CN111402208A - 一种基于增量式的焊缝表面缺陷特征提取与分类识别方法 - Google Patents

一种基于增量式的焊缝表面缺陷特征提取与分类识别方法 Download PDF

Info

Publication number
CN111402208A
CN111402208A CN202010137962.7A CN202010137962A CN111402208A CN 111402208 A CN111402208 A CN 111402208A CN 202010137962 A CN202010137962 A CN 202010137962A CN 111402208 A CN111402208 A CN 111402208A
Authority
CN
China
Prior art keywords
image
matrix
sample
feature
incremental
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.)
Pending
Application number
CN202010137962.7A
Other languages
English (en)
Inventor
王肖锋
任柯光
刘军
葛为民
乔志峰
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.)
Tianjin University of Technology
Original Assignee
Tianjin University of Technology
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 Tianjin University of Technology filed Critical Tianjin University of Technology
Priority to CN202010137962.7A priority Critical patent/CN111402208A/zh
Publication of CN111402208A publication Critical patent/CN111402208A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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
    • G06T2207/30152—Solder

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及基于增量式的焊缝表面缺陷特征提取与分类识别方法，包括如下步骤：采集焊缝表面图像，并对采集到的焊缝表面图像样本进行图像预处理，将图像预处理得到的图像样本在行列方向上分别重新构造总体散度矩阵，估算求得图像的特征值及对应的特征向量，以增量迭代的方式求得新输入的图像样本的估计特征向量以及已有图像的其他高阶特征值及其对应的特征向量，将行列方向上分别得到的前kr和kc阶最大特征值对应的特征向量构成投影矩阵，将原始的焊缝缺陷样本图像矩阵先后投影在投影矩阵上，得到降维后的特征矩阵，将降维后的特征矩阵经过KNN分类器进行焊缝缺陷的分类识别。本发明提高特征提取的速度和分类识别的准确性。

Description

一种基于增量式的焊缝表面缺陷特征提取与分类识别方法
技术领域
本发明属于焊缝表面缺陷特征提取与分类技术领域，尤其涉及一种基于增量式的焊缝表面缺陷特征提取与分类识别方法。
背景技术
随着汽车制造、冶金锻造、桥梁建筑、楼房修建、医用器械等以焊接工艺为主的行业的迅速发展，先进机器人的自动化焊接成为了国内外焊接制造技术的主流趋势。但是由于焊接工艺和生产环境的因素，焊缝表面容易出现如焊瘤、飞溅、气孔、裂纹等缺陷，产品的质量将会直接受到很大的影响，同时产品使用的安全性没有可靠的保障，因此对焊缝表面的缺陷进行特征提取和分类识别对焊缝质量的检测显得尤为重要。
主成分分析(PCA)在图像特征提取及数据降维领域上具有广泛的应用。但是PCA批处理算法具有一些局限性：当添加新的图像样本后，所有已经处理过的图像样本和新获取的图像样本的协方差矩阵都需重新计算，运算过程较为复杂，影响特征提取的速度，处理数据所需时间和系统内存也会大大增加；并且需要提前获取所有的图像样本数据，并且在视频流的条件下无法满足这一要求，批处理算法的适用性不再适合于目前主流的图像识别领域；对特征主成分进行分析时，需要对图像样本矩阵的协方差矩阵直接进行特征值和特征向量的求解，当图像维数较大时，构造的协方差矩阵依旧庞大，无法优化特征提取和分类识别时的运算时间和内存消耗。
而直观协方差无关增量式主成分分析算法(CC I PCA),不仅解决了批处理算法的缺点，满足实时视频流的需求，而且不需直接计算图像的协方差矩阵，通过增量迭代的方式求得其他图像样本相对应的特征值和特征向量，对图像特征主成分的估算具备更好的收敛性；但是CC I PCA算法需将图像数据向量化，相反，协方差矩阵的维数将会增大，导致运算量依旧复杂，如果图像样本分辨率过高，协方差矩阵的大小将会异常庞大，在此基础上，提出了二维主成分分析算法(2DPCA),将原图像样本数据直接生成协方差矩阵，对特征主成分进行估算，大大减小了协方差矩阵的大小；行列顺序二维主成分分析算法(RC2DPCA)和双向主成分分析算法(BDPCA)，区别在于前者在2DPCA对行方向进行特征提取后，得到的特征矩阵作为图像样本，再对列方向上进行特征提取；而后者是原图像样本分别在行列方向进行特征提取，最终特征矩阵是在行列方向下生成的两个投影矩阵中得到的，相比RC2DPCA算法，包含了更多的图像信息。
但是，以上这些算法都是批处理算法，无法满足图像识别的增量学习条件。
因此，基于这些问题，提供一种提高特征提取的速度和分类识别的准确性的基于增量式的焊缝表面缺陷特征提取与分类识别方法，具有重要的现实意义。
发明内容
本发明的目的在于克服现有技术的不足，提供一种提高特征提取的速度和分类识别的准确性的基于增量式的焊缝表面缺陷特征提取与分类识别方法。
本发明解决其技术问题是采取以下技术方案实现的：
一种基于增量式的焊缝表面缺陷特征提取与分类识别方法，包括如下步骤：
S1、采集焊缝表面图像，并对采集到的焊缝表面图像样本进行图像预处理，预处理过程依次包括：图像滤波处理、图像增强处理、图像区域提取、图像锐化处理；
S2、将图像预处理得到的图像样本在行列方向上分别重新构造总体散度矩阵；
S3、根据步骤S2中的总体散度矩阵估算求得图像的特征值及对应的特征向量；
S4、以增量迭代的方式求得新输入的图像样本的估计特征向量以及已有图像的其他高阶特征值及其对应的特征向量；
S5、将行列方向上分别得到的前kr和kc阶最大特征值对应的特征向量构成投影矩阵
Figure BDA0002397986350000032
将原始的焊缝缺陷样本图像矩阵X′i先后投影在投影矩阵Wr和Wc上，得到降维至kc×kr的特征矩阵：
Figure BDA0002397986350000031
S6、将步骤S5中得到的降维后的特征矩阵Y经过KNN分类器进行焊缝缺陷的分类识别。
进一步的，所述步骤S1中的图像预处理过程为：
首先对样本图像进行滤波处理，选用邻域大小为3×3的中值滤波；然后采用正弦函数进行图像灰度转换，达到图像增强的目的，使焊缝区域能在背景图像中有更强的对比性；其次，利用OSTU算法在图像增强的焊缝图像中，将缺陷区域分割出来；最后对图像进行锐化处理，使焊缝图像的边缘特征和局部灰度突变变得更加清晰。
进一步的，本发明提出的算法是基于主成分分析方法，该方法主要对图像矩阵进行降维，目的是将样本数据从高维空间投影到低维空间，低维空间中尽可能保留原始数据，所以需要构造样本的散度矩阵，并且根据散度矩阵求得特征值及特征向量，其特征向量的方向即为样本数据的投影方向，样本的散度矩阵为：
Figure BDA0002397986350000041
Figure BDA0002397986350000042
式中
Figure BDA0002397986350000043
和
Figure BDA0002397986350000044
分别为行列方向的类散度矩阵，其中X′i(i)为第i个焊缝表面缺陷图像样本矩阵，
Figure BDA0002397986350000045
为n个图像样本矩阵的均值；
本发明是基于增量式的计算方法，当新样本图像输入后，只需要对中心化矩阵进行迭代更新，所以将散度矩阵(1)、(2)重新改写为：
Figure BDA0002397986350000046
Figure BDA0002397986350000047
Xi(n)为第i个焊缝表面缺陷图像的中心化样本矩阵，
Figure BDA0002397986350000048
进一步的，所述步骤S3估算求图像的特征值及对应的特征向量的方法为：
定义一个估计特征向量v(n)＝λα(n)＝Sα(n)，其中，λ为特征值，α(n)为特征向量，S为散度矩阵，将散度矩阵(3)、(4)代入后可得到：
Figure BDA0002397986350000051
Figure BDA0002397986350000052
式中，vri(n)、vci(n)分别为第n个图像样本在行列方向上的第i个估计特征向量，考虑到λ＝||v||，α＝v/||v||，可以估算出α(n)≈α(-n1)＝(-v)1||n(/-)||，v将1n其代入估计特征向量(5)、(6)中：
Figure BDA0002397986350000053
Figure BDA0002397986350000054
式中，Xn(n)为前n个列向量中的第n个中心化样本；
引入遗忘参数l来调节当前样本中心化矩阵Xn(n)和前一个样本估计特征向量v(n-1)之间的权重，最后得到估计特征向量的增量递推形式为：
Figure BDA0002397986350000055
Figure BDA0002397986350000056
同时均值矩阵也随之更新：
Figure BDA0002397986350000057
进一步的，所述步骤S4以增量迭代的方式求得新输入的图像样本的估计特征向量为：
Figure BDA0002397986350000058
Figure BDA0002397986350000059
式中，vri(n+1)、vci(n+1)分别为第n+1个图像样本在行列方向上的第i个估计特征向量，Xn+1(n+1)为前n+1个列向量中的第n+1个中心化样本，即新输入的中心化样本图像。
所述步骤S4以增量迭代的方式求得已有图像的其他高阶特征值及其对应的特征向量的方法为：根据特征向量之间的正交性，通过计算当前中心化矩阵在前一阶估计特征向量上的残差投影，可增量迭代的推导出其他高阶特征向量，中心化矩阵的更新公式为：
Figure BDA0002397986350000061
Figure BDA0002397986350000062
式中，Xnr(i+1)(n)、Xnc(i+1)(n)分别为第n个图像的前n个行、列向量的第i+1阶的中心化矩阵；
相应的其他高阶递推公式更新为：
Figure BDA0002397986350000063
Figure BDA0002397986350000064
式中，vr(i+1)(n)、vc(i+1)(n)分别为行列方向上的第n个图像的第i+1阶的估计特征向量。
本发明的优点和积极效果是：
本发明改善了如2DPCA需要对所有的焊缝缺陷样本图像进行提前获取和储存以及当新的样本图像输入后对所有样本进行重新计算的缺点，加快焊缝缺陷特征提取的速度，并且在行列方向上分别对原图像样本进行特征提取，取前几个最大特征值所对应的特征向量组成投影矩阵，使得投影得到的特征矩阵维数大大减小，满足图像分类识别的实时性需求。
附图说明
以下将结合附图和实施例来对本发明的技术方案作进一步的详细描述，但是应当知道，这些附图仅是为解释目的而设计的，因此不作为本发明范围的限定。此外，除非特别指出，这些附图仅意在概念性地说明此处描述的结构构造，而不必要依比例进行绘制。
图1为本发明实施例提供的基于增量式的焊缝表面缺陷特征提取与分类识别方法的流程示意图；
图2为本发明实施例提供的基于增量式的焊缝表面缺陷特征提取与分类识别方法中特征提取处理流程图；
图3为本发明实施例提供的基于增量式的焊缝表面缺陷特征提取与分类识别方法中图像预处理后的部分焊缝图像；
图4为本发明实施例提供的基于增量式的焊缝表面缺陷特征提取与分类识别方法在行方向上特征向量的收敛率图；
图5为本发明实施例提供的基于增量式的焊缝表面缺陷特征提取与分类识别方法在列方向上特征向量的收敛率图；
图6为本发明实施例提供的基于增量式的焊缝表面缺陷特征提取与分类识别方法的分类识别率；
具体实施方式
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本实施例结合附图1-6来具体说明本发明：
本实施例选取了4种不同的焊缝表面图像(合格、焊瘤、气孔、飞溅)，共采集了不同姿态和形状的4x100幅图像作为样本数据库，分辨率为120×80，依据如下步骤进行图像的特征提取：
S1、采集焊缝表面图像，并对采集到的焊缝表面图像样本进行图像预处理，预处理过程依次包括：图像滤波处理、图像增强处理、图像区域提取、图像锐化处理；
具体的图像预处理过程为：
首先对样本图像进行滤波处理，选用邻域大小为3×3的中值滤波；然后采用正弦函数进行图像灰度转换，达到图像增强的目的，使焊缝区域能在背景图像中有更强的对比性；其次，利用OSTU算法在图像增强的焊缝图像中，将缺陷区域分割出来；最后对图像进行锐化处理，使焊缝图像的边缘特征和局部灰度突变变得更加清晰；对图像预处理后获得的图像如图3所示；
S2、将图像预处理得到的图像样本在行列方向上分别重新构造总体散度矩阵；
具体的，本发明提出的算法是基于主成分分析方法，该方法主要对图像矩阵进行降维，目的是将样本数据从高维空间投影到低维空间，低维空间中尽可能保留原始数据，所以需要构造样本的散度矩阵，并且根据散度矩阵求得特征值及特征向量，其特征向量的方向即为样本数据的投影方向，样本的散度矩阵为：
Figure BDA0002397986350000091
Figure BDA0002397986350000092
式中
Figure BDA0002397986350000093
和
Figure BDA0002397986350000094
分别为行列方向的类散度矩阵，其中X′i(i)为第i个焊缝表面缺陷图像样本矩阵，
Figure BDA0002397986350000095
为n个图像样本矩阵的均值；
本发明是基于增量式的计算方法，当新样本图像输入后，只需要对中心化矩阵进行迭代更新，所以将散度矩阵(1)、(2)重新改写为：
Figure BDA0002397986350000096
Figure BDA0002397986350000097
Xi(n)为第i个焊缝表面缺陷图像的中心化样本矩阵，
Figure BDA0002397986350000098
S3、根据步骤S2中的总体散度矩阵估算求得图像的特征值及对应的特征向量；
具体的，估算求图像的特征值及对应的特征向量的方法为：
定义一个估计特征向量v(n)＝λα(n)＝Sα(n)，其中，λ为特征值，α(n)为特征向量，S为散度矩阵，将散度矩阵(3)、(4)代入后可得到：
Figure BDA0002397986350000101
Figure BDA0002397986350000102
式中，vri(n)、vci(n)分别为第n个图像样本在行列方向上的第i个估计特征向量，考虑到λ＝||v||，α＝v/||v||，可以估算出α(n)≈α(-n1)＝(-v)1||n(/-)||，v将1n其代入估计特征向量(5)、(6)中：
Figure BDA0002397986350000103
Figure BDA0002397986350000104
式中，Xn(n)为前n个列向量中的第n个中心化样本；
引入遗忘参数l来调节当前样本中心化矩阵Xn(n)和前一个样本估计特征向量v(n-1)之间的权重，最后得到估计特征向量的增量递推形式为：
Figure BDA0002397986350000105
Figure BDA0002397986350000106
同时均值矩阵也随之更新：
Figure BDA0002397986350000107
S4、以增量迭代的方式求得新输入的图像样本的估计特征向量以及已有图像的其他高阶特征值及其对应的特征向量；
具体的，以增量迭代的方式求得新输入的图像样本的估计特征向量为：
Figure BDA0002397986350000108
Figure BDA0002397986350000111
式中，vri(n+1)、vci(n+1)分别为第n+1个图像样本在行列方向上的第i个估计特征向量，Xn+1(n+1)为前n+1个列向量中的第n+1个中心化样本，即新输入的中心化样本图像。
所述步骤S4以增量迭代的方式求得已有图像的其他高阶特征值及其对应的特征向量的方法为：根据特征向量之间的正交性，通过计算当前中心化矩阵在前一阶估计特征向量上的残差投影，可增量迭代的推导出其他高阶特征向量，中心化矩阵的更新公式为：
Figure BDA0002397986350000112
Figure BDA0002397986350000113
式中，Xnr(i+1)(n)、Xnc(i+1)(n)分别为第n个图像的前n个行、列向量的第i+1阶的中心化矩阵；
相应的其他高阶递推公式更新为：
Figure BDA0002397986350000114
Figure BDA0002397986350000115
式中，vr(i+1)(n)、vc(i+1)(n)分别为行列方向上的第n个图像的第i+1阶的估计特征向量。
S5、将行列方向上分别得到的前kr和kc阶最大特征值对应的特征向量构成投影矩阵
Figure BDA0002397986350000123
前kr和kc阶主成分所代表的特征信息占全部数据方差的比例为：
Figure BDA0002397986350000121
当方差的比例大于80％或90％时，即可确定满足条件的kr和kc值；一般来说，图像的特征信息主要集中在前几个最大特征值所对应的主成分中。
将原始的焊缝缺陷样本图像矩阵X′i先后投影在投影矩阵Wr和Wc上，得到降维至kc×kr的特征矩阵：
Figure BDA0002397986350000122
S6、将步骤S5中得到的降维后的特征矩阵Y经过KNN分类器进行焊缝缺陷的分类识别。
作为举例，在本实施例中，将2DPCA批处理算法得到的特征向量作为真实值，本发明提出算法估算得到的特征向量作为估计值，以两者内积的绝对值与1之间的距离来描述本发明提出的方法对特征主成分估算的收敛性；如图4、5可以明确的观察到前8个特征向量分别在行列方向上的收敛率，随着样本数的增多，特征向量的收敛率逐渐趋于稳定。
对相同的图像数据进行复杂度实验，验证增量式算法对特征提取及分类识别相对于批处理算法(2DPCA、RC2DPCA、BDPCA)在系统所需时间和消耗内存上的优越性，增量式算法不需要提前获得所有的样本图像，能够对新输入的样本图像增量的计算特征值及其对应的特征向量，所以特征提取时系统所需时间和消耗内存会大大减少，实验结果分别如下表1、2所示，表1为焊缝图像处理所需时间(S)对比，表2为所需内存(KB)对比：
表1
Figure BDA0002397986350000131
表2
Figure BDA0002397986350000132
最后进行焊缝缺陷图像的分类识别，图6可以直观的看到随着训练样本数的增多，图像识别率不断的提高，并且在训练样本数为250×4时，测实样本的准确率达到了99.4％。
以上实施例对本发明进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (5)

1.一种基于增量式的焊缝表面缺陷特征提取与分类识别方法，其特征在于：包括如下步骤：
S1、采集焊缝表面图像，并对采集到的焊缝表面图像样本进行图像预处理，预处理过程依次包括：图像滤波处理、图像增强处理、图像区域提取、图像锐化处理；
S2、将图像预处理得到的图像样本在行列方向上分别重新构造总体散度矩阵；
S3、根据步骤S2中的总体散度矩阵估算求得图像的特征值及对应的特征向量；
S4、以增量迭代的方式求得新输入的图像样本的估计特征向量以及已有图像的其他高阶特征值及其对应的特征向量；
S5、将行列方向上分别得到的前kr和kc阶最大特征值对应的特征向量构成投影矩阵
Figure FDA0002397986340000012
将原始的焊缝缺陷样本图像矩阵Xi′先后投影在投影矩阵Wr和Wc上，得到降维至kc×kr的特征矩阵：
Figure FDA0002397986340000011
S6、将步骤S5中得到的降维后的特征矩阵Y经过KNN分类器进行焊缝缺陷的分类识别。
2.如权利要求1所述的一种基于增量式的焊缝表面缺陷特征提取与分类识别方法，其特征在于：所述步骤S1中的图像预处理过程为：
首先对样本图像进行滤波处理，选用邻域大小为3×3的中值滤波；然后采用正弦函数进行图像灰度转换，达到图像增强的目的，使焊缝区域能在背景图像中有更强的对比性；其次，利用OSTU算法在图像增强的焊缝图像中，将缺陷区域分割出来；最后对图像进行锐化处理，使焊缝图像的边缘特征和局部灰度突变变得更加清晰。
3.根据权利要求1所述的一种基于增量式的焊缝表面缺陷特征提取与分类识别方法，其特征在于：所述步骤(2)中构造的图像样本的散度矩阵为：
Figure FDA0002397986340000021
Figure FDA0002397986340000022
式中
Figure FDA0002397986340000023
和
Figure FDA0002397986340000024
分别为图像样本在行列方向的类散度矩阵，其中Xi′(i)为第i个焊缝表面缺陷图像样本矩阵，
Figure FDA0002397986340000025
为n个图像样本矩阵的均值；
当新样本图像输入后，只需要对中心化矩阵进行迭代更新，故将散度矩阵(1)、(2)重新改写为：
Figure FDA0002397986340000026
Figure FDA0002397986340000027
Xi(n)为第i个焊缝表面缺陷图像的中心化样本矩阵，
Figure FDA0002397986340000028
4.根据权利要求3所述的一种基于增量式的焊缝表面缺陷特征提取与分类识别方法，其特征在于：所述步骤S3估算求图像的特征值及对应的特征向量的方法为：
定义一个估计特征向量v(n)＝λα(n)＝Sα(n)，其中，λ为特征值，α(n)为特征向量，S为散度矩阵，将散度矩阵(3)、(4)代入后可得到：
Figure FDA0002397986340000029
Figure FDA0002397986340000031
式中，vri(n)、vci(n)分别为第n个图像样本在行列方向上的第i个估计特征向量，考虑到λ＝||v||，α＝v/||v||，可以估算出α(n)≈α(n-1)＝v(n-1)/||v(n-1)||，将其代入估计特征向量(5)、(6)中：
Figure FDA0002397986340000032
Figure FDA0002397986340000033
式中，Xn(n)为前n个列向量中的第n个中心化样本；
引入遗忘参数l来调节当前样本中心化矩阵Xn(n)和前一个样本估计特征向量v(n-1)之间的权重，最后得到估计特征向量的增量递推形式为：
Figure FDA0002397986340000034
Figure FDA0002397986340000035
同时均值矩阵也随之更新：
Figure FDA0002397986340000036
5.根据权利要求4所述的一种基于增量式的焊缝表面缺陷特征提取与分类识别方法，其特征在于：所述步骤S4以增量迭代的方式求得新输入的图像样本的估计特征向量为：
Figure FDA0002397986340000037
Figure FDA0002397986340000038
式中，vri(n+1)、vci(n+1)分别为第n+1个图像样本在行列方向上的第i个估计特征向量，Xn+1(n+1)为前n+1个列向量中的第n+1个中心化样本，即新输入的中心化样本图像；
所述步骤S4以增量迭代的方式求得已有图像的其他高阶特征值及其对应的特征向量的方法为：根据特征向量之间的正交性，通过计算当前中心化矩阵在前一阶估计特征向量上的残差投影，可增量迭代的推导出其他高阶特征向量，中心化矩阵的更新公式为：
Figure FDA0002397986340000041
Figure FDA0002397986340000042
式中，Xnr(i+1)(n)、Xnc(i+1)(n)分别为第n个图像的前n个行、列向量的第i+1阶的中心化矩阵；
相应的其他高阶递推公式更新为：
Figure FDA0002397986340000043
Figure FDA0002397986340000044
式中，vr(i+1)(n)、vc(i+1)(n)分别为行列方向上的第n个图像的第i+1阶的估计特征向量。
CN202010137962.7A 2020-03-03 2020-03-03 一种基于增量式的焊缝表面缺陷特征提取与分类识别方法 Pending CN111402208A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010137962.7A CN111402208A (zh) 2020-03-03 2020-03-03 一种基于增量式的焊缝表面缺陷特征提取与分类识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010137962.7A CN111402208A (zh) 2020-03-03 2020-03-03 一种基于增量式的焊缝表面缺陷特征提取与分类识别方法

Publications (1)

Publication Number Publication Date
CN111402208A true CN111402208A (zh) 2020-07-10

Family

ID=71430509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010137962.7A Pending CN111402208A (zh) 2020-03-03 2020-03-03 一种基于增量式的焊缝表面缺陷特征提取与分类识别方法

Country Status (1)

Country Link
CN (1) CN111402208A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113319462A (zh) * 2021-06-22 2021-08-31 广东工业大学 一种基于边云协同的焊接机器人管控方法和装置
CN113781623A (zh) * 2021-11-15 2021-12-10 常州微亿智造科技有限公司 工业质检中的缺陷样本生成方法及装置
CN114523203A (zh) * 2022-03-13 2022-05-24 扬州沃盛车业制造有限公司 一种激光智能焊接方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102013022A (zh) * 2010-11-23 2011-04-13 北京大学 一种针对人群密集监控场景的选择式特征背景减除方法
CN106597439A (zh) * 2016-12-12 2017-04-26 电子科技大学 一种基于增量学习的合成孔径雷达目标识别方法
CN106941490A (zh) * 2017-03-20 2017-07-11 湖南友道信息技术有限公司 基于双向二维主成分分析的在线网络流量异常检测方法
CN108681721A (zh) * 2018-05-22 2018-10-19 山东师范大学 基于图像分割二维双向数据线性相关组合的人脸识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102013022A (zh) * 2010-11-23 2011-04-13 北京大学 一种针对人群密集监控场景的选择式特征背景减除方法
CN106597439A (zh) * 2016-12-12 2017-04-26 电子科技大学 一种基于增量学习的合成孔径雷达目标识别方法
CN106941490A (zh) * 2017-03-20 2017-07-11 湖南友道信息技术有限公司 基于双向二维主成分分析的在线网络流量异常检测方法
CN108681721A (zh) * 2018-05-22 2018-10-19 山东师范大学 基于图像分割二维双向数据线性相关组合的人脸识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王肖锋等: ""基于增量式双向主成分分析的机器人感知学习方法研究"", 《电子与信息学报》 *
申耀华: ""基于机器视觉的拼装结构件焊缝表面缺陷检测算法研究"", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113319462A (zh) * 2021-06-22 2021-08-31 广东工业大学 一种基于边云协同的焊接机器人管控方法和装置
CN113781623A (zh) * 2021-11-15 2021-12-10 常州微亿智造科技有限公司 工业质检中的缺陷样本生成方法及装置
CN114523203A (zh) * 2022-03-13 2022-05-24 扬州沃盛车业制造有限公司 一种激光智能焊接方法及系统
CN114523203B (zh) * 2022-03-13 2022-11-29 扬州沃盛车业制造有限公司 一种激光智能焊接方法及系统

Similar Documents

Publication Publication Date Title
CN111402208A (zh) 一种基于增量式的焊缝表面缺陷特征提取与分类识别方法
CN108345911B (zh) 基于卷积神经网络多级特征的钢板表面缺陷检测方法
CN110223345B (zh) 基于点云的配电线路作业对象位姿估计方法
CN112819772A (zh) 一种高精度快速图形检测识别方法
CN109801305B (zh) 基于深度胶囊网络的sar图像变化检测方法
CN114888692B (zh) 一种抛光打磨机械臂控制系统及方法
TW201516969A (zh) 視訊物件追蹤方法
CN110458773B (zh) 一种基于边缘增强算子的各向异性扩散噪声处理方法
CN115239946B (zh) 小样本迁移学习训练、目标检测方法、装置、设备和介质
CN117351001B (zh) 一种再生铝合金模板表面缺陷识别方法
CN113421210B (zh) 一种基于双目立体视觉的表面点云重建方法
Zirngibl et al. Approach for the automated analysis of geometrical clinch joint characteristics
CN114239810A (zh) 一种基于改进PCANet模型的铣刀磨损预测方法
KR20180069588A (ko) 표준 모델의 다중 패턴을 이용한 물체 인식 장치 및 방법
CN116740044B (zh) 基于视觉检测与控制的铜管铣面加工方法及系统
CN112465062A (zh) 一种基于流形学习和秩约束的聚类方法
CN110766662B (zh) 一种基于多尺度和多层特征学习的锻件表面裂纹检测方法
CN111160464B (zh) 基于多隐层加权动态模型的工业高阶动态过程软测量方法
CN115471684A (zh) 注塑工件模板匹配方法、电子设备及存储介质
CN114972871A (zh) 基于图像配准的少样本图像异常检测方法及系统
CN114548250A (zh) 一种基于数据分析的手机外观检测方法及装置
CN112097673B (zh) 车身部件虚拟匹配方法和系统
CN111444578A (zh) 一种基于弯曲工艺的变模量模型参数的自动标定方法
CN113870342A (zh) 外观缺陷检测方法、智能终端以及存储装置
CN108447051B (zh) 一种基于计算机视觉的金属产品表面缺陷等级评定方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200710