基于特征融合的玻璃制品分拣方法研究

发布时间：2021-03-02 00:36

　　玻璃制品是一种市场需求量较大的日常用品,对一些常用的玻璃制品进行分类回收及循环利用能够缓减玻璃制品的供给压力,减少其在制造环节中产生的资源消耗以及环境污染,达到节约资源和保护环境的目的。然而,回收的废弃玻璃制品因其数量大、形状和尺寸多样,导致人工分拣效率低、错误率高。为此,本文利用计算机视觉技术,提出了一种基于特征融合的玻璃制品分拣方法。该分拣方法的主要研究内容如下:在计算机视觉技术中广泛采用选择性搜索算法来获取识别目标的候选区域。但该算法在进行纹理相似度计算时存在时间开销较大的问题。针对上述问题,本文提出了HLSN纹理特征来对选择性搜索算法进行改进。考虑到不同图像区域分层聚合形成候选区域时图像区域之间存在着交叠,引入积分图算法对交叠区域对应的HLSN特征进行加速从而减少选择性搜索算法在纹理相似度计算上的时间消耗。实验结果表面,改进的选择性搜索算法能够有效提升候选区域的提取效率。在获得玻璃制品候选区域的基础上,本文提出了FIW-CCA特征融合模型来形成候选区域的融合特征。首先,分别采用PHOG和CLBP算法获取玻璃制品的外形特征和局部特征:然后,运用FIW算法对训练集对应的PHOG和C... 

【文章来源】：东北电力大学吉林省

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

图３－１玻璃制品分割效果图??

?东北电力大学工学硕士学位论文???■■■■■??ｍ?ｓ?ｍ?ｍ??…＾＊＂＂＊＊?一＇??＾?ｌ?．ａａ＾ｒ－?＾；Ａ：ａｌ??图３－１玻璃制品分割效果图??通过改变分割算法的分割阈值得到的分割效果如图３－１所示。选择性搜索算法只在原??图上进行候选区域的提取，克服ｆ使用图像金字塔对多个尺度的图像进行操作带来的时间??开销。同时，通过对多种相似性策略进行组合提高了候选区域的提取效率。??３．３改进的纹理相似性??３．?３．?１特征值图的形成??选择性搜索中纹理相似度的计算采用ＳＩＦＴ算法。该算法在图像对应的Ｒ、Ｇ、Ｂ迎??道上分別使用了?＾７＝１的高斯微分来形成特征直方图造成了较大的时间消耗。其次，＋同??图像分割区域存在交叠，在对不同图像区域进行合并形成候选区域过程中，交叠区域的重??复计算增加了选择性搜索算法的时间开销。为此，本文提出了?ＨＬＳＮ?（Ｈａｒｒ－Ｌｉｋｅ?Ｂａｓｅｄ?ｏｎ??ＳＰＰ－Ｎｅｔ）特征。首先，采用Ｈａｒｒ－Ｌｉｋｅ算子对输入的图像进行特征提取形成特征值图；然??后，运用ＳＰＰ－Ｎｅｔ算法将特征值图映射为固定长度的特征直方图；最后，对上述的两个过??程使用积分图算法进行加速来克服交叠区域的重复计算。????????＞???，?１６８?＿＿麵…４?ＩＵＮ?１５１?１Ｍ?ＪＣ??１６２?１７０??￣￣＼?—■■???（１）?：？？？？？?＼?ｍ?１４５?１４３?１５６?１５７?１６１?１５３?１６９??Ｒ了?Ｉ＇?．．．?Ｉ?＼?１５１?１４７?１６２?１５４?Ｊ５４?１６７?Ｊ；｜４?１４Ｈ??／；?、１４８?１５７?１５２?１４８?１４

?东北电力大学工学硕士学位论文???■＞?－??０．０?０．２?０．４?０．６?０．８?１．０?１．２??图３－６?Ｊ５６＞数据对比阁??图３－６中，纵坐标是玻璃制品的类別，横坐标是ＡＢＯ的数值。原选择性搜索算法在??各个类別匕对应的ＡＢ０数值记作ＡＢ０Ｊ３ＳＳ：改进的选择性搜索算法在各个类别上的??ＡＢ０数值记作ＡＢ０ＪＳＳ。图屮在第７类玻璃制品的表现上，改进的选择性搜索算法对成??的ＡＢＯ值达到ｆ最大且为０．７８４，在其他各个类别玻璃制品的ＡＢ０表现上，改进的选择??性搜索算法的ＡＢ０ＪＳＳ均强Ｔ？原算法的ＡＢＯ＿ＯＳＳ，从而证明／改进的选择性搜索算法??在各个类別玻璃制品ＡＢＯ上的有效性。??３．?５．?４速度对比??对候选区域测试集中的图像分别使用原选择性搜索算法和改进的选择性搜索算法进??行测试，每…类玻璃制品的平均时间消耗如下衣所示。???表３－２改进前后的速度对比（．中．位：秒）?????改进前?改进后?增速??１?０．６３７?０．５５６?１２．７％??２?０．６２６?０．５３９?１３．９％??３?０．６６１?０．５６４?１４．７％??４?０．６０３?０．５２７?１２．６％??５?０．６３２?０．５４１?１４．４％??６?０．６１７?０．５３６?１３．１％??７?０．６５９?０．５６１?１４．９％??８?０．６０５?０．５２３?１３．６％??９?０．６４２?０．５５０?１４．３％??从农３－２中可以看出，与原选择性搜索算法相比改进的选择怍搜索算法产生候选区域??的速度有ｆ明显的提高。其中，在第７类玻


本文编号：3058259