核酸管外观缺陷检测(二)

1.1应用示例思路

(1)创建分类器；

(2)向分类器中添加样本；

(3)训练分类器；

(4) 测试数据，并将检测结果写入txt文件中。

1.2 应用示例相关算子介绍

(1) create_class_mlp( : : NumInput, NumHidden, NumOutput, OutputFunction, Preprocessing, NumComponents, RandSeed : MLPHandle)

功能：create_class_mlp以多层感知器(MLP)的形式创建一个神经网络，它可以用于分类或回归(函数近似)，具体取决于OutputFunction的设置方式。MLP由三层组成:具有NumInput个输入变量(神经元)的输入层，具有NumHidden个神经元的隐藏层和具有NumOutput个输出变量的输出层。

控制输入参数1：NumInput：MLP输入变量(特征)的个数；

控制输入参数2：NumHidden：MLP隐藏层神经元的个数；

控制输入参数3：NumOutput：MLP输出变量的个数(类别数)；

控制输入参数4：OutputFunction：MLP输出层激活函数的类型，Default value: 'softmax'；

控制输入参数5：Preprocessing：用于变换特征向量的预处理类型，Default value: 'normalization'；

控制输入参数6：NumComponents：预处理参数:转换特征的数量(Preprocessing= 'none'和Preprocessing= 'normalization'时忽略)，Default value: 10；

控制输入参数7：RandSeed：用随机值初始化MLP的随机数生成器的种子值；

控制输出参数：MLPHandle：MLP句柄。

(2) gen_cooc_matrix(Regions, Image : Matrix : LdGray, Direction : )

功能：从输入区域确定在某个方向(0,45,90,135度)上相邻灰度值(有序灰度值数对)出现的次数，并将其存储在位置(I,j)和(j, I)的共现矩阵中(矩阵是对称的)，最后再缩放矩阵。

图形输入参数1：Regions：待检查的区域；

图形输入参数2：Image：灰度图像；

图形输出参数：Matrix：共生矩阵；

控制输入参数1：LdGray：灰度级数，Default value: 6；

控制输入参数2：Direction：相邻位置的方向，List of values: 0, 45, 90, 135。

(3) cooc_feature_matrix(CoocMatrix : : : Energy, Correlation, Homogeneity, Contrast)

功能：从共生矩阵中计算灰度值特征；从一个共生矩阵(CoocMatrix)中计算能量(energy)、相关性(correlation)、局部同质性(homogenous)和对比度(contrast)。

图形输入参数：CoocMatrix：输入的共生矩阵；

控制输入参数1：Energy(灰度值均匀性)：表示灰度共生矩阵中的元素的平方和。能量越大，表示灰度变化比较稳定，反映了纹理变化变化的均匀程度。比如当像素值全部为1时，对应的共生矩阵中(1,1)有16个，其他为0，则能量为16*16，此时能量最大，灰度变化最稳定，因为都为0；

控制输入参数2：Correlation(灰度值的相关性)：表示纹理在行或者列方向的相似程度。相关性越大，相似性越高；

控制输入参数3：Homogeneity(灰度值的局部均匀性)：反映图像局部纹理的变化量。值越大，表示图像局部的变化越小。

控制输入参数4：Contrast(灰度值的对比度)：表示矩阵的值的差异程度，也间接表现了图像的局部灰度变化幅度。对比度值越大，图像中的纹理深浅越明显，表示图像越清晰；反之，则表示图像越模糊；

(4) cooc_feature_image(Regions, Image : : LdGray, Direction : Energy, Correlation, Homogeneity, Contrast)

功能：计算共生矩阵并推导其灰度值特征。

图形输入参数1：Regions：待检查的区域；

图形输入参数2：Image：灰度图像；

控制输入参数1：LdGray：灰度级数，Default value: 6；

控制输入参数2：Direction：相邻位置的方向，List of values: 0, 45, 90, 135, 'mean'；

控制输出参数1：Energy：灰度值均匀性；

控制输出参数2：Correlation：灰度值的相关性；

控制输出参数3：Homogeneity：灰度值的局部均匀性；

控制输出参数4：Contrast：灰度值的对比度

(5) sobel_amp(Image : EdgeAmplitude : FilterType, Size : )

功能：使用sobel(索贝尔)算子计算图像的一阶导数(幅值)进行边缘检测。

图形输入参数：Image：输入图像；

图形输出参数：EdgeAmplitude：边缘幅度图像；

控制输入参数1：FilterType：滤波器类型，Default value: 'sum_abs'；

控制输入参数2：Size：滤波器mask尺寸大小，Default value: 3。

(6) gray_histo_abs(Regions, Image : : Quantization : AbsoluteHisto)

功能：计算灰度直方图。

图形输入参数1：Regions：要计算直方图的区域；

图形输入参数2：Image：待计算图像的灰度值分布；

控制输入参数：Quantization：灰度值的量化，Default value: 1.0；

控制输出参数：AbsoluteHisto：灰度值出现的频数。

(7) add_sample_class_mlp( : : MLPHandle, Features, Target : )

功能：向多层感知机的训练数据中添加一个训练样本。

控制输入参数1：MLPHandle：MLP句柄；

控制输入参数2：Features：待存储训练样本的特征向量；

控制输入参数3：Target：待存储训练样本的类或目标向量。

(8) train_class_mlp( : : MLPHandle, MaxIterations, WeightTolerance, ErrorTolerance : Error, ErrorLog)

功能：训练一个多层感知器。

控制输入参数1：MLPHandle：MLP句柄；

控制输入参数2：MaxIterations：优化算法的最大迭代次数；

控制输入参数3：WeightTolerance：在优化算法的两次迭代之间，MLP权值之差设置阈值，Default value: 1.0；

控制输入参数4：ErrorTolerance ：在优化算法的两次迭代之间，MLP对训练数据的平均误差设置阈值，Default value: 0.01；

控制输出参数1：Error：MLP对训练数据的平均误差；

控制输出参数2：ErrorLog：MLP在训练数据上的平均误差作为优化算法迭代次数的函数。

(9) write_class_mlp( : : MLPHandle, FileName : )

功能：将训练好的多层感知器模型写入文件。

控制输入参数1：MLPHandle：MLP句柄；

控制输入参数2：FileName：待保存的文件名

(10) classify_class_mlp( : : MLPHandle, Features, Num : Class, Confidence)

功能：用多层感知器计算特征向量的类别。

控制输入参数1：MLPHandle：MLP句柄；

控制输入参数2：Features：特征向量；

控制输入参数3：Num：要确定的最佳类的数量，Default value: 1；

控制输出参数1：Class：用MLP对特征向量进行分类的结果；

控制输出参数2：Confidence：特征向量属于某一类别的置信度。

1.3 应用示例代码

*1、创建分类器
NumFeatures:=72  //输入特征的个数
NumHidden:=15    //隐藏层神经元个数
NumClasses:=2    //输出的类别数
create_class_mlp (NumFeatures, NumHidden, NumClasses, 'softmax', 'normalization', 10, 42, MLPHandle)
*2、添加样本 
*********************添加正样本******************************************
list_files ('./ok/', ['files','follow_links'], P_ImageFiles)
tuple_regexp_select (P_ImageFiles, ['\\.(tif|tiff|gif|bmp|jpg|jpeg|jp2|png|pcx|pgm|ppm|pbm|xwd|ima|hobj)$','ignore_case'], P_ImageFiles)
for i := 0 to |P_ImageFiles| - 1 by 1read_image (Image, P_ImageFiles[i])  rgb1_to_gray (Image, GrayImage)threshold (GrayImage, Regions, 30, 145)connection (Regions, ConnectedRegions)select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 500000, 800000)cooc_feature_image (SelectedRegions, Image, 6, 90, Energy, Correlation, Homogeneity, Contrast)sobel_amp (Image, EdgeAmplitude, 'sum_abs', 3)gray_histo_abs (EdgeAmplitude, EdgeAmplitude, 8, AbsoluteHistoEdgeAmplitude)FeaturesExtended:=[Energy, Correlation, Homogeneity, Contrast]FeaturesExtended:=[FeaturesExtended,AbsoluteHistoEdgeAmplitude]cooc_feature_image (Image, Image, 6, 90, Energy, Correlation, Homogeneity, Contrast)sobel_amp (Image, EdgeAmplitude, 'sum_abs', 3)gray_histo_abs (EdgeAmplitude, EdgeAmplitude, 8, AbsoluteHistoEdgeAmplitude)FeaturesExtended1:=[FeaturesExtended,Energy, Correlation, Homogeneity, Contrast]FeaturesExtended1:=[FeaturesExtended1,AbsoluteHistoEdgeAmplitude]FeatureVector:=real(FeaturesExtended1) //实数化*添加正样本add_sample_class_mlp (MLPHandle, FeatureVector, 0)
endfor 
************************添加负样本****************************************   
list_files ('./ng1/', ['files','follow_links'], N_ImageFiles)
tuple_regexp_select (N_ImageFiles, ['\\.(tif|tiff|gif|bmp|jpg|jpeg|jp2|png|pcx|pgm|ppm|pbm|xwd|ima|hobj)$','ignore_case'], N_ImageFiles)
for i := 0 to |N_ImageFiles| - 1 by 1read_image (Image, N_ImageFiles[i])  rgb1_to_gray (Image, GrayImage)threshold (GrayImage, Regions, 30, 145)connection (Regions, ConnectedRegions)select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 500000, 800000)cooc_feature_image (SelectedRegions, Image, 6, 90, Energy, Correlation, Homogeneity, Contrast)sobel_amp (Image, EdgeAmplitude, 'sum_abs', 3)gray_histo_abs (EdgeAmplitude, EdgeAmplitude, 8, AbsoluteHistoEdgeAmplitude)FeaturesExtended:=[Energy, Correlation, Homogeneity, Contrast]FeaturesExtended:=[FeaturesExtended,AbsoluteHistoEdgeAmplitude]cooc_feature_image (Image, Image, 6, 90, Energy, Correlation, Homogeneity, Contrast)sobel_amp (Image, EdgeAmplitude, 'sum_abs', 3)gray_histo_abs (EdgeAmplitude, EdgeAmplitude, 8, AbsoluteHistoEdgeAmplitude)FeaturesExtended1:=[FeaturesExtended,Energy, Correlation, Homogeneity, Contrast]FeaturesExtended1:=[FeaturesExtended1,AbsoluteHistoEdgeAmplitude]FeatureVector:=real(FeaturesExtended1) //实数化*添加负样本add_sample_class_mlp (MLPHandle, FeatureVector, 1)
endfor*3、训练分类器
train_class_mlp (MLPHandle, 200, 1, 0.01, Error, ErrorLog)
stop ()
write_class_mlp (MLPHandle, './HeSuanGuan.gmc')*4、测试数据
*统计核酸管外观正常的数组
P_Tuple:=[]
*统计核酸管外观缺陷的数组
N_Tuple:=[]
*判断文件是否存在
file_path:= './核酸管外观缺陷检测统计2.txt'
file_exists (file_path, file_exist)
if (file_exist==1)delete_file (file_path)
endif
open_file (file_path, 'output', FileHandle)
list_files ('./Test_img/', ['files','follow_links'], ImageFiles)
tuple_regexp_select (ImageFiles, ['\\.(tif|tiff|gif|bmp|jpg|jpeg|jp2|png|pcx|pgm|ppm|pbm|xwd|ima|hobj)$','ignore_case'], ImageFiles)
for Index := 0 to |ImageFiles| - 1 by 1img_path:=ImageFiles[Index]*文件名拆分parse_filename (img_path, BaseName, Extension, Directory)read_image (Image, img_path)   rgb1_to_gray(Image, GrayImage)threshold (GrayImage, Regions, 30, 145)connection (Regions, ConnectedRegions)select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 500000, 800000)cooc_feature_image (SelectedRegions, Image, 6, 90, Energy, Correlation, Homogeneity, Contrast)sobel_amp (Image, EdgeAmplitude, 'sum_abs', 3)gray_histo_abs (EdgeAmplitude, EdgeAmplitude, 8, AbsoluteHistoEdgeAmplitude)FeaturesExtended := [Energy,Correlation,Homogeneity,Contrast]FeaturesExtended := [FeaturesExtended,AbsoluteHistoEdgeAmplitude]cooc_feature_image (Image, Image, 6, 90, Energy, Correlation, Homogeneity, Contrast)sobel_amp (Image, EdgeAmplitude, 'sum_abs', 3)gray_histo_abs (EdgeAmplitude, EdgeAmplitude, 8, AbsoluteHistoEdgeAmplitude)FeaturesExtended1 := [FeaturesExtended,Energy,Correlation,Homogeneity,Contrast]FeaturesExtended1 := [FeaturesExtended1,AbsoluteHistoEdgeAmplitude]FeatureVector := real(FeaturesExtended1)classify_class_mlp (MLPHandle, FeatureVector, 1, FoundClassIDs, k)if(FoundClassIDs==0)P_Tuple:=[P_Tuple,1]fwrite_string(FileHandle,[Index,'核酸管外观正常的图片名：',BaseName])fnew_line(FileHandle)elseN_Tuple:=[N_Tuple,0]fwrite_string(FileHandle,[Index,'核酸管外观缺陷的图片名：',BaseName])fnew_line(FileHandle)endif    
endfortuple_length (P_Tuple, P_Length)
tuple_length (N_Tuple, N_Length)
Yield_Rate:= real(P_Length)/real(N_Length+P_Length)
fwrite_string(FileHandle,['核酸管良品率：',Yield_Rate])
fnew_line(FileHandle)
close_file (FileHandle)

部分检测结果：

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.hqwc.cn/news/140255.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Flow深入浅出系列之在ViewModels中使用Kotlin Flows

Flow深入浅出系列之在ViewModels中使用Kotlin Flows

Flow深入浅出系列之在ViewModels中使用Kotlin FlowsFlow深入浅出系列之更聪明的分享 Kotlin FlowsFlow深入浅出系列之使用Kotlin Flow自动刷新Android数据的策略 Flow深入浅出系列之在ViewModels中使用Kotlin Flows Flow出现后，LiveData仍然可以用，并且…
阅读更多...
进阶JAVA篇-异常处理：解读与解决编程中的意外情况

进阶JAVA篇-异常处理：解读与解决编程中的意外情况

目录 1.0 什么是异常？ 1.1 异常主要分为两个情况分别是运行时异常、编译时异常。 2.0 怎么处理异常呢？ 2.1 捕获异常（Catch Exception） 2.2 声明异常（Declare Exception） 3.0 自定义异常 3.1 如何定义异常类…
阅读更多...
第60节——使用redux-toolkit实战一个商品列表的增删查改

第60节——使用redux-toolkit实战一个商品列表的增删查改

一、样例 二、需求 调用goods.js这个单例完成对goods数据的增删查改 class Goods {constructor() {const data localStorage.getItem("qf-goods-data");this.goods data ? JSON.parse(data) : [];}time 500;/*** 获取商品* returns*/getGoods() {return new Pr…
阅读更多...
spring6-资源操作：Resources

spring6-资源操作：Resources

资源操作：Resources 1、Spring Resources概述2、Resource接口3、Resource的实现类3.1、UrlResource访问网络资源3.2、ClassPathResource 访问类路径下资源3.3、FileSystemResource 访问文件系统资源3.4、ServletContextResource3.5、InputStreamResource3.6、ByteAr…
阅读更多...
联合体(共用体)

联合体(共用体)

1. 联合类型的定义 联合也是一种特殊的自定义类型。 这种类型定义的变量也包含一系列的成员，特征是这些成员公用同一块空间。 2.联合大小的计算 联合的大小 至少是最大成员的大小 。 当最大成员大小不是最大对齐数的整数倍的时候，就要对 齐到最大对齐数…
阅读更多...
项目 验证码的实现思路

项目 验证码的实现思路

阅读更多...
【AI视野·今日CV 计算机视觉论文速览 第268期】Mon, 16 Oct 2023

【AI视野·今日CV 计算机视觉论文速览 第268期】Mon, 16 Oct 2023

AI视野今日CS.CV 计算机视觉论文速览 Mon, 16 Oct 2023 Totally 61 papers 👉上期速览✈更多精彩请移步主页 Daily Computer Vision Papers Vision-by-Language for Training-Free Compositional Image Retrieval Authors Shyamgopal Karthik, Karsten Roth, Massi…
阅读更多...
C#中List、Dictionary、HashSet用法以及区别

C#中List、Dictionary、HashSet用法以及区别

前言 在C#编程中，List、Dictionary和HashSet是常用的集合类型,它们都有自己的特点和适用场景。本篇博客将介绍它们的用法、区别及常见操作。深入了解这些集合类型，能够帮助我们更好地组织和处理数据。 1. List: List是一个有序可重复集合，可…
阅读更多...
SpringBoot实战（二十五）集成 Shiro

SpringBoot实战（二十五）集成 Shiro

目录 一、Shiro 简介1.1 Shiro 定义1.2 Shiro 核心组件1.3 Shiro 认证过程 二、SpringBoot集成2.1 集成思路2.2 Maven依赖2.3 自定义 Realm2.4 Shiro 配置类2.5 静态资源映射2.6 AuthController2.7 User 实体2.8 用户接口类2.9 用户接口实现类2.10 OrderController（…
阅读更多...
stable diffusion和midjourney哪个好

stable diffusion和midjourney哪个好

midjourney和stable diffusion哪个好？midjourney和stable diffusion的区别？那么今天就从这2款软件入手，来探索一下他们的功能的各项区别吧，让你选择更适合你的一款ai软件。 截至目前，我们目睹了生成式人工智能工具的在…
阅读更多...
CUDA编程入门系列（二） GPU硬件架构综述

CUDA编程入门系列（二） GPU硬件架构综述

一、Fermi GPU Fermi GPU如下图所示，由16个SM（stream multiprocessor）组成，不同的SM之间通过L2 Cache和全局内存进行相连。整个架构大致分为两个层次，①总体架构由多个SM组成 ②每个SM由多个SP core（stream…
阅读更多...
logback服务器日志删除原理分析

logback服务器日志删除原理分析

查看以下的logback官方文档 Chapter 4: Appendershttps://logback.qos.ch/manual/appenders.html 按文档说明，maxHistory是设置保存归档日志的最大数量，该数量的单位受到fileNamePattern里的值%d控制，如果有多个%d,只能有一个主%d&#xff0…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023