基于上下文的透明薄膜缺陷显著性检测-控制科学与工程专业论文.docxVIP

万方数据 万方数据 东华大学学位论文版权使用授权书 学位论文作者完全了解学校有关保留、使用学位论文的规定，同 意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允 许论文被查阅或借阅。本人授权东华大学可以将本学位论文的全部或 部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复 制手段保存和汇编本学位论文。 保密口，在一一年解密后适用本版权书。 本学位论文属于 不保密 学叫乍看签名z 叮有如同阳i =向共役 日期:dDJ6 年/月4日 日期:JoJb 年/月It日 基于上下文 基于上下文的透明薄膜缺陷显著性检测 基于上下文的透明薄膜缺陷显著性检测 摘 要 随着科学技术的发展和大数据时代的到来，含有大量信息数据的图像不断涌 现，如何准确识别图像并利用数据中的显著部分进行检测就变得越来越重要。图 像显著性检测的出现解决了这种问题。图像显著性检测的目的是检测出图像中的 定点或者是突出物体，是最能引起人们视觉关注的区域。显著性检测模拟人类视 觉系统，人类视觉系统通过人眼观察图像，大脑分析，做出反应，人类对复杂环 境的反应高效.计算机视觉系统无法超越人类，但是能够持续工作，针对工业上 环境变化不大，计算机视觉系统优势明显。 目前工业透明薄膜包装的检测主要是依靠目力，容易出现标准不统一、检测 效率低下、劳动强度大的缺陷。而采用简单的图像分割和特征提取对工业透明塑 料薄膜的破损情况进行检测时，效果不是那么理想。为了解决这个问题，本文提 出了一种利用显著性的特点快速精确地检测透明塑料薄膜缺陷的方法。具体内容 和创新点如下： 1) 首先对拍摄的图像进行点 Hough 变换（PHT)。为了能够精确地提取出目 标区域，采用了改进的霍夫变换——点霍夫变换。然后将 PHT 变换的图像进行 超像素的分割，本文采用了两种超像素分割的方法，一种是基于梯度下降的 SLIC 分割算法，一种是基于图论的 Graph-based 分割算法。对 SLIC 超像素分割的图 像，利用 BP 神经网络算法对分割后的超像素块进行分类，对 Graph-based 超像 素分割的图像利用改进的基于上下文的显著性检测算法对超像素块进行显著性 检测。 2) 比较了两种方法的优缺点及本文为什么选择利用基于改进的上下文的显 著性检测。显著性检测后的图片，由于其形状特征明显，提取 12 个形状特征， 利用主成分分析法对这些特征进行主成分分析，最后采用基于二叉树的多分类 SVM 对塑料薄膜的缺陷进行分类，最终实现缺陷的实时显示和缺陷的自动分类 和统计，最终方便用户进行历史查询，与实际缺陷产品进行对照，方便客户操作。 3) 将利用改进的基于上下文的显著性检测方法和图像分割、边缘提取、神经 网络和其他显著性检测法方法进行比较。实验结果表明，本文提取的方法能够很 好地检测薄膜包装的破损情况。 关键词：超像素分割；显著性检测；上下文；主成分分析；二叉树的多分类 SVM A DEFECT DTTECTION OF TRANSPARENT PLASTICS BASED ON CONTEXT-AWARE SALIENCY DETECTION Abstract With the development of science and technology and the advent of the era of big data, the images containing lots of data information spring out like bamboo shoots. How to accurately identify significant parts of the image and then how to use this data for detection has become more and more important. The emergence of saliency detection is the key to this problem. The purpose of saliency detection is to detect fixed-point or highlight in the image which can catch people’s attention at first sight. Saliency detection simulates the human visual system in which eyes can observe images, the brain analyze, and then the body response. Human can response to the complex envi