基于支持向量機(jī)的筒子紗紗管品種檢測(cè)

馬傳旭，張 寧，潘如如

(生態(tài)紡織教育部重點(diǎn)實(shí)驗(yàn)室(江南大學(xué))，江蘇 無(wú)錫 214122)

紗線(xiàn)進(jìn)入后道工序前，會(huì)在絡(luò)筒工序被加工成容量較大的筒子[1]。目前，紡紗行業(yè)中“小批量、多品種”已逐漸成為企業(yè)生產(chǎn)的主流形式，同一臺(tái)絡(luò)筒機(jī)可以生產(chǎn)不同品種的筒子紗。對(duì)于紗線(xiàn)顏色相同的筒子紗而言，僅從外觀難以區(qū)分品種，這可能導(dǎo)致產(chǎn)品在后續(xù)的運(yùn)輸和打包時(shí)出現(xiàn)錯(cuò)誤，因此需要在筒子紗由絡(luò)筒車(chē)間運(yùn)輸?shù)桨b車(chē)間過(guò)程中逐個(gè)進(jìn)行品種檢測(cè)，確保將同類(lèi)筒子紗打包在一起。傳統(tǒng)筒子紗品種檢測(cè)依靠人工根據(jù)紗線(xiàn)顏色、紗管圖案或標(biāo)簽內(nèi)容檢測(cè)，但這種模式耗時(shí)費(fèi)力，人工成本高，且容易出錯(cuò)。根據(jù)筒子紗品種與紗管的對(duì)應(yīng)關(guān)系，對(duì)紗管進(jìn)行圖像處理與識(shí)別可以替代人工進(jìn)行品種檢測(cè)。

目前利用圖像處理技術(shù)檢測(cè)筒子紗紗管品種的研究較少，識(shí)別筒子紗品種主要依據(jù)紗線(xiàn)顏色。例如：任慧娟等[2]根據(jù)不同顏色紗線(xiàn)在HSV顏色空間中色調(diào)不同進(jìn)行筒子紗種類(lèi)識(shí)別；陳紀(jì)旸[3]提出設(shè)定筒子紗紗線(xiàn)顏色的RGB閾值進(jìn)行筒子紗分類(lèi)；倪弈棋等[4]采用雙目視覺(jué)并通過(guò)改進(jìn)的深度卷積神經(jīng)網(wǎng)絡(luò)(SSD)實(shí)現(xiàn)了多種顏色筒子紗的識(shí)別定位。但這些方法僅考慮了紗線(xiàn)本身的顏色，對(duì)于紗線(xiàn)顏色相同的筒子紗分類(lèi)有效性仍缺乏實(shí)驗(yàn)的支撐。基于特征工程的圖像分類(lèi)方法基本框架為圖像預(yù)處理、特征提取、構(gòu)造分類(lèi)器、預(yù)測(cè)分類(lèi)。應(yīng)龍等[5]通過(guò)均值漂移算法實(shí)現(xiàn)圖像不規(guī)則分割，并提取動(dòng)態(tài)局部顏色直方圖特征進(jìn)行圖像檢索；Yue等[6]使用顏色直方圖和灰度共生矩陣(GLCM)構(gòu)成顏色和紋理融合特征進(jìn)行圖像檢索；Timo等[7]提出局部二值模式(LBP)來(lái)描述圖像的局部紋理特征；Robert等[8]提出灰度共生矩陣的紋理特征提取方法，定義了14種描述紋理的特征統(tǒng)計(jì)量；Fawwaz等[9]發(fā)現(xiàn)，GLCM的特征統(tǒng)計(jì)量中，對(duì)比度、逆差矩、相關(guān)性和能量是不相關(guān)的，選擇了對(duì)比度和逆差矩特征用于圖像分類(lèi)并獲得了較高的準(zhǔn)確率。常用的分類(lèi)器有K最近鄰(KNN)、決策樹(shù)(DT)、支持向量機(jī)(SVM)等。羅來(lái)平等[10]改進(jìn)分類(lèi)決策樹(shù)算法實(shí)現(xiàn)遙感圖像分類(lèi)。萬(wàn)華林[11]集成圖像的紋理、邊緣和顏色直方圖特征，構(gòu)造SVM實(shí)現(xiàn)圖像的語(yǔ)義分類(lèi)。針對(duì)不同的問(wèn)題，人工設(shè)計(jì)的特征提取方法的有效性和分類(lèi)器的分類(lèi)效果有待驗(yàn)證。

本文提出基于特征融合的筒子紗紗管品種檢測(cè)方法，分別采用顏色直方圖和局部二值模式提取紗管圖像的顏色和紋理特征，并構(gòu)造支持向量機(jī)實(shí)現(xiàn)紗管分類(lèi)，通過(guò)分類(lèi)模型進(jìn)行紗管的品種檢測(cè)。

1 圖像采集與預(yù)處理

1.1 圖像采集裝置

筒子紗圖像采集裝置如圖1所示，包括CCD彩色面陣相機(jī)、LED光源、光源控制器、光電傳感器、遮光罩、工業(yè)計(jì)算機(jī)。

相機(jī)分辨率為1 280像素×1 024像素，安裝在筒子紗運(yùn)輸導(dǎo)軌拐角處，拍攝筒子紗頂部包含紙管信息的圖像并上傳至計(jì)算機(jī)；LED光源安裝在相機(jī)頂部，額定最大功率為40 W；光源控制器控制LED光源頻閃，為相機(jī)提供瞬時(shí)高亮度照明；傳感器用于感應(yīng)筒子紗是否達(dá)到識(shí)別位置，輸出啟動(dòng)圖像采集信號(hào)；遮光罩隔絕外部環(huán)境光照影響，內(nèi)部表面粘貼黑色絨布，消除內(nèi)壁反光；工業(yè)計(jì)算機(jī)含有的中央控制單元控制相機(jī)、光源控制器、光電傳感器之間的配合，對(duì)采集的圖像進(jìn)行處理和識(shí)別。

1.2 圖像預(yù)處理

采集的筒子紗圖像如圖2(a)所示。其中，紗管色環(huán)是需要提取的目標(biāo)區(qū)域，首先將圖像灰度化，通過(guò)最大類(lèi)間方差法進(jìn)行二值化，將紗線(xiàn)和紗管所在區(qū)域分隔開(kāi)。通過(guò)圖像輪廓將邊緣連接形成一個(gè)整體，對(duì)于二值圖像中存在的多個(gè)輪廓區(qū)域，計(jì)算圓整度R和設(shè)定面積閾值TS從而篩選出紗管輪廓，并通過(guò)橢圓擬合紗管區(qū)域，如圖2(b)所示。

圖2 預(yù)處理各階段圖像

(1)

式中：S為輪廓面積；C為輪廓周長(zhǎng)。

1.3 極坐標(biāo)變換

為方便紗管特征提取，本文將環(huán)形紗管通過(guò)極坐標(biāo)變換展開(kāi)成矩形。極坐標(biāo)變換是在原圖像中，以點(diǎn)(cx,cy)為原點(diǎn)，R為半徑的圓內(nèi)部的點(diǎn)，變換到以(cx,cy)為極點(diǎn)的極坐標(biāo)下。為便于展示，將經(jīng)極坐標(biāo)變換的紗管圖像進(jìn)行圖像加權(quán)和提高亮度，如圖2(c)所示。極坐標(biāo)變換公式為：

(2)

(3)

(4)

式中：(x,y)表示圓內(nèi)任意一點(diǎn)；ρ表示點(diǎn)(x,y)距圓心(cx,cy)的徑向距離;θ表示角度。

對(duì)圖像應(yīng)用極坐標(biāo)變換可將笛卡爾坐標(biāo)系中的徑向線(xiàn)映射到極坐標(biāo)空間中的水平線(xiàn)。采集的筒子紗頂部圖像紙管為一同心圓，以圓心作為極坐標(biāo)系統(tǒng)的中心，做1條與水平線(xiàn)成θ角的射線(xiàn)，與圓環(huán)內(nèi)、外邊界相交于2點(diǎn)，圓環(huán)內(nèi)射線(xiàn)上任意一點(diǎn)(x,y)都可以用2個(gè)交點(diǎn)的線(xiàn)性組合表示：

(5)

式中：(xo,yo)、(xi,yi)分別為射線(xiàn)與圓環(huán)的內(nèi)、外邊界交點(diǎn)。

2 紗管特征提取

紗管品種與筒子紗品種具有對(duì)應(yīng)關(guān)系，為匹配筒子紗多樣化的品種，紗管的品種由多種顏色和花紋的組合進(jìn)行豐富。顏色對(duì)于純色或相同循環(huán)花紋單元的紗管品種而言是最直觀的區(qū)分屬性，而不同循環(huán)花紋單元的紗管品種可以由紋理視覺(jué)屬性進(jìn)行描述，如：點(diǎn)狀的、星型的、條紋的。因此，本文研究采用顏色特征和紋理特征共同描述一幅筒子紗紗管圖像，紗管品種的差異由這2種特征的不同來(lái)體現(xiàn)。

2.1 顏色特征

顏色特征依賴(lài)于所選擇的顏色空間，HSV顏色空間能夠直觀表達(dá)色彩的明暗、色調(diào)以及鮮艷程度，更符合人的視覺(jué)感知特點(diǎn)，在圖像處理領(lǐng)域應(yīng)用廣泛。紗管圖案通常由紅、橙、藍(lán)、綠等常見(jiàn)顏色中的1種或2種繪制，且紗管上的圖案位置并不固定，存在邊緣處有不完整圖案的現(xiàn)象；顏色直方圖描述了不同色彩在整幅圖像中所占的比例，而不關(guān)注每種色彩所處的空間位置，因此可作為紗管圖像的顏色特征。合適的顏色量化方案既可降低計(jì)算復(fù)雜度，又不會(huì)丟失過(guò)多的顏色信息，基于對(duì)紗管顏色的分析，過(guò)于精細(xì)的顏色量化方法不一定能提高對(duì)不同顏色組合的紗管品種的區(qū)分能力，反而會(huì)增加計(jì)算的復(fù)雜度，因此在本文研究中，根據(jù)紗管常用色的色調(diào)范圍將H非均勻量化為8個(gè)部分，并將S和V劃分為黑色區(qū)域、白色區(qū)域和彩色區(qū)域，即以H:S:V=8:3:3進(jìn)行量化。

(6)

(7)

(8)

將3個(gè)顏色分量量化結(jié)果組合得到一個(gè)一維特征向量：

F=QS×QV×H+QV×S+V=9H+3S+V

(9)

式中：QS、QV分別為S、V分量的量化級(jí)數(shù)，QS=3，QV=3。H、S、V最大分別可取7、2、2；F的取值區(qū)間為[0, 71]，顏色量化后直方圖的維度為72維。

2.2 紋理特征

紗管花紋具有多樣性，紗管整體圖案由同一種形狀的花紋循環(huán)排列而成，花紋存在位置偏移、印刷顯示不全的問(wèn)題，LBP算子能表征位于圖像局部區(qū)域的紋理，可作為紗管圖像的紋理特征。LBP根據(jù)圖像不同區(qū)域的中心像素值對(duì)其鄰域像素進(jìn)行二值編碼，鄰域像素值大于中心像素值標(biāo)記為1，否則為0，將結(jié)果保存為L(zhǎng)BP編碼，用該值反映區(qū)域的紋理信息。LBP計(jì)算方法為

(10)

(11)

式中：P為半徑為R時(shí)鄰域像素點(diǎn)的個(gè)數(shù)；gc、gp分別為中心點(diǎn)和鄰域點(diǎn)灰度值。

用圓形鄰域代替正方形鄰域，可以將固定大小的鄰域擴(kuò)展到任意半徑R，包含任意多個(gè)采樣點(diǎn)P的圓形LBP。旋轉(zhuǎn)圓形鄰域內(nèi)的LBP特征，選擇一系列LBP值中的最小值作為該鄰域的LBP值，得到旋轉(zhuǎn)不變的LBP特征。LBP循環(huán)二進(jìn)制數(shù)在0、1之間最多有2次跳變時(shí)稱(chēng)為一個(gè)等價(jià)模式，通過(guò)等價(jià)模式對(duì)LBP算子進(jìn)行降維，利用統(tǒng)計(jì)直方圖表征圖像的紋理信息。本文選擇常用的3種不同采樣點(diǎn)P和采樣半徑R的LBP算子，如圖3所示，并通過(guò)實(shí)驗(yàn)優(yōu)選確定最佳算子。

圖3 不同尺度LBP算子

3 紗管特征分類(lèi)

本文研究面向紡紗企業(yè)品種檢測(cè)的實(shí)際應(yīng)用，需要根據(jù)紗管的顏色和圖案準(zhǔn)確而穩(wěn)定地檢測(cè)不同品種。支持向量機(jī)(SVM)雖然是針對(duì)二分類(lèi)問(wèn)題提出的，但通過(guò)構(gòu)造多個(gè)分類(lèi)器，同樣可應(yīng)用于紗管品種的多分類(lèi)問(wèn)題。其基本思想是利用結(jié)構(gòu)最小化原理在屬性空間中建立最優(yōu)超平面，將數(shù)據(jù)集正確地分類(lèi)，并且得到最大的分類(lèi)間距。SVM的線(xiàn)性可分最優(yōu)分類(lèi)超平面如圖4所示。2類(lèi)樣本分別用圓形和三角形表示。H是分隔超平面；H1和H2為間隔邊界，其上的點(diǎn)分別為2類(lèi)樣本中距離H最近的點(diǎn)。H1和H2上的點(diǎn)稱(chēng)為支持向量，H1與H2到H的距離相等，2個(gè)平面之間的距離稱(chēng)為分類(lèi)間隔。

注：w為平面上的法向量，決定超平面的方向;b為實(shí)數(shù)，代表超平面到原點(diǎn)的距離。

為找到一種有效的紗管品種分類(lèi)器，SVM核函數(shù)的選擇是一個(gè)關(guān)鍵問(wèn)題。通過(guò)特征轉(zhuǎn)換函數(shù)將樣本從低維空間映射到高維空間，在高維空間中容易找出分隔超平面實(shí)現(xiàn)樣本分類(lèi)。SVM核函數(shù)包括線(xiàn)性核函數(shù)、多項(xiàng)式核函數(shù)、高斯核函數(shù)(RBF)。RBF可以把輸入特征映射到無(wú)限多維，因此本文選擇使用RBF的SVM算法。高斯核函數(shù)為

(12)

式中：x、xi表示2個(gè)向量;1/2σ2表示RBF超參數(shù);‖x-xi‖表示向量的模。

不同的核函數(shù)需要不同的參數(shù)，針對(duì)高斯核函數(shù)，除要設(shè)置懲罰系數(shù)C外，還需要指定γ值，即高斯核函數(shù)公式中的1/2σ2。對(duì)于預(yù)設(shè)的C和γ組合，通過(guò)網(wǎng)格搜索使用每組(C,γ)參數(shù)訓(xùn)練模型，每組超參數(shù)都采用K折交叉驗(yàn)證進(jìn)行評(píng)估。最后選出最優(yōu)參數(shù)組合建立SVM分類(lèi)模型。K折交叉驗(yàn)證將訓(xùn)練集隨機(jī)分為K組，每次挑選1組作為驗(yàn)證集，剩余K-1組作為訓(xùn)練集用來(lái)訓(xùn)練模型，如此循環(huán)K次，將K組測(cè)試結(jié)果取平均值作為模型的指標(biāo)，其原理如圖5所示。

注：Ei表示第i次交叉驗(yàn)證的測(cè)試結(jié)果，i=1,2,…,K。

4 實(shí)驗(yàn)與結(jié)果分析

本文實(shí)驗(yàn)在Windows 10系統(tǒng)、Intel(R)Core(TM)i7-7500U CPU和8 G RAM計(jì)算機(jī)上進(jìn)行，使用Python語(yǔ)言編程。實(shí)驗(yàn)過(guò)程如下：1)筒子紗圖像經(jīng)預(yù)處理得到紗管色環(huán)的矩形展開(kāi)圖；2)將圖像由RGB顏色空間轉(zhuǎn)換到HSV顏色空間，獲取顏色特征，計(jì)算紋理特征，融合2種特征；3)使用網(wǎng)格搜索和5折交叉驗(yàn)證確定最優(yōu)參數(shù)，構(gòu)造SVM分類(lèi)器?；跇?gòu)造的紗管分類(lèi)模型，紗管品種檢測(cè)流程如圖6所示。

圖6 筒子紗紗管品種檢測(cè)流程圖

本文所有圖像采集于一家紡紗企業(yè)的筒子紗運(yùn)輸導(dǎo)軌裝置，選擇2組類(lèi)型筒子紗圖像實(shí)驗(yàn)。A組：半黑、M黑、梅黑、點(diǎn)黑、星黑;B組：星黑、星綠、星橘、星紅。共涉及8類(lèi)樣本。

為便于展示，對(duì)紗管展開(kāi)圖進(jìn)行加權(quán)和提高亮度，如圖7所示。各類(lèi)樣本圖像均為100張，按照7:3的比例構(gòu)造訓(xùn)練集和測(cè)試集。

圖7 實(shí)驗(yàn)用紗管圖像矩形展開(kāi)圖

4.1 參數(shù)優(yōu)選

本文實(shí)驗(yàn)采用“一對(duì)一”的方法實(shí)現(xiàn)紗管品種多分類(lèi)，基于LIBSVM完成。為提高模型的分類(lèi)性能，對(duì)模型參數(shù)進(jìn)行優(yōu)選，主要包括顏色直方圖量化方式和LBP算子優(yōu)選，SVM的懲罰系數(shù)C和核半徑γ，并得到最優(yōu)參數(shù)下模型的分類(lèi)準(zhǔn)確率。

通過(guò)對(duì)顏色組成不同的B組紗管圖像進(jìn)行分類(lèi)檢測(cè)，對(duì)比H:S:V=8:3:3、H:S:V=16:4:4、H:S:V=32:8:8這3種不同的非均勻量化方式，根據(jù)分類(lèi)準(zhǔn)確率和特征提取用時(shí)選擇最優(yōu)量化方式，結(jié)果如表1所示。當(dāng)紗管的顏色組成發(fā)生變化時(shí)，3種量化方式獲得的顏色特征都準(zhǔn)確檢測(cè)出品種的變化，由于紗管顏色差異大且無(wú)需根據(jù)深淺進(jìn)行顏色細(xì)分，圖像采集光照條件相同，H:S:V=8:3:3量化方式足夠區(qū)分紗管用色，更精細(xì)的劃分方式并不會(huì)影響準(zhǔn)確率，相反維度增加會(huì)造成計(jì)算耗時(shí)，因此選擇H:S:V=8:3:3作為紗管圖像顏色的量化方式適用于顏色組成具有差異的紗管品種檢測(cè)。

表1 顏色量化方式優(yōu)選

采樣點(diǎn)個(gè)數(shù)影響運(yùn)算時(shí)間，采樣點(diǎn)半徑影響特征的精細(xì)程度，對(duì)不同循環(huán)花紋單元的A組樣本使用LBP8,1、LBP16,2、LBP24,3進(jìn)行分類(lèi)實(shí)驗(yàn)，根據(jù)準(zhǔn)確率和特征提取用時(shí)篩選最優(yōu)算子，結(jié)果如表2所示。3種算子的分類(lèi)準(zhǔn)確率分別為56.67%、96.67%、94.00%。與LBP8,1相比，使用后2種算子分類(lèi)準(zhǔn)確率明顯提升，當(dāng)LBP采樣半徑為2時(shí)可精細(xì)表征紗管圖像的紋理特征，采樣半徑更大的LBP24,3誤將圖像中的噪聲判定為圖像的紋理信息，準(zhǔn)確率反而降低，同時(shí)采樣點(diǎn)數(shù)增加，特征提取耗時(shí)增加，因此選擇性能更好的LBP16,2可用于不同循環(huán)花紋單元的紗管品種檢測(cè)。

表2 局部二值模式算子優(yōu)選

懲罰系數(shù)C大，對(duì)誤分類(lèi)的懲罰增大，模型在訓(xùn)練集測(cè)試時(shí)準(zhǔn)確率高，但泛化能力弱，對(duì)測(cè)試樣本預(yù)測(cè)準(zhǔn)確率低；懲罰系數(shù)C小，對(duì)誤分類(lèi)的懲罰變小，允許容錯(cuò)，泛化能力較強(qiáng)。核半徑γ越小，模型復(fù)雜度越低，容易出現(xiàn)欠擬合；反之模型復(fù)雜度高，容易過(guò)擬合。本文研究預(yù)設(shè)懲罰系數(shù)C范圍為0.01～10，核半徑γ范圍為0.01～30，并通過(guò)構(gòu)造等差數(shù)列的方式為每個(gè)參數(shù)設(shè)定30個(gè)不同的取值，對(duì)所有的(C,γ)組合，使用5折交叉驗(yàn)證獲得不同分類(lèi)模型的最佳參數(shù)。

4.2 結(jié)果與分析

使用本文提出的紗管圖像融合特征表征，基于上述優(yōu)選的分類(lèi)器參數(shù)尋優(yōu)方法對(duì)黑色系花紋紗管、星型紗管和混合紗管進(jìn)行品種分類(lèi)，其結(jié)果如表3所示。在懲罰系數(shù)C選擇2.069，核半徑γ選擇3.104時(shí)，模型對(duì)8類(lèi)紗管的分類(lèi)準(zhǔn)確率達(dá)到100%。通過(guò)相同的參數(shù)尋優(yōu)方法得到黑色系花紋紗管分類(lèi)最優(yōu)參數(shù)(C，γ)為(2.069，2.069)，星型紗管的分類(lèi)最優(yōu)參數(shù)(C，γ)為(0.346，1.035)。

表3 支持向量機(jī)參數(shù)優(yōu)選及紗管分類(lèi)結(jié)果

LBP算子可獲得半圓、M型、梅花、點(diǎn)狀、星型紗管的圖案紋理，對(duì)不同圖案的黑色系紗管圖像有良好的區(qū)分能力。星型紗管不同配色綠、橘、紅等有各自對(duì)應(yīng)的色調(diào)值H范圍，而黑色有較小的亮度值V，因此HSV顏色直方圖能很好地區(qū)分不同印刷用色的紗管圖像。紗管圖像存在印刷不規(guī)整的現(xiàn)象，當(dāng)梅花圖案印刷不規(guī)整時(shí)會(huì)在紗管上產(chǎn)生與點(diǎn)狀相似紋理，M型和星型圖案印刷位置偏向紗管下方時(shí)也會(huì)出現(xiàn)相似的紋理，這些情況下僅使用LBP算子會(huì)造成錯(cuò)分，由于圖案在印刷時(shí)循環(huán)間隔不同，印刷色在紗管上的分布不同，使用顏色直方圖可以輔助紋理特征加以區(qū)分。同時(shí)由于顏色直方圖特征不關(guān)注顏色所處的空間位置，即使是不同的圖像也可能獲得相同的直方圖特征，因此需要紋理信息輔助不同色系圖像的分類(lèi)識(shí)別。實(shí)驗(yàn)結(jié)果表明，融合特征對(duì)混合的黑色系紗管和星型紗管有較高的分類(lèi)準(zhǔn)確率。

4.3 方法對(duì)比

為衡量本文所提方法對(duì)紗管品種的分類(lèi)效果，將本文所述特征提取方法和分類(lèi)算法與其它特征組合和分類(lèi)算法進(jìn)行對(duì)比。對(duì)比的特征為顏色矩和GLCM，通過(guò)SVM進(jìn)行分類(lèi)。顏色矩使用HSV顏色空間下的一階矩、二階矩和三階矩[12]，GLCM選擇對(duì)比度、熵、相關(guān)性、能量[13]用以表征紋理信息。對(duì)比的分類(lèi)方法為KNN和DT，使用本文所述特征組合進(jìn)行分類(lèi)。預(yù)設(shè)KNN近鄰數(shù)n為1～10，DT樹(shù)深d為1～100，使用5折交叉驗(yàn)證進(jìn)行參數(shù)尋優(yōu)。實(shí)驗(yàn)樣本為所有8類(lèi)圖像，分類(lèi)結(jié)果分別如表4、5所示。

表4 不同特征組合紗管分類(lèi)結(jié)果

表5 不同分類(lèi)器對(duì)紗管分類(lèi)結(jié)果

分析表4、5的對(duì)比實(shí)驗(yàn)結(jié)果可知，本文提出的特征提取方法結(jié)合SVM分類(lèi)效果優(yōu)于其它特征組合和分類(lèi)方法。顏色直方圖較顏色矩更能直觀體現(xiàn)紗管圖像的顏色構(gòu)成，LBP較GLCM更適合表征紗管圖像紋理。由于顏色直方圖和LBP16,2特征維度不同，決策樹(shù)信息增益的結(jié)果偏向于顏色特征，且決策樹(shù)分叉時(shí)特征的隨機(jī)性很大，導(dǎo)致分類(lèi)準(zhǔn)確率低；KNN分類(lèi)準(zhǔn)確率略低于SVM，對(duì)測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)時(shí)計(jì)算量較大。

5 結(jié) 論

本文針對(duì)筒子紗運(yùn)輸過(guò)程的紗管品種檢測(cè)進(jìn)行研究，依據(jù)紗管的圖案印刷特點(diǎn)，運(yùn)用顏色直方圖和LBP特征相融合的方法，并結(jié)合支持向量機(jī)構(gòu)造紗管分類(lèi)模型，用于紗管品種檢測(cè)。結(jié)果表明，本文方法對(duì)相同圖案的星型紗管、黑色系花紋紗管和混合紗管的分類(lèi)準(zhǔn)確率達(dá)100%，與其它方法相比有更高的準(zhǔn)確率，對(duì)于運(yùn)輸導(dǎo)軌上筒子紗紗管的品種檢測(cè)具有實(shí)用價(jià)值。但由于工業(yè)場(chǎng)景更為復(fù)雜，本文方法及模型在實(shí)際應(yīng)用中可能存在檢測(cè)錯(cuò)誤，仍需進(jìn)一步驗(yàn)證。未來(lái)還需進(jìn)一步研究適合工業(yè)應(yīng)用的紗管品種檢測(cè)方法，并嘗試對(duì)多目標(biāo)筒子紗紗管進(jìn)行品種檢測(cè)。