基于SVM與D-S論據理論紗管檢測

郭朔江

摘 要

針對理管機對殘紗檢測的精度不夠且檢測環境要求高的問題，文章提出了一種基于視覺顯著性和特征融合的殘紗紗管檢測改進算法。該方法首先應用Gabor濾波器和Canny邊緣算子，分別提取紗管的紋理和形狀。然后使用SVM對每個特征進行殘紗檢測。再利用D-S論據理論將SVM的分類結果進行融合，得出最終結果。在實際生產線獲取的紗管數據庫上實驗記錄表明，該算法明顯的提升了殘紗紗管檢測的精度，具有良好的魯棒性。

關鍵詞

SVM;紗管紗線檢測;D-S論據理論

中圖分類號： TP 391 ?文獻標識碼： A

DOI：10.19694/j.cnki.issn2095-2457.2020.04.66

0 引言

隨著我國紡織業自動化程度的逐步提高，智能紡紗設備的使用率也在不斷增強。其中智能理管機主要作用是用于紗管分揀，紗管分揀主要分為紗管顏色的分揀與殘紗檢測。殘紗檢測一直是一個難點也是學者們研究的重點內容。由于紗管特殊的反光性和自帶紋理的特點，使得紗管的殘紗檢測難度有所增加。

為了提高檢測方法的準確性，本文提出一種基于SVM-DS多特征融合殘紗識別方法。對紗管圖像提取其紋理和形狀，利用DS證據理論能夠融合不確定信息的優勢[1-2]，以及SVM在小樣本情況下良好的魯棒性，融合單特征SVM殘紗識別的信息，根據決策規則得到最終的識別結果。

1 紋理特征和顏色特征的分離

1.1 獲取紋理特征圖

視覺顯著性檢測是一種以人類視覺特點為基礎的檢測方法，這要求在設計算法時要以人類視覺特點為出發點。Gabor濾波器是以哺乳動物視覺系統為依據的模型，非常接近人類視覺系統的感受，并且光照對Gabor虛部濾波器的結果影響較弱[3]。所以這里使用Gabor濾波器虛部進行紗管紋理特征的提取。本文中紋理提取的步驟為：（1）提取紗管圖像（2）設計Gabor虛部濾波器組（3）獲取圖像紋理特征圖。

1.2 獲取形狀特征圖

觀察分析可知，含有殘紗的紗管與空紗管之間的形狀具有差異，且含有殘紗時形狀邊界較為復雜。因此，本文選擇適用于復雜邊界提取的方法，采用其中對噪聲敏感度最低的canny邊緣檢測算法來提取紗管整體的形狀特征。Canny算法的步驟如下。

（1）使用二維高斯函數的一階導數對圖像進行平滑，減少噪聲對梯度計算的影響。（2）使用Sobel算子來計算圖像的梯度幅值與方向。（3）非極大抑制，遍歷上一步得到的梯度幅值圖像上的每個像素，插值計算當前像素梯度方向上相鄰兩個像素的梯度幅值，如果當前像素的梯度幅值大于或等于這兩個值，則當前像素是可能的邊緣點，否則該像素點為非邊緣像素，將圖像邊緣細化為一個像素寬度。（4）雙閾值檢測和邊緣連接。

2 SVM和D-S證據理論

2.1 支持向量機（SVM）

SVM 的思想是在由核函數確定的特征空間上 構造軟間隔分離超平面，用正則化因子平衡間隔最大化和訓練誤差最小化，通過決策面實現樣本的二分類。其判別函數如下：

其中ai表示Lagrange乘子;SV表示支持向量;K（xi，x）表示核函數;xi、yi表示兩類中的支持向量;b表示根據訓練樣本確定的閾值。

2.2 D-S證據理論

設Θ為識別框架，定義函數m：2Θ→[0，1]，且滿足M（φ）=0（φ為空集），∑m（A）=1（A∈2Θ）兩個條件，則m（A）為框架Θ上的基本概率指派（BPA）。m（A）表示對事件A的信任程度，m（θ）表示證據的不確定性。

3 決策級融合殘紗識別

3.1 單特征SVM識別

按照前述方法，在對紗管圖像進行預處理的基礎上，分別提取了紗管的顏色特征、紋理特征和形狀特征，并用SVM分類器進行基于單個特征的殘紗識別。

3.2 BPA函數構造

由于D-S證據理論的BPA是概率量[16]，范圍在{1，0}，但是SVM的輸出是{1，-1}，屬于硬判斷輸出，不是概率輸出，所以首先使用sigmoid函數把SVM的輸出f（x）映射到[0，1]上，這樣，在SVM分類器完成樣本學習之后，得到后驗概率Pi;然后對樣本進行測試，得到識別正確率qi，則BPA函數可以定義為：

4 識別實驗結果與分析

從紗管圖庫中隨機選取有紗與無紗的圖像各100幅作為SVM的訓練樣本，另外選取20幅為測試樣本。首先按照本文方法提取出紗管的紋理和形狀兩個特征，并對特征進行歸一化;然后對單獨特征進行SVM分類;最后使用D-S證據理論進行決策級融合來進行殘紗的識別。

表1為單特征識別率和多特征融合識別率。由實驗數據可知，在單特征識別中，基于紋理特征的識別率最高，這是因為紗線與紗管紋理之間差異較大引起的，但是當光照強度大或者是紗管上有劃痕時影響了紋理特征的獲取，從而降低了識別的穩定性;而基于顏色特征的識別對顏色要求較高，當紗管與紗線同色時極容易產生漏檢;基于形狀特征的識別受殘紗紗量的影響，當殘紗紗管紗量很少時，對邊緣產生的影響很小，從而降低了識別率。故整體上，單特征識別率較低，可靠性和穩定性差。

5 結論

多特征融合的識別準確率在測試時達到了99.8%，穩定性和可靠性明顯高于單特征識別。這表明融合了紋理特征、顏色特征與形狀特征的識別信息，并且以SVM后驗概率和分類精度構造的信度指派為依據的DS論證理論的方法，明顯提升了識別殘紗紗管的可靠性。

參考文獻

[1]Ayoub N， Gao ZG， Chen BC， et al. A Synthetic Fusion Rule for Salient Region Detection under the Framework of DS-Evidence Theory[J]. SYMMETRY-BASEL. 2018， 10（6）：183-187.

[2]于昕，韓崇昭.一種基于D-S 推理的異源信息目標識別方法[J].系統工程與電子技術，2007，29（5）：788-790.

[3]張帆，張團善，冀永樂，等.基于機器視覺的紡紗管顏色分揀算法研究[J].西安工程大學學報，2018，32（05）：560-566.