CN108765412A - 一种带钢表面缺陷分类方法 - Google Patents
一种带钢表面缺陷分类方法 Download PDFInfo
- Publication number
- CN108765412A CN108765412A CN201810585825.2A CN201810585825A CN108765412A CN 108765412 A CN108765412 A CN 108765412A CN 201810585825 A CN201810585825 A CN 201810585825A CN 108765412 A CN108765412 A CN 108765412A
- Authority
- CN
- China
- Prior art keywords
- samples pictures
- picture
- value
- svm
- result
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000007547 defect Effects 0.000 title claims abstract description 40
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 27
- 239000010959 steel Substances 0.000 title claims abstract description 27
- 239000002245 particle Substances 0.000 claims abstract description 39
- 238000012706 support-vector machine Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 35
- 238000010606 normalization Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 230000008676 import Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 210000000857 visual cortex Anatomy 0.000 description 5
- 241000251539 Vertebrata <Metazoa> Species 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4023—Scaling of whole images or parts thereof, e.g. expanding or contracting based on decimating pixels or lines of pixels; based on inserting pixels or lines of pixels
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种带钢表面缺陷分类方法，该方法基于Gabor特征融合分块直方图进行，首先建立样本库，将样本集分为训练集和测试集，然后将样本集中所有图片归一化为相同像素尺寸之后导入Gabor滤波器中，进行多尺度多方向滤波，得到滤波结果图，然后对滤波结果图进行融合成与尺度数量相同的结果图，将结果图分块，利用KPCA对每张样本图片进行降维，使用训练集中样本图片的标签和所对应的特征维度建立支持向量机SVM分类预测模型；使用粒子群优化算法PSO对SVM进行参数寻优，利用测试集中处理后的样本图片，对SVM模型进行分类预测，之后可以对待测试带钢图片进行比对测试；本发明自动分类准确度高，执行效率也高，具有巨大经济价值。
Description
技术领域
本发明属于视觉识别领域，涉及一种利用视觉识别对表面缺陷分类识别方法，具体涉及一种带钢表面缺陷分类方法。
背景技术
现在带钢产品的运用越来越广泛，在汽车、机械、家具、航天等行业中对带钢表面的质量要求变的越来越高。带钢外观的质量检测是带钢质量的重要环节。影响了带钢的外观和产品质量的等级评价，进而能直接影响产品的核心竞争力，然而目前我国带钢缺陷的检测方法一直采用人工开卷抽检或者是频闪光检测的方法进行表面质量检测，经过概率的计算和人为的判断来确定。然而传统方法存在诸多弊端：(1)缺乏科学的判定依据，主要依赖判定人员的经验。可能会产生由于判定人员经验不足所导致的误判。(2)检测环境恶劣枯燥,对人的身心危害很大,检测人员的劳动强度大,极易疲乏,容易造成误判和漏检。(3)随着现代工业技术的迅速发展人眼的速度已经很难跟的上机器生产的速度了。
基于机器视觉对带钢表面缺陷进行分类一般的分为缺陷的提取和缺陷的分类2个步骤。目前在缺陷提取这一块有很多的方法，大致的可以分为4中类型：统计方法、模型方法、结构方法、信号处理方法。在统计方式中灰度共生矩阵(GLCM)效果最好，但是GLCM在计算上十分的繁琐，而且在纹理的分类上应有十分的受限。在模型方法之中最为有效的就是MRF模型，MRF模型的思想是通过任意像素关于其邻域像素的条件概率分布来描述纹理的统计特性。其优点是能够较好的描述图像的空间，但是在图片的尺寸增大时，噪声会明显的增大。结构方法中效果最好的是句法纹理描述方法。来自一个类别的纹理描述形成了一个可以由它的语法表示的语言。但是它在实现上是很难达到预期的效果的。信号处理的方法中Gabor滤波器能够同时得到时域和频域信息，而且Gabor滤波器能够很好的拟合人眼的视觉系统。但是Gabor滤波器得到的是图片多个尺度，多个方向的信息。所得到图片的特征维度较高，相应的所等到的图片信息的沉余度较高。但是通过有效的降维手段可以大大的降低图片特征的维度，并且保留原本的图片信息，
缺陷分类方法目前主流的有：SVM(支持向量机)、邻近分类、神经网络、随机森林等。但是其中SVM是使用最为广泛的。特别是使用了非线性核方法的SVM。本发明就是将图片进行改进的Gabor滤波后将图片利用KPCA(核主成分分析法)降维之后，将数据导入SVM中对带钢缺陷进行分类。
随着现代技术的发展，人们对带钢质量的要求越来越高，人眼对带钢表面的检测已经越来越难以满足现代工业对带钢质量的需求。
发明内容
本发明的目的是提供一种对带钢表面缺陷进行自动分类的方法，解决现有技术中，带钢表面分类准确度低，效率低下的问题，本发明通过机器视觉对带钢表面缺陷进行分类，以达到对缺陷识别与分类的功能，满足识别要求，具体具体经济价值。
为了解决上述技术问题，本发明采用的技术方案是：
一种基于Gabor特征融合分块直方图的带钢表面缺陷分类方法，其特征在于，包括以下步骤：
步骤一、先从训练样本库中提取带钢图片，选取M*N个样本图片组成的样本集进行测试，其中M为该样本集典型缺陷的种类数，N为该样本集中每种典型缺陷的数量，从样本集选取W个样本图片作为训练集，剩下M*N-W个样本图片作为测试集；
步骤二、使用线性插值的方式对样本集中所有图片进行几何归一化，将图片缩放成S*R像素大小的图片；
步骤三、将几何归一化图片导入Gabor滤波器中，Gabor滤波器对图片进行P个尺度，Q个方向的滤波，对每个归一化图片得到对应的P*Q个滤波的结果图；
步骤四、对Gabor图像的融合，对于上述得到P*Q个滤波的结果图，将同一个尺度每个像素点的Q个方向上的结果图分别编号1～Q，利用每个尺度上的Q个方向中Gabor特征值最大对应的编号来对结果图进行重组，即将Q个方向中Gabor特征值最大对应的编号重置为该点的像素值，重置融合后，P*Q个滤波的结果图变成了P个结果图，每个结果图任然为S*R像素大小；
步骤五、对于步骤四中得到的P个像素为S*R结果图进行分块，将每个结果图分成T*T个子块，每个子块包含了S*R/T*T个像素，然后统计每个子块的直方图，样本图片就变成了(T*T*P)*T的二维矩阵，并且对应的特征维度就变成了(P*T*T)*T维；
步骤六、重复执行步骤二至步骤五，对每个样本图片进行相同操作；
步骤七、通过KPCA对训练集和测试集中每张样本图片进行降维，通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，然后核函数将数据由低维映射到高维，得到每个样本图片的特征维度；
步骤八、使用训练集中样本图片的标签和所对应的特征维度建立支持向量机SVM分类预测模型；
步骤九、使用粒子群优化算法PSO对SVM进行参数寻优，其中待优化的SVM参数为惩罚参数C、核函数的参数σ；
步骤十，利用步骤九中得到的惩罚参数C和核函数的参数σ对训练集中样本图片进行SVM交叉验证训练，得到SVM模型；
步骤十一、导入步骤七中得到测试集中处理后的样本图片，对SVM模型进行分类预测，验证SVM模型，之后利用该SVM模型对待测试带钢图片进行比对测试。
作为优选，步骤一中，需要对样本集中图片进行预处理，裁剪去样本图片中无用的背景部分，并对每个样本图片给予对应标签。
作为优选，步骤七中，对样本图片进行降维处理方法具体为：
步骤701、首先将每张样本图片所得到(T*T*P)*T的二维矩阵拉伸成一个1*(P*T*T*T)的一维向量；
步骤702、再求出每个样本图片所对应特征向量特征值的平均值，然后将每个样本图片的特征向量中的特征值减去这个平均值；
步骤703、然后将训练集和测试集所对应样本图片的一维向量同时导入到高斯核函数之中：
其中σ为高斯核函数的核系数，xi为第i个样本图片所对应的特征向量，xj为第j个样本图片所对应的特征向量，K(xi,xj)就是将所有样本图片导入到高维空间中所对应的值；
步骤704、然后求出K(xi,xj)的特征值、特征向量并且将其对应起来，根据特征值的大小将所得到的特征值特征向量进行排序，选取其中的前100个特征作为样本图片的特征。
作为优选，步骤八中，建立支持向量机SVM分类预测模型采用径向基核函数RBF如下：
上式中σ为高斯核函数的核参数，xi为第i个样本图片所对应的特征向量，xj为第j个样本图片所对应的特征向量，其中i＝1,2,3…n，j＝1,2,3…n，n为训练集中样本图片总数；
基于SVM模型核函数的优化模型为：
目标函数：
约束条件：
其中，n为训练集中样本图片总数，i，j∈[1,N]，xi为前面所述第i个特征向量，xj为前面所述第j个特征向量，ui为引入第i个拉格朗日乘子，C为惩罚系数，K(xi,xj)为前面所述基于SVM模型核函数，yi，yj分别为第i个与第j个图片的类别；其中，高斯核函数的核系数σ、以及惩罚系数C均为需通过改进权重的粒子群算法优化求解的参数。
作为优选，步骤九中，具体粒子群算法对SVM参数优化过程包含下列步骤：
步骤901，设定PSO算法的相关参数，包括：种群规模popsize为20，最大进化代数maxgen为100，惯性权值因子ω为0.8；
步骤902，在搜索空间和飞行速度的上下界范围内随机产生初始粒子的位置及速度，并计算初始适应度值，并根据适应度值确定粒子个体和全体粒子群的最优位置；
步骤903，更新粒子速度和位置，更新方法为：
其中，和分别为t+1时刻粒子个体m在第b维搜索空间中的速度和位置，其中b为搜索的维度，也就是特征维度的个数，而则是在t+1个时刻第m个粒子的特征向量；相应地，和分别为t时刻粒子个体m在第b维搜索空间中的速度和位置，和分别为t时刻粒子个体和粒子群全体的最优位置；
其中l1，l2为均匀分布在(0,1)区间的随机数，c1，c2为常数均为1.1；
步骤904，计算更新后粒子的适应度值，若优于现有的个体极值和群体极值，则更新粒子个体和全体粒子群的最优位置为当前粒子的位置；
步骤905，判断是否更新了当前代种群中的每一个粒子的速度和位置，是，继续下一步；否，跳转至步骤903；
步骤906，判断是否达到了预先设定的最大进化代数maxgen，是，继续下一步；否，进化代数自增1，并跳转至步骤903；
步骤907，停止寻优运算，输出最优的SVM参数，结束。
作为优选，所述样本集中，样本集典型缺陷的种类数M范围取3-15种，每种典型缺陷的数量N范围取10-40，对于训练集，W取值范围为样本集中样本图片一半到总数之间。
作为优选，选取作为训练集的W个样本图片在M种典型缺陷的样本图片中均衡选取。
作为优选，步骤三中，采用Gabor滤波器对样本图片进行归一化选取的尺度P取值范围为3-9个，方向Q取值范围为5-15个。
作为优选，步骤二中，对样本图片缩放之后的尺寸，S取值范围为300-600个像素，R取值范围为300-600个像素。
作为优选，步骤五中，将每个样本图片滤波的结果图分块中，T取值范围为5-10。
本发明有益效果是：
本发明提供了一种对带钢表面缺陷进行自动分类的方法，其自动分类准确度高，采用计算机执行过程中，执行效率也高，识别精确度远远优于现有技术中分类识别方法，具体具体经济价值。
附图说明
图1为本发明总体流程图。
图2为本发明为本实施例方式与传统方式分类结果对比图。
图3为Gabor滤波器和脊椎动物视觉皮层感受野的响应图，
图中，第一行为脊椎动物视觉皮层的感受野，第二行为Gabor滤波器的响应，第三行是二者之差。
图4为随机选取的缺陷图片。
图5为本发明中利用Gabor滤波器对图3中缺陷图片进行滤波的结果图。
图6本发明中对Gabor结果图像进行融合后的结果图像。
图7是本发明中利用粒子群算法对SVM进行寻优的算法流程图。
具体实施方式
下面结合附图对本发明进行举例说明
如图所示，一种基于Gabor特征融合分块直方图的带钢表面缺陷分类方法，包括以下步骤：
步骤一、先从训练样本库中提取带钢图片，选取5*20＝100个样本图片组成的样本集进行测试，样本集中包含了刮伤、裂纹、麻点、结巴、压痕这5个常见的带钢表面的典型缺陷，每种典型缺陷各20个，从样本集选取W＝60个样本图片作为训练集，剩下5*20-W＝40个样本图片作为测试集；
步骤二、使用线性插值的方式对样本集中所有图片进行几何归一化，将图片缩放成400*400像素大小的图片；
步骤三、将几何归一化图片导入Gabor滤波器(一个用于边缘提取的线性滤波器)中，Gabor滤波器对图片进行5个尺度，8个方向的滤波，对每个归一化图片得到对应的5*8＝40个滤波的结果图；
Gabor滤波器：Gabor滤波器是一个以高斯核为窗口的傅里叶变换，是一个线性边缘的滤波器，其频率和方向表达与人类视觉系统类似，能够提供良好的方向选择和尺度选择特性，而且对于光照变化不敏感，因此十分适合纹理分析。图1为Gabor滤波器和脊椎动物视觉皮层感受野的响应图；
二维的滤波器定义如下：
上式中，i为复数算子，σ为滤波器的带宽，kj＝kv(cosθ,sinθ)T，kj实际滤波尺度方向参数，kv是实际滤波尺度，T代表的是转置矩阵,其中，θ是滤波方向，v是Gabor滤波器的尺度参数，本发明中有5个尺度即v＝0～4，u是Gabor滤波器的方向，本发明中有8个方向即u＝0～7；||*||表示模；不同的尺度和方向可以选定不同的尺度和方向的Gabor结果图，为二维Gabor滤波器。
对于给定图像的一个像素点z＝(X,Y)，图像I(z)与Gabor滤波结果是图像I(z)与Gabor滤波器的卷积即。
其中*表示卷积算子。
步骤四、对Gabor图像的融合，对于上述得到40个滤波的结果图，将同一个尺度每个像素点的8个方向上的结果图分别编号1～8，利用每个尺度上的8个方向中Gabor特征值最大对应的编号来对结果图进行重组，即将8个方向中Gabor特征值最大对应的编号重置为该点的像素值，例如点z＝(X,Y)在同一尺度上编号为1的Gabor特征值最大，则z＝(X,Y)像素值变为1；
k＝arg maxxu{||Gu,v(z)||},u∈(1,…8)
其中Gu,v(z),u∈(1,…8)为对应的点在8个方向上的Gabor特征值，重置融合后，40个滤波的结果图缩小变成了5个结果图，每个结果图任然为400*400像素大小，样本图片的像素值也变成了1～8。大大降低了Gabor图片的特征维度。
步骤五、对于步骤四中得到的5个像素为400*400结果图进行分块，将每个结果图分成8*8个子块，每个子块包含了400*400/8*8＝2500个像素，然后统计每个子块的直方图，样本图片就变成了(8*8*5)*8＝2560的二维矩阵，并且对应的特征维度就变成了(5*8*8)*8＝2560维；
步骤六、重复执行步骤二至步骤五，对每个样本图片进行相同操作；
步骤七、通过KPCA(核主成分分析法)对训练集和测试集中每张样本图片进行降维，通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分，主成分之中包含了大量的所需的数据信息。但是主成分分析法针对非线性问题的分类效果并不好，因此就需要引入一个核函数将数据由低维映射到高维，这样可以是原本线性不可分的数据变得线性可分。这就是核主成分分析法，然后核函数将数据由低维映射到高维，得到每个样本图片的特征维度；对样本图片进行降维处理方法具体为：
步骤701、首先将每张样本图片所得到(8*8*5)*8＝2560的二维矩阵拉伸成一个1*2560的一维向量；
步骤702、再求出每个样本图片所对应特征向量特征值的平均值，然后将每个样本图片的特征向量中的特征值减去这个平均值，以达到数据标准化的目的。
步骤703、然后将训练集和测试集所对应样本图片的一维向量同时导入到高斯核函数之中：
其中σ为高斯核函数的核系数，xi为第i个样本图片所对应的特征向量，xj为第j个样本图片所对应的特征向量，K(xi,xj)就是将所有样本图片导入到高维空间中所对应的值；
步骤704、然后求出K(xi,xj)的特征值、特征向量并且将其对应起来，根据特征值的大小将所得到的特征值特征向量进行排序，选取其中的前100个特征作为样本图片的特征。
步骤八、使用训练集中样本图片的标签和所对应的特征维度建立支持向量机SVM分类预测模型；建立支持向量机SVM分类预测模型采用径向基核函数RBF如下：
上式中σ为高斯核函数的核参数，xi为第i个样本图片所对应的特征向量，xj为第j个样本图片所对应的特征向量，其中i＝1,2,3…n，j＝1,2,3…n，n为训练集中样本图片总数；
基于SVM(支持向量机)模型核函数的优化模型为：
目标函数：
约束条件：
其中，n为训练集中样本图片总数，i，j∈[1,N]，xi为前面所述第i个特征向量，xj为前面所述第j个特征向量，ui为引入第i个拉格朗日乘子，C为惩罚系数，K(xi,xj)为前面所述基于SVM模型核函数，yi，yj分别为第i个与第j个图片的类别；其中，高斯核函数的核系数σ、以及惩罚系数C均为需通过改进权重的粒子群算法优化求解的参数。
步骤九、使用粒子群优化算法PSO对SVM进行参数寻优，其中待优化的SVM参数为惩罚参数C、核函数的参数σ；具体粒子群算法对SVM参数优化过程包含下列步骤：
步骤901，设定PSO算法的相关参数，包括：种群规模popsize为20，最大进化代数maxgen为100，惯性权值因子ω为0.8；
步骤902，在搜索空间和飞行速度的上下界范围内随机产生初始粒子的位置及速度，并计算初始适应度值，并根据适应度值确定粒子个体和全体粒子群的最优位置；
步骤903，更新粒子速度和位置，更新方法为：
其中，和分别为t+1时刻粒子个体m在第b维搜索空间中的速度和位置，其中b为搜索的维度，也就是特征维度的个数，而则是在t+1个时刻第m个粒子的特征向量；相应地，和分别为t时刻粒子个体m在第b维搜索空间中的速度和位置。和分别为t时刻粒子个体和粒子群全体的最优位置；
其中l1，l2为均匀分布在(0,1)区间的随机数，c1，c2为常数均为1.1；
步骤904，计算更新后粒子的适应度值，若优于现有的个体极值和群体极值，则更新粒子个体和全体粒子群的最优位置为当前粒子的位置；
步骤905，判断是否更新了当前代种群中的每一个粒子的速度和位置，是，继续下一步；否，跳转至步骤903；
步骤906，判断是否达到了预先设定的最大进化代数maxgen，是，继续下一步；否，进化代数自增1，并跳转至步骤903；
步骤907，停止寻优运算，输出最优的SVM参数，结束。
步骤十，利用步骤九中得到的惩罚参数C和核函数的参数σ对训练集中样本图片进行SVM交叉验证训练，得到SVM模型；
步骤十一、导入步骤七中得到测试集中处理后的样本图片，对SVM模型进行分类预测，验证SVM模型，之后利用该SVM模型对待测试带钢图片进行比对测试。
图3为Gabor滤波器和脊椎动物视觉皮层感受野的响应图，图中，第一行为脊椎动物视觉皮层的感受野，第二行为Gabor滤波器的响应，第三行是二者之差。由图可知Gabor滤波器可以极好的模拟人类的视觉。通过Gabor滤波器机器可以像人一样对外界进行识别。
下表为本实施例方式与传统方式分类结果对比表：
表1
Claims (10)
1.一种基于Gabor特征融合分块直方图的带钢表面缺陷分类方法，其特征在于，包括以下步骤：
步骤一、先从训练样本库中提取带钢图片，选取M*N个样本图片组成的样本集进行测试，其中M为该样本集典型缺陷的种类数，N为该样本集中每种典型缺陷的数量，从样本集选取W个样本图片作为训练集，剩下M*N-W个样本图片作为测试集；
步骤二、使用线性插值的方式对样本集中所有图片进行几何归一化，将图片缩放成S*R像素大小的图片；
步骤三、将几何归一化图片导入Gabor滤波器中，Gabor滤波器对图片进行P个尺度，Q个方向的滤波，对每个归一化图片得到对应的P*Q个滤波的结果图；
步骤四、对Gabor图像的融合，对于上述得到P*Q个滤波的结果图，将同一个尺度每个像素点的Q个方向上的结果图分别编号1～Q，利用每个尺度上的Q个方向中Gabor特征值最大对应的编号来对结果图进行重组，即将Q个方向中Gabor特征值最大对应的编号重置为该点的像素值，重置融合后，P*Q个滤波的结果图变成了P个结果图，每个结果图任然为S*R像素大小；
步骤五、对于步骤四中得到的P个像素为S*R结果图进行分块，将每个结果图分成T*T个子块，每个子块包含了S*R/T*T个像素，然后统计每个子块的直方图，样本图片就变成了(T*T*P)*T的二维矩阵，并且对应的特征维度就变成了(P*T*T)*T维；
步骤六、重复执行步骤二至步骤五，对每个样本图片进行相同操作；
步骤七、通过KPCA对训练集和测试集中每张样本图片进行降维，通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，然后核函数将数据由低维映射到高维，得到每个样本图片的特征维度；
步骤八、使用训练集中样本图片的标签和所对应的特征维度建立支持向量机SVM分类预测模型；
步骤九、使用粒子群优化算法PSO对SVM进行参数寻优，其中待优化的SVM参数为惩罚参数C、核函数的参数σ；
步骤十，利用步骤九中得到的惩罚参数C和核函数的参数σ对训练集中样本图片进行SVM交叉验证训练，得到SVM模型；
步骤十一、导入步骤七中得到测试集中处理后的样本图片，对SVM模型进行分类预测，验证SVM模型，之后利用该SVM模型对待测试带钢图片进行比对测试。
2.如权利要求1所述的带钢表面缺陷分类方法，其特征在于：步骤一中，需要对样本集中图片进行预处理，裁剪去样本图片中无用的背景部分，并对每个样本图片给予对应标签。
3.如权利要求1所述的带钢表面缺陷分类方法，其特征在于：步骤七中，对样本图片进行降维处理方法具体为：
步骤701、首先将每张样本图片所得到(T*T*P)*T的二维矩阵拉伸成一个1*(P*T*T*T)的一维向量；
步骤702、再求出每个样本图片所对应特征向量特征值的平均值，然后将每个样本图片的特征向量中的特征值减去这个平均值；
步骤703、然后将训练集和测试集所对应样本图片的一维向量同时导入到高斯核函数之中：
其中σ为高斯核函数的核系数，xi为第i个样本图片所对应的特征向量，xj为第j个样本图片所对应的特征向量，K(xi,xj)就是将所有样本图片导入到高维空间中所对应的值；
步骤704、然后求出K(xi,xj)的特征值、特征向量并且将其对应起来，根据特征值的大小将所得到的特征值特征向量进行排序，选取其中的前100个特征作为样本图片的特征。
4.如权利要求1所述的带钢表面缺陷分类方法，其特征在于：步骤八中，建立支持向量机SVM分类预测模型采用径向基核函数RBF如下：
上式中σ为高斯核函数的核参数，xi为第i个样本图片所对应的特征向量，xj为第j个样本图片所对应的特征向量，其中i＝1,2,3…n，j＝1,2,3…n，n为训练集中样本图片总数；
基于SVM模型核函数的优化模型为：
目标函数：
约束条件：
其中，n为训练集中样本图片总数，i，j∈[1,N]，xi为前面所述第i个特征向量，xj为前面所述第j个特征向量，ui为引入第i个拉格朗日乘子，C为惩罚系数，K(xi,xj)为前面所述基于SVM模型核函数，yi，yj分别为第i个与第j个图片的类别；其中，高斯核函数的核系数σ、以及惩罚系数C均为需通过改进权重的粒子群算法优化求解的参数。
5.如权利要求1所述的带钢表面缺陷分类方法，其特征在于：步骤九中，具体粒子群算法对SVM参数优化过程包含下列步骤：
步骤901，设定PSO算法的相关参数，包括：种群规模popsize为20，最大进化代数maxgen为100，惯性权值因子ω为0.8；
步骤902，在搜索空间和飞行速度的上下界范围内随机产生初始粒子的位置及速度，并计算初始适应度值，并根据适应度值确定粒子个体和全体粒子群的最优位置；
步骤903，更新粒子速度和位置，更新方法为：
其中，和分别为t+1时刻粒子个体m在第b维搜索空间中的速度和位置，其中b为搜索的维度，也就是特征维度的个数，而则是在t+1个时刻第m个粒子的特征向量；相应地，和分别为t时刻粒子个体m在第b维搜索空间中的速度和位置，和分别为t时刻粒子个体和粒子群全体的最优位置；
其中l1，l2为均匀分布在(0,1)区间的随机数，c1，c2为常数均为1.1；
步骤904，计算更新后粒子的适应度值，若优于现有的个体极值和群体极值，则更新粒子个体和全体粒子群的最优位置为当前粒子的位置；
步骤905，判断是否更新了当前代种群中的每一个粒子的速度和位置，是，继续下一步；否，跳转至步骤903；
步骤906，判断是否达到了预先设定的最大进化代数maxgen，是，继续下一步；否，进化代数自增1，并跳转至步骤903；
步骤907，停止寻优运算，输出最优的SVM参数，结束。
6.如权利要求1所述的带钢表面缺陷分类方法，其特征在于：所述样本集中，样本集典型缺陷的种类数M范围取3-15种，每种典型缺陷的数量N范围取10-40，对于训练集，W取值范围为样本集中样本图片一半到总数之间。
7.如权利要求1所述的带钢表面缺陷分类方法，其特征在于：选取作为训练集的W个样本图片在M种典型缺陷的样本图片中均衡选取。
8.如权利要求1所述的带钢表面缺陷分类方法，其特征在于：步骤三中，采用Gabor滤波器对样本图片进行归一化选取的尺度P取值范围为3-9个，方向Q取值范围为5-15个。
9.如权利要求1所述的带钢表面缺陷分类方法，其特征在于：步骤二中，对样本图片缩放之后的尺寸，S取值范围为300-600个像素，R取值范围为300-600个像素。
10.如权利要求1所述的带钢表面缺陷分类方法，其特征在于：步骤五中，将每个样本图片滤波的结果图分块中，T取值范围为5-10。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810585825.2A CN108765412B (zh) | 2018-06-08 | 2018-06-08 | 一种带钢表面缺陷分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810585825.2A CN108765412B (zh) | 2018-06-08 | 2018-06-08 | 一种带钢表面缺陷分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108765412A true CN108765412A (zh) | 2018-11-06 |
| CN108765412B CN108765412B (zh) | 2021-07-20 |
Family
ID=64000568
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810585825.2A Active CN108765412B (zh) | 2018-06-08 | 2018-06-08 | 一种带钢表面缺陷分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108765412B (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109670499A (zh) * | 2018-11-20 | 2019-04-23 | 华南理工大学 | 一种酒瓶盖面检测方法 |
| CN109766939A (zh) * | 2018-12-29 | 2019-05-17 | 佛山科学技术学院 | 一种基于照片的镀锌钢和低碳钢分类方法及装置 |
| CN110246134A (zh) * | 2019-06-24 | 2019-09-17 | 株洲时代电子技术有限公司 | 一种钢轨伤损分类装置 |
| CN110263867A (zh) * | 2019-06-24 | 2019-09-20 | 株洲时代电子技术有限公司 | 一种钢轨伤损分类方法 |
| CN110659719A (zh) * | 2019-09-19 | 2020-01-07 | 江南大学 | 一种铝型材瑕疵检测方法 |
| CN111079832A (zh) * | 2019-12-13 | 2020-04-28 | 辽宁科技大学 | 具有抗特征噪声性能的钢板表面缺陷分类方法 |
| CN111428748A (zh) * | 2020-02-20 | 2020-07-17 | 重庆大学 | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 |
| CN111950604A (zh) * | 2020-07-27 | 2020-11-17 | 江苏大学 | 基于最小重建误差搜索降维和粒子群优化的多分类支持向量机的图像识别分类方法 |
| CN112001919A (zh) * | 2020-10-20 | 2020-11-27 | 领伟创新智能系统(浙江)有限公司 | 一种基于粒子群算法及二维数字滤波的织物缺陷检测方法 |
| CN112001909A (zh) * | 2020-08-26 | 2020-11-27 | 北京科技大学 | 基于图像特征融合的粉末床缺陷视觉检测方法 |
| CN112070727A (zh) * | 2020-08-21 | 2020-12-11 | 电子科技大学 | 一种基于机器学习的金属表面缺陷检测方法 |
| CN112418317A (zh) * | 2020-11-24 | 2021-02-26 | 西南交通大学 | 一种基于pso-svm的精密加工结构件识别分类的方法 |
| CN112819748A (zh) * | 2020-12-16 | 2021-05-18 | 机科发展科技股份有限公司 | 一种带钢表面缺陷识别模型的训练方法及装置 |
| CN113554067A (zh) * | 2021-07-01 | 2021-10-26 | 清华大学深圳国际研究生院 | 基于集成学习的光纤缠绕缺陷检测方法与装置 |
| US11302014B2 (en) | 2018-11-08 | 2022-04-12 | Shanghai Sixth People's Hospital | Methods of segmenting an abdominal image, computer apparatuses, and storage mediums |
| CN114723751A (zh) * | 2022-06-07 | 2022-07-08 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种基于无监督的带钢表面缺陷在线检测方法 |
| CN115329554A (zh) * | 2022-07-28 | 2022-11-11 | 北京科技大学 | 乳液软模板法制备空心纳米结构工艺智能优化方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6753965B2 (en) * | 2001-01-09 | 2004-06-22 | The University Of Hong Kong | Defect detection system for quality assurance using automated visual inspection |
| CN102508110A (zh) * | 2011-10-10 | 2012-06-20 | 上海大学 | 基于纹理的绝缘子缺陷诊断方法 |
| US20130163829A1 (en) * | 2011-12-21 | 2013-06-27 | Electronics And Telecommunications Research Institute | System for recognizing disguised face using gabor feature and svm classifier and method thereof |
| CN103198322A (zh) * | 2013-01-18 | 2013-07-10 | 江南大学 | 基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法 |
| WO2017128799A1 (zh) * | 2016-01-27 | 2017-08-03 | 深圳大学 | 基于三维Gabor特征选择的高光谱遥感图像分类方法及系统 |
| CN107358180A (zh) * | 2017-06-28 | 2017-11-17 | 江苏爱朋医疗科技股份有限公司 | 一种人脸表情的疼痛评估方法 |
| CN107845086A (zh) * | 2017-09-19 | 2018-03-27 | 佛山缔乐视觉科技有限公司 | 一种皮革表面显著性缺陷的检测方法、系统及装置 |
| CN108010029A (zh) * | 2017-12-27 | 2018-05-08 | 江南大学 | 基于深度学习和支持向量数据描述的织物疵点检测方法 |
-
2018
- 2018-06-08 CN CN201810585825.2A patent/CN108765412B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6753965B2 (en) * | 2001-01-09 | 2004-06-22 | The University Of Hong Kong | Defect detection system for quality assurance using automated visual inspection |
| CN102508110A (zh) * | 2011-10-10 | 2012-06-20 | 上海大学 | 基于纹理的绝缘子缺陷诊断方法 |
| US20130163829A1 (en) * | 2011-12-21 | 2013-06-27 | Electronics And Telecommunications Research Institute | System for recognizing disguised face using gabor feature and svm classifier and method thereof |
| CN103198322A (zh) * | 2013-01-18 | 2013-07-10 | 江南大学 | 基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法 |
| WO2017128799A1 (zh) * | 2016-01-27 | 2017-08-03 | 深圳大学 | 基于三维Gabor特征选择的高光谱遥感图像分类方法及系统 |
| CN107358180A (zh) * | 2017-06-28 | 2017-11-17 | 江苏爱朋医疗科技股份有限公司 | 一种人脸表情的疼痛评估方法 |
| CN107845086A (zh) * | 2017-09-19 | 2018-03-27 | 佛山缔乐视觉科技有限公司 | 一种皮革表面显著性缺陷的检测方法、系统及装置 |
| CN108010029A (zh) * | 2017-12-27 | 2018-05-08 | 江南大学 | 基于深度学习和支持向量数据描述的织物疵点检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| DONGYAN CUI 等: "Dimension Reduction and Defect Recognition of Strip Surface Defects Based on Intelligent Information Processing", 《SPRINGERLINK》 * |
| 屈尔庆 等: "改进的Ｇａｂｏｒ滤波器带钢表面缺陷显著性检测", 《华中科技大学学报（自然科学版）》 * |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11302014B2 (en) | 2018-11-08 | 2022-04-12 | Shanghai Sixth People's Hospital | Methods of segmenting an abdominal image, computer apparatuses, and storage mediums |
| CN109670499A (zh) * | 2018-11-20 | 2019-04-23 | 华南理工大学 | 一种酒瓶盖面检测方法 |
| CN109766939A (zh) * | 2018-12-29 | 2019-05-17 | 佛山科学技术学院 | 一种基于照片的镀锌钢和低碳钢分类方法及装置 |
| CN109766939B (zh) * | 2018-12-29 | 2023-09-26 | 佛山科学技术学院 | 一种基于照片的镀锌钢和低碳钢分类方法及装置 |
| CN110246134A (zh) * | 2019-06-24 | 2019-09-17 | 株洲时代电子技术有限公司 | 一种钢轨伤损分类装置 |
| CN110263867A (zh) * | 2019-06-24 | 2019-09-20 | 株洲时代电子技术有限公司 | 一种钢轨伤损分类方法 |
| CN110659719A (zh) * | 2019-09-19 | 2020-01-07 | 江南大学 | 一种铝型材瑕疵检测方法 |
| CN110659719B (zh) * | 2019-09-19 | 2022-02-08 | 江南大学 | 一种铝型材瑕疵检测方法 |
| CN111079832A (zh) * | 2019-12-13 | 2020-04-28 | 辽宁科技大学 | 具有抗特征噪声性能的钢板表面缺陷分类方法 |
| CN111079832B (zh) * | 2019-12-13 | 2023-04-18 | 辽宁科技大学 | 具有抗特征噪声性能的钢板表面缺陷分类方法 |
| CN111428748A (zh) * | 2020-02-20 | 2020-07-17 | 重庆大学 | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 |
| CN111950604A (zh) * | 2020-07-27 | 2020-11-17 | 江苏大学 | 基于最小重建误差搜索降维和粒子群优化的多分类支持向量机的图像识别分类方法 |
| CN111950604B (zh) * | 2020-07-27 | 2024-05-14 | 江苏大学 | 基于最小重建误差搜索降维和粒子群优化的多分类支持向量机的图像识别分类方法 |
| CN112070727A (zh) * | 2020-08-21 | 2020-12-11 | 电子科技大学 | 一种基于机器学习的金属表面缺陷检测方法 |
| CN112070727B (zh) * | 2020-08-21 | 2022-04-19 | 电子科技大学 | 一种基于机器学习的金属表面缺陷检测方法 |
| CN112001909A (zh) * | 2020-08-26 | 2020-11-27 | 北京科技大学 | 基于图像特征融合的粉末床缺陷视觉检测方法 |
| CN112001909B (zh) * | 2020-08-26 | 2023-11-24 | 北京科技大学 | 基于图像特征融合的粉末床缺陷视觉检测方法 |
| CN112001919A (zh) * | 2020-10-20 | 2020-11-27 | 领伟创新智能系统(浙江)有限公司 | 一种基于粒子群算法及二维数字滤波的织物缺陷检测方法 |
| CN112418317A (zh) * | 2020-11-24 | 2021-02-26 | 西南交通大学 | 一种基于pso-svm的精密加工结构件识别分类的方法 |
| CN112819748A (zh) * | 2020-12-16 | 2021-05-18 | 机科发展科技股份有限公司 | 一种带钢表面缺陷识别模型的训练方法及装置 |
| CN112819748B (zh) * | 2020-12-16 | 2023-09-19 | 机科发展科技股份有限公司 | 一种带钢表面缺陷识别模型的训练方法及装置 |
| CN113554067A (zh) * | 2021-07-01 | 2021-10-26 | 清华大学深圳国际研究生院 | 基于集成学习的光纤缠绕缺陷检测方法与装置 |
| CN114723751B (zh) * | 2022-06-07 | 2022-09-23 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种基于无监督的带钢表面缺陷在线检测方法 |
| CN114723751A (zh) * | 2022-06-07 | 2022-07-08 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种基于无监督的带钢表面缺陷在线检测方法 |
| CN115329554B (zh) * | 2022-07-28 | 2023-03-10 | 北京科技大学 | 乳液软模板法制备空心纳米结构工艺智能优化方法及系统 |
| CN115329554A (zh) * | 2022-07-28 | 2022-11-11 | 北京科技大学 | 乳液软模板法制备空心纳米结构工艺智能优化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108765412B (zh) | 2021-07-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108765412A (zh) | 一种带钢表面缺陷分类方法 | |
| CN108363970B (zh) | 一种鱼种类的识别方法和系统 | |
| CN105574527B (zh) | 一种基于局部特征学习的快速物体检测方法 | |
| CN101059425A (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的方法和装置 | |
| CN110210362A (zh) | 一种基于卷积神经网络的交通标志检测方法 | |
| CN108288271A (zh) | 基于三维残差网络的图像检测系统及方法 | |
| CN109859181A (zh) | 一种pcb焊点缺陷检测方法 | |
| CN107767387B (zh) | 基于可变感受野尺度全局调制的轮廓检测方法 | |
| CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
| CN103366180A (zh) | 一种基于自动特征学习的细胞图像分割方法 | |
| CN103544499B (zh) | 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法 | |
| CN107437068B (zh) | 基于Gabor方向直方图和猪体毛发模式的猪个体识别方法 | |
| CN107292314A (zh) | 一种基于cnn的鳞翅目昆虫种类自动鉴别方法 | |
| CN111127417B (zh) | 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法 | |
| CN109815945A (zh) | 一种基于图像识别的呼吸道检查结果判读系统和方法 | |
| CN106846313A (zh) | 工件表面缺陷检测方法和装置 | |
| Cetinic et al. | Automated painter recognition based on image feature extraction | |
| Ji et al. | Apple grading method based on features of color and defect | |
| CN108062575A (zh) | 一种高相似度图像识别与分类方法 | |
| CN108288279A (zh) | 一种基于x光图像前景目标提取的物品甄别方法 | |
| CN104680185B (zh) | 基于边界点重分类的高光谱图像分类方法 | |
| CN108960260A (zh) | 一种分类模型生成方法、医学影像图像分类方法及装置 | |
| CN108664839A (zh) | 一种图像处理方法和设备 | |
| CN107909588A (zh) | 基于三维全卷积神经网络的mri皮质下分区系统 | |
| CN110097136A (zh) | 基于神经网络的图像分类方法 |
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 |