基于HOG特征与SVM的胶体气泡识别方法研究.docx

基于HOG特征与SVM的胶体气泡识别方法研究 Abstract： In this paper， a classification method based on HOG feature and Support Vector Machine is proposed to replace manual method to detect colloid bubble in the optical fiber connector. Firstly， this method gets the image about colloidal part from video frame by frame， making positive and negative training sample set and test set according to the sample. Then， the appropriate parameters are selected to extract colloid bubble HOG features from training set and test set， and HOG features trained and tested by the Support Vector Machine （SVM） to detect whether there is a bubble. Finally， the classification results of this method are verified by artificial recognition. The results show that this method can effectively classify the samples without bubbles and gain obvious advantages in time and manpower. 引言 近年来，光纤技术随着科学研究的发展而迅速崛起为现代新兴实用门类之一。光纤活动连接器作为光纤技术中的一个重要部件，通常要经过裁缆、穿散件、剥纤、注胶、穿纤、加热、断纤、组装、机磨、检测、包装等一系列加工组装环节。然而，在其注胶和固化的过程中，会因为一些人为因素导致光纤活动连接器中间的胶体部分产生气泡，比如人工参与注胶是由于无法一直保持稳定性或者点胶路径未臻完美而产生气泡，并且在加热阶段过后会使这些胶体气泡更加明显。大约100个产品中会存在3～5个带有胶体气泡的产品。这种带有气泡的光纤活动连接器若在恶劣的工作环境下付诸使用会导致炸胶现象，会急剧缩短光纤电子元器件的使用寿命。 现阶段，对于光纤活动连接器的胶体部分是否存在气泡依然处于人工识别的阶段，也就是通过电子显微镜依靠人眼来检测产品是否合格，不仅速度慢、强度大，而且也削弱了所得结果的客观性。光纤活动连接器及内部气泡的视像效果可如图1所示。 对于传统的图像处理方法，由于不同样本的环境或多或少皆有不同，其二值化过程中的阈值则将难以选取，不同的产品生成结果也不尽相同；而对于神经网络法，虽然其适应性好、抗干扰能力强、准确率高，但识别速度较慢，并且在识别过程中容易产生过学习[1]。基于此，本文将提出一种基于方向梯度直方图特征（Histogram of Oriented Gradient，HOG）与支持向量机（Support Vector Machine，SVM）的方法源嬖诮禾迤的产品进行识别与分类。一方面，这种方法能代替人工做到产品特征的识别；另一方面，这种方法兼顾训练误差和泛化能力，在解决小样本、非线性、高维数、局部极小值等模式识别问题中具有诸多鲜明的独特优势[。下面将对此展开研究论述。 1方向梯度直方图特征 方向梯度直方图特征是一种在图像处理以及计算机视觉领域中用来检测物体的特征描述符。其主要思想是图像的局部目标的表象和现状能够很好地被梯度或方向密度分布来描述，首先将图像分成很小的细胞单元，接着采集每个细胞单元中各个像素点的梯度的或边缘的方向直方图，最后将这些直方图组合起来便构成了HOG特征描述器[3]。在此，给出HOG特征提取算法的流程步骤具体如下。 （1）使用Gamma校正法对颜色空间归一化。由于局部的表层曝光在图像纹理强度中的比重较大，为了能够减少光照等因素对图像的影响，需要将图像进行归一化处理，通常是先将其转为灰度图。Gamma压缩公式为：I（x，y）=I（x，y）gamma（1）其中，I（x，y）表示图像，gamma表示校正值。 θx，y=arctanGxx，yGyx，y（5）（3）构建每个细胞单元的梯度方向直方图。将梯度方向量化成9个直方图通道，对细胞单元中的每个像素点都基于这9个方向的直方图通道进行加权投票，其中9个直方