Daha Hızlı R-CNN Yerelleştirme Sonrası Endüstriyel CT Görüntü Kusurlarının Segmentasyon Algoritması Araştırması
Derin öğrenmenin yükselişi, Evrişimli Sinir Ağlarının (CNN) geliştirilmesine yol açmıştır.Günümüzde, mevcut patlama yapan Daha Hızlı R-CNN ağı gibi bir dizi gelişmiş CNN ağı ortaya çıkmıştır, görüntü algılama alanında yaygın olarak kullanılmaktadır. Hedef konumlandırma için Daha Hızlı R-CNN kullanıldığında, hedef kenar genellikle yerelleştirilmiş alanda bulanıklaşır Hedef ideal bir adım kenarı değil, zayıf bir kenardır. İş parçası için, kusurlar, özellikle kabarcıklar ve cüruf kapanımları gibi görüntünün yalnızca küçük bir kısmını oluşturur ve komşular arasındaki gri tonlama farkı açık değildir. Bu duruma yanıt olarak, iş parçasının hassas segmentasyonunu sağlamak için uygun algoritmalar kullanılmalıdır.
Basitliği nedeniyle, eşik yöntemi, görüntü bölümleme alanında yaygın olarak kullanılmaktadır. Bunlar arasında en yaygın kullanılanlar maksimum entropi eşiği yöntemi ve Otsu eşiği yöntemidir.
Pun önce bilgi entropisinin tanımını görüntü bölütleme alanına tanıttı ve ardından Kapur ve diğerleri, maksimum Shannon bilgi entropi eşiği yöntemini önerdi. Literatür, maksimum entropi eşiği yöntemini ve görüntü segmentasyonu için geliştirilmiş algoritmasını kullanır.
Otsu eşik yöntemi, yüksek verimliliği nedeniyle en iyi eşik seçim yöntemi olarak kabul edilmektedir. Örneğin, literatür iki boyutlu histogram Otsu yöntemini kullanır; literatür, üç boyutlu histogram rekonstrüksiyonu için Otsu eşik yöntemini önerir.
Son yıllarda, kenar algılama yöntemleri (matematiksel morfoloji gibi) görüntü bölütleme alanında yaygın olarak kullanılmaktadır. Literatür, matematiksel morfolojiyi Otsu segmentasyon algoritması ile birleştirir ve doğrudan segmentasyon yönteminden daha iyi sonuçlar elde eder.
Bu nedenle, bu makale literatürün düşüncelerini birleştiriyor ve morfolojiyi yukarıdaki iki tür eşik yöntemi ile birleştiren bir yöntem öneriyor. Deneysel sonuçlar, önerilen algoritmanın iş parçası kusurlarının zayıf kenarlarını ve küçük hedeflerini doğru şekilde bölümlere ayırabildiğini ve doğrudan bölümleme yönteminden daha iyi sonuçlara sahip olduğunu kanıtlamaktadır.
1 Görüntü bölütleme teorisine genel bakış
1.1 Morfolojik yeniden yapılandırma
Görüntü morfolojisi, matematiksel morfoloji temelinde geliştirilmiş doğrusal olmayan bir görüntü işleme yöntemidir.Görüntü, görüntü analizi ve tanıma için uygun olan nesnenin daha temel bir şeklini elde etmek için belirli bir şekle sahip yapısal öğeler aracılığıyla "algılanır". .
Bu yazıda, morfolojik açma ve kapama rekonstrüksiyon algoritması görüntü filtreleme için kullanılmış ve rekonstrüksiyon süreci Şekil 1'de gösterilmiştir.
1.2 Otsu eşik segmentasyonu
Otsu eşik yöntemi aynı zamanda sınıflar arası maksimum fark yöntemi olarak da adlandırılır. Algoritma, bir görüntünün ön plan ve arka plandan oluştuğunu varsayar.İstatistiksel yöntemlerle bir eşik seçilir ve eşik, görüntünün ön planını ve arka planını mümkün olduğunca ayırmak için kullanılır. Bir görüntünün gri değerinin 1 L olduğunu ve eşiğin t'nin 1'den L'ye değiştiğini varsayalım. Bunlar arasında, sınıflar arasındaki farkı en üst düzeye çıkaran t * en iyi eşiktir.
Arka plana göre hedefin boyutu küçük olduğunda veya görüntüde ikiden fazla hedef türü olduğunda, görüntünün çok eşikli bölümlemesini elde etmek için birden çok eşik seçimine genelleştirilebilir.
1.3 Maksimum entropi eşiği segmentasyonu
Gri seviyeye göre, eşik değeri t, görüntüyü iki tip arka plan ve hedefe bölmek için kullanılır.Arka plan entropisi ve hedef entropi toplamını maksimize eden optimal eşiği bulma yöntemi, maksimum entropi eşik bölümleme yöntemidir.
Hedef entropi ve arka plan entropisinin sırasıyla HO (t) ve HB (t) olduğunu varsayalım, bu durumda entropi işlevi şu şekilde tanımlanır:
Denklemin (1) değerini maksimize eden t *, optimum eşiktir.
2 Algoritma akışı ve adımları
Segmentasyon sırasında iş parçası zayıf kenarlarının ve küçük hedef kusurlarının aşırı segmentasyonu veya alt segmentasyonu olgusunu hedefleyen bu makale, doğru bir segmentasyon algoritmasını incelemektedir Spesifik süreç Şekil 2'de gösterilmektedir.
Kusur tipine göre yukarıda bahsedilen dağıtım işlemi, cüruf katılmasının gri tonlama dağılımının ve diğer iki kusurun zıt olmasıdır. Aynı işlem kullanılırsa, doğru segmentasyon elde edilemez.
3 Deneysel sonuçlar ve analiz
3.1 Segmentasyon deneyi ve sonuçları
Simülasyon deneyi MATLAB R2014a ortamında programlanmıştır ve segmentasyon sonuçları Şekil 3 ila Şekil 5'de gösterilmektedir.
Şekil 3, çatlak kusurlarının bir segmentasyon diyagramıdır. Bunlar arasında Şekil 3 (a) bulunan çatlağın görüntüsüdür; Şekil 3 (b) çatlak bölgesinin çıkarılan görüntüsüdür; Şekil 3 (c) çatlağın morfolojik rekonstrüksiyonunun sonucudur; Şekil 3 (d) yeniden yapılandırılmış görüntüdür Şekil 3 (e), son segmentasyon sonucudur; Şekil 3 (f), Şekil 3 (e) 'deki sınır çıkarma sonucudur; Şekil 3 (g), çatlak alanının sütun grisidir Derece değişiminin eğrisi, iki bitişik sütunun gri ölçeğindeki farkı yansıtır. Şekilden, sütun gri ölçek eğrisinin çok kararlı olduğu, yani çatlak ile çevreleyen arka plan arasında belirgin bir gri ölçek farkı olmadığı görülebilmektedir. Şekil 3 (e) ve Şekil 3 (f) 'den, bu makaledeki algoritmanın önemsiz gri ton geçişli iyi bir çatlak segmentasyonu sağladığı görülmektedir.
Şekil 4, kabarcık kusurlarının bir segmentasyon diyagramıdır. Şekil 4 (e) ve Şekil 4 (f) 'den, bu makaledeki algoritmanın zayıf baloncukların doğru segmentasyonunu sağladığı görülebilir.
Şekil 5, cüruf katılma kusurlarının bir segmentasyon diyagramıdır. Şekil 5 (b) 'den, çıkarılan cüruf inklüzyon bölgeleri 1 ve 2'nin uzatılmış siyah zemin alanının bir kısmını içerdiği görülebilir; bu arada cüruf inklüzyonunun 2 sağ tarafında bir geçiş alanı vardır. Şekil 5 (e) ve Şekil 5 (f) 'den, bu makaledeki segmentasyon algoritmasının cüruf 1 ve 2'nin iyi segmentasyonunu elde ettiği görülebilir.
Yukarıdaki sonuçlar ve analizler, bu makaledeki algoritmanın yalnızca belirgin gri tonlu kontrast ile kabarcık kusurlarını doğru bir şekilde bölümlere ayırmakla kalmayıp, aynı zamanda önemsiz gri ölçekli kontrast veya geçiş alanları ile cüruf inklüzyon kusurlarına sahip çatlak kusurları için iyi bir genelleme yeteneğine sahip olduğunu göstermektedir. , İyi bir segmentasyon elde ettiniz.
3.2 Karşılaştırmalı deney
Hata segmentasyonu için bu yazıda incelenen algoritmanın doğruluğunu daha da doğrulamak için burada karşılaştırmalı bir deney tasarlanmıştır. Kontrast deneyi, maksimum entropi eşik bölümleme yöntemini ve Otsu çift eşik bölümleme yöntemini kullanır.
3.2.1 Segmentasyon sonuçlarının kalitatif analizi
Şekil 6-8'de gösterildiği gibi, karşılaştırmalı deneyin sonuçlarını bu makaledeki deneylerin sonuçlarıyla karşılaştırın ve analiz edin.
Şekil 6'daki çatlak segmentasyon karşılaştırma grafiğini analiz edin ve Şekil 6 (a) 'dan anlaşılacağı gibi önemsiz gri ölçekli kontrastlı çatlaklar için, maksimum entropi eşik yönteminin ve Otsu eşik yönteminin segmentasyon sonuçlarının her ikisinin de ciddi yanlış segmentasyona sahip olduğu görülebilir. Şekil 6 (b) ve Şekil 6 (d) 'de gösterildiği gibi. Bu makaledeki algoritma, Şekil 6 (f) 'de gösterildiği gibi çatlakların hassas segmentasyonunu gerçekleştirebilir; aynı zamanda, Şekil 6 (g), çıkarılan sınırın çatlakla yüksek derecede uyuştuğunu göstermektedir.
Şekil 7'deki kabarcık segmentasyonunun karşılaştırma tablosunu analiz edin. Kabarcığın ana hatlarını net bir şekilde gözlemlemek için, Şekil 7 (a) 'yı Şekil 4 (b)' yi elde etmek için ön işleyin, Şekil 7 (b) ve Şekil 7 (c) ile karşılaştırın. Şekil 7 (d) ve Şekil 7 (e) karşılaştırılırsa, maksimum entropi eşik yöntemi ile Otsu eşik yönteminin balonun kenarını aşırı derecede zayıf gri ile bölemeyeceğini gösterir ve Şekil 7 (f) ve Şekil 7 (g) ile karşılaştırıldığında, Bu makaledeki algoritmanın kabarcıkların zayıf kenarlarını çok iyi bölümlere ayırdığı ve hassas bölümleme elde ettiği görülebilir.
Şekil 8'deki cüruf inklüzyon segmentasyonunun karşılaştırma tablosunu analiz edin. Şekil 8 (b), Şekil 8 (c), Şekil 8 (d) ve Şekil 8 (e), maksimum entropi eşik yönteminin ve Otsu eşik segmentasyon yönteminin cüruf eklenmesi 1 ve Her iki durumda da yanlış segmentasyon meydana geldi, yani arka planın gri tonlamalı cüruf katılımına benzer bir kısmı segmentlere ayrıldı; aynı zamanda cüruf inklüzyonu 2 için aşırı segmentasyon fenomeni de vardı. Şekil 8 (f) ve Şekil 8 (g), bu yazıda segmentasyon algoritmasının doğruluğunu göstermektedir.
3.2.2 Segmentasyon sonuçlarının kantitatif analizi
Algoritmanın nesnellik ve doğruluğa sahip olduğunu göstermek için bu makale, yukarıdaki üç algoritmanın sonuçlarını nicel olarak değerlendirmek için üç bölümleme doğruluğu göstergesi, kök ortalama kare hatası ve korelasyon katsayısı sunar.
Segmentasyon doğruluğunun hesaplanması aşağıdaki formüle dayanmaktadır:
Bunlar arasında SA, segmentasyon doğruluğunu temsil eder, RS manuel olarak çizilen segmentli görüntünün referans alanıdır, TS segmentasyon sonucunun gerçek alanıdır ve | RS-TS | yanlış segmentlere ayrılan piksel sayısıdır.
Segmentasyon doğruluğunun değeri ne kadar büyükse, segmentasyon sonucu o kadar iyi; Kök Ortalama Kare Hatasının (RMSE) değeri ne kadar küçükse, segmentasyon sonucu ideal duruma o kadar yakın olur; korelasyon katsayısı değeri ne kadar büyükse, segmentasyon sonucu referansla karşılaştırılır Görüntülerin benzerliği ne kadar yüksek olursa.
Yukarıdaki üç deneysel sonucun değerlendirilmesi için Tablo 1'e bakınız. Tablo 1'den görülebileceği gibi, önemsiz gri kontrast farklılıkları olan çatlak kusurları için maksimum entropi eşik yöntemi ve Otsu eşik yönteminin segmentasyon sonuçlarının çok iyi olmadığı, özellikle Otsu eşik yönteminin etkisinin son derece zayıf olduğu ve bu yazıda algoritma ile elde edilen sonuçların daha iyi olduğu görülmektedir. ; Belirgin gri tonlama farklılıklarına sahip kabarcıklar için, bu makaledeki algoritma kenar ayrıntılarını diğer iki algoritmadan daha iyi bölümlere ayırabilir; geçiş bölgelerini içeren cüruf kusurları için maksimum entropi eşik yöntemi ve Otsu eşik yöntemi benzer bölümleme etkilerine sahiptir. Hiçbiri hedefi iyi segmentlere ayıramaz ve bu makaledeki algoritma daha büyük segmentasyon doğruluğuna, daha küçük ortalama kare hatası ve daha yüksek korelasyon katsayısına sahiptir, bu nedenle daha iyi bir segmentasyon etkisi sağlar.
3.3 Kusurların ölçülmesi
Hata segmentasyonunun amacı kusurları analiz etmek ve ölçmektir, bu nedenle kusurların şeklini, boyutunu ve mekansal konumunu derinlemesine anlamak çok önemlidir. Bu kağıt beş gösterge seçer: alan, çevre, alan çevre oranı, en boy oranı (yani, sınırlayıcı en küçük dikdörtgenin en boy oranı) ve kusurlu alanın konum alanına oranı kusurları ölçmek için. Bunların arasında alan ve çevre piksellerle ölçülür. Sayı ile hesaplanan özel istatistiksel sonuçlar Tablo 2'de gösterilmektedir.
Tablo 2'deki hata alanının konum alanına oranından, bu yazıda incelenen iş parçası kusurlarının hepsinin küçük hedefler şeklinde olduğu görülebilmektedir Tablo 1'deki algoritmaya karşılık gelen çeşitli hata değerlendirme göstergelerinin değerleri ile birleştirildiğinde, algoritmanın küçük hedefler için etkili olduğu doğrulanmıştır. Hata segmentasyonunun etkinliği.
4. Sonuç
Daha hızlı R-CNN konumlandırması temelinde, bu makale çoğu endüstriyel iş parçasının kusurlu olduğu ve çoğunun morfolojik yeniden yapılandırma, maksimum entropi eşik yöntemi ve Otsu ikili eşik segmentasyon yöntemi kullanılarak zayıf kenarlar veya küçük alanlar şeklinde mevcut olduğu mevcut durumu hedeflemektedir. Endüstriyel CT görüntü kusurlarının doğru segmentasyonu için bir algoritma önerilmiştir. Algoritmada yanlış bölümleme veya aşırı bölümleme yoktur; aynı zamanda, bu yazıda algoritmanın üstünlüğünü nitel ve nicel açıdan doğrulamak için karşılaştırmalı deneyler kullanılır. Bu makaledeki algoritma iyi bir uygulama değerine sahiptir.
Referanslar
Feng Xiaoyu, Mei Wei, Hu Dashuai. Geliştirilmiş Daha Hızlı R-CNN'ye dayalı havadan hedef tespiti. Açta Optik, 2018, 38 (6): 0615004.
Chang Haitao, Gou Junnian, Li Xiaomei. Fraktal boyut ve maksimum entropi eşiğine dayalı zayıf kenar endüstriyel CT görüntü bölütleme algoritması. Lanzhou Jiaotong Üniversitesi Dergisi, 2018, 37 (1): 45-50.
Li Feng, Kan Jianxia. Sobel operatörüne dayalı hızlı bir iki boyutlu maksimum entropi eşiği segmentasyon algoritması. Computer Science, 2015, 42 (6): 209-210.
Gong Yu, Fu Yunfeng, Ye Jianying ve diğerleri.İki boyutlu histogram rekonstrüksiyonuna dayalı Otsu görüntü bölütleme algoritması Bilgisayar Bilimi, 2013, 40 (8): 313-315.
Shen Xuanjing, Long Jianwu, Chen Haiying ve diğerleri. 3B histogram yeniden yapılandırması ve boyutsallık azaltma için Otsu eşik segmentasyon algoritması. Chinese Journal of Electronics, 2011, 39 (5): 1108-1114.
Zhu Yanjiang, Han Zhen, He Sihai ve diğerleri Sınıflar arası maksimum varyans yöntemine ve matematiksel morfolojiye dayanan uzaktan algılamalı görüntü gelgit kanalı çıkarma yöntemi.Şangay Okyanus Üniversitesi Dergisi, 2017, 26 (1): 146-153.
Deng Shichao, Huang Yin.İkili görüntünün genişlemesi ve korozyonu için hızlı algoritma.Bilgisayar Mühendisliği ve Uygulamaları, 2017, 53 (5): 207-209.
Hu Xuelong. Dijital Görüntü İşleme Pekin: Elektronik Endüstrisi Yayınevi, 2014.
Zhou Lili, Jiang Feng. Görüntü bölütleme yöntemlerinin gözden geçirilmesi. Bilgisayar Uygulama Araştırması, 2017, 34 (7): 1921-1928.
yazar bilgileri:
Wu Xiaoyuan 1, Chang Haitao 1, Gou Junnian 1, 2
(1. Otomasyon ve Elektrik Mühendisliği Okulu, Lanzhou Jiaotong Üniversitesi, Lanzhou 730070, Gansu;
2. Temel Optoelektronik Teknoloji Laboratuvarı ve Eğitim Bakanlığı Akıllı Kontrol, Lanzhou Jiaotong Üniversitesi, Lanzhou 730070, Gansu)
