智能制造網(wǎng)APP
智能制造網(wǎng)手機(jī)站
智能制造網(wǎng)小程序
智能制造網(wǎng)官微
智能制造網(wǎng)服務(wù)號(hào)
智能控制
機(jī)器人
儀器儀表
物聯(lián)網(wǎng)
3D打印
工業(yè)軟件
回放
品牌
爽風(fēng)
圖像特征提取指的是從初始的數(shù)字圖像數(shù)據(jù)中挖掘出能夠精準(zhǔn)、完整且不冗余地描述目標(biāo)對(duì)象的信息。從上述定義中可以看出，基于人工特征工程進(jìn)行缺陷檢測(cè)最關(guān)鍵的步驟就是從圖像中提取出缺陷的特征信息。若提取的特征不夠精準(zhǔn)，那么依賴于該特征做出的判斷也必然是不準(zhǔn)確的。同時(shí)，若提取的特征不夠精煉、特征空間維度過(guò)大，可能導(dǎo)致后續(xù)判別算法的復(fù)雜性極高，陷入“維度災(zāi)難”。
業(yè)內(nèi)進(jìn)行表面缺陷檢測(cè)時(shí)常用的圖像特征有幾何特征、形狀特征、顏色特征、紋理特征和灰度特征。
缺陷最基本的特征就是幾何特征，一般用缺陷的區(qū)域周長(zhǎng)、面積大小、位置和缺陷質(zhì)心等信息來(lái)表示。缺陷周長(zhǎng)和面積大小分別為缺陷邊界及內(nèi)部的像素點(diǎn)數(shù)量，通過(guò)統(tǒng)計(jì)像素個(gè)數(shù)即可提取其幾何特征。
形狀特征指的是其矩形度、細(xì)長(zhǎng)度、圓形度、致密度、不變矩、偏心率等描述信息。對(duì)形狀特征的描述主要可以分為基于輪廓形狀和基于區(qū)域形狀兩類，區(qū)分方法在于形狀特征僅從輪廓中提取還是從形狀區(qū)域中提取。幾何特征和形狀特征的結(jié)合是區(qū)分缺陷類型的重要依據(jù)。
顏色特征是圖像檢索中應(yīng)用最廣泛的視覺(jué)特征，也是人們識(shí)別圖像最主要的感知特征。與幾何特征和形狀特征不同，顏色特征具備一定的旋轉(zhuǎn)、平移不變性，魯棒性較強(qiáng)。顏色特征可以通過(guò)顏色直方圖、顏色聚合向量、顏色矩等方法來(lái)提取和匹配。
紋理特征是圖像固有的一個(gè)重要特征，體現(xiàn)了物體表面的具有緩慢變化或者周期性變化的表面結(jié)構(gòu)組織排列屬性。常用的描述紋理特征的方法有統(tǒng)計(jì)法和頻譜法。統(tǒng)計(jì)法是利用圖像的直方圖的矩對(duì)紋理結(jié)構(gòu)進(jìn)行描述，頻譜法是依據(jù)傅里葉頻譜特性來(lái)描述圖像的紋理結(jié)構(gòu)。
缺陷的灰度特征是一種在圖像的灰度量化級(jí)內(nèi)，對(duì)各像素點(diǎn)灰度值的分布來(lái)進(jìn)行統(tǒng)計(jì)的表征量，可利用圖像的灰度直方圖信息（如方差、均值、熵）獲得圖像的灰度特征。
缺陷圖像的特征提取實(shí)現(xiàn)了從圖像空間到特征空間的轉(zhuǎn)換，在實(shí)際項(xiàng)目中一般將圖像的多種基本特征組合，形成綜合性的缺陷描述特征向量。然而，并非所有特征對(duì)后續(xù)的缺陷檢測(cè)與圖像理解有作用。如果特征提取的過(guò)多，使得特征向量維度較高，會(huì)帶來(lái)較多的冗余信息和復(fù)雜的計(jì)算量，還需要再使用主成分分析(Principal Components Analysis，PCA)等方法進(jìn)行降維。如果特征提取的較少，則會(huì)導(dǎo)致對(duì)缺陷的描述不夠準(zhǔn)確，使得準(zhǔn)確率和精度不盡人意。
(原標(biāo)題：機(jī)器人視覺(jué)如何進(jìn)行特征提取)
浙公網(wǎng)安備 33010602000006號(hào)
智能制造網(wǎng)APP
智能制造網(wǎng)小程序
微信公眾號(hào)
