图像识别cnn截图 机器视觉技术与机器视觉检测系统的应用案例(2)

图像处理

一旦捕获了钢材表面的图像，接下来便通过光纤千兆以太网链路将图像传送100m到达控制室中基于PC的服务器上。在这里，首先对图像进行预处理，以利用诸如直方图均衡等定制图像增强算法，来增强图像的对比度。由于原始图像中的可用数据由近对比度值表示，所以该技术增加了图像的全局对比度。

图像增强之后，使用定制软件处理，在系统的先前版本中，该软件采用基于支持向量机（SVM）的辅助学习系统。一旦系统被教育通过纹理、对比度和尺寸，识别来自不同样品的缺陷，则算法可以自动检测和分类生产环境中最重要的生产缺陷（见图3）。

图3：钢材中出现的典型缺陷包括（a）材料粘贴（b）材料被去除和（c）辊痕。

基于PC的服务器用于存储来自相机的图像、被发现的缺陷数据，以及缺陷在钢管上位置，还将在Oracle中存储压力、温度、速度信号、通信和其他钢管生产数据的报警，用于质量控制和可追溯性。还可以通过在连接到公司局域网（LAN）的计算机上安装客户端应用，对服务器上的数据进行远程检查。

自从该系统最初开发以来，已经经历了几次增强，系统的结构现在已经过重新设计，能够更容易地对准和调整相机和调节照明。

较新版本的系统还采用了液体而非空气制冷技术，使照明和传感器能够更靠近钢管放置，从而实现更热或更大面积的钢管成像。美国Metaphase Technologies公司的LED光源也已经替代了早期的激光器，使光源的寿命从2000小时增加到了50000小时，并且消除了诸如散斑之类可能破坏相机捕获的图像的因素。

软件用户界面也得到了改进，现在工厂操作员能在钢材上出现缺陷时，看到它们的位置和特定属性（见图4）。现在还可以在上存储几个月的生产数据，这样工厂经理就能查看可能发生的任何错误的周期性，并安排定期预防性维护操作。该系统还可以支持多用户，这些用户不仅可以本地访问系统，还可以通过互联网访问系统。

图4：定制的软件用户界面，使工厂操作员能够实时看到钢材上缺陷的位置和特定属性。

分类变更

Surfin系统最重要的一项最新发展，是用内部开发的候选窗口探测平台和用于缺陷分类的卷积神经网络（CNN），来替代之前基于SVM的分类器。CNN可以学习从训练图像中提取表征每种类型缺陷的相关特征并执行分类，而SVM仅将其输入映射到可以揭示缺陷类别之间差异的一些高维空间。

通过假定所有感兴趣的对象（例如缺陷）共享将它们与背景区分开的共同视觉属性，候选窗口探测平台输出可能包含缺陷的一组区域。随后，CNN提取学习特征，并且对图像数据执行实际的缺陷分类。

CNN分类器通过具有缺陷的热钢管图像的定制图像进行验证，并且发现基于深度学习的方法，能够减少检测到的假阳性和假阴性的数量，其明显优于之前的SVM分类器。

执行两类分类（如缺陷与无缺陷）时，最相关的性能指标是AUC，或ROC（工作特征）曲线下的面积，通过在x轴上绘制假阳性率和在y轴上绘制真阳性率，然后计算此函数下的面积（见图5）。

图5：在执行两类分类（如有缺陷与无缺陷）时，最相关的性能指标是AUC或ROC（工作特征）曲线下的面积。模型越好，AUC越接近1。图像识别cnn截图采用这种方式，当比较几种模型时，可以通过选择最高的AUC来选出最佳模型。虽然SVM分类器的AUC值为0.88，但是对于两类分类情况，CNN-Surfin分类器的AUC值为0.997。

理想情况下，该函数的值对于x轴上的每个值都为1.00，因此模型越好，其AUC越接近1。以这种方式，当比较几种模型时，可以通过取最高AUC值来选择最佳模型。虽然SVM分类器的AUC值为0.88，但是对于两类分类情况，CNN-Surfin分类器的AUC值为0.997。

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-58836-2.html