当前位置: 代码迷 >> 综合 >> 论文精读(一)——Defect Inspection of Medicine Vials Using LBP Features and SVM Classifier
  详细解决方案

论文精读(一)——Defect Inspection of Medicine Vials Using LBP Features and SVM Classifier

热度:30   发布时间:2023-12-24 05:08:16.0

文章目录

  • 摘要
  • INTRODUCTION
  • RELATED WORKS
  • PROPOSED METHOD
    • A. ROI Extraction
    • B. LBP Feature Extraction and K-means lustering in Bag of Features (BOF)
    • C. SVM Framework for Defect Inspection
  • EXPERIMENTAL RESULTS
    • A. Comparison on Various Algorithms of ROI Extraction
    • B.基于不同特征提取方法的性能比较
    • C.Detection Speed Comparison over TSEG, PCRG, IIWP and MSBRW

摘要

  • 图像预处理处理过程:我们用了阈值分割算法来获取感兴趣的区域 (roi)
  • 首先在 roi 中提取 lbp 描述符, 然后通过 k 均值聚类的应用生成可视词典。
  • 最终采用支持向量机 (svm) 分类器来检查小瓶是否有缺陷。

INTRODUCTION

研究对象:

在这里插入图片描述

RELATED WORKS

  • 文献[1]:应用基于统计方法的质量阈值检测算法进行凹版印刷质量检测。
  • 文献[2]:采用 canny 算子提取缺陷轮廓, 实现玻璃图像的缺陷检测。
  • 文献[3]:提出了一种包括图像滤波和胶囊图像增强在内的算法, 实现了胶囊的缺陷提取。
  • 文献[4]:提出了检测口腔液体可见异物的 fmite 差分法。

拟解决的问题:

  1. proposing the TSEG algorithm and image blocking to cope with defect inspection more effectively;
  2. selection of SVM dramatically improves work efficiency and recognition accuracy even when there are few sampIes.

Local features, such as speeded-up robust features (SURF), gradient location orientation histogram (GLOH) and linear discriminant analysis (LDA) have been widely applied to image feature extraction in recent years.

PROPOSED METHOD

  • 通过image blocking和阈值分割 (tseg) 来提取由许多小块组成的 roi。
  • 由于可视词典本质上可以表示图像, 因此我们采用 k-means 算法来描述图像, 以获取作为整个描述符的聚类中心的可视词汇。
  • 通过将局部描述符映射到最相似的视觉词汇来构造视觉词典
  • 采用 SVM分类器自动检测小瓶。
    在这里插入图片描述

A. ROI Extraction

本节的目的是得到小瓶库的突出铝部分, 其中包含几种缺陷如图所示:
在这里插入图片描述
遇到的一些困难:

  • 由于存在许多不相关的因素, 在没有任何处理的情况下直接使用被截获的图像将大大增加计算复杂度;
  • 基于均值移位的随机游走图像分割算法 (MSBRW) 具有极低的分类精度和执行速度;
  • 基于相位同余模块和区域增长 (pcrg) 的边缘检测方法极不稳定, 容易受到光照的影响, 导致分割效果较差;

Therefore we propose a new method to extract ROI via TSEG, and the ultimate numerical results illustrate that our method is better than the three policies above regardless of speed, accuracy and computation load.

提取有效特征, 避免外部因素的影响 (身体部位与我们的研究无关,有大量的反射干扰),因此截取了包括瓶盖在内的小瓶部分。通过图像截取、图像屏蔽和 tseg 算法获得了 roi。
在这里插入图片描述

在大津法的基础上, 通过将图像分成几个小块并记录包含像素值的块, 获得由红色框中标记的像素组成的 roi
在这里插入图片描述

B. LBP Feature Extraction and K-means lustering in Bag of Features (BOF)

feature extraction methods including LBP, SIFT and SURF, and then obtain the final feature vectors through k-means clustering.

BOF consists of the four procedures:

  • 提取局部描述符
  • 将其编码为单词
  • 将单词聚合 (集中) 到直方图中
  • 对直方图特征向量进行分类

在 BOF构造中, 图像由其中密集提取的一袋局部描述符表示, 最后以一个用直方图为特征, 量化局部描述符的主概率分布。

特征提取的过程如下:
在这里插入图片描述

  • 首先, 从图像的每个 roi 块中提取 lbp 特征描述符;
  • 然后, 通过将所有块的特征连接在一起来成为最终的 lbp 特征, 然后通过 k 均值聚类生成可视词典。在此过程中, 所有描述符都被编码到最相似的视觉词中(five bins);
    在这里插入图片描述
    • 随着颜色从红色到黄色再到灰色, 聚类中心与每个局部描述符之间的距离值增加;
    • 所有描述符分别围绕最相似的视觉词重新聚合;
    • 五个单词的可视词典。
  • 最后, 该直方图是视觉词汇, 它是图像特征向量。

C. SVM Framework for Defect Inspection

应用径向基函数 (rbf) 支持向量机,将之前引用的所有训练集的可视词典作为输入, 然后在 svm 分类器之后生成训练模型。
在这里插入图片描述

EXPERIMENTAL RESULTS

利用 tseg 进行 roi 提取, 用 lbp 算法进行特征采集,主要从平均识别精度和速度两个方面对所提出的方法的鲁棒性进行了阐述。
在这里插入图片描述
where A represents the accuracy of image recognation; NoCITI is the number of correctly identified test images;NoATI stands for the number of all test images.

A. Comparison on Various Algorithms of ROI Extraction

the dataset involves 340 images, each category includes 170 images, all with are solution of 353?790353*790353?790 pixels. We randomly selected 15, 25, 35,45, 55, 65, 75, 85, 95, 105,115, 125 images for training per category and 60 images for test.
在 roi 提取过程中, 在 lbp 特征提取算法之前,分别采用了 tseg、iiwp、msbrw 和 pcrg 四种方法,
在这里插入图片描述

B.基于不同特征提取方法的性能比较

在这里插入图片描述
在这里插入图片描述

C.Detection Speed Comparison over TSEG, PCRG, IIWP and MSBRW

揭示了在四种方法下每秒可以检测到的小瓶的平均数量
在这里插入图片描述

  相关解决方案