衛(wèi)生陶瓷缺陷檢測研究

《衛(wèi)生陶瓷缺陷檢測研究》由會員分享，可在線閱讀，更多相關(guān)《衛(wèi)生陶瓷缺陷檢測研究（4頁珍藏版）》請在裝配圖網(wǎng)上搜索。

1、衛(wèi)生陶瓷缺陷檢測研究 衛(wèi)生陶瓷缺陷檢測研究 2018/09/17 摘要：衛(wèi)生陶瓷在生產(chǎn)過程中會產(chǎn)生多種類型的缺陷，通過單機機器視覺檢測系統(tǒng)進行缺陷檢測存在著資源使用的瓶頸問題。隨著云計算大數(shù)據(jù)時代的來臨，利用Hadoop云平臺進行集群并行分布計算，是處理海量高清衛(wèi)生陶瓷圖像的新思路。提出了基于Hadoop平臺的衛(wèi)生陶瓷缺陷檢測方案。搭建了主從結(jié)構(gòu)的MapReduce框架，在Map映射階段，使用灰色關(guān)聯(lián)算法進行衛(wèi)生陶瓷的缺陷檢測，在Reduce階段由主節(jié)點進行匯總輸出

2、。實驗結(jié)果表明此能實現(xiàn)并行檢測，提升了檢測效率。 關(guān)鍵詞：衛(wèi)生陶瓷；云平臺；機器視覺；海量圖像 0引言 隨著人民群眾生活水平的日益提高，近20年來，我國建筑衛(wèi)生陶瓷行業(yè)得到飛速發(fā)展，從20世紀(jì)90年代初開始，其產(chǎn)量一直處于世界第一的位置。并且還創(chuàng)造了中國世界紀(jì)錄協(xié)會世界建筑衛(wèi)生陶瓷產(chǎn)生產(chǎn)量最多的國家新的世界紀(jì)錄。特別是2010年，隨著大規(guī)模的工業(yè)化生產(chǎn)，我國建筑陶瓷行業(yè)已經(jīng)出現(xiàn)了廣東、福建、四川、江西等幾大陶瓷產(chǎn)區(qū)，我國也成為世界上建筑陶瓷生產(chǎn)和出口大國。衛(wèi)生陶瓷作為一種有釉的陶瓷制品，在燒制上釉的過程中，也會出現(xiàn)開裂、缺釉、色差等缺陷[1]。在

3、機器視覺的檢測過程中，常用高清工業(yè)相機進行拍攝，然后利用相應(yīng)算法進行檢測[2,3]。這些機器視覺的檢測方法大多采用的是單處理器的方式，對應(yīng)于數(shù)量龐大的待測高清圖像集來說，存在處理數(shù)據(jù)量大，處理速度較慢的問題，且無法并行運算處理。在大數(shù)據(jù)時代，工業(yè)產(chǎn)品機器視覺檢測領(lǐng)域，待測圖像的數(shù)量不計其數(shù)。隨著云計算、大數(shù)據(jù)技術(shù)的發(fā)展，使得高效、快速進行工業(yè)產(chǎn)品檢測成為可能。Hadoop是目前采用的一種并行、分布式的數(shù)據(jù)處理平臺[4]。在圖像處理相關(guān)領(lǐng)域有著廣泛的應(yīng)用前景。例如趙進超[5]等在Hadoop平臺實現(xiàn)了圖像紋理特征的提取；余征等[6]利用Hadoop平臺進行了人臉識別算法的應(yīng)用，運行速度及效率較高

4、；白靈[7]在Hadoop平臺下進行SVM圖像識別，進而實現(xiàn)了對圖像進行快速分類；夏曉云等[8]使用Hadoop里的MapReduce技術(shù)結(jié)合圖像檢測算法對液晶屏幕缺陷進行檢測，提高了檢測效率。 1相關(guān)技術(shù) Hadoop是Apache基金會所開發(fā)的一種分布式基礎(chǔ)架構(gòu)，具有高可靠性、高拓展性、高效性、高容錯性、低成本等一系列特性，用戶可以輕松地在Hadoop上開發(fā)和運行處理海量數(shù)據(jù)的應(yīng)用程序。Hadoop框架最核心的設(shè)計HDFS與MapReduce分別可以實現(xiàn)海量數(shù)據(jù)存儲與海量數(shù)據(jù)計算[9]。作為大數(shù)據(jù)時代的衍生物，Hadoop云計算平臺在海量數(shù)據(jù)并行處理方面效果

5、顯著。Hadoop云計算平臺的核心技術(shù)為HDFS（HadoopDistributedFileSystem）和MapReduce（映射-歸一），分別表示分布式存儲技術(shù)和并行分布式計算技術(shù)。Hadoop最初是由Nutch項目的開發(fā)團隊，在Google的GFS技術(shù)和MapReduce的基礎(chǔ)上，研發(fā)出了NDFS系統(tǒng)，這個系統(tǒng)是個開源系統(tǒng)。并逐漸被谷歌、微軟、阿里等大廠商認(rèn)可，后來更名為HDFS。Hadoop的底層是由Java編寫，也就是說可以直接使用Java語言進行編程，也可以用其他語言編寫相關(guān)函數(shù)封裝使用。HDFS負責(zé)海量數(shù)據(jù)的分布存儲，由一個主節(jié)點和若干從節(jié)點的典型主從結(jié)構(gòu)組成。其中主節(jié)點為主控服

6、務(wù)器，用于管理協(xié)調(diào)從節(jié)點的分布作業(yè)調(diào)度。Hadoop在運行過程中主要有兩個運行階段，每個階段都使用鍵值作為作業(yè)處理的輸入和輸出。并且采用了標(biāo)準(zhǔn)的函數(shù)編程的模式，分別對應(yīng)了mapper()和reducer()兩個Hadoop自帶的函數(shù)。mapper()函數(shù)對應(yīng)著輸入數(shù)據(jù)的分片映射處理，而reducer()函數(shù)實現(xiàn)了mapper()處理后數(shù)據(jù)的統(tǒng)計重構(gòu)。從而實現(xiàn)了數(shù)據(jù)分布式并行處理的過程。 2海量衛(wèi)生陶瓷圖像的并行檢測圖像處理技術(shù) 經(jīng)過幾十年的發(fā)展，雖然有很多研究人員在算法的執(zhí)行效率方面進行研究，但目前的圖像處理工作存在處理量大，算法較為復(fù)雜的特點，在處理研究上已經(jīng)

7、遇到瓶頸。因此將圖像處理算法引入到云計算平臺中是有重要意義的。因為Hadoop云平臺自身也帶了處理小文件的技術(shù)方案。Hadoop在HDFS中存儲塊的大小為64MB，小于64MB這種的文件統(tǒng)稱為Hadoop小文件。該方案稱為組合分片技術(shù)，在此不用考慮文件怎樣被組合分片的。通過對大量Hadoop小文件的合并大大減少了Map映射任務(wù)的啟動次數(shù)，從而提升了文件處理的速度。云計算平臺的并行集群化計算，能在時間性能上得到顯著的提升。 3衛(wèi)生陶瓷缺陷檢測云平臺系統(tǒng)設(shè)計 3.1Hadoop云平臺的搭建1）硬件平臺本文搭建的衛(wèi)生陶瓷缺陷檢測的Hadoop云平臺由5臺普通的PC機組

8、成。其中主節(jié)點采用的是Intel酷睿i54460四核心，3.2GHz主頻，6M三級緩存，內(nèi)存8GB，硬盤2TB；4個從節(jié)點采用的是酷睿i36100四核心，3.7GHz主頻，6M三級緩存，內(nèi)存4GB，硬盤1TB。2）軟件平臺操作系統(tǒng)：5臺PC機都安裝Ubuntu14.04，32位linux操作系統(tǒng)；Hadoop版本：Hadoop2.7.1；軟件框架：Eclipse和JDK1.8。3）Hadoop網(wǎng)絡(luò)平臺的搭建該云平臺分布并行系統(tǒng)中的主、從節(jié)點都通過千兆以太網(wǎng)進行連接，配置Java語言實現(xiàn)映射、歸一化。該Hadoop云平臺的各主從節(jié)點都屬于同一個局域網(wǎng)。 3.2灰色關(guān)聯(lián)算法灰色決策

9、系統(tǒng)關(guān)聯(lián)就是利用所研究對象的“部分信息已知，部分信息未知”的“小樣本”、“貧信息”，通過一定的方式和技巧對“部分”已知信息的生成、開發(fā)，提取有價值的信息，實現(xiàn)對研究對象的確切描述和認(rèn)識，對未來的行動作出決定[10,11]。對于所提取的具有缺陷的衛(wèi)生陶瓷制品圖像來說，要么有缺陷，要么沒有缺陷，因此可以將陶瓷制品缺陷圖像轉(zhuǎn)化為本文算法的灰色系統(tǒng)，也就是可以使用灰色理論中非常重要的灰色關(guān)聯(lián)度算法進行缺陷區(qū)域提取[12,13]。 3.3缺陷檢測算法描述本系統(tǒng)平臺所使用的缺陷檢測算法，是對缺陷衛(wèi)生陶瓷的開裂、顏色、形狀和尺寸等參數(shù)，利用機器視覺算法進行特征提取，然后進行相應(yīng)的計算識別，具

10、體步驟如下：1）建立衛(wèi)生陶瓷缺陷特征模型，主要包括顏色、形狀和尺寸等幾個方面，使用基于灰色理論的圖像處理方法，主要根據(jù)衛(wèi)生陶瓷缺陷的顏色特征進行檢測，形狀和尺寸特征作為缺陷判別的輔助手段。2）采集衛(wèi)生陶瓷圖像，這里使用彩色圖像。3）對圖像進行常規(guī)處理，這里主要是彩色圖形的濾波處理，為了提高效率濾波算法也使用基于灰色理論的圖像處理方法[14]。4）對衛(wèi)生陶瓷圖像按照像素的顏色值進行分類，為了便于處理和提高效率，這項操作選在RGB空間進行。5）搜索與缺陷顏色特征隸屬度高的像素[15]，然后通過其形狀和尺寸特征給出最終判斷。6）為了用戶能夠?qū)θ毕莘奖悴炜矗詫ε袛喑龅娜毕輩^(qū)域，按照標(biāo)定算法對缺陷區(qū)

11、域進行標(biāo)定。大量實驗表明，該檢測系統(tǒng)平臺算法能對衛(wèi)生陶瓷的開裂、缺釉及色差等缺陷能夠快速識別標(biāo)定。 3.4基于Hadoop云平臺的衛(wèi)生陶瓷缺陷圖像區(qū)分mapper()函數(shù)映射后的圖像數(shù)據(jù)，經(jīng)過灰色關(guān)聯(lián)算法進行并行處理運算，有缺陷的使用標(biāo)定算法在原圖像進行標(biāo)定。然后將處理結(jié)果使用Hadoop自帶的API函數(shù)ImageRecordReader（此函數(shù)繼承于RecordReader類），把輸入的圖像split轉(zhuǎn)化為對的形式。在這里經(jīng)過Java語言編程，將有缺陷的value標(biāo)為1，將沒有缺陷的value標(biāo)為0。然后將處理結(jié)果交由用戶自定義的reducer方法進行處理，并將結(jié)果傳入預(yù)先指

12、定的Hbase區(qū)域，進行數(shù)據(jù)的存儲。最后將檢測結(jié)果，匯聚到主節(jié)點上，給用戶進行反饋輸出。用戶既可以得到檢測結(jié)果，又可以根據(jù)檢測結(jié)果找到已測圖像從而進行科學(xué)分析。 4實驗結(jié)果分析 為了驗證本文提出的方法能夠并行檢測出衛(wèi)生陶瓷圖像的缺陷，筆者以4幅分辨率640480的存在缺陷的衛(wèi)生陶瓷圖像為例，進行基于Hadoop的MapReduce的分布式并行缺陷檢測實驗和單機檢測實驗。5結(jié)論本文提出了基于Hadoop平臺的衛(wèi)生陶瓷缺陷檢測方案。此方案包括5臺PC機，1臺作為主節(jié)點，4臺作為從節(jié)點。并部署了Hadoop的MapReduce框架，在Mapper()映射過程中，用Java編寫了基于灰色關(guān)聯(lián)的衛(wèi)生陶瓷缺陷檢測系統(tǒng)。該系統(tǒng)能夠?qū)πl(wèi)生陶瓷缺陷圖像進行并行檢測，在滿負荷工作下，效率大大高于普通單PC機搭建的檢測系統(tǒng)。本文為工業(yè)產(chǎn)品的并行機器視覺檢測提供了相應(yīng)解決方案，有一定參考價值。