[发明专利]一种基于纹理和形状特征的电子元件识别的方法

说明书

本发明提供一种基于纹理和形状特征的电子元件识别的方法，包括以下步骤：预处理阶段通过对图像中目标平移，旋转和缩放，将目标进行归一化处理；Gabor滤波器和灰度共生矩阵对电子元件的纹理特征进行建模；通过一组Curvelet变换系数和不变矩来捕获电子元件的形状；训练模糊神经分类器以识别目标电子元件。本发明基于目标图像的纹理和形状特征，结合卷积神经网络，对多目标进行同步识别，既提高了工业生产中电子元件识别的正确率和效率，又提升了识别方法的鲁棒性性，从而可以扩大到其他刚性目标的识别应用范围。

技术领域

本发明涉及一种基于纹理和形状特征的电子元件识别的方法。使用Gabor滤波器(GF)和灰度共生矩阵(GLCM)对电子元件的纹理进行特征提取建模，使用一组曲线变换(CT)系数和不变矩(IM)来捕获电子元件的形状。通过模糊神经控制器(NFC)作为分类器以识别电子元件。本发明可将具有不同纹理，形状，大小和方向的电子元件在复杂环境下有效地识别。

背景技术

电子元件在工业发展方面有着举足轻重的作用，它种类繁多，且朝着微型化、片式化的方向演变。在电子元器件的生产、科研、应用以及回收等方面，其分类识别是一项非常重要的基础工作，因此设计一种能实时处理的电子元件自动识别方法具有十分重要的现实意义。目前的图像分类方法主要分为两大类，第一类是利用卷积神经网络(convolution-alneural networks,CNN)自动学习图像特征进行图像分类图，第二类基于图像空间域或频率域对图像进行分类。第一类方法经过多年的研究与积累，虽然在分类精度方面较为理想，但其数据量过大，计算复杂度较高，无法满足及时处理的效率需求；第二类方法精度不够，也无法实现同时对多种元器件进行分类。

发明内容

基于上述不足，本发明提出了一种基于纹理和形状特征的电子元件识别的方法。使用Gabor滤波器(GF)和灰度共生矩阵(GLCM)对电子元件的纹理进行建模，使用一组曲线变换(CT)和不变矩(IM)来获取电子元件的形状。由于这些特征通常受图像中电子元件的方向和尺寸影响，因此应用特征提取之前的预处理(PP)阶段通过对图像中目标平移，旋转和缩放，将目标进行归一化处理。通过使用模糊神经分类器(NFC)以识别电子元件。本发明可将具有不同纹理，形状，大小和方向的电子元件有效地识别。

纹理和形状是用于分类识别的的重要特征，本发明的方法使用基于纹理特征和形状特征建模的复合。使用复合Gabor滤波器(GF)和灰度共生矩阵(GLCM)捕获电子元件的纹理，同时使用曲线变换(CT)和不变矩(IM)捕获电子元件的形状。执行的步骤概述如下：S1，预处理(PP)、S2，Gabor滤波器(GF)、S3，灰度共生矩阵(GLCM)、S4，基于纹理的特征(FT)、S5，Curvelet变换(CT)、S6，不变矩(IM)、S7，基于形状的特征(FS)、S8，特征融合(FC)、S9，模糊神经分类器(NFC)。

本发明的技术方案为：一种基于纹理和形状特征的电子元件识别的方法，包括以下步骤：

图像预处理(PP)：将彩色图像灰度化、二值化，通过对图像中目标的平移，旋转和缩放，将目标进行归一化处理；

Gabor滤波器(GF)：结合卷积网络的思想，将其应用于电子元件的特征提取，Gabor滤波器与灰度图像卷积产生复数信号，初步得到电子元件的特征信息，将信号的实部(rgg)和虚部(igg)分离出来，通过虚部计算图像的灰度共生矩阵，进一步对特征信息进行处理；

灰度共生矩阵(GLCM)：电子元件是刚体结构，纹理简单且对称，特征通过灰度共生矩阵公式计算，得到3个特征表达F₁、F₂、F₃，F1为纹理的能量，F2为纹理对比度，F3为纹理相关性，基本表达了刚性体的纹理信息；