CN111798418B - 基于hog、lbp和glcm特征融合的吸波涂层散斑缺陷检测方法 - Google Patents

基于hog、lbp和glcm特征融合的吸波涂层散斑缺陷检测方法 Download PDF

Info

Publication number
CN111798418B
CN111798418B CN202010572723.4A CN202010572723A CN111798418B CN 111798418 B CN111798418 B CN 111798418B CN 202010572723 A CN202010572723 A CN 202010572723A CN 111798418 B CN111798418 B CN 111798418B
Authority
CN
China
Prior art keywords
speckle
wave
speckle image
absorbing coating
hog
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.)
Active
Application number
CN202010572723.4A
Other languages
English (en)
Other versions
CN111798418A (zh
Inventor
白利兵
唐文举
周权
程玉华
张�杰
田露露
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010572723.4A priority Critical patent/CN111798418B/zh
Publication of CN111798418A publication Critical patent/CN111798418A/zh
Application granted granted Critical
Publication of CN111798418B publication Critical patent/CN111798418B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

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

Abstract

本发明公开了一种基于HOG、LBP和GLCM特征融合的吸波涂层散斑缺陷检测方法，收集若干吸波涂层散斑图像样本并对是否存在脱粘缺陷进行标注，对于每幅散斑图像样本分别提取其HOG特征向量并降维，对于每幅散斑图像样本获取对应的LBP图像，然后对LBP图像提取对应的GLCM特征向量，将每幅散斑图像样本降维后的HOG特征向量和GLCM特征向量进行串行特征融合，得到融合特征向量并进行降维，将降维后的融合特征向量及对应标签对分类模型进行训练，在缺陷检测时，从需要进行缺陷检测的吸波涂层散斑图像中提取出降维后的融合特征向量，输入训练好的分类模型得到缺陷检测结果。本发明融合了HOG、LBP和GLCM进行纹理特征提取，对于散斑图像的脱粘缺陷检测可以取得更好的检测效果。

Description

基于HOG、LBP和GLCM特征融合的吸波涂层散斑缺陷检测方法
技术领域
本发明属于吸波涂层缺陷检测技术领域，更为具体地讲，涉及一种基于HOG、LBP和GLCM特征融合的吸波涂层散斑缺陷检测方法。
背景技术
吸波材料又称隐身材料或微波吸收材料，是提高现代先进武器机动、隐蔽和突防等性能，实现隐身功能的核心技术。由于吸波涂层材料与基底材料的异质结构特征，在大面积喷涂过程中很容易产生脱粘等缺陷，同时由于吸波涂料的使用环境一般较为恶劣，在使用过程中也容易造成损伤，这些缺陷将对吸波涂料的电磁屏蔽功能造成很大影响，尤其是在航空航天领域，任何一个小的质量隐患或者微小缺陷都可能造成重大的安全事故。
涂层材料的缺陷一般有裂纹、撞击和脱粘等缺陷，裂纹和撞击一般处于涂层表面，易于检测，而脱粘缺陷往往隐蔽性很强，检测难度大。目前在无损检测领域应用较为广泛的几种检测方法是涡流、超声和射线等技术，在分层等面积型缺陷检测有一定效果。采用超声检测存在的主要问题是只能实现单点检测，且一般存在100μm的检测盲区，无法实现缺陷尺寸的准确检测；红外热成像法是近年来新兴的一种无损检测方法，北京航空材料研究院采用此方法检测了吸波涂层中的分层缺陷，其研究结果表明，红外热波成像对于通过涂蜡形成的脱粘缺陷没有检测能力；而涡流检测的方法受涂层材料性质以及结构件尺寸形状等复杂特点的限制，同样不适用于涂层脱粘检测。而激光剪切散斑干涉技术以其全场、非接触、高效率等优点在涂层缺陷检测领域得到广泛认可。
激光剪切散斑干涉技术(Shearography)，是在20世纪70年代电子散斑图干涉术(ESPI)的基础上首次提出的。与其他光学元件相比，激光剪切散斑干涉技术具有许多优点。它类似于全息和ESPI，但它直接测量变形梯度和应变信息，而全息和ESPI只测量变形，而且物体中的缺陷通常会产生应变集中，这意味着剪切成像可以更容易地揭示缺陷。此外，由于刚体运动不产生应变，剪切成像对小刚体运动不敏感。这意味着剪切照相在工业操作中有巨大的发展空间。
虽然激光剪切散斑检测方法在国外有成熟的工业化产品，但报道很少，几乎没有详细文献的介绍。国内激光对缺陷图像的目标识别研究也处于一个起步阶段。目前的研究一般基于实验室中标准气泡缺陷板得到的图像，这些图像都具有“蝴蝶斑”的典型缺陷特征。所选用的识别方法大致有以下两种：一是对不同的缺陷类型提出了一种基于调制度、空洞填充和图像形态学的算法，通过对缺陷区域的图像变换，得到具有明显特征的二值化结果图，最终做出识别。对缺陷的识别进行了初步的探索，具有一定的执行效率；二是对同样的实验样本进行研究，采用可靠度均值、包裹相位图峰值检测、包裹相位图轮廓边缘灰度均值、相位图轮廓边缘灰度均值等特征量与支持向量机相结合的方法对缺陷进行了识别，得到了较高的识别率。但是现有的研究成果或装置还不能解决吸波涂层脱粘缺陷测量所面临的关键问题：
1、处理方法泛化能力较差。通过大量样本的观察，实际中应用激光散斑检测仪得到的缺陷图像并非一成不变，不同的光照条件、实验环境会对图像的结果造成影响，尤其是大面积脱层得到的检测图像结构特征迥异于常见的“蝴蝶斑”图像。上述方法对具有“蝴蝶斑”特征的缺陷有不错的识别效果，不足之处是对结构特征脱离了“蝴蝶斑”的缺陷效果很差，在实际应用中产生的误识别较多。
2、检测实时性低。一般采用的特征提取方法需要对图像做较多预处理工作，同时所提取特征的准确性也极大地依赖于预处理图像的质量，实际检测中耗时较多，实时性较低。
因此，针对吸波涂层脱粘缺陷检测问题开展研究具有重大意义。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于HOG、LBP和GLCM特征融合的吸波涂层散斑缺陷检测方法，针对脱粘缺陷，将HOG、LBP和GLCM三种特征融合得到散斑缺陷纹理特征，从而提高脱粘缺陷检测的准确率。
为实现上述发明目的，本发明基于HOG、LBP和GLCM特征融合的吸波涂层散斑缺陷检测方法包括以下步骤：
S1：收集N幅吸波涂层散斑图像，其中部分吸波涂层散斑图像中涂层存在脱粘缺陷，将N幅散斑图像转化为灰度图像并归一化至预设尺寸作为散斑图像样本，对每幅散斑图像样本标注出是否存在脱粘缺陷的标签pn，pn＝0表示不存在脱粘缺陷，pn＝1表示存在脱粘缺陷，n＝1,2,…,N；
S2：对于每幅散斑图像样本分别提取其HOG特征向量
Figure BDA0002550233200000031
S3：对散斑图像样本的HOG特征进行降维，得到K维的HOG特征，记第n幅散斑图像样本降维后的HOG特征向量为
Figure BDA0002550233200000032
其中K根据实际需要设置；
S4：对于每幅散斑图像样本，计算每个像素点的LBP算子的十进制数值，再转换为灰度值，得到散斑图像样本对应的LBP图像；
S5：对于每幅散斑图像样本对应的LBP图像，提取其对应的GLCM特征向量
Figure BDA0002550233200000033
S6：将每幅散斑图像样本降维后的HOG特征向量
Figure BDA0002550233200000034
和GLCM特征向量
Figure BDA0002550233200000035
进行串行特征融合，得到融合特征向量
Figure BDA0002550233200000036
S7：对融合特征向量
Figure BDA0002550233200000037
进行降维，得到每幅散斑图像样本降维后的融合特征向量
Figure BDA0002550233200000038
S8：根据需要设置一个分类模型，采用所有散斑图像样本降维后的融合特征向量
Figure BDA0002550233200000039
作为分类模型的输入，对应标签pn作为分类模型的期望输出，对分类模型进行训练；
S9：对于需要进行脱粘缺陷检测的吸波涂层散斑图像，首先归一化至预设尺寸，再采用步骤S2中的相同方法提取出归一化后吸波涂层散斑图像的HOG特征向量
Figure BDA00025502332000000310
根据步骤S3中降维结果提取得到降维后的HOG特征向量
Figure BDA00025502332000000311
然后采用步骤S4中的相同方法获取归一化后吸波涂层散斑图像对应的LBP图像，采用步骤S5中的相同方法提取出对应的GLCM特征向量
Figure BDA00025502332000000312
对HOG特征向量
Figure BDA00025502332000000313
和GLCM特征向量
Figure BDA00025502332000000314
进行串行特征融合，得到融合特征向量为
Figure BDA00025502332000000315
再根据步骤S7中的降维结果提取出降维后的融合特征向量
Figure BDA00025502332000000316
将降维后的融合特征向量
Figure BDA00025502332000000317
输入步骤S8训练好的分类模型，所得到的分类结果即为吸波涂层散斑图像的缺陷检测结果。
本发明基于HOG、LBP和GLCM特征融合的吸波涂层散斑缺陷检测方法，收集若干吸波涂层散斑图像样本并对是否存在脱粘缺陷进行标注，对于每幅散斑图像样本分别提取其HOG特征向量并降维，对于每幅散斑图像样本获取对应的LBP图像，然后对LBP图像提取对应的GLCM特征向量，将每幅散斑图像样本降维后的HOG特征向量和GLCM特征向量进行串行特征融合，得到融合特征向量并进行降维，将降维后的融合特征向量及对应标签对分类模型进行训练，在缺陷检测时，从需要进行缺陷检测的吸波涂层散斑图像中提取出降维后的融合特征向量，输入训练好的分类模型得到缺陷检测结果。
本发明融合了HOG、LBP和GLCM进行纹理特征提取，能够更好地提取存在脱粘缺陷的吸波涂层散斑图像的特征，相比于单一特征在识别率上有较高的提升，对于散斑图像的脱粘缺陷检测可以取得更好的检测效果。
附图说明
图1是本发明基于HOG、LBP和GLCM特征融合的吸波涂层散斑缺陷检测方法的具体实施方式流程图；
图2是本实施例中脱粘缺陷示意图；
图3是脱粘缺陷的实物照片图；
图4是图3所示缺陷所得到的散斑图像；
图5是本实施例中图4所示散斑图像所得到的HOG特征示意图；
图6是本实施例中图4所示散斑图像所得到的LBP图像；
图7是根据图6所示LBP图像提取得到的GLCM特征示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
实施例
图1是本发明基于HOG、LBP和GLCM特征融合的吸波涂层散斑缺陷检测方法的具体实施方式流程图。如图1所示，本发明基于HOG、LBP和GLCM特征融合的吸波涂层散斑缺陷检测方法的具体步骤包括：
S101：获取散斑图像样本：
收集N幅吸波涂层散斑图像，其中部分吸波涂层散斑图像中涂层存在脱粘缺陷，将N幅散斑图像转化为灰度图像并归一化至预设尺寸作为散斑图像样本，对每幅散斑图像样本标注出是否存在脱粘缺陷的标签pn，pn＝0表示不存在脱粘缺陷，pn＝1表示存在脱粘缺陷，n＝1,2,…,N。
在实际应用中，为了更好地提取散斑图像的特征，可以先对尺寸归一化后的散斑图像样本进行预处理，本实施例中预处理包括以下操作：自适应中值滤波、维纳滤波、直方图均衡化、灰度变换、形态学处理，以实现降噪和图像增强。
S102：提取HOG特征：
对于每幅散斑图像样本分别提取其HOG(Histogram of Oriented Gradient,方向梯度直方图)特征
Figure BDA0002550233200000051
HOG特征是一种着重于对象的结构或形状的特征描述子。先分别计算得到像素点的梯度幅值和梯度方向，据此构建梯度方向直方图即可得到图像的HOG特征。HOG对图像的局部变形以及光照影响有具有良好的稳定性，并且HOG对图像中对象的结构和形貌可以有很好地描述。且在HOG特征的提取过程中，会对图像进行归一化处理，使图像中由于外界光照变化或轻微的空间偏移可以被忽略，且不会影响检测效果。
S103：HOG特征降维：
对散斑图像样本的HOG特征进行降维，得到K维的HOG特征，记第n幅散斑图像样本的HOG特征为
Figure BDA0002550233200000052
其中K根据实际需要设置。目前存在多种特征降维方法，本实施例中采用PCA(Principal Components Analysis，主成分分析)方法进行降维。
S104：提取LBP图像：
对于每幅散斑图像样本，计算每个像素点的LBP(Local Binary Pattern,局部二值模式)算子的十进制数值，再转换为灰度值，得到散斑图像样本对应的LBP图像。
LBP算子一种测量和提取图像局部纹理信息的特征算子，受限于原始LBP算子描述特征能力有限，本实施例选用了改进后具有任意邻域和旋转不变性的LBP算子，即不断旋转像素点圆形邻域得到一系列初始定义的LBP值，取其最小值作为该邻域的LBP值，该LBP算子具有计算简单、光照要求低，以及灰度不变性等优点。LBP图像与原图的尺寸相同，但通常不直接将LBP图像作为特征而应用，还需后续处理。
S105：提取LBP图像的GLCM特征：
对于每幅散斑图像样本对应的LBP图像，提取其对应的GLCM(Gray Level Co-occurrence Matrix，灰度共生矩阵)特征向量
Figure BDA0002550233200000065
GLCM是一种关注像素之间空间位置关系的纹理特征统计方法，通过计算图像中符合某种空间位置关系的两点像素在同一幅图像中出现的次数，来刻画图像的纹理信息。一般选取0°，45°，90°和135°这四个方向计算灰度共生矩阵。通过采用不同的统计灰度共生矩阵提取局部模式和排列规则，可以得到不同的纹理特征参数。纹理特征参数一般包括均值(Mean)，方差(Variance)，标准差(Std)，同质性(Homogeneity)，对比度(Contrast)，非相似性(Dissimilarity)，熵(Entropy)，角二阶矩(Angular Second Moment)，相关性(Correlation)等。本实施例中采用对比度、能量、熵、相关性作为GLCM特征。
S106：串行特征融合：
将每幅散斑图像样本降维后的HOG特征向量
Figure BDA0002550233200000061
和GLCM特征向量
Figure BDA0002550233200000062
进行串行特征融合，得到融合特征向量为
Figure BDA0002550233200000063
串行特征融合方法是针对同一样本空间所提取的多类特征直接合并，其原理为：假设A、B为模式样本空间Ω上的两组经过标准化后的特征，任意模式样本ξ∈Ω，它对应的两个特征列向量分别设为α∈A、β∈B，则合并后的特征γ为：
Figure BDA0002550233200000064
HOG特征通过边缘方向的直方图和光强强度梯度来描述图像纹理，而GLCM特征显示了纹理图像中灰度空间中位置关系的一定性质，两者分别描述的是图像的边缘特征与纹理特征，有一定的互补性。在背景简单、单一的情况下，HOG特征会有不错的检测效果，但对于噪声较多的复杂背景容易产生错误的检测结果，而结合了LBP的GLCM特征在有效描述缺陷纹理信息的同时又可以降低噪声的干扰。因此，将两种特征融合，在获取缺陷图像梯度信息的同时还具有了优秀的纹理描述能力，可以更好地捕捉脱粘缺陷的特征，提高脱粘缺陷识别率。
S107：串行融合特征降维：
对融合特征向量
Figure BDA0002550233200000071
进行降维，得到每幅散斑图像样本降维后的融合特征向量
Figure BDA0002550233200000072
在所得到的融合特征向量
Figure BDA0002550233200000073
中结合LBP、GLCM和HOG特征，使描述的图像纹理特征更具有表现力，但同时增加了特征维数，因此还需要进行降维(本实施例中采用PCA方法)的特征进行降维，用低维子空间描述图像纹理，在保存识别所需信息的同时，降低算法耗时。
S108：分类模型训练：
根据需要设置一个分类模型，采用所有散斑图像样本降维后的融合特征向量
Figure BDA0002550233200000074
作为分类模型的输入，对应标签pn作为分类模型的期望输出，对分类模型进行训练。
本实施例中分类模型采用SVM(支撑向量机)模型。SVM模型具有良好的泛化能力，不仅可以解决小样本下的机器学习问题，也可以解决高维问题。从本质上看，SVM与现有一些统计方法的不同之处在于，SVM并没有采用从归纳到演绎的推理过程，而是致力于实现从训练样本到预测样本的高效的“转导推理”，从而极大程度地简化了分类和回归等问题。
S109：脱粘缺陷检测：
对于需要进行脱粘缺陷检测的吸波涂层散斑图像，首先归一化至预设尺寸，再采用步骤S102中的相同方法提取出归一化后吸波涂层散斑图像的HOG特征向量
Figure BDA0002550233200000075
根据步骤S103中降维结果提取得到降维后的HOG特征向量
Figure BDA0002550233200000076
然后采用步骤S104中的相同方法获取归一化后吸波涂层散斑图像对应的LBP图像，采用步骤S105中的相同方法提取出对应的GLCM特征向量
Figure BDA0002550233200000077
对HOG特征向量
Figure BDA0002550233200000078
和GLCM特征向量
Figure BDA0002550233200000079
进行串行特征融合，得到融合特征向量为
Figure BDA00025502332000000710
再根据步骤S107中的降维结果提取出降维后的融合特征向量
Figure BDA00025502332000000711
将降维后的融合特征向量
Figure BDA00025502332000000712
输入步骤S108训练好的分类模型，所得到的分类结果即为吸波涂层散斑图像的缺陷检测结果。
为了更好地说明本发明的技术效果，采用一个具体实例对本发明进行实验验证。图2是本实施例中脱粘缺陷示意图。如图2所示，被测件表面为吸波涂层，厚度范围在200到300微米。基底为碳纤维复合材料，涂层与基底之间采用涂蜡的方式产生脱粘缺陷。图3是脱粘缺陷的实物照片图。图4是图3所示缺陷所得到的散斑图像。首先计算HOG特征并进行降维，图5是本实施例中图4所示散斑图像所得到的HOG特征示意图。然后计算LBP算子并对LBP图像提取GLCM特征。图6是本实施例中图4所示散斑图像所得到的LBP图像。图7是根据图6所示LBP图像提取得到的GLCM特征示意图。将图5和图7所示特征进行串行特征融合，即得到被测缺陷吸波涂层散斑图像的特征，再输入预先训练好的分类模型中进行检测即可。
本实施例中采用2种方法作为对比方法和本发明进行检测效果对比，其中对比方法1仅采用HOG特征来作为吸波涂层散斑图像的特征，对比方法2直接对吸波涂层散斑图像提取HOG特征和GLCM特征，将两种特征进行串行特征融合作为吸波涂层散斑图像的特征。设置4种不同大小、形状的脱粘缺陷，分别统计本发明和2种对比方法对4种缺陷的检测正确度。表1是本发明和2种对比方法对4种缺陷检测正确率的对比表。
Figure BDA0002550233200000081
表1
如表1所示，本发明方法相比于2种对比方法，检测正确率得到了一定的提高，验证了本发明中特征提取方法在散斑图像特征提取上的有效性，从而提高了脱粘缺陷检测正确率。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (4)

1.一种基于HOG、LBP和GLCM特征融合的吸波涂层散斑缺陷检测方法，其特征在于包括：
S1：收集N幅吸波涂层散斑图像，其中部分吸波涂层散斑图像中涂层存在脱粘缺陷，将这些散斑图像转化为灰度图像并归一化至预设尺寸作为散斑图像样本，对每幅散斑图像样本标注出是否存在脱粘缺陷的标签pn，pn＝0表示不存在脱粘缺陷，pn＝1表示存在脱粘缺陷，n＝1,2,…,N；
S2：对于每幅散斑图像样本分别提取其HOG特征向量
Figure FDA0002550233190000011
S3：对散斑图像样本的HOG特征进行降维，得到K维的HOG特征，记第n幅散斑图像样本降维后的HOG特征向量为
Figure FDA0002550233190000012
其中K根据实际需要设置；
S4：对于每幅散斑图像样本，计算每个像素点的LBP算子的十进制数值，再转换为灰度值，得到散斑图像样本对应的LBP图像；
S5：对于每幅散斑图像样本对应的LBP图像，提取其对应的GLCM特征向量
Figure FDA0002550233190000013
S6：将每幅散斑图像样本降维后的HOG特征向量
Figure FDA0002550233190000014
和GLCM特征向量
Figure FDA0002550233190000015
进行串行特征融合，得到融合特征向量
Figure FDA0002550233190000016
S7：对融合特征向量
Figure FDA0002550233190000017
进行降维，得到每幅散斑图像样本降维后的融合特征向量
Figure FDA0002550233190000018
S8：根据需要设置一个分类模型，采用所有散斑图像样本降维后的融合特征向量
Figure FDA0002550233190000019
作为分类模型的输入，对应标签pn作为分类模型的期望输出，对分类模型进行训练；
S9：对于需要进行胶粘缺陷检测的吸波涂层散斑图像，首先归一化至预设尺寸，再采用步骤S2中的相同方法提取出归一化后吸波涂层散斑图像的HOG特征向量
Figure FDA00025502331900000110
根据步骤S3中降维结果提取得到降维后的HOG特征向量
Figure FDA00025502331900000111
然后采用步骤S4中的相同方法获取归一化后吸波涂层散斑图像对应的LBP图像，采用步骤S105中的相同方法提取出对应的GLCM特征向量
Figure FDA00025502331900000112
对HOG特征向量
Figure FDA00025502331900000113
和GLCM特征向量
Figure FDA00025502331900000114
进行串行特征融合，得到融合特征向量为
Figure FDA00025502331900000115
再根据步骤S7中的降维结果提取出降维后的融合特征向量
Figure FDA00025502331900000116
将降维后的融合特征向量
Figure FDA00025502331900000117
输入步骤S8训练好的分类模型，所得到的分类结果即为吸波涂层散斑图像的缺陷检测结果。
2.根据权利要求1所述的吸波涂层散斑缺陷检测方法，其特征在于，所述步骤S1中还包括对尺寸归一化后的散斑图像样本进行预处理，步骤S9中还包括对归一化后吸波涂层散斑图像进行预处理，预处理包括自适应中值滤波、维纳滤波、直方图均衡化、灰度变换、形态学处理。
3.根据权利要求1所述的吸波涂层散斑缺陷检测方法，其特征在于，所述降维处理采用PCA方法。
4.根据权利要求1所述的吸波涂层散斑缺陷检测方法，其特征在于，所述分类模型采用SVM模型。
CN202010572723.4A 2020-06-22 2020-06-22 基于hog、lbp和glcm特征融合的吸波涂层散斑缺陷检测方法 Active CN111798418B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010572723.4A CN111798418B (zh) 2020-06-22 2020-06-22 基于hog、lbp和glcm特征融合的吸波涂层散斑缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010572723.4A CN111798418B (zh) 2020-06-22 2020-06-22 基于hog、lbp和glcm特征融合的吸波涂层散斑缺陷检测方法

Publications (2)

Publication Number Publication Date
CN111798418A CN111798418A (zh) 2020-10-20
CN111798418B true CN111798418B (zh) 2022-04-19

Family

ID=72803715

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010572723.4A Active CN111798418B (zh) 2020-06-22 2020-06-22 基于hog、lbp和glcm特征融合的吸波涂层散斑缺陷检测方法

Country Status (1)

Country Link
CN (1) CN111798418B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139581B (zh) * 2021-03-23 2023-09-01 广东省科学院智能制造研究所 一种基于多图融合的图像分类方法和系统
FR3129510B1 (fr) * 2021-11-22 2024-01-19 Safran Aircraft Engines Procédé de contrôle de pièces tissées de turbomachine
CN115266759B (zh) * 2022-05-25 2023-07-28 上海航天化工应用研究所 一种基于剪切散斑干涉的药柱脱粘缺陷在线自动识别方法
CN115170572B (zh) * 2022-09-08 2022-11-08 山东瑞峰新材料科技有限公司 一种bopp复合薄膜表面涂胶质量监测方法
CN116091499B (zh) * 2023-04-07 2023-06-20 山东中胜涂料有限公司 一种涂料生产异常识别系统

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08179604A (ja) * 1994-12-27 1996-07-12 Matsushita Electric Ind Co Ltd 電子写真装置
JP2001050720A (ja) * 1999-08-06 2001-02-23 Canon Inc 表面検査方法および装置
CN101788427B (zh) * 2010-01-29 2012-08-29 湘潭大学 一种多功能薄膜力学性能检测装置
CN103091189B (zh) * 2013-01-10 2014-09-24 湘潭大学 一种模拟热障涂层服役环境并实时检测其失效的试验装置
JP6424787B2 (ja) * 2015-09-29 2018-11-21 コニカミノルタ株式会社 移動量検出器、およびそれを備えた画像形成装置
CN106780448B (zh) * 2016-12-05 2018-07-17 清华大学 一种基于迁移学习与特征融合的超声甲状腺结节良恶性分类系统
CN107273845B (zh) * 2017-06-12 2020-10-02 大连海事大学 一种基于置信区域和多特征加权融合的人脸表情识别方法
CN109359549A (zh) * 2018-09-20 2019-02-19 广西师范大学 一种基于混合高斯和hog_lbp的行人检测方法
CN109946160A (zh) * 2019-05-05 2019-06-28 中国人民解放军陆军装甲兵学院 涂层材料原位拉伸观测系统
CN110333267A (zh) * 2019-07-01 2019-10-15 武汉科技大学 一种基于rsbss红外无损检测热成像缺陷图像处理方法及系统
CN110490049A (zh) * 2019-07-02 2019-11-22 西安理工大学 基于多特征和svm区分人体平衡障碍的方法
CN110533083B (zh) * 2019-08-09 2021-11-23 西安电子科技大学 基于SVM的Adaboost模型的铸件缺陷识别方法

Also Published As

Publication number Publication date
CN111798418A (zh) 2020-10-20

Similar Documents

Publication Publication Date Title
CN111798418B (zh) 基于hog、lbp和glcm特征融合的吸波涂层散斑缺陷检测方法
Liu et al. Spatial-neighborhood manifold learning for nondestructive testing of defects in polymer composites
CN109919960B (zh) 一种基于多尺度Gabor滤波器的图像连续边缘检测方法
CN107977642A (zh) 一种核自适应均值判别分析的高分辨距离像目标识别方法
CN108564092A (zh) 基于sift特征提取算法的向日葵病害识别方法
Wang et al. Panoramic crack detection for steel beam based on structured random forests
CN113160195A (zh) 一种基于生成热成像的复合材料缺陷无损检测方法
CN113888457A (zh) 基于三维激光扫描技术的缺陷检测系统及方法
CN111127384A (zh) 基于偏振成像的强反射工件视觉测量方法
Baji et al. Chain code approach for shape based image retrieval
Xu et al. A defect inspection for explosive cartridge using an improved visual attention and image-weighted eigenvalue
Yan et al. An Image Recognition Algorithm for Defect Detection of Underground Pipelines Based on Convolutional Neural Network.
CN106897730B (zh) 基于融合类别信息与局部保持投影的sar目标型号识别方法
Wang et al. SCFNet: Semantic condition constraint guided feature aware network for aircraft detection in SAR Images
Munawar et al. Isotropic surround suppression based linear target detection using hough transform
Zhang et al. Application of pseudo-color image feature-level fusion in nondestructive testing of wire ropes
Chen et al. Ship target detection algorithm based on decision-level fusion of visible and SAR images
Cui et al. Dimension reduction and defect recognition of strip surface defects based on intelligent information processing
Wang et al. A deep convolutional neural network-based method for self-piercing rivet joint defect detection
Yuankui et al. Automatic target recognition of ISAR images based on Hausdorff distance
Huang et al. Target feature extraction algorithm for SAR images of complex background based on corner estimation
Wang et al. Complexity metric of infrared image for automatic target recognition
Sun et al. Infrared Small-Target Detection Based on Multi-level Local Contrast Measure
Zhang et al. Classification-Detection of Metal Surfaces under Lower Edge Sharpness Using a Deep Learning-Based Approach Combined with an Enhanced LoG Operator.
Zhang et al. Carbon Fiber-Reinforced Polymer Composites Texture Angle Regression Based on the Improved Deep Hough Network

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