CN110533083B - 基于SVM的Adaboost模型的铸件缺陷识别方法 - Google Patents

Abstract

本发明提出了一种基于SVM的Adaboost模型的铸件缺陷识别方法，旨在提高铸件裂纹缺陷识别的精度，实现步骤为：采集有裂纹缺陷和无裂纹缺陷的图像；对图像进行线性灰度变换，对线性灰度变换后的图像进行双边滤波，对双边滤波后的图像进行自适应阈值分割；提取自适应阈值分割后图像的LBP类特征、不变矩类特征和Hog类特征，并采用PCA算法对Hog类特征进行降维；采用Relief算法对提取出来的3类特征进行筛选；构建基于SVM分类器的Adaboost模型；获取测试样本集的识别结果。本发明通过对特征进行筛选，并在训练过程中使模型更加关注易分错的样本，在保证铸件裂纹缺陷识别速度的前提下提高了识别精度。

Description

基于SVM的Adaboost模型的铸件缺陷识别方法

技术领域

本发明属于图像识别技术领域，涉及一种铸件缺陷识别方法，具体涉及一种基于SVM的Adaboost模型的铸件裂纹缺陷识别方法，可用于大规模铸件图像下铸件裂纹缺陷的识别。

背景技术

铸造生产由于其质量轻、机械性能好等特点，已经在制造生产领域得到了广泛的运用。但是，因为铸造工艺、生产条件等问题的制约，铸件在生产过程中容易产生对产品质量有较大影响的缺陷，如气孔、夹杂、偏析、疏松和裂纹等，其中裂纹缺陷对铸件产品的质量影响最为重要，如果将具有裂纹缺陷的产品投入生产和使用过程中，这些产品裂纹缺陷会进一步发展为疲劳裂纹或者应力腐蚀裂纹，从而导致产品性能失效，造成重大安全隐患。因此，准确识别铸件产品的裂纹缺陷对产品的安全生产和使用是至关重要的。

目前铸件裂纹缺陷自动识别技术主要包括三个阶段：1)图像预处理；2)特征提取和3)分类器构建。在图像预处理阶段，由于工业现场采集的图像通常包含噪声，所以常通过图像灰度变换、滤波变换来降低图像噪声，通过图像分割来将图像阵列分解成若干个互不交迭的区域，每一个区域内部的某种特性或特征相同或接近，而不同区域内部的图像特征择优明显差别，以改善图像质量，使之更适合后续的分析处理。在特征提取阶段，将具有代表性的特征通过特征提取技术从处理后的图像中提取出来。目前常采用的特征提取方法有统计法、信号处理法和模型法等。在分类器构建阶段，将特征提取阶段提取的具有代表性的特征输入到分类器中进行训练，从而对图像中的缺陷进行有效的识别。目前常用的分类器算法主要包括神经网络和支持向量机等。

比如郑晓玲在其发表的论文“基于机器视觉的铝铸件表面缺陷检测”(华侨大学硕士论文，2016年6月10日)中，公开了一种基于支持向量机SVM的铝铸件表面裂纹缺陷检测方法，该方法首先采用阈值和形态学相结合的方法对铝铸件图像缺陷进行分割，然后提取铝铸件表面缺陷的几何形状、灰度、不变矩和纹理特征，最后基于这些特征，构建支持向量机分类器完成对铝铸件表面缺陷的识别。该方法虽然能够对铝铸件表面缺陷进行有效地识别，但是由于包含过多的冗余的、不重要的特征，以及分类器的训练过程中所有的样本的分布权值都是一样的，没有对分类错误的样本的权值进行更新，所以仍然存在识别精度较低的缺点。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提出了一种基于SVM的Adaboost模型的铸件缺陷识别方法，用于解决现有铸件裂纹缺陷识别方法中存在的识别精度较低的技术问题。

本发明的技术思路是，首先采集有裂纹缺陷和无裂纹缺陷的图像，对图像进行线性灰度变换、双边滤波和自适应阈值分割；其次提取图像的LBP类特征、不变矩类特征和Hog类特征，并采用PCA算法对Hog类特征进行降维；然后通过采用Relief算法将从铸件图像中提取出来的3类特征进行筛选，筛选掉冗余的、不重要的特征，保留具有代表性的特征，提高了识别精度；基于具有不错分类性能的SVM分类器，构建Adaboost模型,该模型利用前面筛选完的特征，同时在构建Adaboost过程中，将被分类错误的样本的分布权值增加，使被分类正确的样本的分布权值减小，使得模型更加关注易分错的样本，实现识别精度的进一步提高；最后获取测试样本集的识别结果。

根据上述技术思路，实现本发明目的采取的技术方案，包括如下步骤：

(1)获取图像集：

采集n幅有裂纹缺陷的图像和n幅无裂纹缺陷的彩色图像，并对每幅图像进行标注，然后将2n幅图像及每幅图像的标签组合成图像集S，S＝{(x₁,y₁),(x₂,y₂),...,(x_i,y_i),...,(x_2n,y_2n)}其中，n≥150，x_i表示第i幅彩色图像，y_i表示x_i的标签，y_i∈{0,1}，0表示无裂纹缺陷，1表示有裂纹缺陷；

(2)对图像集S进行预处理：

对图像集S中的每一幅彩色图像x_i进行线性灰度变换，得到2n幅灰度图像，并对每幅灰度图像进行双边滤波，然后对经过双边滤波的每幅图像进行自适应阈值分割，得到由2n幅经过预处理的图像和每幅图像的标签组成图像集S'，S'＝{(x'₁,y₁),(x'₂,y₂),...,(x'_i,y_i),...,(x'_2n,y_2n)}；

(3)获取全信息特征集矩阵D：

(3a)提取图像集S'中每一幅图像x'_i的LBP类特征、不变矩类特征和Hog类特征，并采用PCA算法对每一幅图像x'_i的Hog类特征进行降维，得到2n幅图像的特征向量g₁,g₂,...,g_i,...,g_2n；

(3b)以每一幅图像x'_i的LBP类特征、不变矩类特征、特征向量g_i和标签y_i为行，以2n幅图像的LBP类特征、不变矩类特征、特征向量g_i和标签分别为列，形成全信息特征集矩阵D∈R^2n×(b+1)，其中，y_i位于行的末端，b表示x'_i的LBP类特征、不变矩类特征和特征向量g_i3类特征的总个数，b≥3；

(4)获取关键特征集矩阵D'：

采用relief算法计算全信息特征集矩阵D中每个特征相对于标签列y的重要度信息权值，并对计算结果进行降序排列，然后以前c'％的重要度信息权值所对应的特征和标签y为列进行组合，形成关键特征集矩阵D'∈R^2n×(c+1)，其中，c＝b*c'％，c≥2；

(5)构建基于SVM分类器的模型H(x)：

构建包含T个SVM分类器的模型H(x)，H(x)＝{h₁(x),h₂(x),...,h_t(x),...,h_T(x)}其中，h_t(x)表示第t个SVM分类器，T≥2；

(6)对基于SVM分类器的模型H(x)进行训练：

(6a)令t＝1，从关键特征集矩阵D'中随机选择d行数据作为训练样本集，剩下的2n-d行数据作为测试样本集，并计算训练样本集中每个训练样本的分布权值w_t,j，w_t,j＝1/d,j＝1,2,...,d其中，d≥2，w_t,j表示训练第t个SVM分类器时第j个训练样本的分布权值；

(6b)将训练样本集作为第t个SVM分类器的输入进行训练，得到训练误差e_t，并根据训练误差e_t计算第t个分类器的权重α_t，其中：

其中，y_j表示第j个训练样本的标签，h'_t(x_j)表示第t个训练完的分类器对y_j的预测值；

(6c)判断t＝T是否成立，若是，得到T个训练好的分类器h'₁(x),h'₂(x),...,h'_t(x),...,h'_T(x)和T个训练好的的权重α'₁(x),α'₂(x),...,α'_t(x),...,α'_T(x)，并将T个训练好的分类器和T个训练好的权重进行组合，得到基于SVM的Adaboost模型H(x)，否则，执行步骤(6d)，其中：

(6d)令t＝t+1，计算训练样本集中的每一个的分布权值w_t,j，并执行步骤(6b)，其中：

其中，B_t-1表示归一化因子，

(7)获取测试样本集的识别结果：

通过基于SVM的Adaboost模型H(x)对测试样本集中的每一个测试样本进行识别，得到2n-d个识别结果u₁,u₂,...,u_i,...,u_2n-d，u_i∈{0,1}，0表示无裂纹缺陷，1表示有裂纹缺陷。

本发明与现有技术相比，具有以下优点：

1.本发明通过提取图像的LBP类特征、不变矩类特征和Hog类特征3类特征来尽可能提取与图像裂纹缺陷相关的信息，同时采用Relief算法将铸件中冗余的、不重要的特征进行筛选，不仅减少了特征维度，同时保留了具有代表性的关键的铸件裂纹缺陷特征，在保证铸件裂纹缺陷识别速度的前提下提高了识别精度。

2.本发明构建基于SVM分类器的Adaboost模型，利用前面筛选完的特征，在训练过程中将被分类错误的样本的分布权值增加，被分类正确的样本的分布权值减小，使得模型更加关注易分错的样本，实现铸件裂纹缺陷识别精度的进一步提高。

附图说明

附图1为本发明的实现流程图。

具体实施方式

以下结合附图和具体实施例，对本发明作进一步详细说明。

参照图1，本实施例包括步骤如下：

步骤1)获取图像集：

通过X光检测机采集2n幅铸件图像，包括n幅有裂纹缺陷的图像和n幅无裂纹缺陷的彩色图像，n的取值不能过少，过少了不能充分获得铸件裂纹缺陷的特征，对模型的识别精度有较大的影响，过多了会使图像的预处理、图像的特征提取以及模型的构建的时间过长，所以本实施例中n取152，其中图像的宽为1065像素，图像的列888像素，然后对每幅图像进行标注，将这2n幅图像及每幅图像的标签组成图像集S，S＝{(x₁,y₁),(x₂,y₂),...,(x_i,y_i),...,(x_2n,y_2n)}其中，x_i表示第i幅彩色图像，y_i表示x_i的标签，y_i∈{0,1}，0表示无裂纹缺陷，1表示有裂纹缺陷；

步骤2)对图像集S进行预处理：

对图像集S中的每一幅彩色图像x_i进行线性灰度变换，因为X光检测机采集的图片一般都会出现曝光度不足或者过度的情况，这种情况会使图像灰度局限在一个很小的范围内，对铸件的裂纹缺陷识别会产生较大的影响，所以对其进行线性灰度变换可以有效降低这种情况的影响，线性灰度变换以后，仍然存在一定的噪声信息，所以再对其进行双波滤波，双波滤波作为一种非线性滤波器，可以在保留铸件图像边界信息的情况下，降低铸件图像噪声的影响；然后对经过双边滤波的每幅图像进行自适应阈值分割，对铸件图像进行分割处理，可以进一步凸显出铸件图像中存在的缺陷，自适应阈值法分割可以针对每一个图像位置设置一个对应的阈值，还可以规避光照对图像分割的影响，因此本实例中采用自适应阈值分割，自适应阈值分割后得到由2n幅经过预处理的图像和每幅图像的标签组成的图像集S'，S'＝{(x'₁,y₁),(x'₂,y₂),...,(x'_i,y_i),...,(x'_2n,y_2n)}，线性灰度变换、双边滤波和自适应阈值分割的公式如下：

线性灰度变换：

O(h,w)＝a*I(h,w)+b，0≤h＜H，0≤w＜W

其中，I表示输入的图像，H为图像的高，W为图像的宽，I(h,w)表示I的第h行第w列的灰度值，O表示变换后的图像；

双边滤波：

J(h,w)＝∑_h,wO(h,w)*Weight(h,w)

其中，Weight表示权重模板，Weight(h,w)表示Weight的第h行第w列的权值，J表示双边滤波处理后的矩阵；

自适应阈值图像分割：

其中，Thresh表示自适应阈值矩阵，T表示自适应阈值图像分割后的矩阵；Thresh的计算公式为：Thresh(h,w)＝(1-ratio)*J(h,w)，ratio取0.15；

步骤3)获取全信息特征集矩阵D：

步骤3a)HOG类特征是通过计算和统计图像局部区域的梯度方向直方图来构成特征，因为是在图像的局部方格单元上操作，所以它对图像几何的和光学的形变都能保持很好的不变性；由于铸件图像中裂纹缺陷存在非对称度、峭度等问题，不变矩类特征能够有效地解决该等问题；LBP类特征提取的是图像的局部纹理特征，具有旋转不变形和灰度不变性等一系列显著的特征；基于以上的这些优点，对铸件裂纹缺陷图像提取这三类的特征，由于提取的HOG类特征维数较大，直接对HOG类特征进行后续处理会导致训练时间变慢，因此采用主成分分析法PCA对HOG类特征进行降维处理，降低HOG类特征的维度，得到2n幅图像的特征向量g₁,g₂,...,g_i,...,g_2n，PCA算法对每一幅图像x'_i的Hog类特征进行降维的实现步骤如下：

步骤3a1)构造样本矩阵U，U＝(u₁,u₂,...,u_i,...,u_2n)∈R^k×2n，u_i表示第i幅经过预处理的图像x'_i的Hog类特征的向量；

步骤3a2)计算样本矩阵U的协方差矩阵Z：

其中，

A表示差值矩阵，

步骤3a3)获取主成分特征矩阵V'：

计算协方差矩阵Z的k个特征值λ₁,λ₂,...,λ_i,...,λ_k、λ₁,λ₂,...,λ_i,...,λ_k所对应的正交特征向量v₁,v₂,...,v_i,...,v_k和λ₁,λ₂,...,λ_i,...,λ_k的贡献率

并选取贡献率最大的p个特征值所对应的特征向量，组成主成分特征矩阵V'＝[v₁,v₂,...,v_i,..,v_p]∈R^k×p，其中，p≥1

[V,Q,W]＝svd(Z)

其中，svd(Z)表示对协方差矩阵Z进行奇异值分解运算，奇异值分解运算结果中的V表示特征向量矩阵，V＝(v₁,v₂,...,v_i,...,v_2n)∈R^k×2n，

λ_iv_i＝Zv_i，

步骤3a4)获取2n幅经过预处理的图像降维后的特征向量g₁,g₂,...,g_i,..,g_2n，

其中：

g_i＝u^TV∈R^1×p；

步骤3b)以一幅图像x'_i的LBP类特征、不变矩类特征、特征向量g_i和标签y_i为以行，则2n幅图像按同样的方式组成2n行，形成全信息特征集矩阵D∈R^2n×(b+1)，其中，y_i位于行的末端，b表示x'_i的LBP类特征、不变矩类特征和特征向量g_i3类特征的总个数，本实施例中LBP类特征有1600个，不变矩类特征有44个，特征向量g_i有1686个；

步骤4)获取关键特征集矩阵D'：

由于上面提取的全信息特征集矩阵D中存在许多冗余的、不重要的特征，所以采用Relief算法对其进行筛选，采用relief算法计算全信息特征集矩阵D中每个特征相对于标签列y的重要度信息权值，并对计算结果进行降序排列，然后以前c'％的重要度信息权值所对应的特征和标签y为列进行组合，形成关键特征集矩阵D'∈R^2n×(c+1)，本实施例中c'取得是10，计算出来的c＝330；

步骤5)构建基于SVM分类器的模型H(x)：

构建基于SVM分类器的Adaboost模型H(x)，该模型在训练过程中会将被分类错误的样本的分布权值增加，被分类正确的样本的分布权值减小，使得模型更加关注易分错的样本，所以采用该方法，利用前面筛选完的特征，构建包含T个SVM分类器的模型H(x)，H(x)＝{h₁(x),h₂(x),...,h_t(x),...,h_T(x)}其中，h_t(x)表示第t个SVM分类器，本实施列中T取200，这个值是根据选取多个数一一进行训练，将其结果最好的拿来作为目标值的；

步骤6)对基于SVM分类器的模型H(x)进行训练：

步骤6a)令t＝1，从关键特征集矩阵D'中随机选择d行数据作为训练样本集，剩下的2n-d行数据作为测试样本集，并计算训练样本集中每个训练样本的分布权值w_t,j，w_t,j＝1/d,j＝1,2,...,d其中，d＝230，w_t,j表示训练第t个SVM分类器时第j个训练样本的分布权值；

步骤6b)将训练样本集作为第t个SVM分类器的输入进行训练，得到训练误差e_t，并根据训练误差e_t计算第t个分类器的权重α_t，其中：

其中，y_j表示第j个训练样本的标签，h'_t(x_j)表示第t个训练完的分类器对y_j的预测值；

步骤6c)判断t＝T是否成立，若是，得到T个训练好的分类器h'₁(x),h'₂(x),...,h'_t(x),...,h'_T(x)和T个训练好的的权重α'₁(x),α'₂(x),...,α'_t(x),...,α'_T(x)，并将T个训练好的分类器和T个训练好的权重进行组合，得到基于SVM的Adaboost模型H(x)，否则，执行步骤6d)，其中：

步骤6d)令t＝t+1，重新计算训练样本集中的每一个样本的分布权值w_t,j，使被分类错误的样本的分布权值增加，使被分类正确的样本的分布权值减小，这样训练下一个SVM分类器会更关注易分错的样本，执行步骤6b)，其中：

其中，B_t-1表示归一化因子，

步骤7)获取测试样本集的识别结果：

通过基于SVM的Adaboost模型H(x)对测试样本集中的74个样本进行识别，得到74个识别结果u₁,u₂,...,u_i,...,u₇₄，u_i∈{0,1}，0表示无裂纹缺陷，1表示有裂纹缺陷。

Claims (2)

1.一种基于SVM的Adaboost模型的铸件缺陷识别方法，其特征在于，包括如下步骤：

(1)获取图像集：

采集n幅有裂纹缺陷的图像和n幅无裂纹缺陷的彩色图像，并对每幅图像进行标注，然后将2n幅图像及每幅图像的标签组合成图像集S，S＝{(x₁,y₁),(x₂,y₂),...,(x_i,y_i),...,(x_2n,y_2n)}其中，n≥150，x_i表示第i幅彩色图像，y_i表示x_i的标签，y_i∈{0,1}，0表示无裂纹缺陷，1表示有裂纹缺陷；

(2)对图像集S进行预处理：

对图像集S中的每一幅彩色图像x_i进行线性灰度变换，得到2n幅灰度图像，并对每幅灰度图像进行双边滤波，然后对经过双边滤波的每幅图像进行自适应阈值分割，得到由2n幅经过预处理的图像和每幅图像的标签组成图像集S'，S'＝{(x'₁,y₁),(x'₂,y₂),...,(x'_i,y_i),...,(x'_2n,y_2n)}；

(3)获取全信息特征集矩阵D：

(3a)提取图像集S'中每一幅图像x'_i的LBP类特征、不变矩类特征和Hog类特征，并采用PCA算法对每一幅图像x'_i的Hog类特征进行降维，得到2n幅图像的特征向量g₁,g₂,...,g_i,...,g_2n；

(3b)以每一幅图像x'_i的LBP类特征、不变矩类特征、特征向量g_i和标签y_i为行，以2n幅图像的LBP类特征、不变矩类特征、特征向量g_i和标签分别为列，形成全信息特征集矩阵D∈R^2n×(b+1)，其中，y_i位于行的末端，b表示x'_i的LBP类特征、不变矩类特征和特征向量g_i 3类特征的总个数，b≥3；

(4)获取关键特征集矩阵D'：

采用relief算法计算全信息特征集矩阵D中每个特征相对于标签列y的重要度信息权值，并对计算结果进行降序排列，然后以前c'％的重要度信息权值所对应的特征和标签y为列进行组合，形成关键特征集矩阵D'∈R^2n×(c+1)，其中，c＝b*c'％，c≥2；

(5)构建基于SVM分类器的模型H(x)：

构建包含T个SVM分类器的模型H(x)，H(x)＝{h₁(x),h₂(x),...,h_t(x),...,h_T(x)}其中，h_t(x)表示第t个SVM分类器，T≥2；

(6)对基于SVM分类器的模型H(x)进行训练：

(6a)令t＝1，从关键特征集矩阵D'中随机选择d行数据作为训练样本集，剩下的2n-d行数据作为测试样本集，并计算训练样本集中每个训练样本的分布权值w_t,j，w_t,j＝1/d,j＝1,2,...,d，其中，d≥2，w_t,j表示训练第t个SVM分类器时第j个训练样本的分布权值；

(6b)将训练样本集作为第t个SVM分类器的输入进行训练，得到训练误差e_t，并根据训练误差e_t计算第t个分类器的权重α_t，其中：

其中，y_j表示第j个训练样本的标签，h'_t(x_j)表示第t个训练完的分类器对y_j的预测值；

(6c)判断t＝T是否成立，若是，得到T个训练好的分类器h'₁(x),h'₂(x),...,h'_t(x),...,h'_T(x)和T个训练好的权重α'₁(x),α'₂(x),...,α'_t(x),...,α'_T(x)，并将T个训练好的分类器和T个训练好的权重进行组合，得到基于SVM的Adaboost模型H(x)，否则，执行步骤(6d)，其中：

(6d)令t＝t+1，计算训练样本集中的每一个的分布权值w_t,j，并执行步骤(6b)，其中：

其中，B_t-1表示归一化因子，

(7)获取测试样本集的识别结果：

通过基于SVM的Adaboost模型H(x)对测试样本集中的每一个测试样本进行识别，得到2n-d个识别结果u′₁,u′₂,...,u′_i,...,u′_2n-d，u′_i∈{0,1}，0表示无裂纹缺陷，1表示有裂纹缺陷。

2.根据权利要求1所述的基于SVM的Adaboost模型的铸件缺陷识别方法，其特征在于，步骤(3a)所述的采用PCA算法对每一幅图像x'_i的Hog类特征进行降维，实现步骤如下：

(3a1)构造样本矩阵U，U＝(u₁,u₂,...,u_i,...,u_2n)∈R^k×2n，u_i表示i第幅经过预处理的图像x'_i的Hog类特征的向量；

(3a2)计算样本矩阵U的协方差矩阵Z：

其中，

A表示差值矩阵，

(3a3)获取主成分特征矩阵V'：

计算协方差矩阵Z的k个特征值λ₁,λ₂,...,λ_i,...,λ_k、λ₁,λ₂,...,λ_i,...,λ_k所对应的正交特征向量v₁,v₂,...,v_i,...,v_k和λ₁,λ₂,...,λ_i,...,λ_k的贡献率

并选取贡献率最大的p个特征值所对应的特征向量，组成主成分特征矩阵，V'＝[v′₁,v′₂,...,v′_i,..,v′_p]∈R^k×p，其中，p≥1，

[V,Q,W]＝svd(Z)

其中，svd(Z)表示对协方差矩阵Z进行奇异值分解运算，奇异值分解运算结果中的V表示特征向量矩阵，V＝(v″₁,v″₂,...,v″_i,...,v″_2n)∈R^k×2n，

λ_iv_i＝Zv_i，

(3a4)获取2n幅经过预处理的图像降维后的特征向量g₁,g₂,...,g_i,..,g_2n，其中：

g_i＝u^TV∈R^1×p。

Images