行自动化检测。
发明内容
本发明所要解决的技术问题是提供一种基于形状特征提取的工业透明薄膜包装检测方法及装置，能够减少检测时间，并且同时保持较高的分类性能。
本发明解决其技术问题所采用的技术方案是：提供一种基于形状特征提取的工业透明薄膜包装检测方法，包括以下步骤：
(1)对获取的包装产品图像进行预处理；
(2)对预处理后的图像进行超像素的分割；
(3)利用七个Hu不变矩定义形状特征实现形状特征提取，并引入新的参数；
(4)对多变量参数矩阵进行处理，得到主成分；
(5)使用最小二乘支持向量机根据形状特征进行训练，再对超像素块进行分类。
所述包装产品图像运用碗状光源和广角镜头进行获取。
所述步骤(1)中采用先利用Canny边缘检测，再利用膨胀操作对获取的包装产品图像进行预处理。
所述步骤(2)采用简单的线性迭代聚类的方式进行超像素分割。
所述步骤(3)中七个Hu不变矩分别为：
φ₁＝η₂₀+η₀₂；
φ2=(η20-η02)2+4η112;]]>
φ₃＝(η₃₀-3η₁₂)²+(3η₂₁-η₀₃)²；
φ₄＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)²；
φ₅＝(η₃₀-3η₁₂)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]
+(3η₂₁-η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]；
φ₆＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]+4η₁₁(η₃₀+η₁₂)(η₂₁+η₀₃)；
φ₇＝(3η₂₁-η₀₃)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+
(η₀₃-η₁₂)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]；
η_ij表示图像的(i+j)阶规格化中心矩。图像函数的f(x+y)的(i+j)的中心矩定义为其中Ω为x，y的取值区间。对于N*M的数字图像，利用求和代替积分，则(i+j)阶中心可表示为则(i+j)阶格式化中心矩可以表示为ηij=μijμγ00,]]>其中γ=i+j2+1(i+j=2,3,...);]]>
其中，七个Hu不变矩的归一化矩对平移、缩放、伸展和挤压变化不变；前六个Hu不变矩的归一化中心矩对旋转不变；第七个Hu不变矩的归一化中心矩对旋转不变并且对扭曲也不变。
所述步骤(3)中引入新的参数包括：面积、周长、致密度、孔洞数目、孔洞数目和面积之比；其中，面积：用来计算孔洞所包含的像素数；周长：孔洞的轮廓线上像素间距离之和来度量；致密度：其中S为面积，L为周长；孔洞数目：一个包装上的孔洞数目；孔洞数目和面积之比：用来区分大孔洞和小孔洞。
所述步骤(4)中使用最小二乘支持向量机选取1000个孔洞和2000个非孔洞进行训练，使用训练出来的分类器对分割好的超像素进行分类。
本发明解决其技术问题所采用的技术方案是：还提供一种基于形状特征提取的工业透明薄膜包装检测装置，包括：传送带模块，用于传送包装产品；图片拍摄模块，位于传送带模块的正上方，用于获取传送包装产品的图像；算法模块，与所述图片拍摄模块相连，用于根据上述的检测方法进行图片处理；结果分析模块，用于对图片处理的结果进行分析有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明采用的形状特征提取不仅利用了七个Hu不变矩定义形状特征，并且引入了新的参数，还利用了主成分分析法进行了降维处理，并且利用LSSVM进行训练，然后将训练好的分类器对超像素块进行分类。本发明的方法不仅减少了时间，效果也比较好，在工业上具有可行性。
附图说明
图1是本发明的流程图；
图2是使用本发明的装置结构示意图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于形状特征提取的工业透明薄膜包装检测方法，如图1所示，包括以下步骤：
(1)对获取的包装产品图像进行预处理；
(2)对预处理后的图像进行超像素的分割；
(3)利用七个Hu不变矩定义形状特征实现形状特征提取，并引入新的参数；
(4)对多变量参数矩阵进行处理，得到主成分；
(5)使用最小二乘支持向量机根据形状特征进行训练，再对超像素块进行分类。
下面对每个步骤进行详细介绍。
预处理：
首先利用Canny边缘检测，再利用膨胀操作。
超像素分割：
以往对图像的理解是像素组成的二维矩阵，所以分割也是基于像素的，但是以像素为基础的分割会导致处理效率过低，因此本发明采用的是超像素分割。超像素是指图像中局部区域内连通的、亮度或者是颜色相近的像素的集合。本发明采用的是SLIC(Simple Linear Iterative Clustering)超像素分割。
特征提取
本发明采用方法的是七个Hu不变矩定义形状特征，并且还引入的新的参数。七个Hu不变矩的表达是如下所示：
φ₁＝η₂₀+η₀₂
φ2=(η20-η02)2+4η112]]>
φ₃＝(η₃₀-3η₁₂)²+(3η₂₁-η₀₃)²
φ₄＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)²
φ₅＝(η₃₀-3η₁₂)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+
(3η₂₁-η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]
φ₆＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]+4η₁₁(η₃₀+η₁₂)(η₂₁+η₀₃)
φ₇＝(3η₂₁-η₀₃)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+
(η₀₃-η₁₂)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]
其中，η_ij表示图像的(i+j)阶规格化中心矩。图像函数的f(x+y)的(i+j)的中心矩定义为其中Ω为x，y的取值区间。对于N*M的数字图像，利用求和代替积分，则(i+j)阶中心可表示为则(i+j)阶格式化中心矩可以表示为ηij=μijμγ00,]]>其中γ=i+j2+1(i+j=2,3,...).]]>
经过计算的的不变矩特征为F_m＝φ₁,φ₂.......φ₇，其中高阶矩的值很小，故在匹配的时候需要进行标准化处理，归一化矩对平移、缩放、伸展和挤压变化不变。另外，前6个归一化中心矩对旋转不变，而第7个对扭曲也不变。
虽然这七个矩那能很好地描述形状特征，但是当图像数据库较大时，仅仅这七个标量是不够的，本发明引进了新的参数：面积、周长、致密度、孔洞数目、孔洞数目和面积之比。面积、周长、致密度、孔洞数目、孔洞数目和面积之比的表述如下所示：
1)面积：用来计算孔洞所包含的像素数；
2)周长：孔洞的轮廓线上像素间距离之和来度量，并列的像素点之间的距离是1个像 素，倾斜方向间像素的距离在进行周长测量时，需要根据像素之间连接方式进行分别计算距离；
3)致密度：其中S为面积，L为周长；
4)孔洞数目：计算一个包装上的孔洞数目；
5)孔洞数目和面积之比：主要用来区分大孔洞和小孔洞。
主成分分析
主成分分析的主要思想是对多变量的参数矩阵进行矩阵处理，得到的是原始变量的线性组合，并两两不相关，能最大限度地反应原始变量所包含的信息。
LSSVM分类
使用最小二乘支持向量机(Least Squares Support Vector Machine，LSSVM)将分割的超像素分类为孔洞和非孔洞。对于最小二乘支持向量机，优化问题可以表示为：
minJ(w,ξ)=12w·w+γΣi=1tξi2---(4.9)]]>
使用拉格朗日求解上述优化问题，转换为求解一个线性方程问题。
在LSSVM的训练中，选取1000个孔洞，2000个非孔洞进行训练，即训练3000组数据。使用训练出来的分类器对分割好的超像素进行分类，每个超像素被分为孔洞和非孔洞。
本发明的第二实施方式涉及基于形状特征提取的工业透明薄膜包装检测装置，如图2所示，包括：传送带模块1，图片拍摄模块2，算法模块3，结果分析模块4。传送带模块1由传送带组成，其作用是匀速传送工业包装产品，图片拍摄模块2位于传送带模块正上方，作用是运用碗状光源和广角镜头进行拍摄从而获取包装产品的图像，算法模块3的作用是根据上述检测方法进行图片处理，结果分析模块4的作用是对图片处理的结果进行分析。
不难发现，本发明采用的形状特征提取不仅利用了七个Hu不变矩定义形状特征，并且引入了新的参数，还利用了主成分分析法进行了降维处理，并且利用LSSVM进行训练，然后将训练好的分类器对超像素块进行分类。本发明的方法不仅减少了时间，效果也比较好，在工业上具有可行性。