少有人走的路

一般说法是gmm分类器可以用于缺陷检测，mlp不支持缺陷检测。

勇哥还是想试试mlp到底能不能用于缺陷检测。

于是有了下面的实验。

这个实验用到的图片，原来是gmm分类器的一个倒子用到的。

dev_close_window()
read_image (Image, 'plastic_mesh/plastic_mesh_01')

get_image_size (Image, Width, Height)
dev_open_window(0, 0, Width, Height, 'black', WindowHandle)
get_system ('example_dir', HalconExamples)

gen_rectangle1 (Rectangle, 10, 10, Height / 2 - 11, Width / 2 - 11)
 * 创建多层感知器，5维特征向量维度，6层神经元的隐藏层，输出2类，softmax分类器（多项式分布），预处理设置为'principal_components'，使用主成分分析，特征向量所在的组件数3，随机数初始化种子是42
create_class_mlp (5, 6, 2, 'softmax', 'principal_components', 3, 42, MLPHandle)
* The training is based on five images that contain no errors.

*生成空区域
gen_empty_region (EmptyRegion)

*把矩形区域放入空区域中
concat_obj (Rectangle, EmptyRegion, ObjectsConcat)

*抽取5张图片的特征
for J := 1 to 5 by 1
    read_image (Image, 'plastic_mesh/plastic_mesh_' + J$'02')

    *缩小图片，减少运行时间
    zoom_image_factor (Image, ImageZoomed, 0.5, 0.5, 'constant')
     dev_display (ImageZoomed)
    disp_message (WindowHandle, 'Adding training samples...', 'window', 10, 10, 'black', 'true')

    *抽取纹理特征，见网格缺陷检测（GMM）博客
    gen_texture_image (ImageZoomed, ImageTexture)
    
    *把特征和空区域添加到训练句柄中
    add_samples_image_class_mlp (ImageTexture, ObjectsConcat, MLPHandle)
endfor
    
*设置拒绝采样策略'hyperbox_ring_around_each_class'

set_rejection_params_class_mlp (MLPHandle, 'sampling_strategy', 'hyperbox_ring_around_each_class')

*设置拒绝采样策略因子3
 set_rejection_params_class_mlp (MLPHandle, 'rejection_sample_factor', .3)
 *开始训练，MaxIterations优化算法的最大迭代次数200, WeightTolerance最优算法在两次迭代的不同权重的阈值是1,两次迭代的平均错误的差值阈值0.01,Error训练数据的平均错误, ErrorLog作为一个优化算法的迭代次数函数在训练数据上的平均错误
 train_class_mlp (MLPHandle, 200, 1, 0.01, Error, ErrorLog)

for J := 1 to 14 by 1
    read_image (Image, 'plastic_mesh/plastic_mesh_' + J$'02')    
     *缩小图片
    zoom_image_factor (Image, ImageZoomed, 0.5, 0.5, 'constant')
   

    *抽取特征图
    gen_texture_image (ImageZoomed, ImageTexture)
    *裁剪特征图得到需要分类的区域
    reduce_domain (ImageTexture, Rectangle, ImageTextureReduced)
    
    *分类
    classify_image_class_mlp (ImageTextureReduced, ClassRegions, MLPHandle, 0.5)

*分成两类区域，正确区域和错误的区域
     select_obj (ClassRegions, Correct, 1)
    select_obj (ClassRegions, Errors, 2)

* 错误区域开运算和闭运算，去除细小的区域
    opening_circle (Errors, ErrorsOpening, 4.5)
    closing_circle (ErrorsOpening, ErrorsClosing, 10.5)
    connection (ErrorsClosing, ErrorsConnected)

*筛选面积大于100的区域
    select_shape (ErrorsConnected, FinalErrors, 'area', 'and', 100, 1000000)
    count_obj (FinalErrors, NumErrors)
    dev_set_color ('red')
    dev_set_draw ('margin')
    dev_set_line_width (5)
    dev_display(ImageZoomed)
    dev_display (FinalErrors)
    if (NumErrors > 0)
        disp_message (WindowHandle, 'Mesh not OK', 'window', 10, 10, 'black', 'true')
    else
        disp_message (WindowHandle, 'Mesh OK', 'window', 10, 10, 'black', 'true')
    endif
    if (J < 14)
        disp_continue_message (WindowHandle, 'black', 'true')
    endif
    stop ()
endfor
clear_class_mlp (MLPHandle)

本地函数的源码：

texture_laws (Image, ImageEL, 'el', 5, 5)
texture_laws (Image, ImageLE, 'le', 5, 5)
texture_laws (Image, ImageES, 'es', 1, 5)
texture_laws (Image, ImageSE, 'se', 1, 5)
texture_laws (Image, ImageEE, 'ee', 2, 5)
compose5 (ImageEL, ImageLE, ImageES, ImageSE, ImageEE, ImageLaws)
smooth_image (ImageLaws, ImageTexture, 'gauss', 5)
return ()

可以看到，我们实现了跟gmm一样的效果。

--------------------- 

作者：hackpig

来源：www.skcircle.com

版权声明：本文为博主原创文章，转载请附上博文链接！

本文出自勇哥的网站《少有人走的路》wwww.skcircle.com，转载请注明出处！讨论可扫码加群：