CN112200246A - Svm分类器的训练方法和石化储罐锈蚀缺陷分割方法 - Google Patents
Svm分类器的训练方法和石化储罐锈蚀缺陷分割方法 Download PDFInfo
- Publication number
- CN112200246A CN112200246A CN202011081229.4A CN202011081229A CN112200246A CN 112200246 A CN112200246 A CN 112200246A CN 202011081229 A CN202011081229 A CN 202011081229A CN 112200246 A CN112200246 A CN 112200246A
- Authority
- CN
- China
- Prior art keywords
- color
- super
- svm classifier
- training
- pixel
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 88
- 230000007547 defect Effects 0.000 title claims abstract description 85
- 230000007797 corrosion Effects 0.000 title claims abstract description 82
- 238000005260 corrosion Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000011218 segmentation Effects 0.000 title claims abstract description 41
- 239000013598 vector Substances 0.000 claims abstract description 31
- 238000002372 labelling Methods 0.000 claims abstract description 13
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000001514 detection method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006056 electrooxidation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种SVM分类器的训练方法和石化储罐锈蚀缺陷分割方法。所述SVM分类器的训练方法包括以下步骤：A)获得不同锈蚀程度的多个储罐锈蚀缺陷图像，根据多个储罐锈蚀缺陷图像的像素值定义锈蚀缺陷像素范围；B)选择多个储罐锈蚀缺陷图像作为训练图像，并生成多个超像素；C)提取每个超像素的颜色特征与纹理特征，将超像素和邻域超像素的颜色特征和纹理特征进行级联，以便构建超像素的特征向量，多个超像素的特征向量构成训练数据集；D)根据锈蚀缺陷像素范围对多个超像素进行标注并得到标注结果，将超像素标注为正样本或负样本；和E)利用训练数据集和标注结果训练SVM分类器。通过利用该SVM分类器的训练方法，可以提高SVM分类器的分类准确率。
Description
技术领域
本发明涉及图像处理技术领域，具体地，涉及SVM分类器的训练方法，还涉及石化储罐锈蚀缺陷分割方法。
背景技术
石化储罐因长时间暴露在自然环境和液位变化的条件下，容易发生化学腐蚀和电化学腐蚀，从而导致石化储罐泄漏事故的频发。石化储罐的锈蚀缺陷检测是保证石化储罐质量、维护石化行业安全运行的重要例行工作之一。
目前，进行石化储罐锈蚀缺陷检测的方法主要有目视检测、机器视觉和基于物理化学原理的检测方法。虽然基于物理化学原理的检测方法对于缺陷检测是非常有效的，但是该检测方法很难在大的表面区域进行在线检测。因此，寻找一种有效的在线检测方法来检测石化储罐锈蚀状态，确定锈蚀的严重程度，以支持及时的维护、最大限度地减少锈蚀造成的损失，具有十分重要的意义。
锈蚀在石化储罐上引起的典型现象是小规模的侵蚀，最初可能只是褪色，随着侵蚀的进一步深入，可能发展为棕色至深棕色的粗糙表面，然后逐渐扩散到整个石化储罐表面，这些特性使得使用计算机视觉检测锈蚀缺陷成为可能。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明第一方面提出一种SVM分类器的训练方法，所述SVM分类器的训练方法包括以下步骤：A)获得不同锈蚀程度的多个储罐锈蚀缺陷图像，根据多个所述储罐锈蚀缺陷图像在RGB颜色空间的像素值定义锈蚀缺陷像素范围；B)选择多个储罐锈蚀缺陷图像作为训练图像，根据所述训练图像生成多个超像素；C)提取每个所述超像素的颜色特征与纹理特征，将所述超像素的颜色特征和纹理特征与邻域超像素的颜色特征和纹理特征进行级联，以便构建所述超像素的特征向量，多个所述超像素的所述特征向量构成训练数据集；D)根据所述锈蚀缺陷像素范围对多个所述超像素进行标注，以便得到多个所述超像素的标注结果，其中将所述超像素标注为正样本或负样本；和E)利用所述训练数据集和所述标注结果训练所述SVM分类器。
通过利用根据本发明实施例的SVM分类器的训练方法，可以提高SVM分类器的分类准确率。
另外，根据本发明上述实施例的SVM分类器的训练方法还可以具有如下附加的技术特征：
根据本发明的一个实施例，所述步骤A)包括：A-1)采集不同锈蚀程度的多个所述储罐锈蚀缺陷图像；和A-2)根据多个所述储罐锈蚀缺陷图像的像素值在R颜色通道的最大值和最小值确定R颜色通道的取值范围，根据多个所述储罐锈蚀缺陷图像的像素值在G颜色通道的最大值和最小值确定G颜色通道的取值范围，根据多个所述储罐锈蚀缺陷图像的像素值在B颜色通道的最大值和最小值确定B颜色通道的取值范围，R颜色通道的所述取值范围、G颜色通道的所述取值范围和B颜色通道的所述取值范围构成所述锈蚀缺陷像素范围。
根据本发明的一个实施例，R颜色通道的所述取值范围为75-246，G颜色通道的所述取值范围为22-174，B颜色通道的所述取值范围为0-115。
根据本发明的一个实施例，在所述步骤B)中，先将所述训练图像的尺寸调整为256*256像素，再利用简单线性迭代聚类算法对所述训练图像进行超像素分割以便生成多个所述超像素。
根据本发明的一个实施例，每个所述训练图像生成150个所述超像素。
根据本发明的一个实施例，在所述步骤C)中，将所述超像素的颜色特征和纹理特征记为F0(S,I)，将一级邻域超像素的颜色特征和纹理特征记为F1(S,I)，所述超像素S的所述特征向量表示为F(S,I)＝[F0(S,I),F1(S,I)]，
可选地，所述超像素的颜色特征包括CIELAB颜色空间里的a*颜色通道和b*颜色通道以及RGB颜色空间的R颜色通道、G颜色通道和B颜色通道中的每一者的一阶颜色矩、二阶颜色矩和三阶颜色矩，所述一级邻域超像素的颜色特征包括CIELAB颜色空间里的a*颜色通道和b*颜色通道以及RGB颜色空间的R颜色通道、G颜色通道和B颜色通道中的每一者的一阶颜色矩、二阶颜色矩和三阶颜色矩，
可选地，所述超像素的纹理特征包括灰度共生矩阵中的对比度、相关性、能量和同质性，所述一级邻域超像素的纹理特征包括灰度共生矩阵中的对比度、相关性、能量和同质性。
根据本发明的一个实施例，所述步骤E)包括：
E-1)将所述训练数据集分为训练集和测试集；
E-2)利用所述训练集中的所述超像素的所述特征向量训练所述SVM分类器；
E-3)利用训练后的所述SVM分类器对所述测试集中的所述超像素的特征向量进行判断，以便将所述测试集中的所述超像素分为正样本或负样本，当所述SVM分类器的分类准确率的浮动阈值小于等于0.5％时，停止所述训练，当所述SVM分类器的分类准确率的浮动阈值大于0.5％时，将错分的所述超像素加入到所述训练集以便再次利用所述训练集中的所述超像素的所述特征向量训练所述SVM分类器，直至所述SVM分类器的分类准确率的浮动阈值小于等于0.5％。
根据本发明的一个实施例，所述步骤D)包括：
D-1)选取所述超像素的出现频次大于50％的像素值作为所述超像素的主色；和
D-2)判断所述超像素的所述主色是否在所述锈蚀缺陷像素范围内，如果所述超像素的所述主色在所述锈蚀缺陷像素范围内，将所述超像素标注为负样本，如果所述超像素的所述主色不在所述锈蚀缺陷像素范围内，将所述超像素标注为正样本。
根据本发明的一个实施例，所述SVM分类器的训练方法进一步包括：E)构建基于所述超像素的概率分布的全连接CRF模型，所述全连接CRF模型对应的吉布斯能量函数为
E(x)＝∑iΨu(xi)+∑i<jΨp(xi,xj)，通过最小化E(x)，获得优化后的分类结果。
本发明第二方面提出一种石化储罐锈蚀缺陷分割方法，所述石化储罐锈蚀缺陷分割方法包括以下步骤：a)获取石化储罐的锈蚀缺陷图像，根据所述锈蚀缺陷图像生成多个超像素；b)提取每个所述超像素的颜色特征与纹理特征，将所述超像素的颜色特征和纹理特征与邻域超像素的颜色特征和纹理特征进行级联，以便构建所述超像素的特征向量；c)利用SVM分类器对所述超像素的特征向量进行判断，以便将所述超像素分为正样本或负样本，其中所述SVM分类器为利用根据本发明第一方面所述的SVM分类器的训练方法所训练好的SVM分类器；和d)将分类为所述正样本的所述超像素的像素值设置为0，保留分类为所述负样本的所述超像素的像素值，根据每个所述超像素的中心生成锈蚀缺陷分割图像。
根据本发明实施例的石化储罐锈蚀缺陷分割方法具有分割精度高、适应性强、分割效率高的优点。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1是根据本发明实施例的SVM分类器的训练方法的流程图；
图2是根据本发明实施例的石化储罐锈蚀缺陷分割方法的流程图；
图3是根据本发明实施例的SVM分类器的迭代训练示意图；
图4a-图4d是根据本发明实施例的石化储罐锈蚀缺陷分割方法的效果对比图；
图5a-图5d是根据本发明实施例的石化储罐锈蚀缺陷分割方法的效果对比图；
图6a-图6d是根据本发明实施例的石化储罐锈蚀缺陷分割方法的效果对比图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
如图1所示，根据本发明实施例的SVM分类器的训练方法包括以下步骤：
A)获得不同锈蚀程度的多个储罐锈蚀缺陷图像，根据多个该储罐锈蚀缺陷图像在RGB颜色空间的像素值定义锈蚀缺陷像素范围；
B)选择多个储罐锈蚀缺陷图像作为训练图像，根据该训练图像生成多个超像素；
C)提取每个该超像素的颜色特征与纹理特征，将该超像素的颜色特征和纹理特征与邻域超像素的颜色特征和纹理特征进行级联，以便构建该超像素的特征向量，多个该超像素的该特征向量构成训练数据集；
D)根据该锈蚀缺陷像素范围对多个该超像素进行标注，以便得到多个该超像素的标注结果，其中将该超像素标注为正样本或负样本；和
E)利用该训练数据集和该标注结果训练该SVM分类器。
根据本发明实施例的SVM分类器的训练方法通过将每个该超像素的颜色特征与纹理特征与其邻域超像素的颜色特征和纹理特征进行级联，从而可以有效地克服该超像素自身的颜色特征和纹理特征表示的局限性。由此极大地提高每个该超像素的该特征向量的区分能力，从而可以极大地提高SVM分类器的分类准确率。
也就是说，利用该超像素的该特征向量训练出的SVM分类器的分类准确率大于利用该超像素的自身的颜色特征和纹理特征训练出的SVM分类器的分类准确率。因此，通过利用根据本发明实施例的SVM分类器的训练方法，可以提高SVM分类器的分类准确率。
可选地，该步骤A)可以包括：
A-1)采集不同锈蚀程度的多个该储罐锈蚀缺陷图像。和
A-2)根据多个该储罐锈蚀缺陷图像的像素值在R颜色通道的最大值和最小值确定R颜色通道的取值范围，根据多个该储罐锈蚀缺陷图像的像素值在G颜色通道的最大值和最小值确定G颜色通道的取值范围，根据多个该储罐锈蚀缺陷图像的像素值在B颜色通道的最大值和最小值确定B颜色通道的取值范围。其中，R颜色通道的该取值范围、G颜色通道的该取值范围和B颜色通道的该取值范围构成该锈蚀缺陷像素范围。
可选地，R颜色通道的该取值范围为75-246，G颜色通道的该取值范围为22-174，B颜色通道的该取值范围为0-115。
在该步骤B)中，先将该训练图像的尺寸调整为256*256像素，再利用简单线性迭代聚类算法对该训练图像进行超像素分割以便生成多个所述超像素。通过利用简单线性迭代聚类算法(SLIC算法)对该训练图像进行超像素分割，从而可以提升整体模型对于光照的鲁棒性。其中，简单线性迭代聚类算法是在CIELAB颜色空间里进行迭代聚类以生成超像素，该算法不易受该训练图像的亮度和对比度的影响。
其中，该步骤A)中的储罐锈蚀缺陷图像与该步骤B)中的储罐锈蚀缺陷图像可以完全相同，也可以部分相同，还可以完全不同。
可选地，每个该训练图像生成150个该超像素。当该超像素的尺寸增大后，SVM分类器的分类准确率升高，但是锈蚀缺陷图像的分割精度会降低。通过使每个该训练图像生成150个该超像素，从而不仅可以提高SVM分类器的分类准确率，而且可以提高锈蚀缺陷图像的分割精度。
在该步骤C)中，将该超像素的颜色特征和纹理特征记为F0(S,I)，将一级邻域超像素的颜色特征和纹理特征记为F1(S,I)，该超像素S的该特征向量表示为F(S,I)＝[F0(S,I),F1(S,I)]。也就是说，只将该超像素的颜色特征和纹理特征与一级邻域超像素的颜色特征和纹理特征进行级联。
级联颜色特征和纹理特征会对SVM分类器的性能产生一定的影响，为了设定合适的级联层数，提取超像素自身的颜色特征和纹理特征、级联一级邻域超像素的颜色特征和纹理特征、级联一级邻域超像素和二级邻域超像素的颜色特征和纹理特征并训练SVM分类器。测试训练好的SVM分类器以便得到PR(Precession-Recall)曲线图，当召回率相同时，级联一级邻域超像素的颜色特征和纹理特征训练出的SVM分类器的分类准确率高于其他的SVM分类器的分类准确率。当级联层数增加到二级后，SVM分类器的性能反而会降低，由于级联过多的颜色特征和纹理特征，导致邻域超像素的区分度下降。
可选地，该超像素的颜色特征包括：(1)CIELAB颜色空间里的a*颜色通道的一阶颜色矩、二阶颜色矩和三阶颜色矩；(2)CIELAB颜色空间里的b*颜色通道的一阶颜色矩、二阶颜色矩和三阶颜色矩；(3)RGB颜色空间的R颜色通道的一阶颜色矩、二阶颜色矩和三阶颜色矩；(4)RGB颜色空间的G颜色通道的一阶颜色矩、二阶颜色矩和三阶颜色矩；(5)RGB颜色空间的B颜色通道的一阶颜色矩、二阶颜色矩和三阶颜色矩。
该一级邻域超像素的颜色特征包括：(1)CIELAB颜色空间里的a*颜色通道的一阶颜色矩、二阶颜色矩和三阶颜色矩；(2)CIELAB颜色空间里的b*颜色通道的一阶颜色矩、二阶颜色矩和三阶颜色矩；(3)RGB颜色空间的R颜色通道的一阶颜色矩、二阶颜色矩和三阶颜色矩；(4)RGB颜色空间的G颜色通道的一阶颜色矩、二阶颜色矩和三阶颜色矩；(5)RGB颜色空间的B颜色通道的一阶颜色矩、二阶颜色矩和三阶颜色矩。
可选地，该超像素的纹理特征包括灰度共生矩阵中的对比度、相关性、能量和同质性，该一级邻域超像素的纹理特征包括灰度共生矩阵中的对比度、相关性、能量和同质性。
该步骤D)包括：
D-1)选取该超像素的出现频次大于50％的像素值作为该超像素的主色。和
D-2)判断该超像素的该主色是否在该锈蚀缺陷像素范围内，如果该超像素的该主色在该锈蚀缺陷像素范围内，将该超像素标注为负样本，如果该超像素的该主色不在该锈蚀缺陷像素范围内，将该超像素标注为正样本。该标注方法解决了人工标注方法耗费人力和时间成本的问题。
如图3所示，该步骤E)包括：
E-1)将该训练数据集分为训练集T和测试集U。例如，将70％的该训练数据分入该训练集T，将30％的该训练数据分入该测试集U。可选地，该训练集T中正样本和负样本的比例为1:1，即该训练集T中石化储罐背景超像素与锈蚀缺陷超像素的比例为1:1。
E-2)利用该训练集T中的该超像素的该特征向量训练该SVM分类器；
E-3)利用训练后的该SVM分类器对该测试集U中的该超像素的特征向量进行判断，以便将该测试集U中的该超像素分为正样本或负样本。
当该SVM分类器的分类准确率的浮动阈值小于等于0.5％时，停止该训练。当该SVM分类器的分类准确率的浮动阈值大于0.5％时，将错分的该超像素加入到该训练集T以便再次利用该训练集T中的该超像素的该特征向量训练该SVM分类器，直至该SVM分类器的分类准确率的浮动阈值小于等于0.5％。
当再次利用该训练集T中的该超像素的该特征向量训练该SVM分类器时，可以对该训练集T和该测试集U进行更新。
在本发明的一个示例中，根据本发明实施例的SVM分类器的训练方法进一步包括：
E)构建基于该超像素的概率分布的全连接CRF模型，该全连接CRF模型对应的吉布斯能量函数为
E(x)＝∑iΨu(xi)+∑i<jΨp(xi,xj)，通过最小化E(x)，获得优化后的分类结果。
通过利用全连接CRF模型优化SVM分类器的分类结果，能够有效去除石化储罐背景上错分的孤立超像素。
本发明还提供了石化储罐锈蚀缺陷分割方法。如图2所示，根据本发明实施例的石化储罐锈蚀缺陷分割方法包括以下步骤：
a)获取石化储罐的锈蚀缺陷图像，根据该锈蚀缺陷图像生成多个超像素。
b)提取每个该超像素的颜色特征与纹理特征，将该超像素的颜色特征和纹理特征与邻域超像素的颜色特征和纹理特征进行级联，以便构建该超像素的特征向量。
c)利用SVM分类器对该超像素的特征向量进行判断，以便将该超像素分为正样本或负样本，其中该SVM分类器为利用根据本发明上述实施例的SVM分类器的训练方法所训练好的SVM分类器；和
d)将分类为该正样本的该超像素的像素值设置为0，保留分类为该负样本的该超像素的像素值，根据每个该超像素的中心生成锈蚀缺陷分割图像。
根据本发明实施例的石化储罐锈蚀缺陷分割方法通过将每个该超像素的颜色特征与纹理特征与其邻域超像素的颜色特征和纹理特征进行级联，从而可以有效地克服该超像素自身的颜色特征和纹理特征表示的局限性。由此不仅可以提高该石化储罐锈蚀缺陷分割方法的分割精度，而且可以在不同光照和阴影下对该锈蚀缺陷图像进行精确地分割，以便具有优异的普遍适用性。
通过利用训练好的SVM分类器对该超像素进行分类，从而可以在确保分类准确率和分割精度的情况下，极大地提高分类效率，进而可以提高分割效率。
因此，根据本发明实施例的石化储罐锈蚀缺陷分割方法具有分割精度高、适应性强、应用范围广、分割效率高等优点。
可选地，根据本发明实施例的石化储罐锈蚀缺陷分割方法包括以下步骤：
a)获取石化储罐的锈蚀缺陷图像，先将该锈蚀缺陷图像的尺寸调整为256*256像素，然后根据该锈蚀缺陷图像生成150个超像素。
b)提取每个该超像素的颜色特征与纹理特征，将该超像素的颜色特征和纹理特征与邻域超像素的颜色特征和纹理特征进行级联，以便构建该超像素的特征向量。该级联如上所述，在此不再重复描述。
c)利用SVM分类器对该超像素的特征向量进行判断，以便将该超像素分为正样本或负样本，其中利用根据本发明上述实施例的SVM分类器的训练方法对该SVM分类器进行训练；和
d)将分类为该正样本的该超像素的像素值设置为0，保留分类为该负样本的该超像素的像素值，根据每个该超像素的中心生成256*256像素的锈蚀缺陷分割图像。
可选地，该超像素的颜色特征包括：(1)CIELAB颜色空间里的a*颜色通道的一阶颜色矩、二阶颜色矩和三阶颜色矩；(2)CIELAB颜色空间里的b*颜色通道的一阶颜色矩、二阶颜色矩和三阶颜色矩；(3)RGB颜色空间的R颜色通道的一阶颜色矩、二阶颜色矩和三阶颜色矩；(4)RGB颜色空间的G颜色通道的一阶颜色矩、二阶颜色矩和三阶颜色矩；(5)RGB颜色空间的B颜色通道的一阶颜色矩、二阶颜色矩和三阶颜色矩。
该一级邻域超像素的颜色特征包括：(1)CIELAB颜色空间里的a*颜色通道的一阶颜色矩、二阶颜色矩和三阶颜色矩；(2)CIELAB颜色空间里的b*颜色通道的一阶颜色矩、二阶颜色矩和三阶颜色矩；(3)RGB颜色空间的R颜色通道的一阶颜色矩、二阶颜色矩和三阶颜色矩；(4)RGB颜色空间的G颜色通道的一阶颜色矩、二阶颜色矩和三阶颜色矩；(5)RGB颜色空间的B颜色通道的一阶颜色矩、二阶颜色矩和三阶颜色矩。
可选地，该超像素的纹理特征包括灰度共生矩阵中的对比度、相关性、能量和同质性，该一级邻域超像素的纹理特征包括灰度共生矩阵中的对比度、相关性、能量和同质性。
实验验证了在不同光照和阴影下的锈蚀缺陷分割结果，同时验证了全连接CRF模型对SVM分类器的分类结果的优化作用，验证结果如图4a-图6d所示。该实验基于Ubuntu16.04操作系统，Python语言编程，实验平台配置为Intel i5-8250U,基准频率1.6GHz,12G内存。
图4a、图5a和图6a为待分割的石化储罐的锈蚀缺陷图像，图4b、图5b和图6b为人工标注的图像分割真值。图4c、图5c和图6c为未经过全连接CRF模型优化的锈蚀缺陷分割图像，即以未经过全连接CRF模型优化的SVM分类器的分类结果生成的锈蚀缺陷分割图像。图4d、图5d和图6d为经过全连接CRF模型优化的锈蚀缺陷分割图像，即以经过全连接CRF模型优化的SVM分类器的分类结果生成的锈蚀缺陷分割图像。
由图4a-图6d可以看出，本发明所提出的基于超像素的颜色特征和纹理特征级联的锈蚀缺陷分割方法几乎不受亮度和阴影的影响，分割结果与人工标注真值十分接近。
本发明利用计算机视觉检测技术，将储罐锈蚀缺陷数字化、定量化，便于分析和应用，提高检测效率的同时，也提高了检测精度和标准化程度。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种SVM分类器的训练方法，其特征在于，包括以下步骤：
A)获得不同锈蚀程度的多个储罐锈蚀缺陷图像，根据多个所述储罐锈蚀缺陷图像在RGB颜色空间的像素值定义锈蚀缺陷像素范围；
B)选择多个储罐锈蚀缺陷图像作为训练图像，根据所述训练图像生成多个超像素；
C)提取每个所述超像素的颜色特征与纹理特征，将所述超像素的颜色特征和纹理特征与邻域超像素的颜色特征和纹理特征进行级联，以便构建所述超像素的特征向量，多个所述超像素的所述特征向量构成训练数据集；
D)根据所述锈蚀缺陷像素范围对多个所述超像素进行标注，以便得到多个所述超像素的标注结果，其中将所述超像素标注为正样本或负样本；和
E)利用所述训练数据集和所述标注结果训练所述SVM分类器。
2.根据权利要求1所述的SVM分类器的训练方法，其特征在于，所述步骤A)包括：
A-1)采集不同锈蚀程度的多个所述储罐锈蚀缺陷图像；和
A-2)根据多个所述储罐锈蚀缺陷图像的像素值在R颜色通道的最大值和最小值确定R颜色通道的取值范围，根据多个所述储罐锈蚀缺陷图像的像素值在G颜色通道的最大值和最小值确定G颜色通道的取值范围，根据多个所述储罐锈蚀缺陷图像的像素值在B颜色通道的最大值和最小值确定B颜色通道的取值范围，R颜色通道的所述取值范围、G颜色通道的所述取值范围和B颜色通道的所述取值范围构成所述锈蚀缺陷像素范围。
3.根据权利要求2所述的SVM分类器的训练方法，其特征在于，R颜色通道的所述取值范围为75-246，G颜色通道的所述取值范围为22-174，B颜色通道的所述取值范围为0-115。
4.根据权利要求1所述的SVM分类器的训练方法，其特征在于，在所述步骤B)中，先将所述训练图像的尺寸调整为256*256像素，再利用简单线性迭代聚类算法对所述训练图像进行超像素分割以便生成多个所述超像素。
5.根据权利要求4所述的SVM分类器的训练方法，其特征在于，每个所述训练图像生成150个所述超像素。
6.根据权利要求1所述的SVM分类器的训练方法，其特征在于，在所述步骤C)中，将所述超像素的颜色特征和纹理特征记为F0(S,I)，将一级邻域超像素的颜色特征和纹理特征记为F1(S,I)，所述超像素S的所述特征向量表示为F(S,I)＝[F0(S,I),F1(S,I)]。
可选地，所述超像素的颜色特征包括CIELAB颜色空间里的a*颜色通道和b*颜色通道以及RGB颜色空间的R颜色通道、G颜色通道和B颜色通道中的每一者的一阶颜色矩、二阶颜色矩和三阶颜色矩，所述一级邻域超像素的颜色特征包括CIELAB颜色空间里的a*颜色通道和b*颜色通道以及RGB颜色空间的R颜色通道、G颜色通道和B颜色通道中的每一者的一阶颜色矩、二阶颜色矩和三阶颜色矩。
可选地，所述超像素的纹理特征包括灰度共生矩阵中的对比度、相关性、能量和同质性，所述一级邻域超像素的纹理特征包括灰度共生矩阵中的对比度、相关性、能量和同质性。
7.根据权利要求1所述的SVM分类器的训练方法，其特征在于，所述步骤E)包括：
E-1)将所述训练数据集分为训练集和测试集；
E-2)利用所述训练集中的所述超像素的所述特征向量训练所述SVM分类器；
E-3)利用训练后的所述SVM分类器对所述测试集中的所述超像素的特征向量进行判断，以便将所述测试集中的所述超像素分为正样本或负样本，当所述SVM分类器的分类准确率的浮动阈值小于等于0.5％时，停止所述训练，当所述SVM分类器的分类准确率的浮动阈值大于0.5％时，将错分的所述超像素加入到所述训练集以便再次利用所述训练集中的所述超像素的所述特征向量训练所述SVM分类器，直至所述SVM分类器的分类准确率的浮动阈值小于等于0.5％。
8.根据权利要求1所述的SVM分类器的训练方法，其特征在于，所述步骤D)包括：
D-1)选取所述超像素的出现频次大于50％的像素值作为所述超像素的主色；和
D-2)判断所述超像素的所述主色是否在所述锈蚀缺陷像素范围内，如果所述超像素的所述主色在所述锈蚀缺陷像素范围内，将所述超像素标注为负样本，如果所述超像素的所述主色不在所述锈蚀缺陷像素范围内，将所述超像素标注为正样本。
9.根据权利要求1所述的SVM分类器的训练方法，其特征在于，进一步包括：
E)构建基于所述超像素的概率分布的全连接CRF模型，所述全连接CRF模型对应的吉布斯能量函数为
通过最小化E(x)，获得优化后的分类结果。
10.一种石化储罐锈蚀缺陷分割方法，其特征在于，包括以下步骤：
a)获取石化储罐的锈蚀缺陷图像，根据所述锈蚀缺陷图像生成多个超像素；
b)提取每个所述超像素的颜色特征与纹理特征，将所述超像素的颜色特征和纹理特征与邻域超像素的颜色特征和纹理特征进行级联，以便构建所述超像素的特征向量；
c)利用SVM分类器对所述超像素的特征向量进行判断，以便将所述超像素分为正样本或负样本，其中所述SVM分类器为利用根据权利要求1-9中任一项所述的SVM分类器的训练方法所训练好的SVM分类器；和
d)将分类为所述正样本的所述超像素的像素值设置为0，保留分类为所述负样本的所述超像素的像素值，根据每个所述超像素的中心生成锈蚀缺陷分割图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011081229.4A CN112200246A (zh) | 2020-10-09 | 2020-10-09 | Svm分类器的训练方法和石化储罐锈蚀缺陷分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011081229.4A CN112200246A (zh) | 2020-10-09 | 2020-10-09 | Svm分类器的训练方法和石化储罐锈蚀缺陷分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112200246A true CN112200246A (zh) | 2021-01-08 |
Family
ID=74013414
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011081229.4A Pending CN112200246A (zh) | 2020-10-09 | 2020-10-09 | Svm分类器的训练方法和石化储罐锈蚀缺陷分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112200246A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610832A (zh) * | 2021-08-19 | 2021-11-05 | 创优数字科技(广东)有限公司 | 一种徽标缺陷检测方法、装置、设备和存储介质 |
| CN114937041A (zh) * | 2022-07-25 | 2022-08-23 | 聊城市博源节能科技有限公司 | 一种汽车发动机油路铜套缺陷检测方法及系统 |
| CN115082480A (zh) * | 2022-08-23 | 2022-09-20 | 启东市鸿盛纺织有限公司 | 一种基于颜色共生矩阵的家纺耐摩擦色牢度检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480693A (zh) * | 2017-07-06 | 2017-12-15 | 南京师范大学 | 条件随机场框架嵌入配准信息的弱监督图像场景理解方法 |
| CN108537816A (zh) * | 2018-04-17 | 2018-09-14 | 福州大学 | 一种基于超像素和背景连接先验的显著物体分割方法 |
| CN109829507A (zh) * | 2019-02-21 | 2019-05-31 | 国网上海市电力公司 | 航拍高压输电线路环境检测方法 |
| CN110264461A (zh) * | 2019-06-25 | 2019-09-20 | 南京工程学院 | 基于超声乳腺肿瘤图像的微小钙化点自动检测方法 |
| CN111695482A (zh) * | 2020-06-04 | 2020-09-22 | 华油钢管有限公司 | 一种管道缺陷识别方法 |
-
2020
- 2020-10-09 CN CN202011081229.4A patent/CN112200246A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480693A (zh) * | 2017-07-06 | 2017-12-15 | 南京师范大学 | 条件随机场框架嵌入配准信息的弱监督图像场景理解方法 |
| CN108537816A (zh) * | 2018-04-17 | 2018-09-14 | 福州大学 | 一种基于超像素和背景连接先验的显著物体分割方法 |
| CN109829507A (zh) * | 2019-02-21 | 2019-05-31 | 国网上海市电力公司 | 航拍高压输电线路环境检测方法 |
| CN110264461A (zh) * | 2019-06-25 | 2019-09-20 | 南京工程学院 | 基于超声乳腺肿瘤图像的微小钙化点自动检测方法 |
| CN111695482A (zh) * | 2020-06-04 | 2020-09-22 | 华油钢管有限公司 | 一种管道缺陷识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 祝胜男 等: ""利用超像素级上下文特征进行靠岸集装箱船检测"", 《武汉大学学报 信息科学版》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610832A (zh) * | 2021-08-19 | 2021-11-05 | 创优数字科技(广东)有限公司 | 一种徽标缺陷检测方法、装置、设备和存储介质 |
| CN114937041A (zh) * | 2022-07-25 | 2022-08-23 | 聊城市博源节能科技有限公司 | 一种汽车发动机油路铜套缺陷检测方法及系统 |
| CN115082480A (zh) * | 2022-08-23 | 2022-09-20 | 启东市鸿盛纺织有限公司 | 一种基于颜色共生矩阵的家纺耐摩擦色牢度检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2023155069A1 (zh) | 一种基于深度学习的手机电池表面缺陷检测方法 | |
| CN112200246A (zh) | Svm分类器的训练方法和石化储罐锈蚀缺陷分割方法 | |
| CN113689428B (zh) | 基于图像处理的机械零件应力腐蚀检测方法及系统 | |
| CN112241699B (zh) | 物体缺陷类别识别方法、装置、计算机设备和存储介质 | |
| CN115147414B (zh) | 一种双极型功率晶体管表面击穿缺陷检测方法 | |
| US10438096B2 (en) | Identifying and excluding blurred areas of images of stained tissue to improve cancer scoring | |
| CN115351598A (zh) | 一种数控机床轴承检测方法 | |
| CN114419025A (zh) | 一种基于图像处理的纤维板质量评估方法 | |
| CN112508090B (zh) | 一种外包装缺陷检测方法 | |
| CN115690108B (zh) | 一种基于图像处理的铝合金杆生产质量评估方法 | |
| CN114372968B (zh) | 结合注意力机制与自适应记忆性融合网络的瑕疵检测方法 | |
| CN115294140A (zh) | 一种五金零件缺陷检测方法及系统 | |
| CN114372955A (zh) | 一种基于改进神经网络的铸件缺陷x射线图自动识别法 | |
| CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
| CN116012291A (zh) | 工业零件图像缺陷检测方法及系统、电子设备和存储介质 | |
| CN111860106A (zh) | 一种无监督的桥梁裂缝识别方法 | |
| CN115861307B (zh) | 基于人工智能的筋膜枪供电驱动板焊接故障检测方法 | |
| CN109002831A (zh) | 一种基于卷积神经网络的乳腺密度分类方法、系统及装置 | |
| CN118279304B (zh) | 基于图像处理的异型金属件异常识别方法、装置及介质 | |
| CN114882026A (zh) | 基于人工智能的传感器外壳缺陷检测方法 | |
| CN109507193A (zh) | 一种基于局部对比度增强与二值模式的织物瑕疵检测方法 | |
| CN116152242A (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
| CN116934761B (zh) | 一种乳胶手套缺陷自适应检测方法 | |
| CN116883390B (zh) | 模糊抵抗性半监督缺陷检测方法、装置及存储介质 | |
| CN116152674A (zh) | 一种基于改进U-Net模型的大坝无人机影像裂缝智能识别方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210108 |
|
| RJ01 | Rejection of invention patent application after publication |