刘 贺，马小燕，张 静

(扬州工业职业技术学院1.信息中心；2.智能制造学院;3.信息工程学院，江苏 扬州 225127)

0 引 言

随着产品包装技术的发展，对牙刷包装的要求越来越高，在产品出厂时需要对牙刷包装进行缺陷定位检测，分析牙刷包装的缺陷分布，提高牙刷包装的精密度。结合缺陷重建和特征分析方法进行牙刷包装检测，采用人工视觉特征分析方法，建立牙刷包装缺陷检测的大数据分析模型，提高牙刷包装缺陷的分布式检测和信息融合能力，因此对于牙刷包装缺陷检测方法的研究在牙刷包装质量检测与评估中具有重要意义[1]。传统方法在缺陷检测过程中主要结合Sketchup、Auto CAD等软件进行牙刷包装缺陷的三维建模，具有局限性[2]，对此本文提出基于数据挖掘技术的牙刷包装缺陷检测方法。构建牙刷包装缺陷的视觉信息采样模型，采用统计分析方法进行牙刷包装缺陷分布特征检测，利用信息增强和模糊聚类分析方法，实现对牙刷包装缺陷的大数据挖掘和检测，最后进行仿真测试分析，验证了本文方法在提高牙刷包装缺陷检测能力方面的优越性能。

1 牙刷包装视觉图像采集和特征预处理

1.1 牙刷包装视觉图像采集

为了实现牙刷包装缺陷检测，需要构建牙刷包装视觉信息采样模型，对牙刷包装视觉图像进行超像素特征提取，结合三维视觉重建方法实现牙刷包装缺陷检测定位[3]，首先需要对牙刷包装图像进行三维轮廓重构，采用Ray-Casting进行牙刷包装图像特征扫描，采用Harris角点检测方法实现牙刷包装图像的分布式融合，得到牙刷包装的视觉成像输出为：

(1)

根据信息增强和模糊聚类方法，将牙刷包装图像的纹理子空间表示为：

(2)

上式中

(3)

根据牙刷包装图像模糊纹理分布，设定相关性K，求出牙刷包装图像模板匹配的疏线性方程组为：

g(x,y)=h(x,y)*f(x,y)+η(x,y)

(4)

其中，h(x,y)是牙刷包装图像纹理特征分布特征函数，符号*表示卷积。采用模糊度特征提取方法进行牙刷包装视觉信息融合处理[4]，得到的结果为：

(5)

为实现牙刷包装图像的超像素分割，采用大数据挖掘方法进行牙刷包装图像特征检测[5]。假设牙刷包装图像的模糊度特征量为M，进行M-1次迭代，牙刷包装图像检测的模糊迭代公式如下：

(6)

计算在大数据环境下牙刷包装图像特征差异像素值[6]，进而得到牙刷包装图像的边缘像素估计值为：

(7)

1.2 包装缺陷特征提取

采用分块特征检测和区域模块化特征匹配方法进行牙刷包装缺陷定位[7]，得到牙刷包装缺陷的边缘轮廓区域分布：

L(w,b,e,α)=J(w,e)-

(8)

式中，αi为牙刷包装缺陷检测的拉格朗日乘子。采用灰度像素特征分解方法进行牙刷包装缺陷图像的增强处理，得到增强的像素分布矩阵为：

(9)

其中：

(10)

式中，I表示单位矩阵，用自相关特征匹配方法进行牙刷包装缺陷定位，得到牙刷包装缺陷检测的模糊统计特征量Qij=(φ(xi)φ(xj))。在灰度像素区域内根据牙刷包装缺陷的分布状态进行信息融合[8]，得到牙刷包装缺陷特征提取结果为：

(11)

式中，σ为牙刷包装缺陷的仿射不变区域分割参数。

2 包装缺陷检测优化方法

2.1 包装缺陷大数据挖掘

对牙刷包装视觉图像进行超像素特征提取，建立牙刷包装缺陷的大数据分布集，结合模糊信息采样技术进行牙刷包装缺陷的信息采样和多分辨融合，利用一组牙刷包装视觉图像训练样本构造主特征向量空间，以实现牙刷包装缺陷纹理的分布式组合重构[9]，得到牙刷包装缺陷的纹理分布函数如下所示：

(12)

(13)

以像素点i为中心，进行牙刷包装缺陷的融合检测，在得到的牙刷包装视觉图像的仿射不变区域中进行图像分割[10]，假设前l个牙刷包装视觉图像的几何特征向量为e1,e2,...,el，在重叠区域内，牙刷包装缺陷检测的迭代方程如下：

(14)

其中，c3·rand(.)和c4·rand(.)为牙刷包装缺陷的大数据分布节点，其表达式为：

(15)

(16)

其中，c3和c4称为牙刷包装缺陷的差异性特征量。对于牙刷包装缺陷图像的灰色样本集(xi,yi)，用xi表示输入，yi表示相应牙刷包装缺陷图像输出，得到牙刷包装缺陷特征分布函数为：

f(x)=wTφ(x)+b

(17)

式中，ω为牙刷包装缺陷检测的模糊度函数，b为牙刷包装缺陷检测的偏置量。计算各像素点与聚类中心间距，根据缺陷相似性原理进行牙刷包装缺陷定位，得到牙刷包装缺陷大数据挖掘结果为：

yi=wTφ(x)+b+ei,i=1,2,…,l

(18)

式中，C为牙刷包装缺陷检测的惩罚参数；ei为牙刷包装缺陷检测的差异度函数，结合缺陷分布进行信息融合，提高牙刷包装缺陷检测性能[11]。

2.2 包装缺陷检测输出

P(i,j)(i∈[0,int(W/2)-1],j∈[0,int(H/2)-1])

(19)

对牙刷包装视觉特征分布集进行信息融合，定义牙刷包装视觉分布权系数：

(20)

在仿射不变区域内，进行牙刷包装视觉像素重构，获得牙刷包装缺陷视觉检测结果[12]：

Eimage(Vi)=-

|I(xi-1,yi+1)+2I(xi,yi+1)+I(xi+1,yi+1)-

I(xi-1,yi-1)-2I(xi,yi-1)-I(xi+1,yi-1)|+

|I(xi+1,yi-1)+2I(xi+1,yi)+I(xi+1,yi-1)-

I(xi-1,yi-1)-2I(xi-1,yi)-I(xi-1,yi+1)|

(21)

由此完成了牙刷包装缺陷视觉检测，结合块区域特征匹配方法实现牙刷包装视觉缺陷定位，其中牙刷包装缺陷点定位函数为：

(22)

利用区域轮廓检测方法，得到牙刷包装缺陷分布长度为：

(23)

对于k个邻近点，牙刷包装缺陷的纹理特征分布为：

SSIM(x,y)=[l(x,y)]α·[c(x,y)]β·[s(x,y)]γ

(24)

牙刷包装局部缺陷的信息增量为：

(25)

牙刷包装缺陷检测结果的输出为：

I(x)=J(x)t(x)+A(1-t(x))

(26)

其中，A表示不同成像区域内牙刷包装视觉图像的分块像素集，t(x)为牙刷包装视觉图像的最大本征值，J(x)t(x)表示牙刷包装视觉图像的像素强度。取未知样本的k个近邻，把待识别的牙刷包装视觉图像输入特征分块子空间中，实现牙刷包装缺陷自动检测。

3 仿真测试分析

为了验证本方法在实现牙刷包装缺陷检测中的应用性能，进行实验测试。牙刷包装视觉图像采样的灰度像素集为120*120，模糊迭代次数为1200，缺陷检测的自适应学习权重为0.14，初始像素集为400*400，缺陷特征分布阈值Tth=0.25，根据上述仿真环境和参数设定，进行牙刷包装缺陷检测。原始牙刷包装视觉图像如图1所示。

图1 牙刷包装视觉图像

以图1作为研究对象，结合模糊信息采样技术进行牙刷包装缺陷的信息采样和多分辨融合，建立牙刷包装图像的信息融合模型，得到缺陷检测结果如图2所示。

图2 边缘轮廓检测结果

分析图2得知，本方法能够实现牙刷包装缺陷检测。测试不同方法的检测精度，得到的对比结果如表1所示。分析表1得知，本方法进行牙刷包装缺陷检测的精度较高。

表1 检测精度对比

4 结 语

为提高牙刷包装缺陷检测精度，提出基于数据挖掘技术的牙刷包装缺陷检测方法。构建牙刷包装缺陷的视觉信息采样模型，对牙刷包装视觉图像进行超像素特征提取，建立牙刷包装图像的信息融合模型，采用统计分析方法进行牙刷包装缺陷分布特征检测，根据信息增强和模糊聚类分析方法，实现牙刷包装缺陷检测。仿真实验结果表明，采用本文方法进行牙刷包装缺陷检测的精度较高，自适应性较好，实用性更强。