CN111652834A - 一种基于支持向量机的钢卷捆扎带识别方法 - Google Patents

一种基于支持向量机的钢卷捆扎带识别方法 Download PDF

Info

Publication number
CN111652834A
CN111652834A CN201910191494.9A CN201910191494A CN111652834A CN 111652834 A CN111652834 A CN 111652834A CN 201910191494 A CN201910191494 A CN 201910191494A CN 111652834 A CN111652834 A CN 111652834A
Authority
CN
China
Prior art keywords
strapping tape
steel coil
sample
training
strapping
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
CN201910191494.9A
Other languages
English (en)
Inventor
许彩云
周永升
罗刘敏
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.)
Zhoukou Normal University
Original Assignee
Zhoukou Normal University
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 Zhoukou Normal University filed Critical Zhoukou Normal University
Priority to CN201910191494.9A priority Critical patent/CN111652834A/zh
Publication of CN111652834A publication Critical patent/CN111652834A/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
    • G06F18/24—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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/32—Normalisation of the pattern dimensions
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • 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
    • G06T2207/30242—Counting objects in image

Abstract

本发明公开了一种基于支持向量机的钢卷捆扎带识别方法，包括如下步骤：图像预处理；钢卷图像分割；钢卷捆扎带特征提取；钢卷捆扎带识别。其中，钢卷捆扎带的识别采用支持向量机算法，并利用粒子群算法寻找最佳参数，进而得到最佳训练模型。本发明能够很好的对捆扎带是否断裂以及捆扎带完好数量进行判断，减少因捆扎带断裂而造成的危险工况，提高钢卷搬运及拆捆的效率。

Description

一种基于支持向量机的钢卷捆扎带识别方法
技术领域
本发明涉及自动检测领域，具体涉及一种基于支持向量机的钢卷捆扎带识别方法。
背景技术
在钢卷自动搬运过程中，首先需要对钢卷捆扎带是否断裂进行判断。因为捆扎带断裂在钢卷搬运过程中极易造成钢卷的掉落，产生砸伤事故。此外，在钢卷自动拆捆过程中，需要对钢卷捆扎带的数量进行判断，提高拆捆效率。随着机器学习技术的发展，其在自动检测领域的研究成果越来越多，应用越来越广泛，然而在钢卷捆扎带识别方面应用较少。
发明内容
为了避免因钢卷捆扎带断裂进行危险吊运引起的事故，提高钢卷自动搬运及拆捆的效率，本发明提供了一种基于支持向量机的钢卷捆扎带识别方法，该方法通过以下技术方案实现：
一种基于支持向量机的钢卷捆扎带识别方法，包括以下步骤：
步骤1：图像预处理；
采集样本集，依次对样本图像进行灰度处理、滤波去噪。
步骤2：钢卷图像分割；
采用主动轮廓模型提取钢卷边缘，去除背景，分割出钢卷图像，并将分割后的所有图像尺寸调整到相同大小。
步骤3：钢卷捆扎带特征提取；
将分割后的图像以钢卷为背景，提取捆扎带边缘曲线，对捆扎带区域进行定位，提取捆扎带特征参数：颜色、纹理、形状、灰度分布。
步骤4：钢卷捆扎带识别；
对钢卷捆扎带的识别主要包括捆扎带是否断裂及完好数量，其中将至少一条捆扎带完好归为正样本，否则为负样本，并对正样本中捆扎带完好数量进行识别。由于样本集为不平衡样本，这里选用支持向量机理论进行分类识别。
步骤4.1：数据预处理；
将提取的捆扎带特征参数作为训练集，训练集样本数不宜太少，且应具有代表性，因钢卷捆扎带特征参数不属于同一个数量级，需要对其进行数据归一化处理，这里采用数据归一化函数mapminmax。同时将对钢卷捆扎带的识别转换为标签变量。
步骤4.2：创建/训练SVM诊断模型；
在创建/训练SVM诊断模型时考虑核函数及相关参数对模型性能的影响，这里采用RBF核函数。首先利用粒子群算法寻找最佳的参数c(惩罚因子)和参数g(RBF核函数中的方差)，然后将核函数、最佳参数、数据处理后的训练集样本和对应的类别标签矩阵代入svmtrain函数得到训练模型。当模型的性能相同时，优先选择惩罚因子c比较小的参数组合，减少计算量。
步骤4.3：钢卷捆扎带识别；
SVM模型训练完成后，利用svmpredict函数对测试样本进行预测识别。并将识别正确的样本归档到训练集，这样在算法调试过程中，检测的样本越多，识别准确率越高，直至满足要求后停止归档。
步骤4.2中利用粒子群算法寻找最佳参数，具体算法如下：
①读取训练样本及测试样本数据；
②初始化：设定参数c、g搜索范围，并对PSO运行参数初始化；
③SVM分类：粒子依次赋值给c、g，采用svmtrain函数得到训练模型，并利用svmpredict函数评估预测结果；
④更新最优结果，粒子进化，直至满足终止条件后停止。
本发明的有益效果：本发明首先基于图像处理分割出钢卷捆扎带图像，然后利用机器学习算法对捆扎带是否断裂及完好数量进行识别，在实际应用过程中采集的样本越多，识别准确率越高，直至满足识别要求。本发明能够很好的对捆扎带是否断裂以及捆扎带完好数量进行判断，减少因捆扎带断裂而造成的危险工况，提高钢卷搬运及拆捆的效率。
附图说明
图1为本发明的算法流程图。
具体实施方式
下面对本发明的具体实施过程作以下进一步的说明：
一种基于支持向量机的钢卷捆扎带识别方法，包括以下步骤：
步骤1：图像预处理；
采集样本集，依次对样本图像进行灰度处理、滤波去噪。
步骤2：钢卷图像分割；
采用主动轮廓模型提取钢卷边缘，去除背景，分割出钢卷图像，并将分割后的所有图像尺寸调整到相同大小。
步骤3：钢卷捆扎带特征提取；
将分割后的图像以钢卷为背景，提取捆扎带边缘曲线，对捆扎带区域进行定位，提取捆扎带特征参数：颜色、纹理、形状、灰度分布。
步骤4：钢卷捆扎带识别；
对钢卷捆扎带的识别主要包括捆扎带是否断裂及完好数量，其中将至少一条捆扎带完好归为正样本，否则为负样本，并对正样本中捆扎带完好数量进行识别。由于样本集为不平衡样本，这里选用支持向量机理论进行分类识别。
步骤4.1：数据预处理；
将提取的捆扎带特征参数作为训练集，训练集样本数不宜太少，且应具有代表性，因钢卷捆扎带特征参数不属于同一个数量级，需要对其进行数据归一化处理，这里采用数据归一化函数mapminmax。同时将对钢卷捆扎带的识别转换为标签变量，假设钢卷捆扎带共有5条，则5条完好标签为5，4条完好标签为4，3条完好标签为3，2条完好标签为2，1条完好标签为1，0条完好标签为0。
步骤4.2：创建/训练SVM诊断模型；
在创建/训练SVM诊断模型时考虑核函数及相关参数对模型性能的影响，这里采用RBF核函数。首先利用粒子群算法寻找最佳的参数c(惩罚因子)和参数g(RBF核函数中的方差)，然后将核函数、最佳参数、数据处理后的训练集样本和对应的类别标签矩阵代入svmtrain函数得到训练模型model＝svmtrain(train_label，train_matrix，‘libsvm_options’)。当模型的性能相同时，优先选择惩罚因子c比较小的参数组合，减少计算量。
步骤4.3：钢卷捆扎带识别；
SVM模型训练完成后，利用svmpredict函数对测试样本进行预测识别[predict_label，accuracy]＝svmpredict(test_label，test_matrix，model)。并将识别正确的样本归档到训练集，这样在算法调试过程中，检测的样本越多，识别准确率越高，直至满足要求后停止归档。
步骤4.2中利用粒子群算法寻找最佳参数，具体算法如下：
①读取训练样本及测试样本数据；
②初始化：设定参数c、g搜索范围均为[-10，10]，并对PSO运行参数初始化，惯性因子为0.8，加速因子均为1.5，维数为2，粒子群规模为50，最大迭代次数为100；
③SVM分类：将粒子依次赋值给c、g，利用svmtrain函数得到训练模型，并利用svmpredict函数评估预测结果；
④更新最优结果，粒子进化，直至满足终止条件后停止。
本发明一种基于支持向量机的钢卷捆扎带识别方法，识别准确率高，适用性强，提高钢卷搬运及拆捆的自动化水平，避免因钢卷捆扎带断裂造成的危险。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (2)

1.一种基于支持向量机的钢卷捆扎带识别方法，其特征在于，包括以下步骤：
步骤1：图像预处理；
采集样本集，依次对样本图像进行灰度处理、滤波去噪。
步骤2：钢卷图像分割；
采用主动轮廓模型提取钢卷边缘，去除背景，分割出钢卷图像，并将分割后的所有图像尺寸调整到相同大小。
步骤3：钢卷捆扎带特征提取；
将分割后的图像以钢卷为背景，提取捆扎带边缘曲线，对捆扎带区域进行定位，提取捆扎带特征参数：颜色、纹理、形状、灰度分布。
步骤4：钢卷捆扎带识别；
对钢卷捆扎带的识别主要包括捆扎带是否断裂及完好数量，其中将至少一条捆扎带完好归为正样本，否则为负样本，并对正样本中捆扎带完好数量进行识别。由于样本集为不平衡样本，这里选用支持向量机理论进行分类识别。
步骤4.1：数据预处理；
将提取的捆扎带特征参数作为训练集，训练集样本数不宜太少，且应具有代表性，因钢卷捆扎带特征参数不属于同一个数量级，需要对其进行数据归一化处理，这里采用数据归一化函数mapminmax。同时将对钢卷捆扎带的识别转换为标签变量。
步骤4.2：创建/训练SVM诊断模型；
在创建/训练SVM诊断模型时考虑核函数及相关参数对模型性能的影响，这里采用RBF核函数。首先利用粒子群算法寻找最佳的参数c(惩罚因子)和参数g(RBF核函数中的方差)，然后将核函数、最佳参数、数据处理后的训练集样本和对应的类别标签矩阵代入svmtrain函数得到训练模型。当模型的性能相同时，优先选择惩罚因子c比较小的参数组合，减少计算量。
步骤4.3：钢卷捆扎带识别；
SVM模型训练完成后，利用svmpredict函数对测试样本进行预测识别。并将识别正确的样本归档到训练集，这样在算法调试过程中，检测的样本越多，识别准确率越高，直至满足要求后停止归档。
2.根据权利要求1所述的一种基于支持向量机的钢卷捆扎带识别方法，其特征在于：步骤4.2中利用粒子群算法寻找最佳参数，具体算法如下：
①读取训练样本及测试样本数据；
②初始化：设定参数c、g搜索范围，并对PSO运行参数初始化；
③SVM分类：粒子依次赋值给c、g，采用svmtrain函数得到训练模型，并利用svmpredict函数评估预测结果；
④更新最优结果，粒子进化，直至满足终止条件后停止。
CN201910191494.9A 2019-03-02 2019-03-02 一种基于支持向量机的钢卷捆扎带识别方法 Pending CN111652834A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910191494.9A CN111652834A (zh) 2019-03-02 2019-03-02 一种基于支持向量机的钢卷捆扎带识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910191494.9A CN111652834A (zh) 2019-03-02 2019-03-02 一种基于支持向量机的钢卷捆扎带识别方法

Publications (1)

Publication Number Publication Date
CN111652834A true CN111652834A (zh) 2020-09-11

Family

ID=72348141

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910191494.9A Pending CN111652834A (zh) 2019-03-02 2019-03-02 一种基于支持向量机的钢卷捆扎带识别方法

Country Status (1)

Country Link
CN (1) CN111652834A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288716A (zh) * 2020-10-28 2021-01-29 中冶赛迪重庆信息技术有限公司 一种钢卷打捆状态检测方法、系统、终端及介质
CN115049620A (zh) * 2022-06-17 2022-09-13 中轻长泰(长沙)智能科技股份有限公司 一种纸垛外观检测方法、装置、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101408933A (zh) * 2008-05-21 2009-04-15 浙江师范大学 基于粗网格特征提取和bp神经网络的车牌字符识别方法
CN103093229A (zh) * 2013-01-21 2013-05-08 信帧电子技术（北京）有限公司 车标定位方法及装置
CN104914111A (zh) * 2015-05-18 2015-09-16 北京华检智研软件技术有限责任公司 一种带钢表面缺陷在线智能识别检测系统及其检测方法
CN106446804A (zh) * 2016-09-08 2017-02-22 西安电子科技大学 一种基于elm的多粒度虹膜识别方法
CN106651825A (zh) * 2015-11-03 2017-05-10 中国科学院沈阳计算技术研究所有限公司 一种基于图像分割的工件定位与识别的方法
CN107067002A (zh) * 2017-03-09 2017-08-18 华东师范大学 一种动态视频中道路车牌识别方法
CN108268865A (zh) * 2016-12-30 2018-07-10 航天信息股份有限公司 一种基于级联卷积网络的自然场景下车牌识别方法及系统
CN108830853A (zh) * 2018-07-20 2018-11-16 东北大学 一种基于人工智能的黑色素瘤辅助诊断方法
CN109308697A (zh) * 2018-09-18 2019-02-05 安徽工业大学 一种基于机器学习算法的树叶病害识别方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101408933A (zh) * 2008-05-21 2009-04-15 浙江师范大学 基于粗网格特征提取和bp神经网络的车牌字符识别方法
CN103093229A (zh) * 2013-01-21 2013-05-08 信帧电子技术（北京）有限公司 车标定位方法及装置
CN104914111A (zh) * 2015-05-18 2015-09-16 北京华检智研软件技术有限责任公司 一种带钢表面缺陷在线智能识别检测系统及其检测方法
CN106651825A (zh) * 2015-11-03 2017-05-10 中国科学院沈阳计算技术研究所有限公司 一种基于图像分割的工件定位与识别的方法
CN106446804A (zh) * 2016-09-08 2017-02-22 西安电子科技大学 一种基于elm的多粒度虹膜识别方法
CN108268865A (zh) * 2016-12-30 2018-07-10 航天信息股份有限公司 一种基于级联卷积网络的自然场景下车牌识别方法及系统
CN107067002A (zh) * 2017-03-09 2017-08-18 华东师范大学 一种动态视频中道路车牌识别方法
CN108830853A (zh) * 2018-07-20 2018-11-16 东北大学 一种基于人工智能的黑色素瘤辅助诊断方法
CN109308697A (zh) * 2018-09-18 2019-02-05 安徽工业大学 一种基于机器学习算法的树叶病害识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王瑜等, 机械工业出版社 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288716A (zh) * 2020-10-28 2021-01-29 中冶赛迪重庆信息技术有限公司 一种钢卷打捆状态检测方法、系统、终端及介质
CN112288716B (zh) * 2020-10-28 2023-10-27 中冶赛迪信息技术(重庆)有限公司 一种钢卷打捆状态检测方法、系统、终端及介质
CN115049620A (zh) * 2022-06-17 2022-09-13 中轻长泰(长沙)智能科技股份有限公司 一种纸垛外观检测方法、装置、设备及存储介质
CN115049620B (zh) * 2022-06-17 2024-03-26 中轻长泰(长沙)智能科技股份有限公司 一种纸垛外观检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Zhao et al. Cloud shape classification system based on multi-channel cnn and improved fdm
Wang et al. A two-stage data-driven approach for image-based wind turbine blade crack inspections
CN108537154B (zh) 基于hog特征和机器学习的输电线路鸟巢识别方法
CN111476756A (zh) 一种基于改进YOLOv3网络模型识别铸件DR图像疏松缺陷的方法
CN111179249A (zh) 一种基于深度卷积神经网络的电力设备检测方法和装置
CN108009567B (zh) 一种结合图像颜色及hog和svm的粪便性状的自动辨别方法
CN105303162B (zh) 一种基于目标建议算法的航拍图像绝缘子识别方法
CN103177266A (zh) 储藏物害虫智能识别系统
CN111652834A (zh) 一种基于支持向量机的钢卷捆扎带识别方法
CN110751619A (zh) 一种绝缘子缺陷检测方法
CN112036384B (zh) 精子头部形态识别方法、装置及设备
CN111241905A (zh) 基于改进ssd算法的输电线路鸟窝检测方法
CN105469099B (zh) 基于稀疏表示分类的路面裂缝检测和识别方法
Sreedevi et al. Wild Animal Detection using Deep learning
CN111882554B (zh) 一种基于SK-YOLOv3的电力线故障智能检测方法
CN111950606B (zh) 一种刀闸状态识别方法、装置、设备和存储介质
CN109543744A (zh) 一种基于龙芯派的多类别深度学习图像识别方法及其应用
CN112257730A (zh) 植物害虫图像识别方法、装置、设备及存储介质
CN117011260A (zh) 一种芯片外观缺陷自动检测方法、电子设备及存储介质
CN111931577A (zh) 一种电网线路特定异物智能巡检方法
CN107943916B (zh) 一种基于在线分类的网页异常检测方法
CN111199250A (zh) 一种基于机器学习的变电站空气开关状态校核方法及装置
CN111814851B (zh) 一种基于单类支持向量机的煤矿瓦斯数据标记方法
CN114283280A (zh) 一种基于改进卷积神经网络的水面漂浮垃圾识别方法
CN110033082B (zh) 一种识别ai设备中深度学习模型的方法

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