目的為了有效濾除藥片包裝視覺檢測系統(tǒng)中的噪聲,提升圖像清晰度,保證后期圖像分割、邊緣處理順利進行。方法針對藥片視覺檢測圖像中存在大量不確定噪聲,提出一種自適應模糊神經網絡的圖像濾波算法。在模糊神經網絡結構中引入一個魯棒性較強的隸屬函數,并通過梯度下降法對模糊神經網絡中的參數進行優(yōu)化訓練,利用優(yōu)化后的網絡結構對被噪聲污染的圖像進行濾波處理。結果仿真結果表明,該算法能夠在保留較完整的圖像邊緣和重要細節(jié)的前提下,有效濾除藥片中的噪聲。結論該濾波算法有效提高了藥片圖像的清晰度,對于后期藥片圖像分割以及邊緣化處理具有重要意義。 

【文章來源】：包裝工程. 2020,41(07)北大核心

【文章頁數】：4 頁

【圖文】：

藥片包裝視覺檢測流程Fig.1Tabletpackagingvisualinspectionprocess

除控制系統(tǒng)采用歐姆龍PLC作為控制器核心，主要負責數據采集，并控制執(zhí)行機構完成邏輯動作。圖1藥片包裝視覺檢測流程Fig.1Tabletpackagingvisualinspectionprocess2模糊神經網絡濾波算法藥片視覺檢測系統(tǒng)在圖像采集過程中，會受到不同種類的噪聲干擾，導致圖像后期處理受到影響，并影響檢測系統(tǒng)的準確性。為了有效地濾除圖像中噪聲，提升藥品檢測準確率，文中利用模糊理論能夠對不同信息進行處理的優(yōu)點以及神經網絡自學等特點，提出了一種模糊神經網絡自適應的藥片圖像濾波算法。定義模糊神經網絡結構見圖2，其輸入為12,lllNxxx，其中1lx為噪聲像素，lWx為濾波窗口，l=(i－1)×r+j，模糊神經網絡的輸出為[14]：1Nllliiiwy(1)其中：1lliiNliiw(2)12lliiiiyx(3)式中：N為濾波窗口lWx中的像素個數；liw反應每個liy在輸出l中所占的權重；li為網絡輸入lix的模糊隸屬函數；δi1和δi2為經過優(yōu)化的三維矢量參數。圖2網絡結構Fig.2Networkstructure隸屬度函數對于模糊系統(tǒng)性能具有重要影響，文中提出的模糊隸屬函數為：122211ln1liiilic(6)式中：α和β為正常數；λi和ci為目標量參數。式（6）可改寫為：

i，則采用線性最小二乘法確定其初始值；然后由式（1）求出組訓練數據的系統(tǒng)實際輸出；再根據式（12）代價函數以及式（13—15）對參數δi1，δi2和λi進行更新，最后利用最小二乘方法對參數ci進行更新，如此一直迭代下去，直到式（12）函數值小于預定的閾值活迭代次數，達到了上限設定值，則訓練就此結束。4仿真分析為了驗證該濾波方法能夠有效濾除藥片包裝圖像中的噪聲，分別采用中值濾波、均值濾波以及模糊神經網絡濾波分別對同一幅圖像進行濾波處理，仿真結果見圖3。a原始圖像b中值濾波c均值濾波d模糊神經網絡濾波圖3不同濾波算法Fig.3Differentfilteringalgorithms由圖3濾波效果可以看出，中值濾波算法不能有效濾除藥片圖像中的噪聲，且圖像原信息被破壞，細節(jié)變化也被大大削弱；均值濾波算法能夠有效濾除圖像中的噪聲，但圖像中的細節(jié)信息也被破壞。文中提出的模糊神經網絡濾波方法能夠在保證原圖像中的重要信息和邊緣不被破壞的前提下，有效地濾除圖像中夾雜的噪聲。為了進一步驗證文中提出的模糊神經網絡濾波方法的有效性，采用峰值信噪比來對比中值濾波、均值濾波以及模糊神經網絡濾波的性能，不同濾波方法對圖像噪聲處理后的峰值信噪比見表1。表1不同濾波方法峰值信噪比Tab.1Peaksignal-to-noiseratio(PSNR)ofdifferentfilteringmethods濾波器峰值信噪比中值濾波21.44均值濾波22.56模糊神經網絡濾波28.45

【參考文獻】：
期刊論文
[1]往復壓縮機故障診斷方法研究概述[J]. 張謙,舒悅,王樂,謝傳東.  流體機械. 2018(03)
[2]自適應維納濾波在鋼水紅外圖像去噪中的應用[J]. 楊友良,王新宇,馬翠紅.  紅外技術. 2015(09)
[3]基于CCD的金屬薄板印刷墨層厚度在線檢測研究[J]. 馬賽,曹春平,孫宇.  包裝工程. 2014(23)
[4]圖像去噪在印刷品質量檢測上的應用[J]. 劉蘇陽,唐萬有.  包裝工程. 2014(15)
[5]基于圖像處理的藥片實時檢測及處理系統(tǒng)的研究及其應用[J]. 劉圣曉.  計算機與現代化. 2013(05)
[6]包裝標準化影響因素實證分析——以長株潭地區(qū)包裝企業(yè)為例[J]. 劉莉,薛凡.  包裝學報. 2012(04)
[7]基于分數階積分的圖像去噪[J]. 黃果,蒲亦非,陳慶利,周激流.  系統(tǒng)工程與電子技術. 2011(04)
[8]基于魯棒性神經模糊網絡的脈沖噪聲濾波算法[J]. 李岳陽,王士同.  山東大學學報(工學版). 2010(05)
[9]基于計算機圖像處理的印刷品缺陷檢測[J]. 趙丹,丁金華,孫秋花,都虹.  包裝工程. 2008(12)
[10]一種有效的小波-Wiener濾波去噪算法[J]. 趙艷明,全子一.  北京郵電大學學報. 2004(04)

碩士論文
[1]基于LIFTING SCHEME小波的圖像自適應去噪研究[D]. 肖楊波.南昌大學 2007
[2]圖像去噪方法的研究[D]. 劉祝華.江西師范大學 2005



本文編號：3617009