CN116823725A - 一种基于支持向量机的航空发动机叶片表面缺陷检测方法 - Google Patents

一种基于支持向量机的航空发动机叶片表面缺陷检测方法 Download PDF

Info

Publication number
CN116823725A
CN116823725A CN202310515582.6A CN202310515582A CN116823725A CN 116823725 A CN116823725 A CN 116823725A CN 202310515582 A CN202310515582 A CN 202310515582A CN 116823725 A CN116823725 A CN 116823725A
Authority
CN
China
Prior art keywords
image
classification
support vector
lambda
vector machine
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
CN202310515582.6A
Other languages
English (en)
Inventor
姜晓涵
徐昌一
孙希明
王栋
于欣萌
刘方舟
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.)
Dalian University of Technology
Original Assignee
Dalian 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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202310515582.6A priority Critical patent/CN116823725A/zh
Publication of CN116823725A publication Critical patent/CN116823725A/zh
Pending legal-status Critical Current

Links

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/817—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level by voting
    • 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
    • G06T2207/30164—Workpiece; Machine component

Abstract

一种基于支持向量机的航空发动机叶片表面缺陷检测方法，包括如下步骤：对图像去噪处理；利用直方图均衡化和分段线性化消除光照影响，增强图像对比度，利用大津阈值法将图像转化为二值图像；对缺陷图像形状特征提取和HOG特征提取得到特征向量；将特征向量输入到分类算法中进行缺陷识别与分类。针对于航空发动机叶片的现实数据集较少，影响设计算法的检测精度，而人工采集建立数据集耗时耗力，该方法中支持向量机的决策函数只依赖于支持向量，分类速度比较快，同时，数据集训练样本的数量对支持向量机的效果影响不大，相对于卷积神经网络等算法而言，不需要大量训练样本，在小样本数据集上的表现良好，解决了叶片表面缺陷检测小样本数据集的问题。

Description

一种基于支持向量机的航空发动机叶片表面缺陷检测方法
发明内容
本发明属于航空发动机表面缺陷智能识别与分类技术领域，提供了一种基于支持向量机的航空发动机叶片表面缺陷检测方法。
背景技术
在航空航天领域，航空发动机中的风扇叶片由合金制成，目前，飞机发动机孔探检查是对发动机核心机部件检查的重要手段，在日常检查过程中，机务人员将内窥镜探头伸入发动机内部，在不拆解发动机的情况下，通过孔探设备屏幕上的图像，观测发动机内部零件、完成检查，主要依靠孔探图像进行人工识别，效率不高。近年来，随着机器学习、深度学习的发展，国内外许多专家学者利用机器视觉和深度学习对表面缺陷检测方法进行了研究，例如makussvensein等人在《Deep neural networks analysis of borescope images》中基于深度神经网络构建了大型涡扇发动机的检测网络，神经网络选取了CNN网络，通过训练实现对GE机队的发动机五类部位进行分类。
但目前针对于叶片表面缺陷检测的研究不多，且由于航空发动机叶片缺陷样本较难收集，存在工业小样本问题，即现实数据集过少，导致训练数据集数量不足，影响检测精度，而人工采集建立数据集耗时耗力。
本发明中支持向量机的决策函数只依赖于支持向量，分类速度比较快，同时，数据集训练样本的数量对支持向量机的效果影响不大，相对于卷积神经网络等算法而言，不需要大量训练样本，在小样本数据集上的表现良好。
发明内容
本发明的目的是提供了一种基于支持向量机的航空发动机叶片表面缺陷检测方法。
本发明的技术方案：
一种基于支持向量机的航空发动机叶片表面缺陷检测方法，步骤如下：
步骤S1：利用高斯滤波对图像进行去噪处理
高斯滤波器设置为将滤波器窗口内的像素按照模板系数取均值，每一个像素值，由其本身和邻域内的其他像素值经过加权平均得到；在算法中，用选定的一个模板扫描图像中的每一个像素，之后用模板内的像素灰度值加权平均值替代中心像素值，在图像去噪中采用二维高斯滤波，此处选择5*5模板用以滤除高斯噪声，模板系数通过式(1)得到；
式中，σ为标准差，其大小决定了高斯滤波的平滑程度；
步骤S2，将图像转化为二值图像
先对步骤S1生成的图像使用直方图均衡化消除光照带来的影响并增强对比度，得到图像灰度直方图；再使用分段线性化技术，针对图像灰度直方图进行处理，增强图像的对比度；然后采用最大类间方差法即大津阈值法对图像进行二值化，将图像转化为二值图像，便于后续对图像进行几何特征提取；
在进行直方图均衡化时其中所采用的变换函数如式(2)所示；
式中，n表示图像像素数，l为灰度级数，nk表示灰度级为rk的像素的数目；
分段线性化技术：通过调节分段线性函数增强输入图像中感兴趣区域的灰度区域，抑制其他区域灰度区域；通过设置滑动条实现对分段线性函数的手动调节，获取到最佳参数；选择两个分界点，通过调节分界点的大小实现不同的效果，但要保证分段线性函数是单值且单调递增的；
大津阈值法：通过使得式(5)中的类间方差最大得出最佳阈值，使用该阈值对图像进行二值化处理；
假定给定图像大小为M*N，目标与背景的分割阈值记为T，图像中像素灰度值小于阈值T的像素个数记为N0，大于阈值T的像素个数则记为N1，则属于前景的像素占整幅图像的像素比例w0为：
图像像素总平均灰度为：
μ＝w0μ0+w1μ1 (5)
则类间方差为：
式中，表示类间方差，w0为前景像素占整幅图像的像素比例，w1为背景像素占整幅图像的像素比例，μ0表示属于前景的像素平均灰度，μ1表示属于背景的像素平均灰度；
步骤S3：缺陷图像形状特征提取
利用步骤S2中得到的二值图像进行几何特征提取，包括面积、最小外接矩形面积、长宽比、区间占空比，对不同的数据进行归一化，将数据归一化至-1～1区间；
其中面积采用将轮廓近似成一个多边形进行求解，求轮廓内所包含的所有像素的个数；
区间占空比指的是区域的占空比，通过计算待识别的目标区域面积与它的最小外接矩形面积的比值得到的；
步骤S4：HOG特征提取
以步骤S1得到的图像为基础，进行HOG特征提取；
步骤S5：缺陷分类算法设计
将步骤S3、步骤S4中的特征进行串联组合，作为特征向量输入到分类器中；
多分类设计采取加权支持向量机及投票加权算法进行多分类概率估计，首先将多分类问题转化为二分类问题，针对于每个二分类问题使用分段加权支持向量机进行分类，分段概率组合得到每个二分类问题得分类概率，进行加权投票得到最后分类的结果及概率。
进一步，步骤S4中，
首先将滤波后的图像灰度化，重新规定图像大小，提取每个像素的水平方向梯度和垂直方向梯度，计算出每个像素的梯度大小和梯度方向；之后将图像分成许多小cell，选取无向梯度，将0～180度角度平均分为九个通道，统计cell中每个像素的梯度在这些通道上的幅值，形成梯度分布直方图；最后对梯度分布做归一化处理，减小像素值对梯度值的影响，用窗口评议的方法，对窗口中每个cell中的梯度做归一化，最终所有窗口的特征值进行整合，形成图像的HOG特征。
进一步，步骤S5中，
多分类设计采取加权支持向量机及投票加权算法进行多分类概率估计；其中支持向量机采用径向基核函数，拉格朗日乘数最优解λ*的求取使用SMO算法；
SMO算法的步骤为：第一个变量λi的选择为外层循环函数；外层循环选取的是输入的特征向量中违反KKT条件最严重的数据点，将其对应的变量作为第一个变量，检验训练样本是否满足KKT条件；在选取过程中，首先，外层循环首先遍历所有满足0＜λi＜C的点，其中C为惩罚函数，检验在边界上的支持向量是否都满足KKT条件，选取违反KKT条件最严重λi，如果以上样本点都满足KKT条件，则遍历整个数据集训练集样本，检验是否满足KKT条件，然后选取违反KKT条件最严重的λi；遍历时，优先选择遍历非边界数据样本，直到选出违反KKT条件的样本，当没有非边界数据样本需要调整时，遍历所有数据样本，检验是否所有样本均符合KKT条件，如果有样本仍然不符合，则再次遍历非边界数据样本，重复上述步骤，直到所有样本都满足KKT条件；
第二个变量λj通过内循环来选择，通过计算迭代步长求出最大化迭代步长对应的乘子；选择好两个拉格朗日乘子之后，需要先计算参数的约束值，根据约束值求解约束最大化问题；首先根据λj的可行域计算出优化后的λj，将优化好的λj代入式(6)求得λi；
其中，是更新得到的λj，λi为优化后的拉格朗日函数的第一个变量，y(i)为第i个特征向量对应的类标记值，y(j)为第j个特征向量对应的类标记值，/>为上一轮循环得到的λj，λj为拉格朗日函数的第二个变量；
加权支持向量机及投票加权算法具体描述如下：
假设共需要分为k类，则转化为个二分类问题；对于每个二分类问题，使用四个加权支持向量机进行分类，权重分别选择0.2、0.4、0.6、0.8；对于每一次加权支持向量机得结果均赋予0.25的概率值，将四次结果相加得到此二分类的结果概率；
对每一类进行求取平均值得到类中心点，针对于第i类而言，求其与第j类中心点的欧拉距离lij，其中j＝1,...,K，求出i对其他类的所有欧拉距离后求投票权重；第i类与第j类二分类问题的权重由式(7)求得；
将二分类的结果概率与pij相乘得到本次二分类的投票结果，将所有二分类投票结果相加即得到最终分类类别及其对应的概率估计。
本发明的有益效果：本发明提供了一种基于支持向量机的航空发动机叶片表面缺陷检测方法，该方法包括如下步骤：利用高斯滤波对图像进行去噪处理；利用直方图均衡化和分段线性化技术消除光照影响，增强图像对比度，利用大津阈值法将图像转化为二值图像；对缺陷图像形状特征提取和HOG特征提取得到特征向量；将特征向量输入到分类算法中进行缺陷识别与分类。
针对于航空发动机叶片的现实数据集较少，影响设计算法的检测精度，而人工采集建立数据集耗时耗力，该方法中支持向量机的决策函数只依赖于支持向量，分类速度比较快，同时，数据集训练样本的数量对支持向量机的效果影响不大，相对于卷积神经网络等算法而言，不需要大量训练样本，在小样本数据集上的表现良好，解决了叶片表面缺陷检测小样本数据集的问题。
附图说明
图1是本发明提供的航空发动机叶片表面缺陷检测流程图。
图2是高斯滤波前后效果对比图。
图3(a)是原始图片。(b)是原始图片灰度分布直方图。(c)是进行直方图均衡化后的结果。(d)是直方图均衡化后对应图片的灰度分布直方图。(e)是对应变换的灰度变换函数。
图4(a)是分段线性函数。(b)是原始图片灰度分布直方图。(c)是进行分段线性化后图像灰度分布直方图。
图5是OTSU二值化算法流程图。
图6是二值化前后效果示例图。
图7是选取某一缺陷进行形状特征提取的示例图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及实验数据的分析来详细叙述本发明的具体实施方式。
本实施为一种基于支持向量机的航空发动机叶片表面缺陷检测方法，附图1表示航空发动机叶片表面缺陷检测方法流程，包括以下步骤。
步骤S1：实际数据集的选取
研究对象为金属表面，根据本方法的研究对象的金属特征，使用由东北大学发布的热轧钢带典型表面缺陷数据库作为数据集进行测试，选取了该数据集图像与金属部件表面损伤图像相近的三个特征，即内含物、划痕、斑块三类缺陷进行分类处理，每类缺陷包含300个样本，图片大小由200*200缩放至512*512。从数据集每类缺陷图片中按照7:3的比例随机抽取分为训练集和测试集。
步骤S2：图像高斯滤波滤除噪声
高斯滤波可以滤除一部分噪声，并且可以保存一些细节，综合上述优点，选取高斯滤波进行图像去噪处理。借助OpenCV库中的GaussianBlur()函数进行实现，此处选取滤波模板为5*5模板，批量对图像进行滤波。滤波效果如图2所示。
步骤S3：直方图均衡化及分段线性化进行图像增强
对滤波后的图像进行批量直方图均衡化处理，首先输入图像，通过计算图片总像素数求出图像的概率密度，通过累积分布函数变换实现直方图均衡化，之后根据累积分布函数得到输入像素点和输出像素点之间的关系，最后根据映射关系得到处理后的图像。对图像进行直方图可视化显示，并求出其对应的灰度变换函数，效果及可视化显示如图3所示。图像由原灰度集中分布图像变为灰度均匀分布图像，实现对比度增强。
进一步地，对直方图均衡化后的图像进行分段线性化处理，算法选择使用三段分段线性函数，确定两点即可确定该函数，对每一个像素点灰度经过分段函数进行线性变换，得到输出图像。本文通过设置滑动条实现对分段函数进行手动调节，便于获取到最佳参数。此处选择了两个分界点，通过调节分界点的大小可以实现不同的效果，但需要保证分段函数是单值且单调递增的，这样可以保持灰度级次序，避免了在处理后的图像中产生人为的灰度错误情况。经过试验参数，选取线性分段函数如图4所示。此处x1为50，y1为143，x2为163，y2为23。选取该分段函数后，增强图像中感兴趣的区域的灰度，抑制其他区域灰度，图像灰度直方图由均匀分布变为对比度明显区分的两级分布。
步骤S4：图像二值化处理
将进行分段线性化的图像进行OTSU二值化处理，该算法设计时用阈值遍历0-255所有整数，求出对应的方差，取最大方差对应的阈值对图像进行分割。算法设计流程如图5所示。
使用OTSU法批量处理图像，使灰度图像转化为二值图像，效果如图6所示，缺陷部位与背景可以明显区分。
步骤S5：图像特征提取过程
在步骤4中进行二值化处理得到二值图像，作为形状特征提取的输入图像。
形状特征提取首先调用OpenCV库的函数获取图像轮廓，再将轮廓近似成一个多边形近似计算该轮廓的面积。之后获取轮廓最上、最下、最左、最右的四个点坐标，得到外接矩形，将图像按照顺时针旋转一定度数，求取轮廓面积，直至旋转一周，获得最小外接矩形面积。长宽比利用最小外接矩形的数据即可得到，区域占空比利用已得到的轮廓面积与外接矩形面积即可求得，其中一个缺陷图像特征提取示意图如图7所示。具体数据如表1所示。形状特征最后需要进行归一化处理，将其归一化至-1～1区间。
表1形状特征提取数值示例
序号 形状特征 数值
1 面积 8.5
2 外接矩形面积 27.0
3 最小外接矩形面积 15.5
4 长宽比 4.1
5 区域占空比 54.7％
在步骤S2中滤波后的图像作为HOG特征提取的输入图像。
选取无向梯度、3*3矩形区间和9个直方图通道。首先将滤波后的图像灰度化，重新规定图像大小，提取每个像素的水平方向梯度和垂直方向梯度，计算出每个像素的梯度大小和梯度方向。之后将图像分成许多小cell，选取无向梯度，将0～180度角度平均分为九个通道，统计cell中每个像素的梯度在这些通道上的幅值，形成梯度分布直方图。最后对梯度分布做归一化处理，减小像素值对梯度值的影响，用窗口评议的方法，每次选则4个cell，对4个cell中的梯度做归一化，最终所有窗口的特征值进行整合，形成图像的HOG特征。
步骤S6：分类器算法设计
基于步骤S5得到HOG特征和归一化后的形状特征进行融合，形成7维特征向量输入到分类器中。多分类设计采取层次支持向量机方法，采用径向基核函数。拉格朗日乘数最优解λ*的求取使用SMO算法。
第一个变量λi的选择为外层循环函数。外层循环选取的是样本中违反KKT条件最严重的数据点，将其对应的变量作为第一个变量，检验训练样本是否满足KKT条件。在选取过程中，首先，外层循环首先遍历所有满足0＜λi＜C的点，检验在边界上的支持向量是否都满足KKT条件，选取违反KKT条件最严重λi，如果以上样本点都满足KKT条件，则遍历整个数据集训练集样本，检验是否满足KKT条件，然后选取违反KKT条件最严重的λi。遍历时，优先选择遍历非边界数据样本，直到选出违反KKT条件的样本，当没有非边界数据样本需要调整时，遍历所有数据样本，检验是否所有样本均符合KKT条件，如果有样本仍然不符合，则再次遍历非边界数据样本，重复上述步骤，直到所有样本都满足KKT条件。在遍历时，检验是否满足KKT条件允许存在误差，达到一定精度即可停止，不必十分精准。第二个变量λj通过内循环来选择，通过计算迭代步长求出最大化迭代步长对应的乘子。选择好两个拉格朗日乘子之后，需要先计算参数的约束值，根据约束值求解约束最大化问题。首先根据λj的可行域计算出优化后的λj，将优化好的λj代入式(6)求得λi。
总体流程中，将内含物归为一类，将划痕、斑块归为一类，进行二分类，之后将划痕、斑块输入第二个支持向量机，实现第二次分类，最终将第一次分类和第二次分类的结果输出，实现多分类。
在本发明的实际测试中选取了划痕、斑块、内含物三类缺陷图像进行测试，一共构建三组分类器，每一组分类器包含四个加权支持向量机，其中权重分别选择0.2、0.4、0.6、0.8；对于每一次加权支持向量机得结果均赋予0.25的概率值，将四次结果相加得到此组的结果概率；对每一类进行求取平均值得到类中心点，计算划痕与内含物、斑块与内含物、划痕与斑块之间的欧拉距离，得到投票权重。将二分类的结果概率与投票权重pij相乘得到本次二分类的投票结果，将所有二分类投票结果相加即得到最终分类类别及其对应的概率估计。
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，上述实施例仅用以说明本发明的技术方案，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明原理和宗旨情况下，在本发明的范围内可以对以上述实施例进行修改和替换。

Claims (3)

1.一种基于支持向量机的航空发动机叶片表面缺陷检测方法，其特征在于，步骤如下：
步骤S1：利用高斯滤波对图像进行去噪处理
高斯滤波器设置为将滤波器窗口内的像素按照模板系数取均值，每一个像素值，由其本身和邻域内的其他像素值经过加权平均得到；在算法中，用选定的一个模板扫描图像中的每一个像素，之后用模板内的像素灰度值加权平均值替代中心像素值，在图像去噪中采用二维高斯滤波，此处选择5*5模板用以滤除高斯噪声，模板系数通过式(1)得到；
式中，σ为标准差，其大小决定了高斯滤波的平滑程度；
步骤S2，将图像转化为二值图像
先对步骤S1生成的图像使用直方图均衡化消除光照带来的影响并增强对比度，得到图像灰度直方图；再使用分段线性化技术，针对图像灰度直方图进行处理，增强图像的对比度；然后采用最大类间方差法即大津阈值法对图像进行二值化，将图像转化为二值图像，便于后续对图像进行几何特征提取；
在进行直方图均衡化时其中所采用的变换函数如式(2)所示；
式中，n表示图像像素数，l为灰度级数，nk表示灰度级为rk的像素的数目；
分段线性化技术：通过调节分段线性函数增强输入图像中感兴趣区域的灰度区域，抑制其他区域灰度区域；通过设置滑动条实现对分段线性函数的手动调节，获取到最佳参数；选择两个分界点，通过调节分界点的大小实现不同的效果，但要保证分段线性函数是单值且单调递增的；
大津阈值法：通过使得式(5)中的类间方差最大得出最佳阈值，使用该阈值对图像进行二值化处理；
假定给定图像大小为M*N，目标与背景的分割阈值记为T，图像中像素灰度值小于阈值T的像素个数记为N0，大于阈值T的像素个数则记为N1，则属于前景的像素占整幅图像的像素比例w0为：
图像像素总平均灰度为：
μ＝w0μ0+w1μ1 (5)
则类间方差为：
式中，表示类间方差，w0为前景像素占整幅图像的像素比例，w1为背景像素占整幅图像的像素比例，μ0表示属于前景的像素平均灰度，μ1表示属于背景的像素平均灰度；
步骤S3：缺陷图像形状特征提取
利用步骤S2中得到的二值图像进行几何特征提取，包括面积、最小外接矩形面积、长宽比、区间占空比，对不同的数据进行归一化，将数据归一化至-1～1区间；
其中面积采用将轮廓近似成一个多边形进行求解，求轮廓内所包含的所有像素的个数；
区间占空比指的是区域的占空比，通过计算待识别的目标区域面积与它的最小外接矩形面积的比值得到的；
步骤S4：HOG特征提取
以步骤S1得到的图像为基础，进行HOG特征提取；
步骤S5：缺陷分类算法设计
将步骤S3、步骤S4中的特征进行串联组合，作为特征向量输入到分类器中；
多分类设计采取加权支持向量机及投票加权算法进行多分类概率估计，首先将多分类问题转化为二分类问题，针对于每个二分类问题使用分段加权支持向量机进行分类，分段概率组合得到每个二分类问题得分类概率，进行加权投票得到最后分类的结果及概率。
2.根据权利要求1所述的基于支持向量机的航空发动机叶片表面缺陷检测方法，其特征在于，步骤S4中，
首先将滤波后的图像灰度化，重新规定图像大小，提取每个像素的水平方向梯度和垂直方向梯度，计算出每个像素的梯度大小和梯度方向；之后将图像分成许多小cell，选取无向梯度，将0～180度角度平均分为九个通道，统计cell中每个像素的梯度在这些通道上的幅值，形成梯度分布直方图；最后对梯度分布做归一化处理，减小像素值对梯度值的影响，用窗口评议的方法，对窗口中每个cell中的梯度做归一化，最终所有窗口的特征值进行整合，形成图像的HOG特征。
3.根据权利要求1所述的基于支持向量机的航空发动机叶片表面缺陷检测方法，其特征在于，步骤S5中，
多分类设计采取加权支持向量机及投票加权算法进行多分类概率估计；其中支持向量机采用径向基核函数，拉格朗日乘数最优解λ*的求取使用SMO算法；
SMO算法的步骤为：第一个变量λi的选择为外层循环函数；外层循环选取的是输入的特征向量中违反KKT条件最严重的数据点，将其对应的变量作为第一个变量，检验训练样本是否满足KKT条件；在选取过程中，首先，外层循环首先遍历所有满足0＜λi＜C的点，其中C为惩罚函数，检验在边界上的支持向量是否都满足KKT条件，选取违反KKT条件最严重λi，如果以上样本点都满足KKT条件，则遍历整个数据集训练集样本，检验是否满足KKT条件，然后选取违反KKT条件最严重的λi；遍历时，优先选择遍历非边界数据样本，直到选出违反KKT条件的样本，当没有非边界数据样本需要调整时，遍历所有数据样本，检验是否所有样本均符合KKT条件，如果有样本仍然不符合，则再次遍历非边界数据样本，重复上述步骤，直到所有样本都满足KKT条件；
第二个变量λj通过内循环来选择，通过计算迭代步长求出最大化迭代步长对应的乘子；选择好两个拉格朗日乘子之后，需要先计算参数的约束值，根据约束值求解约束最大化问题；首先根据λj的可行域计算出优化后的λj，将优化好的λj代入式(6)求得λi；
其中，是更新得到的λj，λi为优化后的拉格朗日函数的第一个变量，y(i)为第i个特征向量对应的类标记值，y(j)为第j个特征向量对应的类标记值，/>为上一轮循环得到的λj，λj为拉格朗日函数的第二个变量；
加权支持向量机及投票加权算法具体描述如下：
假设共需要分为k类，则转化为个二分类问题；对于每个二分类问题，使用四个加权支持向量机进行分类，权重分别选择0.2、0.4、0.6、0.8；对于每一次加权支持向量机得结果均赋予0.25的概率值，将四次结果相加得到此二分类的结果概率；
对每一类进行求取平均值得到类中心点，针对于第i类而言，求其与第j类中心点的欧拉距离lij，其中j＝1,...,K，求出i对其他类的所有欧拉距离后求投票权重；第i类与第j类二分类问题的权重由式(7)求得；
将二分类的结果概率与pij相乘得到本次二分类的投票结果，将所有二分类投票结果相加即得到最终分类类别及其对应的概率估计。
CN202310515582.6A 2023-05-09 2023-05-09 一种基于支持向量机的航空发动机叶片表面缺陷检测方法 Pending CN116823725A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310515582.6A CN116823725A (zh) 2023-05-09 2023-05-09 一种基于支持向量机的航空发动机叶片表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310515582.6A CN116823725A (zh) 2023-05-09 2023-05-09 一种基于支持向量机的航空发动机叶片表面缺陷检测方法

Publications (1)

Publication Number Publication Date
CN116823725A true CN116823725A (zh) 2023-09-29

Family

ID=88117524

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310515582.6A Pending CN116823725A (zh) 2023-05-09 2023-05-09 一种基于支持向量机的航空发动机叶片表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN116823725A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117291914A (zh) * 2023-11-24 2023-12-26 南昌江铃华翔汽车零部件有限公司 汽车零部件缺陷检测方法、系统、计算机及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117291914A (zh) * 2023-11-24 2023-12-26 南昌江铃华翔汽车零部件有限公司 汽车零部件缺陷检测方法、系统、计算机及存储介质
CN117291914B (zh) * 2023-11-24 2024-02-09 南昌江铃华翔汽车零部件有限公司 汽车零部件缺陷检测方法、系统、计算机及存储介质

Similar Documents

Publication Publication Date Title
CN113538433B (zh) 基于人工智能的机械铸件缺陷检测方法及系统
CN109255344B (zh) 一种基于机器视觉的数显式仪表定位与读数识别方法
CN106846316B (zh) 一种gis内部典型缺陷图像自动识别方法
CN109523529B (zh) 一种基于surf算法的输电线路缺陷识别方法
CN113724231B (zh) 一种基于语义分割和目标检测融合模型的工业缺陷检测方法
CN115249246B (zh) 一种光学玻璃表面缺陷检测方法
CN108537751B (zh) 一种基于径向基神经网络的甲状腺超声图像自动分割方法
CN111652213A (zh) 一种基于深度学习的船舶水尺读数识别方法
CN111079955A (zh) 一种基于x射线成像的gis设备缺陷检测方法
CN109801305B (zh) 基于深度胶囊网络的sar图像变化检测方法
CN108764312B (zh) 基于ds优化多指标大坝缺陷图像检测方法
CN112396619A (zh) 一种基于语义分割的内部复杂组成的小型颗粒分割方法
CN116823725A (zh) 一种基于支持向量机的航空发动机叶片表面缺陷检测方法
CN113421223B (zh) 基于深度学习和高斯混合的工业产品表面缺陷检测方法
Wang et al. Effective segmentation approach for solar photovoltaic panels in uneven illuminated color infrared images
CN111539330B (zh) 一种基于双svm多分类器的变电站数显仪表识别方法
CN116246174B (zh) 基于图像处理的甘薯种类识别方法
CN116664565A (zh) 一种光伏太阳能电池片的隐裂检测方法及系统
CN109829511B (zh) 基于纹理分类的下视红外图像中云层区域检测方法
CN112418241A (zh) 一种基于红外成像技术的电力设备识别方法
Nie et al. Machine vision-based apple external quality grading
Guo et al. Fault diagnosis of power equipment based on infrared image analysis
Tian et al. Dexined-based aluminum alloy grain boundary detection algorithm
CN113496159A (zh) 一种多尺度卷积与动态权重代价函数的烟尘目标分割方法
Widodo et al. SEGMENTATION OF LUNG CANCER IMAGE BASED ON CYTOLOGIC EXAMINATION USING THRESHOLDING METHOD

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