CN111160373A - 一种变速鼓零件缺陷图像特征提取以及检测分类方法 - Google Patents

一种变速鼓零件缺陷图像特征提取以及检测分类方法 Download PDF

Info

Publication number
CN111160373A
CN111160373A CN201911402171.6A CN201911402171A CN111160373A CN 111160373 A CN111160373 A CN 111160373A CN 201911402171 A CN201911402171 A CN 201911402171A CN 111160373 A CN111160373 A CN 111160373A
Authority
CN
China
Prior art keywords
vector
extracting
feature
detecting
classifying
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
CN201911402171.6A
Other languages
English (en)
Other versions
CN111160373B (zh
Inventor
罗萍
卿政
吕霞付
任春旺
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201911402171.6A priority Critical patent/CN111160373B/zh
Publication of CN111160373A publication Critical patent/CN111160373A/zh
Application granted granted Critical
Publication of CN111160373B publication Critical patent/CN111160373B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06V10/507—Summing image-intensity values; Histogram 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种变速鼓零件缺陷图像特征提取以及检测分类方法，属于机器视觉领域，包括步骤：S1：获取特征点，计算出特征点区域的主方向，进行坐标变换，分为8个方向，计算出周围4×4区域的方向描述子，形成128维描述向量；S2：采用K‑means聚类，设计词库数量为1000，生成词频向量；S3：将最初缺陷图片转为HSV格式，按通道在每块图像上提取一阶、二阶和三阶颜色矩特征，形成颜色矩特征向量；S4：将步骤S2的词频向量与步骤S3的颜色矩特征向量分别输入SVM进行训练，按照不同的兴趣区域以及计算出的可信度，得到对应的融合模型，实现准确分类。

Description

一种变速鼓零件缺陷图像特征提取以及检测分类方法
技术领域
本发明属于机器视觉领域，涉及一种变速鼓零件缺陷图像特征提取以及检测分类方法。
背景技术
随着人们的生活水平不断的提高，人们的出行方式一直在发生变化，其中摩托车作为一种传统而便利的代步工具，受到全世界人们的广泛喜爱，也具有很大的市场。然而在摩托车中有一个重要的零件，就是变速鼓。变速鼓也叫变速凸轮轴，它是摩托车发动机变速机构的关键部件。变速鼓的顺时针或逆时针旋转来促使拨叉在其变速型线凹槽内上下移动从而拨动主副轴齿轮，以达到换挡目的。倘若变速鼓出现缺陷，对摩托车的质量问题以及安全问题将是一个严重的打击。因此，研究变速鼓零件缺陷特征提取以及检测分类方法具有重要意义。
近年来，零件的缺陷检测得到了快速发展，主要以基于机器视觉的检测方法为主。研究人员提出了许多不同的基于机器视觉的检测方法。主要包括边缘检测技术，比如Sobel边缘检测方法、Canny算子方法、普利维特方法和罗伯茨交叉边缘检测。这类方法虽然能够一定程度的检测出零件缺陷，但是这类算法对缺陷的描述并不是特别准确，同时对于不规则零件的检测往往达不到预期，所达到的检测精度也不高。而在分类阶段，传统分类往往采取单一特征，所得到的分类模型也达不到很好的分类效果。因而相对理想的方案就是，特征提取采用特征点描述方式，而分类采用局部与全局的多特征融合分类方式。目前这类方案的问题在于如何采集特征点以及如何融合多特征。
发明内容
有鉴于此，本发明的目的在于提供一种变速鼓零件缺陷图像特征提取以及检测分类方法为达到上述目的，本发明提供如下技术方案：
一种变速鼓零件缺陷图像特征提取以及检测分类方法，采用改进的SIFT算法方案找到最优的变速鼓缺陷图像缺陷特征向量，以及采用颜色矩特征进行多特征融合，具体包括以下步骤：
S1：获取特征点，计算出特征点区域的主方向，进行坐标变换，再将方向分为8个方向，计算出周围4×4区域的方向描述子，从而形成128维描述向量；
S2：根据步骤S1的128维描述向量，采用K-means聚类，设计词库数量为1000，从而生成词频向量；
S3：将最初缺陷图片从RGB格式转为HSV格式，按通道在每块图像上提取一阶(mean)、二阶(variance)和三阶(skewness)颜色矩特征，从而形成颜色矩特征向量；
S4：将步骤S2的词频向量与步骤S3的颜色矩特征向量分别输入SVM进行训练，按照不同的兴趣区域以及计算出的可信度，得到对应的融合模型，从而实现准确分类。
进一步，步骤S1中，所述特征点的检测采用FAST算法，与周围点进行比较，找出差异大的角点。
进一步，步骤S1具体包括以下步骤：
S11：通过FAST算法检测特征点：
Figure BDA0002347763250000021
其中p为候选特征点，I为像素的灰度值，t为阈值，x是以P为中心，r为半径的圆周上的任意一点像素值；
由公式(1)得到，每个像素点都有一个状态与之相对应，通过计算状态为darker或brighter的像素点的个数，如果个数大于n，则该点被视为特征点；
S12：采集缺陷图像特征点后，得到以每个特征点为中心的16×16的窗口，将该窗口梯度直方图划分为8个方向，计算出16×16区域的主方向，进行坐标变换，从而达到旋转不变性；
S13：再将窗口划分为16个4×4的patch，计算每个像素的梯度值，其计算如公式(2),(3)所示：
Figure BDA0002347763250000022
Figure BDA0002347763250000023
S14：再将各patch上的梯度直方图划分为8个方向，计算每个梯度方向的累积值并形成一个种子点，每个种子点有8个方向的向量，则每个特征共有16个种子，最终得到16×8＝128维向量作为特征点的描述向量。
进一步，步骤S2中，采用K-means聚类对训练的缺陷照片所得的向量进行词库训练，得到1000数量的词库，然后将每张照片所有的128维描述向量进行词频计算，从而生成词频向量。
进一步，步骤S3中，所述颜色矩特征向量如公式(4),(5),(6)所示：
Figure BDA0002347763250000031
Figure BDA0002347763250000032
Figure BDA0002347763250000033
进一步，步骤S4中，所述SVM类型为C类支持向量分类机，SVM的内核类型为基于径向的函数，gamma＝0.50625，C＝312.5；term_crit＝cvTermCriteria(CV_TERMCRIT_ITER,1000,0.000001)。
进一步，步骤S4中，所述融合模型公式如(7),(8所示)：
Figure BDA0002347763250000034
Figure BDA0002347763250000035
其中Pw为词频向量计算出的可信度，Pc为颜色矩计算出的可信度，k1为自适应参数，不同零件k1不同，x，y分别为缺陷中心点所在的坐标，r为像素点数，k为自适应参数，k＝104，ki为每个区域i的参数，i从1到5对应的ki为6.25、7.25、8.25、9.25、10.25；
采用加权计算出最终的可信度，当可信度大于阈值0.92，则能判断出缺陷。
本发明的有益效果在于：本发明提供的一种变速鼓零件缺陷图像特征提取以及检测分类方法，为提高特征点检测的效率以及准确率，从而高效准确地获得描述向量，然后设计使用K-means进行特征聚类，对特征向量进行编码，避免冗余特征向量干扰，减少后期训练的难度，再融合颜色矩特征向量送人SVM进行训练，从而达到准确分类的目标，提高变速鼓零件缺陷检测分类的速度以及准确度。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明所述变速鼓零件缺陷图像特征提取以及检测分类方法流程图；
图2为本发明所述FAST特征点检测；
图3为本发明所述的特征点描述：(a)16×16区域；(b)图像梯度；(c)特征点描述子；
图4为本发明所述K-means与图像特征之间的关系；
图5为本发明所述特征提取流程图；
图6为本发明所述缺陷零件图像区域分布。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本发明提供的一种变速鼓零件缺陷图像特征提取以及检测分类方法，采用改进的SIFT算法方案，快速准确地找到最优的变速鼓缺陷图像缺陷特征向量。该方法主要是特征点的检测采用FAST算法，在附图2中给出FAST特征点检测示意图。p为候选特征点，I为像素的灰度值，t为阈值，x是以P为中心，r为半径的圆周上的任意一点像素值。
Figure BDA0002347763250000041
由公式(1)可知，每个像素点都有一个状态与之相对应，通过计算状态为darker或brighter的像素点的个数，如果个数大于n，则该点被视为特征点。根据实验，选取r＝4，n＝12，最优阈值t＝20。
将采集的缺陷图像特征点，得到以每个特征点为中心的16×16的窗口，将该窗口梯度直方图划分为8个方向，计算出16×16区域的主方向，然后进行坐标变换，从而达到旋转不变性。再将窗口划分为16个4×4的patch如图3(a)所示，计算每个像素的梯度值如图3(b)所示，其计算如公式(2),(3)所示。
Figure BDA0002347763250000051
Figure BDA0002347763250000052
再将各patch上的梯度直方图划分为8个方向，计算每个梯度方向的累积值并形成一个种子点，每个种子点有8个方向的向量，则每个特征共有16个种子点如图3(c)所示，最终就可得到16×8＝128维向量作为特征点的描述向量。
将所有得到的描述向量进行K-means聚类，得到词库。如图4、5所示，每一类描述向量为一个单词，在这里设置词库数量为1000，也就是一共有1000种类型的描述向量。将训练的图片分别进行词库采集，最终形成词典。然后再将训练的图片进行每一类描述向量的频率计算，最终得到我们的局部特征向量，也就是词频向量。
再将原始缺陷图像RGB格式转化为HSV格式，由按通道在每块图像上提取一阶,二阶和三阶颜色矩特征，从而形成颜色矩特征向量。如公式(4),(5),(6)所示。
Figure BDA0002347763250000053
Figure BDA0002347763250000054
Figure BDA0002347763250000055
再将局部特征向量与全局特征向量分别送入SVM，计算出其可信度，然后进行多特征融合。如图6所示，将图像分为五个区域，每个区域是以左上角，及光源方向处为圆心坐标，半径逐渐递增的区域，每个区域对特征的可信度是不同的，融合模型如公式(7)，(8)所示。
Figure BDA0002347763250000056
Figure BDA0002347763250000057
公式(8)的r为像素点数，k为自适应参数，k＝104，ki为每个区域i的参数，i从1到5对应的ki为6.25、7.25、8.25、9.25、10.25。公式(7)k1为自适应参数，不同零件则不同。
下面将结合附图1对本发明的变速鼓零件缺陷图像特征提取以及检测分类方法进行更为具体地介绍，具体流程可分为以下几个步骤：
步骤1：根据零件缺陷图采集特征点；
步骤2：根据特征点，计算出16×16的窗口的主方向；
步骤3：根据主方向，进行坐标变换，再将窗口划分为4×4的区域；
步骤4：将每个区域计算出梯度方向，分为8个方向，生成直方图，从而生成特征描述子，形成8×16＝128维的描述向量；
步骤5：将所有训练图片的128维描述向量进行K-means聚类，形成词典，词库数量为1000；
步骤6：统计每个训练图片的描述向量出现的频率，形成1000维的词频向量；
步骤7：根据零件缺陷图，将其从RGB格式转化为HSV格式；
步骤8：根据HSV格式缺陷图，按通道在每块图像上提取一阶，二阶和三阶颜色矩特征，从而形成颜色矩特征向量；
步骤9：将步骤6与步骤8所有训练照片形成的局部特征向量与全局特征向量分别送入SVM进行训练，计算出可信度，以及训练模型；
步骤10：将按照步骤9计算出融合模型，计算测试图片特征点的平均坐标点以及区域，根据融合模型，计算出融合可信度，当大于阈值，则可判断类型；
下面将结合实例对本发明的变速鼓零件缺陷图像特征提取以及检测分类方法的优化效果进行分析：
假设训练模型查宿取值如表1所示，且零件特征融合区域如附图6所示。
表1
参数 值 参数 值
r 4 k1 6.25
n 12 k2 7.25
t 20 k3 8.25
N 1000 k4 9.25
gamma 0.50625 k5 10.25
C 312.5 P 0.92
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种变速鼓零件缺陷图像特征提取以及检测分类方法，其特征在于：包括以下步骤：
S1：获取特征点，计算出特征点区域的主方向，进行坐标变换，再将方向分为8个方向，计算出周围4×4区域的方向描述子，从而形成128维描述向量；
S2：根据步骤S1的128维描述向量，采用K-means聚类，设计词库数量为1000，从而生成词频向量；
S3：将最初缺陷图片从RGB格式转为HSV格式，按通道在每块图像上提取一阶、二阶和三阶颜色矩特征，从而形成颜色矩特征向量；
S4：将步骤S2的词频向量与步骤S3的颜色矩特征向量分别输入SVM进行训练，按照不同的兴趣区域以及计算出的可信度，得到对应的融合模型，从而实现准确分类。
2.根据权利要求1所述的变速鼓零件缺陷图像特征提取以及检测分类方法，其特征在于：步骤S1中，所述特征点的检测采用FAST算法，与周围点进行比较，找出差异大的角点。
3.根据权利要求2所述的变速鼓零件缺陷图像特征提取以及检测分类方法，其特征在于：步骤S1具体包括以下步骤：
S11：通过FAST算法检测特征点：
Figure FDA0002347763240000011
其中p为候选特征点，I为像素的灰度值，t为阈值，x是以P为中心，r为半径的圆周上的任意一点像素值；
由公式(1)得到，每个像素点都有一个状态与之相对应，通过计算状态为darker或brighter的像素点的个数，如果个数大于n，则该点被视为特征点；
S12：采集缺陷图像特征点后，得到以每个特征点为中心的16×16的窗口，将该窗口梯度直方图划分为8个方向，计算出16×16区域的主方向，进行坐标变换，从而达到旋转不变性；
S13：再将窗口划分为16个4×4的patch，计算每个像素的梯度值，其计算如公式(2),(3)所示：
Figure FDA0002347763240000012
Figure FDA0002347763240000021
S14：再将各patch上的梯度直方图划分为8个方向，计算每个梯度方向的累积值并形成一个种子点，每个种子点有8个方向的向量，则每个特征共有16个种子，最终得到16×8＝128维向量作为特征点的描述向量。
4.根据权利要求3所述的变速鼓零件缺陷图像特征提取以及检测分类方法，其特征在于：步骤S2中，采用K-means聚类对训练的缺陷照片所得的向量进行词库训练，得到1000数量的词库，然后将每张照片所有的128维描述向量进行词频计算，从而生成词频向量。
5.根据权利要求4所述的变速鼓零件缺陷图像特征提取以及检测分类方法，其特征在于：步骤S3中，所述颜色矩特征向量如公式(4),(5),(6)所示：
Figure FDA0002347763240000022
Figure FDA0002347763240000023
Figure FDA0002347763240000024
6.根据权利要求5所述的变速鼓零件缺陷图像特征提取以及检测分类方法，其特征在于：步骤S4中，所述SVM类型为C类支持向量分类机，SVM的内核类型为基于径向的函数，gamma＝0.50625，C＝312.5；term_crit＝cvTermCriteria(CV_TERMCRIT_ITER,1000,0.000001)。
7.根据权利要求6所述的变速鼓零件缺陷图像特征提取以及检测分类方法，其特征在于：步骤S4中，所述融合模型公式如(7),(8)所示：
Figure FDA0002347763240000025
Figure FDA0002347763240000026
其中Pw为词频向量计算出的可信度，Pc为颜色矩计算出的可信度，k1为自适应参数，不同零件k1不同，x，y分别为缺陷中心点所在的坐标，r为像素点数，k为自适应参数，k＝104，i为区域位置，ki为每个区域i的参数，i从1到5对应的ki为6.25、7.25、8.25、9.25、10.25；
采用加权计算出最终的可信度，当可信度大于阈值0.92，则能判断出缺陷。
CN201911402171.6A 2019-12-30 2019-12-30 一种变速鼓零件缺陷图像特征提取以及检测分类方法 Active CN111160373B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911402171.6A CN111160373B (zh) 2019-12-30 2019-12-30 一种变速鼓零件缺陷图像特征提取以及检测分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911402171.6A CN111160373B (zh) 2019-12-30 2019-12-30 一种变速鼓零件缺陷图像特征提取以及检测分类方法

Publications (2)

Publication Number Publication Date
CN111160373A true CN111160373A (zh) 2020-05-15
CN111160373B CN111160373B (zh) 2022-07-15

Family

ID=70559419

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911402171.6A Active CN111160373B (zh) 2019-12-30 2019-12-30 一种变速鼓零件缺陷图像特征提取以及检测分类方法

Country Status (1)

Country Link
CN (1) CN111160373B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907534A (zh) * 2021-02-18 2021-06-04 哈尔滨市科佳通用机电股份有限公司 基于关门车部件位置图像的故障检测方法及装置
CN113255440A (zh) * 2021-04-13 2021-08-13 山东农业大学 一种基于机器学习的农作物叶片异常检测方法及系统
CN115082722A (zh) * 2022-08-22 2022-09-20 四川金信石信息技术有限公司 基于正向样本的设备缺陷检测方法、系统、终端及介质
CN116664577A (zh) * 2023-08-01 2023-08-29 山东天亚达新材料科技有限公司 基于碳纤维连接头图像处理的异常识别提取方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110116711A1 (en) * 2009-11-18 2011-05-19 Nec Laboratories America, Inc. Locality-constrained linear coding systems and methods for image classification
CN102622607A (zh) * 2012-02-24 2012-08-01 河海大学 一种基于多特征融合的遥感图像分类方法
CN103699902A (zh) * 2013-12-24 2014-04-02 南京信息工程大学 一种地基可见光云图的分类方法
CN104680189A (zh) * 2015-03-15 2015-06-03 西安电子科技大学 基于改进词袋模型的不良图像检测方法
CN104866862A (zh) * 2015-04-27 2015-08-26 中南大学 一种带钢表面面积型缺陷识别分类的方法
CN105913083A (zh) * 2016-04-08 2016-08-31 西安电子科技大学 基于稠密sar-sift和稀疏编码的sar分类方法
CN106570514A (zh) * 2016-05-08 2017-04-19 扬州西岐自动化科技有限公司 一种基于词袋模型和支持向量机的汽车轮毂分类方法
CN106919920A (zh) * 2017-03-06 2017-07-04 重庆邮电大学 基于卷积特征和空间视觉词袋模型的场景识别方法
CN107480620A (zh) * 2017-08-04 2017-12-15 河海大学 基于异构特征融合的遥感图像自动目标识别方法
CN107644235A (zh) * 2017-10-24 2018-01-30 广西师范大学 基于半监督学习的图像自动标注方法
CN107680133A (zh) * 2017-09-15 2018-02-09 重庆邮电大学 一种基于改进闭环检测算法的移动机器人视觉slam方法
CN108764302A (zh) * 2018-05-08 2018-11-06 中山大学 一种基于颜色特征和词袋特征的票据图像分类方法
CN109254274A (zh) * 2018-11-23 2019-01-22 哈尔滨工程大学 一种基于特征融合的雷达辐射源辨识方法
CN109523529A (zh) * 2018-11-12 2019-03-26 西安交通大学 一种基于surf算法的输电线路缺陷识别方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110116711A1 (en) * 2009-11-18 2011-05-19 Nec Laboratories America, Inc. Locality-constrained linear coding systems and methods for image classification
CN102622607A (zh) * 2012-02-24 2012-08-01 河海大学 一种基于多特征融合的遥感图像分类方法
CN103699902A (zh) * 2013-12-24 2014-04-02 南京信息工程大学 一种地基可见光云图的分类方法
CN104680189A (zh) * 2015-03-15 2015-06-03 西安电子科技大学 基于改进词袋模型的不良图像检测方法
CN104866862A (zh) * 2015-04-27 2015-08-26 中南大学 一种带钢表面面积型缺陷识别分类的方法
CN105913083A (zh) * 2016-04-08 2016-08-31 西安电子科技大学 基于稠密sar-sift和稀疏编码的sar分类方法
CN106570514A (zh) * 2016-05-08 2017-04-19 扬州西岐自动化科技有限公司 一种基于词袋模型和支持向量机的汽车轮毂分类方法
CN106919920A (zh) * 2017-03-06 2017-07-04 重庆邮电大学 基于卷积特征和空间视觉词袋模型的场景识别方法
CN107480620A (zh) * 2017-08-04 2017-12-15 河海大学 基于异构特征融合的遥感图像自动目标识别方法
CN107680133A (zh) * 2017-09-15 2018-02-09 重庆邮电大学 一种基于改进闭环检测算法的移动机器人视觉slam方法
CN107644235A (zh) * 2017-10-24 2018-01-30 广西师范大学 基于半监督学习的图像自动标注方法
CN108764302A (zh) * 2018-05-08 2018-11-06 中山大学 一种基于颜色特征和词袋特征的票据图像分类方法
CN109523529A (zh) * 2018-11-12 2019-03-26 西安交通大学 一种基于surf算法的输电线路缺陷识别方法
CN109254274A (zh) * 2018-11-23 2019-01-22 哈尔滨工程大学 一种基于特征融合的雷达辐射源辨识方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
NUR DIYANA KAMARUDIN等: "《A Fast SVM-Based Tongue"s Colour Classification Aided by k-Means Clustering Identifiers and Colour Attributes as Computer-Assisted Tool for Tongue Diagnosis》", 《JOURNAL OF HEALTHCARE ENGINEERING》 *
卿政: "《基于特征点检测的变速鼓缺陷分类方法研究》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
张青: "《基于词袋模型的图像分类的研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
林兰: "《基于半监督学习的图像自动标注方法研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
雷蕾: "《结合SVM与DS证据理论的信息融合分类方法》", 《计算机工程与应用》 *
马大哈先生: "《图像特征提取（四）——FAST算法解析》", 《HTTPS://BLOG.CSDN.NET/QQ_37764129/ARTICLE/DETAILS/80970032》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907534A (zh) * 2021-02-18 2021-06-04 哈尔滨市科佳通用机电股份有限公司 基于关门车部件位置图像的故障检测方法及装置
CN113255440A (zh) * 2021-04-13 2021-08-13 山东农业大学 一种基于机器学习的农作物叶片异常检测方法及系统
CN115082722A (zh) * 2022-08-22 2022-09-20 四川金信石信息技术有限公司 基于正向样本的设备缺陷检测方法、系统、终端及介质
CN116664577A (zh) * 2023-08-01 2023-08-29 山东天亚达新材料科技有限公司 基于碳纤维连接头图像处理的异常识别提取方法
CN116664577B (zh) * 2023-08-01 2023-11-14 山东天亚达新材料科技有限公司 基于碳纤维连接头图像处理的异常识别提取方法

Also Published As

Publication number Publication date
CN111160373B (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
CN111160373B (zh) 一种变速鼓零件缺陷图像特征提取以及检测分类方法
CN109154978B (zh) 用于检测植物疾病的系统和方法
Yin et al. Hot region selection based on selective search and modified fuzzy C-means in remote sensing images
Jia et al. Visual tracking via adaptive structural local sparse appearance model
Wu et al. Traffic sign detection based on convolutional neural networks
Shahab et al. How salient is scene text?
CN104182973A (zh) 基于圆形描述算子csift的图像复制粘贴检测方法
Zang et al. Traffic sign detection based on cascaded convolutional neural networks
CN103473551A (zh) 基于sift算子的台标识别方法及系统
CN105139011B (zh) 一种基于标识物图像的车辆识别方法及装置
CN110706235A (zh) 一种基于双级级联分割的远红外行人检测方法
Wang et al. Segmentation of corn leaf disease based on fully convolution neural network
Hua et al. Pedestrian-and vehicle-detection algorithm based on improved aggregated channel features
CN104933415B (zh) 一种实时可见光遥感影像云区检测方法
Zhang et al. Efficient dense-dilation network for pavement cracks detection with large input image size
WO2020119624A1 (zh) 一种基于深度学习的类别敏感型边缘检测方法
CN111444916A (zh) 面向无约束条件下的车牌定位及识别方法、系统
CN102521582A (zh) 一种适用于低对比度视频的人体上半身检测及分割的方法
CN108664968B (zh) 一种基于文本选取模型的无监督文本定位方法
CN111898589B (zh) 一种基于gpu+特征识别的无人机影像快速配准方法
Zhou et al. Recognizing black point in wheat kernels and determining its extent using multidimensional feature extraction and a naive Bayes classifier
CN111428752B (zh) 一种基于红外图像的能见度检测方法
CN115187791B (zh) 一种融合颜色和尺度特征的orb图像匹配方法
CN110910497B (zh) 实现增强现实地图的方法和系统
CN115311293B (zh) 一种印刷品图案的快速匹配方法

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