本站小編為你精心準備了衛生陶瓷缺陷檢測研究參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要：衛生陶瓷在生產過程中會產生多種類型的缺陷，通過單機機器視覺檢測系統進行缺陷檢測存在著資源使用的瓶頸問題。隨著云計算大數據時代的來臨，利用Hadoop云平臺進行集群并行分布計算，是處理海量高清衛生陶瓷圖像的新思路。提出了基于Hadoop平臺的衛生陶瓷缺陷檢測方案。搭建了主從結構的MapReduce框架，在Map映射階段，使用灰色關聯算法進行衛生陶瓷的缺陷檢測，在Reduce階段由主節點進行匯總輸出。實驗結果表明此能實現并行檢測，提升了檢測效率。

關鍵詞：衛生陶瓷；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，我國建筑衛生陶瓷行業得到飛速發展，從20世紀90年代初開始，其產量一直處于世界第一的位置。并且還創造了中國世界紀錄協會世界建筑衛生陶瓷產生產量最多的國家新的世界紀錄。特別是2010年，隨著大規模的工業化生產，我國建筑陶瓷行業已經出現了廣東、福建、四川、江西等幾大陶瓷產區，我國也成為世界上建筑陶瓷生產和出口大國。衛生陶瓷作為一種有釉的陶瓷制品，在燒制上釉的過程中，也會出現開裂、缺釉、色差等缺陷[1]。在機器視覺的檢測過程中，常用高清工業相機進行拍攝，然后利用相應算法進行檢測[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，對應于數量龐大的待測高清圖像集來說，存在處理數據量大，處理速度較慢的問題，且無法并行運算處理。在大數據時代，工業產品機器視覺檢測領域，待測圖像的數量不計其數。隨著云計算、大數據技術的發展，使得高效、快速進行工業產品檢測成為可能。Hadoop是目前采用的一種并行、分布式的數據處理平臺[4]。在圖像處理相關領域有著廣泛的應用前景。例如趙進超[5]等在Hadoop平臺實現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用，運行速度及效率較高；白靈[7]在Hadoop平臺下進行SVM圖像識別，進而實現了對圖像進行快速分類；夏曉云等[8]使用Hadoop里的MapReduce技術結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相關技術

Hadoop是Apache基金會所開發的一種分布式基礎架構，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上開發和運行處理海量數據的應用程序。Hadoop框架最核心的設計HDFS與MapReduce分別可以實現海量數據存儲與海量數據計算[9]。作為大數據時代的衍生物，Hadoop云計算平臺在海量數據并行處理方面效果顯著。Hadoop云計算平臺的核心技術為HDFS（HadoopDistributedFileSystem）和MapReduce（映射-歸一），分別表示分布式存儲技術和并行分布式計算技術。Hadoop最初是由Nutch項目的開發團隊，在Google的GFS技術和MapReduce的基礎上，研發出了NDFS系統，這個系統是個開源系統。并逐漸被谷歌、微軟、阿里等大廠商認可，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函數封裝使用。HDFS負責海量數據的分布存儲，由一個主節點和若干從節點的典型主從結構組成。其中主節點為主控服務器，用于管理協調從節點的分布作業調度。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處理的輸入和輸出。并且采用了標準的函數編程的模式，分別對應了mapper()和reducer()兩個Hadoop自帶的函數。mapper()函數對應著輸入數據的分片映射處理，而reducer()函數實現了mapper()處理后數據的統計重構。從而實現了數據分布式并行處理的過程。

2海量衛生陶瓷圖像的并行檢測圖像處理技術

經過幾十年的發展，雖然有很多研究人員在算法的執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，算法較為復雜的特點，在處理研究上已經遇到瓶頸。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方案。Hadoop在HDFS中存儲塊的大小為64MB，小于64MB這種的文件統稱為Hadoop小文件。該方案稱為組合分片技術，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映射任務的啟動次數，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衛生陶瓷缺陷檢測云平臺系統設計

3.1Hadoop云平臺的搭建1）硬件平臺本文搭建的衛生陶瓷缺陷檢測的Hadoop云平臺由5臺普通的PC機組成。其中主節點采用的是Intel酷睿i54460四核心，3.2GHz主頻，6M三級緩存，內存8GB，硬盤2TB；4個從節點采用的是酷睿i36100四核心，3.7GHz主頻，6M三級緩存，內存4GB，硬盤1TB。2）軟件平臺操作系統：5臺PC機都安裝Ubuntu14.04，32位linux操作系統；Hadoop版本：Hadoop2.7.1；軟件框架：Eclipse和JDK1.8。3）Hadoop網絡平臺的搭建該云平臺分布并行系統中的主、從節點都通過千兆以太網進行連接，配置Java語言實現映射、歸一化。該Hadoop云平臺的各主從節點都屬于同一個局域網。

3.2灰色關聯算法灰色決策系統關聯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，提取有價值的信息，實現對研究對象的確切描述和認識，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化為本文算法的灰色系統，也就是可以使用灰色理論中非常重要的灰色關聯度算法進行缺陷區域提取[12,13]。

3.3缺陷檢測算法描述本系統平臺所使用的缺陷檢測算法，是對缺陷衛生陶瓷的開裂、顏色、形狀和尺寸等參數，利用機器視覺算法進行特征提取，然后進行相應的計算識別，具體步驟如下：1）建立衛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，主要根據衛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）采集衛生陶瓷圖像，這里使用彩色圖像。3）對圖像進行常規處理，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）為了用戶能夠對缺陷方便察看，所以對判斷出的缺陷區域，按照標定算法對缺陷區域進行標定。大量實驗表明，該檢測系統平臺算法能對衛生陶瓷的開裂、缺釉及色差等缺陷能夠快速識別標定。

3.4基于Hadoop云平臺的衛生陶瓷缺陷圖像區分mapper()函數映射后的圖像數據，經過灰色關聯算法進行并行處理運算，有缺陷的使用標定算法在原圖像進行標定。然后將處理結果使用Hadoop自帶的API函數ImageRecordReader（此函數繼承于RecordReader類），把輸入的圖像split轉化為<key，value>對的形式。在這里經過Java語言編程，將有缺陷的value標為1，將沒有缺陷的value標為0。然后將處理結果交由用戶自定義的reducer方法進行處理，并將結果傳入預先指定的Hbase區域，進行數據的存儲。最后將檢測結果，匯聚到主節點上，給用戶進行反饋輸出。用戶既可以得到檢測結果，又可以根據檢測結果找到已測圖像從而進行科學分析。

4實驗結果分析

為了驗證本文提出的方法能夠并行檢測出衛生陶瓷圖像的缺陷，筆者以4幅分辨率640×480的存在缺陷的衛生陶瓷圖像為例，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結論本文提出了基于Hadoop平臺的衛生陶瓷缺陷檢測方案。此方案包括5臺PC機，1臺作為主節點，4臺作為從節點。并部署了Hadoop的MapReduce框架，在Mapper()映射過程中，用Java編寫了基于灰色關聯的衛生陶瓷缺陷檢測系統。該系統能夠對衛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。本文為工業產品的并行機器視覺檢測提供了相應解決方案，有一定參考價值。

作者：王永強；李慶利；王偉志 單位：唐山學院