劉小勇,鄭琨

(西安交通大學(xué)電子與信息工程學(xué)院, 710049, 西安)

光纖缺陷實(shí)時(shí)檢測(cè)與分類方法研究

劉小勇,鄭琨

(西安交通大學(xué)電子與信息工程學(xué)院, 710049, 西安)

針對(duì)人工檢測(cè)高速運(yùn)動(dòng)光纖表面缺陷的效率低、準(zhǔn)確性差、難以實(shí)時(shí)檢測(cè)等問題,設(shè)計(jì)實(shí)現(xiàn)了一套基于機(jī)器視覺的快速光纖缺陷檢測(cè)系統(tǒng)。定義光纖缺陷,建立分類數(shù)據(jù)庫(kù)和分類標(biāo)準(zhǔn);設(shè)計(jì)全方位數(shù)據(jù)采集系統(tǒng)自動(dòng)連續(xù)獲取光纖表面圖像信息,輸入工控機(jī)進(jìn)行處理;提取光纖目標(biāo)區(qū)域,獲得光纖缺陷形態(tài)學(xué)特征數(shù)據(jù);針對(duì)光纖缺陷特點(diǎn)和AdaBoost分類器的優(yōu)缺點(diǎn),設(shè)計(jì)了一種改進(jìn)的基于形態(tài)特征的AdaBoost級(jí)聯(lián)分類器用于光纖缺陷檢測(cè)與分類,實(shí)現(xiàn)了光纖質(zhì)量的實(shí)時(shí)監(jiān)控。最后,將改進(jìn)算法與標(biāo)準(zhǔn)AdaBoost算法在實(shí)際工業(yè)環(huán)境下進(jìn)行對(duì)照實(shí)驗(yàn),實(shí)驗(yàn)數(shù)據(jù)表明,改進(jìn)算法的準(zhǔn)確率達(dá)到99%以上,同時(shí)能大幅減少檢測(cè)耗時(shí),證明了所設(shè)計(jì)的檢測(cè)系統(tǒng)具有很好的實(shí)時(shí)性和準(zhǔn)確性。

光纖缺陷;快速檢測(cè);形態(tài)特征;AdaBoost級(jí)聯(lián)分類器

光纖制導(dǎo)導(dǎo)彈所用線包在繞制之前必須進(jìn)行光纖表面缺陷檢測(cè),以保證其完整性。目前通常依靠人工檢測(cè):檢查者觀察采集系統(tǒng)拍攝到的光線表面圖像,人工判定是否存在缺陷。檢查者需要連續(xù)工作,容易疲倦,導(dǎo)致檢查效率低下,且人工檢測(cè)難以保證標(biāo)準(zhǔn)一致,產(chǎn)品質(zhì)量不穩(wěn)定。線包繞制過程中,光纖行進(jìn)速率通常為1～1.5m/s,人眼在這樣的速度下很難看清光纖上的缺陷,人工檢測(cè)只能通過降低繞制速度提高檢測(cè)準(zhǔn)確率,但這樣不利于實(shí)現(xiàn)光纖的全自動(dòng)繞制。因此,設(shè)計(jì)一種非接觸式的、實(shí)時(shí)可靠、成本低、自動(dòng)化程度高的光纖缺陷檢測(cè)分類方法具有重要的現(xiàn)實(shí)意義,而機(jī)器視覺檢測(cè)技術(shù)為該問題提供了可行的解決方案。

機(jī)器視覺檢測(cè)技術(shù)利用圖像采集系統(tǒng)獲取圖像,采用圖像處理算法提取圖像中的關(guān)鍵信息,運(yùn)用各種分類識(shí)別算法檢測(cè)出目標(biāo)。提取信息的方法主要分為兩類:一類是頻域分析法,貢玉南等[1]設(shè)計(jì)Gabor濾波器檢測(cè)織物疵點(diǎn),此類方法適合具有一定規(guī)律紋理的圖片;另一類是分析空間域檢測(cè)圖像中的形態(tài)學(xué)信息法,胡濤等[2]采用聯(lián)通區(qū)域獲取PCB板目標(biāo)區(qū)域,采用輪廓匹配算法識(shí)別PCB缺陷,這種方法適合標(biāo)準(zhǔn)形狀目標(biāo)中缺陷的檢測(cè)。分類識(shí)別算法有支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)分類器、主成分分析等算法。這些方法多面臨計(jì)算量大或者訓(xùn)練周期較長(zhǎng)的問題,故不適應(yīng)實(shí)時(shí)性要求高的系統(tǒng)。

缺陷檢測(cè)的問題關(guān)鍵在于目標(biāo)信息的提取和識(shí)別算法的設(shè)計(jì),要根據(jù)實(shí)際問題的特點(diǎn)設(shè)計(jì)合適的方法。本文中需要檢測(cè)的光纖缺陷主要有黑斑、表面損傷和線徑異常3種,這些缺陷會(huì)造成光纖斷裂和繞制不均勻。黑斑是由于光纖加強(qiáng)層制造過程中摻入雜質(zhì)所致,呈現(xiàn)不規(guī)則斑點(diǎn)形狀;表面損傷是由于加強(qiáng)層制造完成后受到破壞所致,嚴(yán)重的情況會(huì)損傷到光纖纖芯,呈現(xiàn)不規(guī)則邊緣凹陷和凸起;線徑異常是由于加強(qiáng)層過厚或者過薄造成,異常部位的直徑大于或者小于光纖標(biāo)準(zhǔn)直徑。根據(jù)這些缺陷的特點(diǎn),提取了缺陷目標(biāo)形態(tài)特征,設(shè)計(jì)了級(jí)聯(lián)的AdaBoost分類器對(duì)其進(jìn)行分類。AdaBoost是一種迭代算法,可以通過組合多個(gè)弱分類器形成高精度的強(qiáng)分類器,對(duì)弱分類器的精度要求低。對(duì)于系統(tǒng)實(shí)時(shí)性要求高的特點(diǎn),本文設(shè)計(jì)了一種改進(jìn)的AdaBoost算法,用形態(tài)學(xué)特征值代替AdaBoost常用的矩形特征值,大幅減少特征值數(shù)量從而降低分類器計(jì)算量,減少分類器耗時(shí),同時(shí)級(jí)聯(lián)多個(gè)分類器來減少平均檢測(cè)時(shí)間,最終滿足系統(tǒng)實(shí)時(shí)性要求。

1 光纖檢測(cè)系統(tǒng)硬件結(jié)構(gòu)

光纖缺陷檢測(cè)系統(tǒng)由圖像采集系統(tǒng)、速度檢測(cè)模塊和工控機(jī)組成。數(shù)據(jù)采集系統(tǒng)結(jié)構(gòu)圖如圖1所示,包括光源、高放大倍數(shù)的鏡頭和面陣工業(yè)相機(jī)。光纖速度檢測(cè)模塊由基于PCI總線的編碼器、正交脈沖計(jì)數(shù)卡及編碼器組成。

圖1 光纖缺陷檢測(cè)圖像采集系統(tǒng)示意圖

3個(gè)工業(yè)相機(jī)安裝在垂直于光纖的同一個(gè)平面上,互成120°角,同時(shí)采集3路圖像,以便獲取完整的光纖表面信息。系統(tǒng)工作時(shí),光纖在導(dǎo)輪上運(yùn)動(dòng),帶動(dòng)編碼器旋轉(zhuǎn),編碼器輸出信號(hào)進(jìn)入脈沖計(jì)數(shù)卡,工控機(jī)通過該卡板獲得光纖位置和速度信息,光纖運(yùn)行一幀圖像實(shí)際長(zhǎng)度后,板卡輸出相機(jī)觸發(fā)信號(hào),工業(yè)相機(jī)獲得觸發(fā)信號(hào)抓取圖像并傳回給工控機(jī),工控機(jī)讀取數(shù)據(jù)進(jìn)行缺陷檢測(cè)。如果檢測(cè)到缺陷,工控機(jī)將圖像數(shù)據(jù)和缺陷信息保存到數(shù)據(jù)庫(kù)中,并且顯示缺陷信息到人機(jī)界面上。缺陷信息包括缺陷類型、缺陷程度、缺陷在光纖的位置、光纖速度和光纖實(shí)測(cè)線徑等數(shù)據(jù)。

2 缺陷檢測(cè)與分類算法

2.1 檢測(cè)算法性能需求分析

系統(tǒng)要求能夠識(shí)別出大于0.2mm×0.2mm的缺陷,最低分辨率應(yīng)滿足一個(gè)像素對(duì)應(yīng)0.04mm2。為便于精確檢測(cè),保留一定的冗余量,一個(gè)像素對(duì)應(yīng)4×10-4mm2,即最小的黑斑缺陷對(duì)應(yīng)100個(gè)像素。采用分辨率為640×480的相機(jī),其水平視場(chǎng)的極限為12.8 mm。光纖的運(yùn)動(dòng)速度最大為1.5m/s,為保證拍攝到光纖表面所有缺陷,圖像幀率為139。系統(tǒng)采用3個(gè)相機(jī)同時(shí)工作,1 s內(nèi)需要處理的圖像數(shù)量為417幀,每幀圖像的處理時(shí)間為2.4ms。缺陷檢測(cè)分類算法既要保證檢測(cè)分類的準(zhǔn)確性,又要滿足系統(tǒng)實(shí)時(shí)性的要求。

2.2 目標(biāo)區(qū)域提取

采集到的圖片普遍存在邊緣模糊、對(duì)比度偏弱、目標(biāo)區(qū)域難以提取等問題,因此采用方形模板的中值濾波器對(duì)圖像進(jìn)行濾波,并進(jìn)行對(duì)比度線性展寬和γ校正相處理,從而提高光纖圖像的清晰度和對(duì)比度;然后采用最大類間差法[3]選擇分割閾值來區(qū)分背景,提取目標(biāo)區(qū)域,同時(shí)對(duì)圖像進(jìn)行閉運(yùn)算等一系列形態(tài)學(xué)處理,消除目標(biāo)邊緣毛刺內(nèi)部細(xì)小孔洞,并根據(jù)目標(biāo)區(qū)域的面積、長(zhǎng)度等信息最終找到圖片中的光纖目標(biāo)。

2.3 基于矩形特征的AdaBoost分類器檢測(cè)算法

(1)AdaBoost算法[4]通過組合多個(gè)弱分類器構(gòu)造出高精度強(qiáng)分類器,其基本原理是:對(duì)樣本集進(jìn)行訓(xùn)練,若樣本沒有被當(dāng)前弱分類器正確分類,則在訓(xùn)練下一個(gè)弱分類器時(shí)該樣本被選入訓(xùn)練集的概率增加;若被正確分類,則概率減小。算法能夠聚焦于更多信息的樣本上,從而提高分類的準(zhǔn)確度。

假設(shè)X表示樣本空間,Y表示樣本標(biāo)識(shí)集合,S={(x1,y1),(x2,y2),…,(xN,yN)}表示訓(xùn)練樣本集合,xi∈X,yi∈Y,i=1,2,…,N。AdaBoost算法如下[5]:

{初始化樣本的權(quán)值,

fort=1,2,…,T(T表示迭代過程的輪數(shù))

①根據(jù)樣本權(quán)值Dt,調(diào)用弱學(xué)習(xí)算法獲得弱分 類器ht:X→Y;

如果εt≥0.5,終止算法;

③計(jì)算樣本權(quán)值

at表示第t輪產(chǎn)生的弱分類器ht(x)的權(quán)重,由第t輪分類錯(cuò)誤的樣本權(quán)值和εt決定,εt越小表示ht(x)越重要,權(quán)重越大。}

Freund等首先從理論上推導(dǎo)出了H(x)的訓(xùn)練誤差邊界[5-6]

(1)

由式(1)可知,增加迭代次數(shù)和弱分類器數(shù)量,可以降低總體分類誤差上限,提高強(qiáng)分類器對(duì)樣本的分類精度。

(2)AdaBoost分類器通常采用矩形特征[7-8],常用的5個(gè)矩形特征模板如圖2所示。

圖2 AdaBoost分類器常用的矩形特征模板

矩形特征值為黑色區(qū)域的像素灰度值的和與白色區(qū)域的像素灰度值的和的差值。假設(shè)圖像大小為W×H,特征模板大小為w×h,那么樣本圖像產(chǎn)生的特征數(shù)量可由下式計(jì)算

對(duì)于圖2所示的5種特征模板,20×20的圖像有88 460種矩形特征,矩形特征的數(shù)量遠(yuǎn)遠(yuǎn)超出了圖像的像素?cái)?shù)。

(3)Adaboost分類器具有很強(qiáng)的泛化能力,通過增加弱分類器個(gè)數(shù)和迭代次數(shù)能夠達(dá)到很高的準(zhǔn)確性,但是Adaboost分類器也有不足之處:訓(xùn)練周期長(zhǎng),樣本數(shù)據(jù)多,需要對(duì)大量特征值多輪迭代生成多個(gè)弱分類器,耗費(fèi)大量時(shí)間;分類耗時(shí)長(zhǎng),獲取特征值計(jì)算量大,大量的特征值導(dǎo)致強(qiáng)分類器中包含大量弱分類器,分類計(jì)算復(fù)雜,難以實(shí)現(xiàn)實(shí)時(shí)檢測(cè)。

2.4 改進(jìn)的AdaBoost級(jí)聯(lián)分類器

本文根據(jù)實(shí)際情況,提出用具有實(shí)際物理意義的形態(tài)特征值代替常用的矩形特征值的AdaBoost級(jí)聯(lián)分類器方法。該方法可以大幅減少特征值數(shù)量,減少了分類器的計(jì)算量,滿足了系統(tǒng)的實(shí)時(shí)性要求,并且所有的特征值在缺陷上有對(duì)應(yīng)的含義,操作人員可以在人機(jī)界面輸入?yún)?shù)來干預(yù)分類過程。

(1)AdaBoost算法中需要大量訓(xùn)練樣本,樣本的數(shù)量和質(zhì)量直接關(guān)系到算法的性能。本文的樣本數(shù)據(jù)全部采用實(shí)際環(huán)境中不同角度拍攝的光纖圖像,以確保訓(xùn)練樣本和實(shí)際檢測(cè)樣本的一致性。

(2)光纖圖像通過處理可以獲得帶有實(shí)際物理意義的特征值。對(duì)所有需要檢測(cè)的光纖缺陷進(jìn)行粒子分析,獲取粒子面積、粒子周長(zhǎng)、孔的個(gè)數(shù)、孔的面積、粒子的邊界信息等數(shù)據(jù)。這些數(shù)據(jù)作為分類器的特征值能夠準(zhǔn)確描述光纖和缺陷的形態(tài)特征。

(3)采用閾值分類作為弱分類方法。訓(xùn)練弱分類器就是根據(jù)當(dāng)前特征和當(dāng)前權(quán)重分布,確定對(duì)應(yīng)的最優(yōu)閾值θ*,使得這個(gè)弱分類器對(duì)所有訓(xùn)練樣本的分類誤差最低。采用從累積直方圖中查找閾值θ的方法[9]求解θ*,具體操作步驟是:計(jì)算所有訓(xùn)練樣本的特征值,統(tǒng)計(jì)每個(gè)特征值對(duì)應(yīng)下的缺陷圖片占總樣本數(shù)目的比例和正常圖片占總樣本數(shù)目的比例,進(jìn)一步獲取缺陷圖片累積數(shù)量和正常圖片累積數(shù)量占圖片總數(shù)的比例,如圖3所示,f(x)代表特征值,S代表圖片累積數(shù)量占圖片總數(shù)量的比例,在特征值閾值θ下,Sf是判斷為缺陷的圖片數(shù)占樣本總數(shù)的比例,Sn是判斷為正常圖片的數(shù)目占樣本總數(shù)的比例。

圖3 最優(yōu)閾值計(jì)算方法

該閾值分類器的分類誤差為

e=1-Sf+Sn

(2)

計(jì)算所有的特征值f(x)對(duì)應(yīng)的分類誤差e,找出最小分類誤差所對(duì)應(yīng)的閾值,該閾值就是最優(yōu)分類閾值θ*,利用這個(gè)最優(yōu)閾值生成一個(gè)弱分類器。

(4)通過AdaBoost分類器級(jí)聯(lián)研究實(shí)際光纖樣本圖片發(fā)現(xiàn),在所有圖片中缺陷圖片所占比例較小,低于10%,具有明顯的正負(fù)樣本分布不均衡、不對(duì)稱的特點(diǎn),這樣的特點(diǎn)適合采用級(jí)聯(lián)分類器[10]。在圖4所示的級(jí)聯(lián)分類器中,每個(gè)分類器的分類對(duì)象輸入是前一級(jí)分類器的未識(shí)別對(duì)象輸出,已經(jīng)識(shí)別的對(duì)象不再進(jìn)入下一級(jí)分類器,各級(jí)分類器通過輸入不同的特征向量和內(nèi)部運(yùn)算對(duì)分類對(duì)象進(jìn)行分類。

圖4 級(jí)聯(lián)分類器結(jié)構(gòu)

假定第i個(gè)分類器的識(shí)別率、拒識(shí)率和誤識(shí)率分別用ri、δi和mi來表示,則整個(gè)系統(tǒng)的識(shí)別率

(3)

整個(gè)系統(tǒng)的拒識(shí)率

(4)

整個(gè)系統(tǒng)的誤識(shí)率

(5)

式中:δj=1-rj-mj。

由式(3)知,增加分類器級(jí)數(shù),可以提高識(shí)別率。根據(jù)光纖缺陷的特點(diǎn),設(shè)計(jì)了如圖5所示的AdaBoost 3級(jí)分類器。第1級(jí)分類器算法簡(jiǎn)單,采用目標(biāo)粒子數(shù)據(jù)作為特征值,可以過濾大部分正常圖像,大大減輕了2、3級(jí)分類器的負(fù)荷,減少了平均檢測(cè)時(shí)間。第2級(jí)分類器采用邊緣信息作為分類器特征值,第3級(jí)分類器采用線徑大小作為分類器特征值。2、3級(jí)分類器特征值數(shù)量增多,包含較多弱分類器,可對(duì)缺陷進(jìn)行精確劃分。

圖5 光纖缺陷檢測(cè)3級(jí)分類器

針對(duì)AdaBoost分類器只能進(jìn)行正負(fù)樣本分類的問題,本設(shè)計(jì)將多分類問題轉(zhuǎn)化為多個(gè)二分類問題,每1級(jí)分類器中有2個(gè)并聯(lián)的AdaBoost分類器。

3 測(cè)試結(jié)果

本文設(shè)計(jì)的光纖缺陷檢測(cè)系統(tǒng)運(yùn)行平臺(tái)為Intel i7-2600處理器,主頻3.4GHz、8 GB內(nèi)存的工控機(jī)。機(jī)器視覺圖像方法在光纖缺陷檢測(cè)中鮮有應(yīng)用,作為對(duì)照,本文在該平臺(tái)采用常用的矩形特征值的標(biāo)準(zhǔn)AdaBosst算法進(jìn)行測(cè)試。系統(tǒng)要求檢出大于0.2mm×0.2mm的黑斑缺陷,寬度大于0.2mm的外表?yè)p傷缺陷,超出光纖直徑5%的線徑異常缺陷。

2種方法經(jīng)長(zhǎng)時(shí)間循環(huán)測(cè)試,獲取了大量實(shí)驗(yàn)數(shù)據(jù),如表1和表2所示,由于訓(xùn)練樣本和實(shí)際使用環(huán)境中的檢測(cè)樣本一致性較高,缺陷形態(tài)種類完善,所以2種算法對(duì)3種缺陷的檢測(cè)率都達(dá)到了97%以上,改進(jìn)算法達(dá)到99%以上。改進(jìn)的AdaBoost算法對(duì)外表?yè)p傷缺陷有相對(duì)較多的誤檢是由于光纖上的粘結(jié)劑碎屑干擾了檢測(cè)。標(biāo)準(zhǔn)算法對(duì)黑斑缺陷和外表?yè)p傷缺陷的檢測(cè)率高于改進(jìn)算法,并且有更低的誤檢率,但是對(duì)線徑異常缺陷的檢測(cè)率低于改進(jìn)算法。這是由于線徑異常缺陷較難在矩形特征中體現(xiàn)出來,而采用形態(tài)學(xué)特征很容易檢測(cè)這樣的缺陷。

表1 改進(jìn)的AdaBoost分類器檢測(cè)結(jié)果統(tǒng)計(jì)

表2 標(biāo)準(zhǔn)AdaBoost分類器檢測(cè)結(jié)果統(tǒng)計(jì)

2種算法進(jìn)行圖像處理與缺陷檢測(cè)的耗時(shí)如表3和表4所示。改進(jìn)的AdaBosst算法處理與檢測(cè)正常光纖圖像的平均耗時(shí)為1.28 ms,檢測(cè)有缺陷光纖圖像耗時(shí)3.16 ms。在處理與缺陷檢測(cè)算法中,采用隊(duì)列結(jié)構(gòu)用于平均圖像的處理和檢測(cè)時(shí)間,能夠保證平均處理時(shí)間在2.4ms以內(nèi),在光纖以1.5m/s的速率繞制過程中檢測(cè)沒有丟失數(shù)據(jù),滿足系統(tǒng)的實(shí)時(shí)性要求。標(biāo)準(zhǔn)AdaBoost算法由于不針對(duì)具體特征,使用分類器級(jí)聯(lián)效果不明顯,正常光纖和有缺陷光纖檢測(cè)耗時(shí)都為16 ms以上,不能滿足系統(tǒng)實(shí)時(shí)性的要求。

表3 改進(jìn)AdaBosst算法耗時(shí) ms

表4 標(biāo)準(zhǔn)AdaBoost算法耗時(shí) ms

4 結(jié) 論

AdaBoost分類算法通過組合多個(gè)結(jié)構(gòu)簡(jiǎn)單、準(zhǔn)確性要求不高的弱分類器構(gòu)造出任意精度的強(qiáng)分類器。本文首次嘗試將此分類器應(yīng)用于光纖缺陷檢測(cè)系統(tǒng),根據(jù)實(shí)際光纖缺陷的特點(diǎn),針對(duì)通常采用的矩形特征值數(shù)量多、計(jì)算量大的問題,提出了采用光纖缺陷形態(tài)數(shù)據(jù)作為特征值的改進(jìn)方法,大大減少了分類器的運(yùn)算量和檢測(cè)耗時(shí),并設(shè)計(jì)了AdaBoost級(jí)聯(lián)分類器以提高檢測(cè)精度,并減少平均檢測(cè)時(shí)間。與標(biāo)準(zhǔn)Adaboost算法對(duì)比,改進(jìn)算法能夠達(dá)到與標(biāo)準(zhǔn)算法相同的檢測(cè)精度,同時(shí)大大縮短了檢測(cè)時(shí)間,滿足了系統(tǒng)的實(shí)時(shí)性要求。經(jīng)實(shí)際測(cè)試,改進(jìn)算法的光纖缺陷檢測(cè)系統(tǒng)工作穩(wěn)定、準(zhǔn)確率高,較好地實(shí)現(xiàn)了對(duì)快速運(yùn)動(dòng)光纖缺陷的實(shí)時(shí)檢測(cè)。

[1] 貢玉南, 華建興, 黃秀寶. 基于匹配Gabor濾波器的規(guī)則紋理缺陷檢測(cè)方法 [J]. 中國(guó)圖象圖形學(xué)報(bào), 2001, 6(7): 14-18.

GONG Yunan, HUA Jianxing, HUANG Xiubao. Regular texture defect detection based on matched Gabor filters [J]. Journal of Image and Graphics, 2001, 6(7): 14-18.

[2] 胡濤. 基于輪廓對(duì)比的PCB裸板缺陷檢測(cè)算法研究 [D]. 武漢: 華中科技大學(xué), 2009.

[3] OTSU N. A threshold selection method from gray-level histograms [J]. Automatica, 1975, 11(1): 23-27.

[4] FREUND Y, SCHAPIRE R E. A decision-theoretic generalization of on-line learning and an application to boosting [J]. Journal of Computer and System Sciences, 1997, 55(1): 119-139.

[5] LIENHART R, KURANOV A, PISAREVSKY V. Empirical analysis of detection cascades of boosted classifiers for rapid object detection [C]∥Proceedings of the 25th German Pattern Recognition Symposium. Berlin, Germany: Springer, 2003: 297-304.

[6] SCHAPIRE R E, SINGER Y. Improved boosting algorithms using confidence-rated predictions [J]. Machine Learning, 1999, 37(3): 297-336.

[7] PAUL V, MICHAEL J. Robust real-time object detection, TR CRL 2001-01 [R]. Cambridge, UK: Cambridge Research Laboratory, 2001.

[8] VIOLA P, JONES M. Rapid object detection using a boosted cascade of simple features [C]∥Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. Piscataway, NJ, USA: IEEE, 2001: 511-518.

[9] MEYNET J. Fast face detection using AdaBoost pattern recognition[EB/OL]. [2003-07-16]. http:∥ftp.utcluj.ro/pub/users/nedevschi/AV/References/B3_Face%20detection/Meynet 2003_923.pdf.

[10]趙鋒, 薛惠鋒, 王偉, 等. 采用多級(jí)分類器的手寫數(shù)字識(shí)別技術(shù)研究 [J]. 微電子學(xué)與計(jì)算機(jī), 2006, 30(12): 30-32.

ZHAO Feng, XUE Huifeng, WANG Wei, et al. Handwritten digit recognition technology based on multistage classifying device [J]. Microelectronics & Computer, 2006, 30(12): 30-32.

(編輯 趙煒)

ResearchonOpticalFiberDefectReal-TimeDetectionandClassification

LIU Xiaoyong,ZHENG Kun

(School of Electronics and Information Engineering, Xi’an Jiaotong University, Xi’an 710049, China)

A real-time optical fiber defect detection system based on machine vision is designed to solve the problem that manual method is inefficient and imprecise in detecting fast moving fiber. Fiber defects are defined to establish a database and criterions for classification. Continuous fiber images captured automatically by 3industrial cameras are transmitted to IPC for classification, and the IPC obtains morphological characteristics data of defects in fiber target after image processing. An advanced AdaBoost cascade classifier based on morphological characteristics is designed to analyze the defect image features. The advanced AdaBoost method and the classical AdaBoost method are tested under industry condition, and detection results show that the detection accuracy of the system with advanced AdaBoost is over 99% but the system with advanced AdaBoost takes much less time. It can be concluded that the proposed detection method has good real-time performance and a high detecting accuracy.

optical fiber defect; fast detection; morphological characteristics; AdaBoost cascade classifier

2014-03-20。

劉小勇(1972—),男,副教授。

時(shí)間:2014-07-03

10.7652/xjtuxb201409001

TP274

:A

:0253-987X(2014)09-0001-05

網(wǎng)絡(luò)出版地址:http:∥www.cnki.net/kcms/detail/61.1069.T.20140703.1129.001.html