CN107403428A - 板材缺陷识别方法及装置 - Google Patents

板材缺陷识别方法及装置 Download PDF

Info

Publication number
CN107403428A
CN107403428A CN201710669977.6A CN201710669977A CN107403428A CN 107403428 A CN107403428 A CN 107403428A CN 201710669977 A CN201710669977 A CN 201710669977A CN 107403428 A CN107403428 A CN 107403428A
Authority
CN
China
Prior art keywords
characteristic image
particle
image
population
fitness value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710669977.6A
Other languages
English (en)
Other versions
CN107403428B (zh
Inventor
庄倩
刘佳美
徐凯宏
时恒秀
郭相娟
李志豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
LIANYUNGANG MOBO HOUSEHOLD Co Ltd
Original Assignee
LIANYUNGANG MOBO HOUSEHOLD Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by LIANYUNGANG MOBO HOUSEHOLD Co Ltd filed Critical LIANYUNGANG MOBO HOUSEHOLD Co Ltd
Priority to CN201710669977.6A priority Critical patent/CN107403428B/zh
Publication of CN107403428A publication Critical patent/CN107403428A/zh
Application granted granted Critical
Publication of CN107403428B publication Critical patent/CN107403428B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30161—Wood; Lumber

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供板材缺陷识别方法及装置，在一个实施例中，所述板材缺陷识别方法包括：获取板材的多个特征对应的多组特征图像；对多组所述特征图像进行特征提取；对所述特征进行分析以获得指定特征参数组；对所述多组特征图像对应的指定特征参数组形成的集合基于PSO‑SVM算法进行训练以对所述多组特征图像进行分类，并根据分类结果确定板材的缺陷。

Description

板材缺陷识别方法及装置
技术领域
本发明涉及图像处理领域，具体而言，涉及一种基于图像处理技术的板材缺陷识别方法及装置。
背景技术
目前，板材缺陷检测技术的研究较多，现阶段传统特征提取的参数精度不够，导致板材的缺陷识别准确率低。因此，一种更准确的板材的缺陷识别方式是迫切需求的。
发明内容
有鉴于此，本发明实施例的目的在于提供一种板材缺陷识别方法及装置。
本发明实施例提供的一种板材缺陷识别方法，所述板材缺陷识别方法包括：
获取板材的多个特征对应的多组特征图像；
对多组所述特征图像进行特征提取；
对所述特征进行分析以获得指定特征参数组；
对所述多组特征图像对应的指定特征参数组形成的集合基于PSO-SVM算法进行训练以对所述多组特征图像进行分类，并根据分类结果确定板材的缺陷。
本发明实施例还提供一种板材缺陷识别装置，所述板材缺陷识别装置包括：
获取模块，用于获取板材的多个特征对应的多组特征图像；
提取模块，用于对所述特征图像进行特征提取；
分析模块，用于对所述特征进行分析以获得指定特征参数组；
分类模块，用于对所述多组特征图像对应的指定特征参数组形成的集合基于PSO-SVM算法进行训练以对所述多组特征图像进行分类，并根据分类结果确定板材的缺陷。
与现有技术相比，本发明实施例提供的板材缺陷识别方法及装置，在选择的颜色通道进行板材的特征提取，并根据获取的特征进行分析获得特征参数组，以使后面的训练参数更加准确，提高图像分类的准确性以及进一步地提高板材缺陷的准确性。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明较佳实施例提供的电子终端的方框示意图。
图2为本发明较佳实施例提供的板材缺陷识别方法的流程图。
图3为本发明较佳实施例提供的板材缺陷识别方法的步骤S102的详细流程图。
图4为本发明较佳实施例提供的板材缺陷识别方法的步骤S1021的详细流程图。
图5a为一个实例中的灰度特征图像的示意图。
图5b为图5a所示灰度特征图像的直方图。
图5c为图5a所示的灰度特征图像直方图均衡化后对应的均衡特征图像的局部示意图。
图5d为图5c所示均衡特征图像的直方图。
图6为本发明较佳实施例提供的板材缺陷识别方法的步骤S104的详细流程图。
图7为本发明的一个实例中测试集的实际分类和预测分类结果示意图。
图8为本发明较佳实施例提供的板材缺陷识别装置的功能模块示意图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
如图1所示，是一电子终端100的方框示意图。所述电子终端100包括板材缺陷识别装置110、存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115、显示单元116。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对电子终端100的结构造成限定。例如，电子终端100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。本实施例所述的电子终端100可以是个人计算机、图像处理服务器、或者移动电子设备等具有图像处理能力的计算设备。
所述存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115及显示单元116各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述板材缺陷识别装置110包括至少一个可以软件或固件(Firmware)的形式存储于所述存储器111中或固化在所述电子终端100的操作系统(Operating System，OS)中的软件功能模块。所述处理器113用于执行存储器中存储的可执行模块，例如所述板材缺陷识别装置110包括的软件功能模块或计算机程序。
其中，所述存储器111可以是，但不限于，随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。其中，存储器111用于存储程序，所述处理器113在接收到执行指令后，执行所述程序，本发明实施例任一实施例揭示的过程定义的电子终端100所执行的方法可以应用于处理器113中，或者由处理器113实现。本实施例中，所述存储器111存储有MATLAB应用程序，所述处理器113可用于执行所述MATLAB应用程序中的各个功能模块。
所述处理器113可能是一种集成电路芯片，具有信号的处理能力。上述的处理器113可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述外设接口114将各种输入/输入装置耦合至处理器113以及存储器111。在一些实施例中，外设接口114，处理器113以及存储控制器112可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
所述输入输出单元115用于提供给用户输入数据。所述输入输出单元115可以是，但不限于，鼠标和键盘等。
所述显示单元116在所述电子终端100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器进行计算和处理。
请参阅图2，是本发明较佳实施例提供的应用于图1所示的电子终端100的板材缺陷识别方法的流程图。下面将对图2所示的具体流程进行详细阐述。
步骤S101，获取板材的多个特征对应的多组特征图像。
本实施例中，板材的多个特征可以包括孔洞、腐朽、节子和裂纹。在一个实例中，所述电子终端100可以获取每个特征对应的五十幅图像。本实施例中，每个特征对应的可以将五十幅图像中三十幅图作为训练集，二十幅图作为测试集。
步骤S102，对多组所述特征图像进行特征提取。
本实施例中，所述特征可包括颜色特征、形状特征、纹理特征等。
本实施例中，所述电子终端先将所述特征图像的RGB颜色系统转换成HSI系统，再将所述特征图像转换颜色系统后的HSI系统进行分离，分离成H、S、I三色通道以提取颜色特征H、S、I。
本实施例中，所述电子终端要获取RGB颜色系统状态下的颜色特征及形状特征时，在RGB颜色系统下分离的通道中获取R、G、B颜色特征。
其中，所述颜色特征包括R、G、B、H、S、I。
所述形状特征可包括：周长L、面积S、离心率复杂度；其中，L1表示缺陷形状外接椭圆长轴，L2为外接椭圆短轴。
所述纹理特征可包括：能量均值熵均值惯性矩均值相关性均值其中i,j表示像素灰度值，p(i,j)表示归一化后的灰度共生矩阵，G表示图像的灰度级，μx和μy为像素平均值，σx和σy为像素方差。
步骤S103，对所述特征进行分析以获得指定特征参数组。
在一种实施方式中，所述电子终端可通过以下步骤获取所述指定特征参数组。
首先，计算主成分Zi的方差贡献率：其中：λi表示主成分Zi的方差在全部方差中的比重。所述主成分Zi为步骤S103提取的特征。本实施例中，值越大，表明主成分Zi综合原始变量信息的能力越强。
然后，计算累积贡献率：前k个主成分的累积贡献率定义为表示前k个主成分累计提取了原始变量多少的信息。
获取主成分贡献率，取贡献率最大的前7个参数。本实施例中，相关系数最大的七个参数分别是：R、G、B、离心率、能量、熵和相关性。本实施例中，R、G、B、离心率、能量、熵和相关性作为所述指定特征参数组。
下表为本实施例中的指定特征参数组中的七个特征对应的各项值。
特征参数 特征值 贡献率 累积贡献率
1 20.07 40.14 40.14
2 10.72 21.43 61.57
3 6.14 12.27 73.84
4 4.35 8.73 82.57
5 3.67 7.34 89.91
6 2.63 5.26 95.17
7 2.42 4.83 100
本实施例中，所述电子终端可以通过SPSS(Statistical Product and ServiceSolutions，统计产品与服务解决方案)应用程序进行主成分分析，对特征参数降维处理以选取指定特征参数组。本实施例中，通过降维的方式提取指定的特征参数组，在不影响板材缺陷识别的基础上，减少PSO-SVM算法进行训练的复杂度，进而提高板材缺陷识别的效率。
步骤S104，对所述多组特征图像对应的指定特征参数组形成的集合基于PSO-SVM算法进行训练以对所述多组特征图像进行分类，并根据分类结果确定板材的缺陷。
本实施例中，每种板材缺陷30个样本作为训练集，20个样本作为测试集；其中类别标签数目为4，分别为：图像号1-50为孔洞板材，51-100为腐朽板材，101-150为节子板材，151-200为裂纹板材。
本发明实施例提供的板材缺陷识别方法，在选择的颜色通道进行板材的特征提取，并根据获取的特征进行分析获得特征参数组，以使后面的训练参数更加准确，提高图像分类的准确性以及进一步地提高板材缺陷的准确性。
在一种实施方式中，如图3所示，所述步骤S102包括步骤S1021及步骤S1022。
步骤S1021，对所述特征图像进行预处理得到优化特征图像。
步骤S1022，对多组所述优化特征图像进行特征提取。
本实施方式中，将所述特征进行预处理后使用图像数据更清晰，使后续能够更有效地进行特征提取，以提高后续的训练的准确性。
在一种实施方式中，如图4所示，步骤S1021包括步骤S10211-步骤S10214。
步骤S10211，将所述特征图像进行灰度化处理以得到灰度特征图像。
在一个实例中，所述特征图像可能是彩色图像，通过灰度化处理将彩色图像变成灰度图像。
步骤S10212，将所述灰度特征图像进行直方图均衡化得到均衡特征图像。
在一个实例中，通过调用MATLAB应用程序中的imhist函数获取所述灰度特征图像的直方图。
具体如下：imhist(I,n)；其中，I为所述灰度特征图像，n为指定的灰度级数目，n缺省值为256。
在其它实例中，所述电子终端可以使用MATLAB的stem(x,counts)函数绘制显示直方图，其中，counts和x分别为返回直方图数据向量和相应的彩色向量。
在其它实施方式中，所述电子终端也可以通过其它方式获取所述灰度特征图像的图像数据直方图。
本实施例中，所述电子终端再将所述直方图均衡化。所述直方图均衡化是把原始图的直方图变换为均匀分布的形式，这样就增加了像素灰度值的动态范围从而可达到增强图像整体对比度的效果。
如图5a-图5d所示，图5a为一个实例中的灰度特征图像的示意图。图5b为图5a所示灰度特征图像的直方图。图5c为图5a所示的灰度特征图像直方图均衡化后对应的均衡特征图像的局部示意图。图5d为图5c所示均衡特征图像的直方图。本实施例中，所述灰度特征图像经过直方图均衡化处理后得到的均衡特征图像对比度更高，使图像中板材的缺陷更容易被识别。
步骤S10213，对所述均衡特征图像进行去噪处理得到去噪特征图像。
所述步骤S10213包括：对所述均衡特征图像通过中值滤波法进行去噪处理得到去噪特征图像。
本实施例中，将所述均衡特征图像划分成多个窗口，在一个实例中，每个窗口的大小可以是5*5像素。当然，所述窗口也可以是3*3像素或7*7像素等大小的窗口。
在一个实例中，所述电子终端先采用分治法进行第一个窗口的数据排序并获取中值，设定滤波窗口尺寸(2n+1)(2n+1)，灰度矩阵设为A，其中，其中aij为所述均衡特征图像的第一窗口对应位置的灰度值。在灰度矩阵A中，对每行值进行排序进行分治法的数据排序，将获取的每行中值放置于ai(n+1)中，并在ai(n+1)的位置上得到每行元素的中值。排序之后得到的矩阵B，再对B矩阵中所有位于行中间位置的2n+1个值进行排序，得到中值a(n+1)(n+1)。在上述实例中，若所述第一窗口的大小为5*5像素则，所述最后排序后得到的中值为a33。
然后，然后通过移动窗口进行逐步去噪，当窗口移动时，在当前窗口的右侧插入列元素为Ri，i＝1,2,...,2n+1；左侧移出列元素为Li，i＝1,2,...,2n+1。具体的步骤如下，具体过程如下描述。
1)判断Ri是否等于Li，若等于，则立即输出原中值。否则进行2)。
2)用新插入的Ri代替Li，或者将Li与Ri中不同的值用Ri对应位置的值替换。
3)对新值采用分治法，获得新的中值，并将所述中值赋值给Ri中值与Li不同的对应的位置的像素点。
4)滤波模板窗口继续移动，进行新的比较，重复1)-3)直到比较完全部元素，得到余下窗口的中值。
通过快速中值滤波能够在不破坏图像质量和边缘的基础之上，达到快速消除噪音的效果，从而提高板材缺陷识别的效率。
步骤S10214，通过大津算法对所述去噪特征图像进行图像分割以得到所述优化特征图像。
在一个实例中，设去噪特征图像共有L个灰度级，ni为灰度级为i时的像素点数，则图像的总像素为：N＝n0+n1+...+nL-1。将直方图归一化：其中
在一个实例中，将所述去噪特征图像按灰度值T分为两类：C0类(灰度级为0到T)和C1类(灰度级为T+1到L-1)。所述去噪特征图像中的像素点为C0类和C1类的概率分别为：和其中ω0+ω1＝1。
C0类和C1类均值为：其中μ为图像均值。
C0类和C1类均方差为：
类间方差为σB＝ω0(μ0-μ)2+ω1(μ1-μ)2＝ω0ω1(μ1-μ0)2，T∈[0,L-1]时，σB最大，此时T值为大津法分割的最佳阈值。本实施例中，根据所述最佳阈值对所述去噪特征图像进行图像分割以得到所述优化特征图像。
在一种实施方式中，如图6所示，所述步骤S104包括步骤S1041至步骤S1046。
步骤S1041，将所述多组特征图像对应的指定特征参数组形成的集合对应的第一矩阵进行归一化处理得到第二矩阵。
在一个实例中，所述指定特征参数组中可包括七个特征，多组特征图像包括200幅图，则所述第一矩阵及第二矩阵为200*7的矩阵。其中，第一矩阵的列向量为每幅图对应的七个特征的特征值。
在一个实例中，对训练集和测试集进行[0,1]区间以下归一化预处理。
其中，x,y∈Rn，y∈[0,1]，x表示第一矩阵中元素；y表示经过归一化处理后第二矩阵中对应的元素。
在一个实例中，所述电子终端可以使MATLAB中用mapminmax函数实现对第一矩阵的归一化处理。
映射为：其中，min(x)表示x的最小值，max(x)表示x的最大值，min(y)和max(y)表示映射范围，在一个实例中，min(y)默认设置为0，max(y)默认设置为1。
步骤S1042，对所述第二矩阵按K-CV交叉验证得到K个初始适应度值，其中所述K-CV交叉验证将所述第二矩阵划分成K个粒子群进行验证，其中，每个粒子群包括一个或多个粒子，每个粒子为一个向量，所述向量由所述特征参数组对应的值形成。
本实施例中，可以将所述第二矩阵的列向量分成K组，K组分别将一组作为测试集，其它K-1组作为训练集进行以得到K个训练模型。根据K个训练模型可以计算得到K个初始适应度值。在一个实例中，可以将所述第二矩阵均分成K组。
步骤S1043，粒子适应度值对比：计算每个粒子群的每个粒子的当前适应度值与该粒子历史最优适应度值比较，若当前粒子的适应度值大于历史最优适应度值，则将当前粒子的当前位置作为当前粒子的历史最优位置。
本实施例中，所述第二矩阵中的列向量可以作为一个粒子。本实施例中，所述粒子进行初次对比时，与该粒子所在的粒子群对应的初始适应度值进行对比。每个粒子与全部的第二矩阵进行对比以得到每个粒子的最优适应度值对应的位置。所述每个粒子的最优适应度值对应的位置为该粒子的局部最优位置。
步骤S1044，粒子群适应度值对比：对每个粒子群中每个所有的最优适应值与该粒子群的全局最优适应度值比较，若某一粒子的适应度值大于全局最优适应度值，则将这一粒子的当前位置作为全局最优位置，其中，初次比较时所述全局最优适应度值为该粒子群对应的初始适应度值。
在一个实例中，一个粒子群中包括四个粒子，将四个粒子的最优适应度值与该粒子群的全局最优适应度值进行对比以得到该粒子群的最优适应度值。该粒子群的最优适应度值对应的位置为该粒子群的全局最优位置。
本实施例中对步骤S1043与步骤S1044的顺序并不限定，可以在每次计算得到一个粒子的新的历史最优适应度值后将该新的历史最优适应度值与全局最优适应度值进行对比。也可以是在一个粒子群的全部粒子得到了对应的最优适应度值后再与所述全局最优适应度值进行对比。
步骤S1045，通过迭代更新公式对当前粒子进行位置和速度更新，并判断更新后的迭代次数是否满足预设值，若满足则退出迭代，若不满足，则重复上述粒子适应度值对比及粒子群适应度值对比。
其中，当每个粒子首次进行迭代计算时所述最优适应度值为该粒子对应的初始适应度值。
所述迭代公式可以是：
vi＝vi+c1·rand()·(bestci-xi)+c2·rand()·(bestgi-xi)和xi＝xi+vi；
其中，所述c1和c2为学习因子；vi表示第i次迭代的迭代速度；所述bestci表示第i次迭代的局部最优位置；所述bestgi表示第i次迭代的粒子群的全局最优位置；所述xi第i次迭代后粒子的位置；所述rand()表示一随机函数，用于生成一个[0,1]区间的随机数。本实施例中，所述vi和xi均为与所述粒子维度相同的向量。其中，vi中各元素的值越大，粒子在对应元素方向的迭代速度越快。
步骤S1046，根据所述全局最优位置及所述局部最优位置对所述粒子对应的图像进行分类。
本实施例中，根据所述粒子的局部最优位置及粒子群的全局最优位置对粒子对应的向量进行分类。其中，可以理解的是每个粒子对应一个特征图像。
在一个实例中，本实施例中，每种板材缺陷30个样本作为训练集，20个样本作为测试集。下表为一个实例中测试集的实际分类和预测分类结果示意表。
如图7所示，图7为本发明的一个实例中测试集的实际分类和预测分类结果示意图。其中，纵坐标的1表示板材的孔洞缺陷；2表示板材的腐朽缺陷；3表示板材的节子缺陷；4表示板材的裂纹缺陷。横坐标的标数分别表示测试集中的标号，其中，1-20表示孔洞的测试集；21-40表示腐朽的测试集；41-60表示节子的测试集；61-80表示裂纹的测试集。如图7所示，图中孔洞的测试集和节子的测试集中有一个样本的预测分类与实际分类不同；图中腐朽的测试集和裂纹的测试集中有一个样本的预测分类与实际分类相同。
根据上述实施方式中的各个步骤，能够在大范围内进行识别板材的缺陷，而且缺陷的识别率也较高的情况下耗时较少。
请参阅图8，是本发明较佳实施例提供的图1所示的板材缺陷识别装置110的功能模块示意图。所述板材缺陷识别装置110包括获取模块1101、提取模块1102、分析模块1103及分类模块1104。
所述获取模块1101，用于获取板材的多个特征对应的多组特征图像。
所述提取模块1102，用于对多组所述特征图像进行特征提取。
所述分析模块1103，用于对所述特征进行分析以获得指定特征参数组。
所述分类模块1104，用于对所述多组特征图像对应的指定特征参数组形成的集合基于PSO-SVM算法进行训练以对所述多组特征图像进行分类，并根据分类结果确定板材的缺陷。
在一种实施方式中，所述提取模块1102包括：优化单元及提取单元。
所述优化单元，用于对所述特征图像进行预处理得到优化特征图像。
所述提取单元，用于对多组所述特征图像进行特征提取。
在一种实施方式中，所述优化单元包括：灰度处理子单元、均衡处理子单元、去噪子单元及分割子单元。
所述灰度处理子单元，用于将所述特征图像进行灰度化处理以得到灰度特征图像。
所述均衡处理子单元，用于将所述灰度特征图像进行直方图均衡化得到均衡特征图像。
所述去噪子单元，用于对所述均衡特征图像进行去噪处理得到去噪特征图像。
在一种实施方式中，所述去噪子单元还用于对所述均衡特征图像通过中值滤波法进行去噪处理得到去噪特征图像。
所述分割子单元，用于通过大津算法对所述去噪特征图像进行图像分割以得到所述优化特征图像。
所述分类模块1104：归一化处理单元、初始化单元、第一对比单元、第二对比单元、迭代单元及分类单元。
所述归一化处理单元，用于将所述多组特征图像对应的指定特征参数组形成的集合对应的第一矩阵进行归一化处理得到第二矩阵。
所述初始化单元，用于对所述第二矩阵按K-CV交叉验证得到K个初始适应度值，其中所述K-CV交叉验证将所述第二矩阵划分成K个粒子群进行验证，其中，每个粒子群包括一个或多个粒子，每个粒子为一个向量，所述向量由所述特征参数组对应的值形成。
所述第一对比单元，用于粒子适应度值对比：计算每个粒子群的每个粒子的当前适应度值与该粒子历史最优适应度值比较，若当前粒子的适应度值大于历史最优适应度值，则将当前粒子的当前位置作为当前粒子的局部最优位置。
所述第二对比单元，用于粒子群适应度值对比：对每个粒子群中每个所有的最优适应值与该粒子群的全局最优适应度值比较，若某一粒子的适应度值大于全局最优适应度值，则将这一粒子的当前位置作为全局最优位置，其中，初次比较时所述全局最优适应度值为该粒子群对应的初始适应度值。
所述迭代单元，用于通过迭代更新公式vi＝vi+c1·rand()·(bestci-xi)+c2·rand()·(bestgi-xi)和xi＝xi+vi对当前粒子进行位置和速度更新，并判断更新后的迭代次数是否满足预设值，若满足则退出迭代，若不满足，则重复上述粒子适应度值对比及粒子群适应度值对比，其中，当每个粒子首次进行迭代计算时所述最优适应度值为该粒子对应的初始适应度值。
其中，所述c1和c2为学习因子；vi表示第i次迭代的迭代速度；所述bestci表示第i次迭代的局部最优位置；所述bestgi表示第i次迭代的粒子群的全局最优位置；所述xi第i次迭代后粒子的位置；所述rand()表示一随机函数，用于生成一个[0,1]区间的随机数。
所述分类单元，用于根据所述全局最优位置及所述局部最优位置对所述粒子对应的图像进行分类。
本发明实施例提供的板材缺陷识别装置，在选择的颜色通道进行板材的特征提取，并根据获取的特征进行分析获得特征参数组，以使后面的训练参数更加准确，提高图像分类的准确性以及进一步地提高板材缺陷的准确性。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种板材缺陷识别方法，其特征在于，所述板材缺陷识别方法包括：
获取板材的多个特征对应的多组特征图像；
对多组所述特征图像进行特征提取；
对所述特征进行分析以获得指定特征参数组；
对所述多组特征图像对应的指定特征参数组形成的集合基于PSO-SVM算法进行训练以对所述多组特征图像进行分类，并根据分类结果确定板材的缺陷。
2.如权利要求1所述的板材缺陷识别方法，其特征在于，所述对多组所述特征图像进行特征提取的步骤包括：
对所述特征图像进行预处理得到优化特征图像；
对多组所述优化特征图像进行特征提取。
3.如权利要求2所述的板材缺陷识别方法，其特征在于，所述对所述特征图像进行预处理得到优化特征图像的步骤包括：
将所述特征图像进行灰度化处理以得到灰度特征图像；
将所述灰度特征图像进行直方图均衡化得到均衡特征图像；
对所述均衡特征图像进行去噪处理得到去噪特征图像；
通过大津算法对所述去噪特征图像进行图像分割以得到所述优化特征图像。
4.如权利要求3所述的板材缺陷识别方法，其特征在于，所述对所述均衡特征图像进行去噪处理得到去噪特征图像的步骤包括：
对所述均衡特征图像通过中值滤波法进行去噪处理得到去噪特征图像。
5.如权利要求1所述的板材缺陷识别方法，其特征在于，所述对所述多组特征图像对应的指定特征参数组形成的集合基于PSO-SVM算法进行训练以对所述多组特征图像进行分类的步骤包括：
将所述多组特征图像对应的指定特征参数组形成的集合对应的第一矩阵进行归一化处理得到第二矩阵；
对所述第二矩阵按K-CV交叉验证得到K个初始适应度值，其中所述K-CV交叉验证将所述第二矩阵划分成K个粒子群进行验证，其中，每个粒子群包括一个或多个粒子，每个粒子为一个向量，所述向量由所述特征参数组对应的值形成；
粒子适应度值对比：计算每个粒子群的每个粒子的当前适应度值与该粒子历史最优适应度值比较，若当前粒子的适应度值大于历史最优适应度值，则将当前粒子的当前位置作为当前粒子的历史最优位置；
粒子群适应度值对比：对每个粒子群中每个所有的最优适应值与该粒子群的全局最优适应度值比较，若某一粒子的适应度值大于全局最优适应度值，则将这一粒子的当前位置作为全局最优位置，其中，初次比较时所述全局最优适应度值为该粒子群对应的初始适应度值；
通过迭代更新公式vi＝vi+c1·rand()·(bestci-xi)+c2·rand()·(bestgi-xi)和xi＝xi+vi对当前粒子进行位置和速度更新，并判断更新后的迭代次数是否满足预设值，若满足则退出迭代，若不满足，则重复上述粒子适应度值对比及粒子群适应度值对比，其中，当每个粒子首次进行迭代计算时所述最优适应度值为该粒子对应的初始适应度值；
其中，所述c1和c2为学习因子；vi表示第i次迭代的迭代速度；所述bestci表示第i次迭代的局部最优位置；所述bestgi表示第i次迭代的粒子群的全局最优位置；所述xi第i次迭代后粒子的位置；所述rand()表示一随机函数，用于生成一个[0,1]区间的随机数；
根据所述全局最优位置及所述局部最优位置对所述粒子对应的图像进行分类。
6.一种板材缺陷识别装置，其特征在于，所述板材缺陷识别装置包括：
获取模块，用于获取板材的多个特征对应的多组特征图像；
提取模块，用于对多组所述特征图像进行特征提取；
分析模块，用于对所述特征进行分析以获得指定特征参数组；
分类模块，用于对所述多组特征图像对应的指定特征参数组形成的集合基于PSO-SVM算法进行训练以对所述多组特征图像进行分类，并根据分类结果确定板材的缺陷。
7.如权利要求6所述的板材缺陷识别装置，其特征在于，所述提取模块包括：
优化单元，用于对所述特征图像进行预处理得到优化特征图像；
提取单元，用于对多组所述优化特征图像进行特征提取。
8.如权利要求7所述的板材缺陷识别装置，其特征在于，所述优化单元包括：
灰度处理子单元，用于将所述特征图像进行灰度化处理以得到灰度特征图像；
均衡处理子单元，用于将所述灰度特征图像进行直方图均衡化得到均衡特征图像；
去噪子单元，用于对所述均衡特征图像进行去噪处理得到去噪特征图像；
分割子单元，用于通过大津算法对所述去噪特征图像进行图像分割以得到所述优化特征图像。
9.如权利要求8所述的板材缺陷识别装置，其特征在于，所述去噪子单元还用于对所述均衡特征图像通过中值滤波法进行去噪处理得到去噪特征图像。
10.如权利要求6所述的板材缺陷识别装置，其特征在于，所述分类模块包括：
归一化处理单元，用于将所述多组特征图像对应的指定特征参数组形成的集合对应的第一矩阵进行归一化处理得到第二矩阵；
初始化单元，用于对所述第二矩阵按K-CV交叉验证得到K个初始适应度值，其中所述K-CV交叉验证将所述第二矩阵划分成K个粒子群进行验证，其中，每个粒子群包括一个或多个粒子，每个粒子为一个向量，所述向量由所述特征参数组对应的值形成；
第一对比单元，用于粒子适应度值对比：计算每个粒子群的每个粒子的当前适应度值与该粒子历史最优适应度值比较，若当前粒子的适应度值大于历史最优适应度值，则将当前粒子的当前位置作为当前粒子的历史最优位置；
第二对比单元，用于粒子群适应度值对比：对每个粒子群中每个所有的最优适应值与该粒子群的全局最优适应度值比较，若某一粒子的适应度值大于全局最优适应度值，则将这一粒子的当前位置作为全局最优位置，其中，初次比较时所述全局最优适应度值为该粒子群对应的初始适应度值；
迭代单元，用于通过迭代更新公式vi＝vi+c1·rand()·(bestci-xi)+c2·rand()·(bestgi-xi)和xi＝xi+vi对当前粒子进行位置和速度更新，并判断更新后的迭代次数是否满足预设值，若满足则退出迭代，若不满足，则重复上述粒子适应度值对比及粒子群适应度值对比，其中，当每个粒子首次进行迭代计算时所述最优适应度值为该粒子对应的初始适应度值；
其中，所述c1和c2为学习因子；vi表示第i次迭代的迭代速度；所述bestci表示第i次迭代的局部最优位置；所述bestgi表示第i次迭代的粒子群的全局最优位置；所述xi第i次迭代后粒子的位置；所述rand()表示一随机函数，用于生成一个[0,1]区间的随机数；
分类单元，用于根据所述全局最优位置及所述局部最优位置对所述粒子对应的图像进行分类。
CN201710669977.6A 2017-08-08 2017-08-08 板材缺陷识别方法及装置 Active CN107403428B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710669977.6A CN107403428B (zh) 2017-08-08 2017-08-08 板材缺陷识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710669977.6A CN107403428B (zh) 2017-08-08 2017-08-08 板材缺陷识别方法及装置

Publications (2)

Publication Number Publication Date
CN107403428A true CN107403428A (zh) 2017-11-28
CN107403428B CN107403428B (zh) 2018-12-18

Family

ID=60402472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710669977.6A Active CN107403428B (zh) 2017-08-08 2017-08-08 板材缺陷识别方法及装置

Country Status (1)

Country Link
CN (1) CN107403428B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109166092A (zh) * 2018-07-05 2019-01-08 深圳市国华光电科技有限公司 一种图像缺陷检测方法及系统
CN109767406A (zh) * 2019-01-28 2019-05-17 中南林业科技大学 一种应用于图像处理的自适应中值滤波去噪方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070143066A1 (en) * 2005-12-21 2007-06-21 Floyd Stanley L Methods for determining dimensional stability of wood products utilizing single and multiple sensor groups
CN103257181A (zh) * 2013-05-24 2013-08-21 中国矿业大学 一种高速运动状态下金属板材缺陷检测装置与方法
CN104392242A (zh) * 2014-11-13 2015-03-04 东北林业大学 基于双树复小波特征提取及压缩感知的实木板材表面纹理与缺陷协同分类方法
US20150371112A1 (en) * 2014-06-24 2015-12-24 Hover Inc. Building material classifications from imagery

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070143066A1 (en) * 2005-12-21 2007-06-21 Floyd Stanley L Methods for determining dimensional stability of wood products utilizing single and multiple sensor groups
CN103257181A (zh) * 2013-05-24 2013-08-21 中国矿业大学 一种高速运动状态下金属板材缺陷检测装置与方法
US20150371112A1 (en) * 2014-06-24 2015-12-24 Hover Inc. Building material classifications from imagery
CN104392242A (zh) * 2014-11-13 2015-03-04 东北林业大学 基于双树复小波特征提取及压缩感知的实木板材表面纹理与缺陷协同分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
谭菲: "基于特征融合的实木板材纹理判别研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
郭晓: "基于免疫算法的木材疤痕识别的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109166092A (zh) * 2018-07-05 2019-01-08 深圳市国华光电科技有限公司 一种图像缺陷检测方法及系统
CN109767406A (zh) * 2019-01-28 2019-05-17 中南林业科技大学 一种应用于图像处理的自适应中值滤波去噪方法

Also Published As

Publication number Publication date
CN107403428B (zh) 2018-12-18

Similar Documents

Publication Publication Date Title
CN110334706B (zh) 一种图像目标识别方法及装置
CN109154978B (zh) 用于检测植物疾病的系统和方法
CN109002766B (zh) 一种表情识别方法及装置
US8843424B2 (en) Device and method for multiclass object detection
CN106846316A (zh) 一种gis内部典型缺陷图像自动识别方法
Savkare et al. Automatic system for classification of erythrocytes infected with malaria and identification of parasite's life stage
CN111461165A (zh) 图像识别方法、识别模型的训练方法及相关装置、设备
CN113724231B (zh) 一种基于语义分割和目标检测融合模型的工业缺陷检测方法
CN110765857A (zh) 指纹识别方法、芯片及电子装置
CN105224951A (zh) 一种车型分类方法及分类装置
CN109993221B (zh) 一种图像分类方法及装置
CN112132206A (zh) 图像识别方法及相关模型的训练方法及相关装置、设备
CN110717497B (zh) 图像相似度匹配方法、装置及计算机可读存储介质
CN103886342A (zh) 基于光谱和邻域信息字典学习的高光谱图像分类方法
CN111046774A (zh) 一种基于卷积神经网络的中文签名笔迹鉴定方法
CN108764084A (zh) 基于空域分类网络和时域分类网络融合的视频分类方法
CN109034281A (zh) 加速基于卷积神经网络的中文手写体识别的方法
CN112001362A (zh) 一种图像分析方法、图像分析装置及图像分析系统
CN106503743B (zh) 一种数量多且维数高的图像局部特征点自适应聚类方法
Lin et al. Determination of the varieties of rice kernels based on machine vision and deep learning technology
CN112597904A (zh) 一种用于高炉料面图像的识别与分类方法
CN107403428A (zh) 板材缺陷识别方法及装置
CN111680664A (zh) 一种人脸图像年龄识别方法、装置和设备
CN112070116B (zh) 一种基于支持向量机的艺术画作自动分类系统及方法
CN110287973B (zh) 一种基于低秩鲁棒线性鉴别分析的图像特征提取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant