基于感知哈希算法的特征融合玻璃瓶缺陷检测

特征提取作为玻璃瓶缺陷检测任务中至关重要的一环，特征集中丰富的特征信息将直接影响缺陷检测的准确率。传统的单一特征提取算法提取的特征信息往往过于单一，使得最终的检测准确率偏低。针对上述问题，提出了方向梯度直方图(Histogram of Oriented Gradients, HOG)特征与尺度不变特征变换(Scale Invariant Feature Transform, SIFT)特征融合的特征提取算法。针对不同缺陷边缘提取轮廓不够准确的问题，提出了基于感知哈希算法(Perceptual Hash Algorithm, PHA)的边缘检测算子选择方法。通过支持向量机(Support Vector Machine, SVM)进行训练和验证。实验结果表明，提出的边缘检测算子选择方法可以针对不同缺陷选择最适合的边缘检测算子，特征融合算法的瓶身缺陷检测平均准确率可达88.7%。较单一的HOG特征提取算法提升了7.99%,较单一的SIFT特征提取算法提升了2.97%。