龙源期刊网 http://www.qikan.com.cn
基于多尺度图像增强结合卷积神经网络的纸病识别分类
作者：李光明 薛丁华 加小红 李云彤 雷涛 来源：《中国造纸》2018年第08期
摘要：针对造纸工业中传统纸病识别分类依赖于特征描述子和分类器的选择问题，提出一种多尺度图像增强结合卷积神经网络的纸病识别分类方法。该方法利用多尺度形态学梯度增强纸病图像的边缘轮廓信息，突出缺陷梯度特征，然后利用卷积神经网络（CNN）学习纸病图像的特征并分类识别，从而实现纸病的准确识别分类。实验结果表明，该方法对纸病识别分类的结果明显优于HOG+SVM、LBP+SVM以及传统CNN方法，在Caltech101、KTH-TIPS以及本课题的数据集上的分类正确识别率分别达到98.44%、99.23%和99.64%。与现有纸病识别分类方法相比，本课题方法不需针对各种纸病进行缺陷特征提取和特征描述，能快速实现纸病的准确识别分类。
关键词：图像增强；卷积神经网络；多尺度形态学梯度；图像分类 中图分类号：TS77；TP302.1 文献标识码：A
DOI：10.11980/j.issn.0254-508X.2018.08.009
特征提取是模式识别的关键步骤，在图像分析和模式识别中有着重要应用。传统的图像分类方法首先需要定义特征描述子，再根据定义好的特征描述子进行特征提取并分类[1-2]。针对造纸行业中的纸病分类问题，由于实际纸张图像容易受光照、环境等因素影响，使得纸病检测研究问题、纸病特征提取及纸病识别分类成为造纸行业中的热点[3]。目前，学者们已经提出了多种纸病识别分类算法。袁浩等人[4]通过对纸病图像进行特征选择，提出将支持向量机应用于纸病识别分类，但纸病图像灰度表现单一，且受光照因素影响存在亮度上的变化，导致分类效果不理想。因此，胡慕伊等人[5]根据不同纸张缺陷图像的灰度特征，利用动态双阈值分割纸张缺陷区域，提取缺陷特征并进行识别分类，然而阈值分割需要对不同的纸张缺陷设置不同的阈值，导致参数设置困难。为了降低参数设置复杂度，张刚强等人[6]利用Hough变换检测直线特征的方法对纸张缺陷进行识别分类，该方法在缺陷形状为线型时识别效果较好，但不适用于大多数非线型形状的纸张缺陷识别分类。为了提高纸病分类算法的鲁棒性，杨雁南等人[7]提出利用模糊融合器对纸病的多种特征值进行特征层融合，利用径向基神经网络对纸病图像进行识别分类，扩大了纸病辨识的范围，但提取的特征单一且为浅层特征，从而导致分类精度较低。为此，罗磊等人[8]利用LBP（Locial Binary Pattern，局部二进制模式）提取纸张缺陷特征并进行识别分类，但由于LBP方法对纸张表面图像纹理清晰度要求较高，需要复杂的预处理算法。
基于多尺度图像增强结合卷积神经网络的纸病识别分类
