一种包装缺陷分类方法技术

本发明专利技术公开了一种包装缺陷分类方法，属于计算机视觉图片处理技术领域，方法包括：获取包装的灰度图像，并对所述灰度图像进行滤波和增强；采用基于改进鲸鱼优化算法的二维最大熵值法，对经过滤波和增强的灰度图像进行阈值分割；对经过阈值分割的灰度图像进行开运算，并根据开运算结果获取包装的缺陷位置；根据所述缺陷位置，利用预构建的包装缺陷分类模型，对包装进行缺陷分类；其中，所述包装缺陷分类模型根据预获取的包装缺陷所对应的特征向量和缺陷类别，采用朴素贝叶斯分类器训练获取。该方法能够对包装进行缺陷分类，并提高分类效率和精度。和精度。和精度。

【技术实现步骤摘要】
一种包装缺陷分类方法


[0001]本专利技术涉及一种包装缺陷分类方法，属于计算机视觉图片处理


技术介绍

[0002]图像处理一般是指数字图像处理，即通过计算机对图像进行分析，以达到所需的结果。数字图像是指用相机、扫描仪等图像采集设备获取的一个大的二维数组，该数组的元素称为像素，其值称为灰度值。图像处理技术一般包括图像压缩、增强、复原、匹配、描述和识别等。
[0003]图像作为人类感知世界的视觉基础，是人类获取信息、表达信息和传递信息的重要手段。在计算机中，按照颜色和灰度的多少可以将图像分为二值图像、灰度图像、索引图像和真彩色RGB图像四种基本类型。大多数图像处理软件都支持这四种类型的图像。
[0004]目前所采用的外包装缺陷检测及分类方法主要通过深度学习方法或者单一图像处理算法进行，存在缺陷检测精度低、检测速度慢等问题。

技术实现思路

[0005]本专利技术的目的在于提供一种包装缺陷分类方法，能够对包装进行缺陷分类，并提高分类效率和精度。
[0006]为达到上述目的，本专利技术提供如下技术方案：
[0007]一种包装缺陷分类方法，包括：
[0008]获取包装的灰度图像，并对所述灰度图像进行滤波和增强；
[0009]采用基于改进鲸鱼优化算法的二维最大熵值法，对经过滤波和增强的灰度图像进行阈值分割；
[0010]对经过阈值分割的灰度图像进行开运算，并根据开运算结果获取包装的缺陷位置；
[0011]根据所述缺陷位置，利用预构建的包装缺陷分类模型，对包装进行缺陷分类；
[0012]其中，所述包装缺陷分类模型根据预获取的包装缺陷所对应的特征向量和缺陷类别，采用朴素贝叶斯分类器训练获取。
[0013]进一步的，采用动态高斯引导滤波器对所述灰度图像进行滤波，所述动态高斯引导滤波器中动态引导滤波核权值与线性转换模型的表达式如公式(1)所示：
[0014][0015]公式(1)中，i为第i个输入图像序号，Ω
k
为第k个引导图像窗口，为动态高斯引导滤波器的输出图像，G
i
为动态高斯引导滤波器的引导图像，为第k个引导图像窗口Ω
k
的第一高斯权值、第二高斯权值，η
i
为图像细节增强因子，w
i，k
为动态高斯引导滤波器核，α
k
为第一中间参数，β
k
为第二中间参数，C
i
为归一化参数，x
i
为第k个引导图像窗口Ω
k
内第i个像素点的坐标，为第k个引导图像窗口Ω
k
内像素点的坐标均值，为第k个引导图像窗口Ω
k
内像素点的坐标方差，μ
k
为第k个引导图像窗口Ω
k
内图像的平均值，为输入图像在第k个引导图像窗口Ω
k
内的平均值，f
i
为第i个输入图像，为动态调节参数，为第k个引导图像窗口Ω
k
内图像的方差，为调节参数。
[0016]进一步的，对所述灰度图像进行增强包括：
[0017]通过差分运算对所述灰度图像的背景纹理进行抑制；
[0018]对背景纹理经过抑制的灰度图像进行线性变换，获取增强图像；
[0019]其中，所述差分运算的运算公式如公式(2)所示：
[0020]z(v，u)＝g(v，u)
‑
h(v，u)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0021]公式(2)中，(v，u)为灰度图像的像素坐标，z(v，u)为经过差分运算后的输出图像信息，g(v，u)为经过滤波后的图像信息，h(v，u)为无包装时的空背景图信息；
[0022]所述线性变换的变换公式如公式(3)所示：
[0023]z
′
(v，u)＝H(z(v，u))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0024]公式(3)中，z
′
(v，u)为经过线性变换后的输出图像信息，H(
·
)为线性变换函数。
[0025]进一步的，采用基于改进鲸鱼优化算法的二维最大熵值法，对经过滤波和增强的灰度图像进行阈值分割包括：
[0026]采用二维最大熵值法，搜索灰度图像直方图最大熵对应的分割阈值；
[0027]采用改进鲸鱼优化算法，优化分割阈值的搜索时间和精度，获取最优阈值；
[0028]根据所述最优阈值，对经过滤波和增强的灰度图像进行阈值分割。
[0029]进一步的，所述改进鲸鱼优化算法包括如下步骤：
[0030]S1：初始化算法；
[0031]S2：采用PWLCM混沌序列初始化种群；
[0032]S3：采用改进的收敛因子迭代计算方法更新算法参数；
[0033]S4：计算鲸群中单个个体与鲸群整体的偏移程度，并用指标D
j，t
进行表征；
[0034]S5：利用指标D
j，t
和算法参数，对鲸群中单个个体进行位置更新；
[0035]S6：采用Levy Flight迭代数学模型对鲸群中单个个体进行二次优化；
[0036]S7：计算各个体对应的熵函数，并根据各个体对应的熵函数更新最优阈值；
[0037]S8：若达到最大迭代次数，则输出最优阈值，否则，返回S3；
[0038]其中，PWLCM混沌序列的映射公式如公式(4)所示：
[0039][0040]公式(4)中，Z
ρ+1
为PWLCM混沌序列映射的输出值，Z
ρ
为PWLCM混沌序列映射的输入值，p为正实数分界因子，p∈(0，1)，ρ为输入迭代次数，N为种群内个体总数；
[0041]改进的收敛因子迭代计算公式如公式(5)所示：
[0042][0043]公式(5)中，a为收敛因子，a
max
、a
min
为收敛因子的最大值、最小值，t为当前迭代次数，T为最大迭代次数；
[0044]指标D
j，t
的计算公式如公式(6)所示：
[0045][0046]公式(6)中，D
j，t
为指标，ω
j，t
为第t次迭代时鲸群中个体j距离所有个体的位置平均值的偏离程度，ω
max，t
、ω
min，t
为第t次迭代时鲸群中个体j距离所有个体的位置平均值的偏离程度的最大值、最小值，d为第d维空间，D为搜索维度，为第t次迭代时鲸群中个体j在第d维空间的位置，为第t次迭代时鲸群中所有个体在第d维空间的位置的平均值。
[0047]进一步的，利用指标D
j，t
和算法参数，对鲸群中单个个体进行位置更新包括：
[0048]若和参数P≤0.5同时成立，则按照第一更新公式对鲸群中单个个体进行位本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种包装缺陷分类方法，其特征在于，包括：获取包装的灰度图像，并对所述灰度图像进行滤波和增强；采用基于改进鲸鱼优化算法的二维最大熵值法，对经过滤波和增强的灰度图像进行阈值分割；对经过阈值分割的灰度图像进行开运算，并根据开运算结果获取包装的缺陷位置；根据所述缺陷位置，利用预构建的包装缺陷分类模型，对包装进行缺陷分类；其中，所述包装缺陷分类模型根据预获取的包装缺陷所对应的特征向量和缺陷类别，采用朴素贝叶斯分类器训练获取。2.根据权利要求1所述的包装缺陷分类方法，其特征在于，采用动态高斯引导滤波器对所述灰度图像进行滤波，所述动态高斯引导滤波器中动态引导滤波核权值与线性转换模型的表达式如公式(1)所示：公式(1)中，i为第i个输入图像序号，Ω
k
为第k个引导图像窗口，f
iDGF
为动态高斯引导滤波器的输出图像，G
i
为动态高斯引导滤波器的引导图像，为第k个引导图像窗口Ω
k
的第一高斯权值、第二高斯权值，η
i
为图像细节增强因子，w
i,k
为动态高斯引导滤波器核，α
k
为第一中间参数，β
k
为第二中间参数，C
i
为归一化参数，x
i
为第k个引导图像窗口Ω
k
内第i个像素点的坐标，为第k个引导图像窗口Ω
k
内像素点的坐标均值，为第k个引导图像窗口Ω
k
内像素点的坐标方差，μ
k
为第k个引导图像窗口Ω
k
内图像的平均值，为输入图像在第k个引导图像窗口Ω
k
内的平均值，f
i
为第i个输入图像，为动态调节参数，为第k个引导图像窗口Ω
k
内图像的方差，为调节参数。3.根据权利要求1所述的包装缺陷分类方法，其特征在于，对所述灰度图像进行增强包括：通过差分运算对所述灰度图像的背景纹理进行抑制；对背景纹理经过抑制的灰度图像进行线性变换，获取增强图像；其中，所述差分运算的运算公式如公式(2)所示：z(v,u)＝g(v,u)
‑
h(v,u)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
公式(2)中，(v,u)为灰度图像的像素坐标，z(v,u)为经过差分运算后的输出图像信息，g(v,u)为经过滤波后的图像信息，h(v,u)为无包装时的空背景图信息；所述线性变换的变换公式如公式(3)所示：z
′
(v,u)＝H(z(v,u))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)公式(3)中，z
′
(v,u)为经过线性变换后的输出图像信息，H(
·
)为线性变换函数。4.根据权利要求1所述的包装缺陷分类方法，其特征在于，采用基于改进鲸鱼优化算法的二维最大熵值法，对经过滤波和增强的灰度图像进行阈值分割包括：采用二维最大熵值法，搜索灰度图像直方图最大熵对应的分割阈值；采用改进鲸鱼优化算法，优化分割阈值的搜索时间和精度，获取最优阈值；根据所述最优阈值，对经过滤波和增强的灰度图像进行阈值分割。5.根据权利要求4所述的包装缺陷分类方法，其特征在于，所述改进鲸鱼优化算法包括如下步骤：S1：初始化算法；S2：采用PWLCM混沌序列初始化种群；S3：采用改进的收敛因子迭代计算方法更新算法参数；S4：计算鲸群中单个个体与鲸群整体的偏移程度，并用指标D
j,t
进行表征；S5：利用指标D
j,t
和算法参数，对鲸群中单个个体进行位置更新；S6：采用Levy Flight迭代数学模型对鲸群中单个个体进行二次优化；S7：计算各个体对应的熵函数，并根据各个体对应的熵函数更新最优阈值；S8：若达到最大迭代次数，则输出最优阈值，否则，返回S3；其中，PWLCM混沌序列的映射公式如公式(4)所示：公式(4)中，Z
ρ+1
为PWLCM混沌序列映射的...

【专利技术属性】
技术研发人员：陈烨，路绳方，陈素娟，梁苑，高阳，孟琳，张嘉超，陈庆，焦良葆，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：