CN116977266A - 基于小样本图像特征提取的雨棚缺陷检测方法及系统 - Google Patents
基于小样本图像特征提取的雨棚缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN116977266A CN116977266A CN202310393886.XA CN202310393886A CN116977266A CN 116977266 A CN116977266 A CN 116977266A CN 202310393886 A CN202310393886 A CN 202310393886A CN 116977266 A CN116977266 A CN 116977266A
- Authority
- CN
- China
- Prior art keywords
- image
- image set
- feature extraction
- canopy
- defect detection
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 57
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000000605 extraction Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 239000002245 particle Substances 0.000 claims description 30
- 230000004927 fusion Effects 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 20
- 230000009466 transformation Effects 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 5
- 230000008602 contraction Effects 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000001965 increasing effect Effects 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 41
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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
- 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
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明属于雨棚视觉检测技术领域,具体涉及基于小样本图像特征提取的雨棚缺陷检测方法及系统。包括如下步骤:S1,采集铁路站台雨棚缺陷的图像集和铁路站台雨棚完好的图像集,并对图像集进行预处理;S2,分别对预处理后的图像集进行特征提取,提取出不同的特征向量并进行归一化处理;S3,利用步骤S2中归一化后的特征向量构建出新的SVM分类器模型并训练;S4,将需要检测的图像集送入SVM分类器模型进行对比,并对所述图像集进行分类。本发明具有能够用少量的样本训练出较好的模型,节约检测成本,提高检测精度与工作效率的特点。
Description
技术领域
本发明属于雨棚视觉检测技术领域,具体涉及基于小样本图像特征提取的雨棚缺陷检测方法及系统。
背景技术
铁路站台设置有雨棚,为等车的人员遮风挡雨,但是随着使用年限的增加,会出现雨棚的损坏、脱落等安全缺陷问题。目前铁路站台雨棚安全缺陷检测主要依赖人工的目检,人工的目检存在着许多问题,比如需要实时性的重复工作,人工的目检对工作人员的视力要求很高,存在着漏检的风险,效率很低。现有技术中,虽然存在基于人工智能机器视觉的铁路站台雨棚缺陷自动检测的方法与系统,但是由于各种铁路站台雨棚安全缺陷图片图像种类繁多,并且铁路站台雨棚缺陷的图片很难快速大量采集到,且铁路站台雨棚缺陷图片图像集是一种小样本集,所以基于人工智能机器视觉的铁路站台雨棚缺陷自动检测的方法与系统并不适用。
因此,设计一种能够用少量的样本训练出较好的模型,节约检测成本,提高检测精度与工作效率的基于小样本图像特征提取的雨棚缺陷检测方法及系统,就显得十分必要。
例如,申请号为CN202211254426.0的中国专利文献描述的一种基于图像修复的铁路棚车车窗故障图像识别方法,将图像处理与深度学习算法应用到棚车车窗故障自动识别中,并采用图像修复去除真实故障中的红框、人工ps故障、故障图像增强等方式解决故障图像与正常样本不均衡问题。虽然提高了整体算法的稳定性及精度,以及模型的鲁棒性与稳定性,但是其缺点在于,上述图像识别方法,仅适用于棚车车窗故障识别,并不适用属于小样本集的铁路站台雨棚缺陷图片图像集,进而无法满足检测精度与工作效率的要求。
发明内容
本发明是为了克服现有技术中,现有的铁路站台雨棚缺陷自动检测方法,无法快速大量采集样本,进而导致检测精度差与工作效率低下的问题,提供了一种能够用少量的样本训练出较好的模型,节约检测成本,提高检测精度与工作效率的基于小样本图像特征提取的雨棚缺陷检测方法及系统。
为了达到上述发明目的,本发明采用以下技术方案:
基于小样本图像特征提取的雨棚缺陷检测方法,包括如下步骤:
S1,采集铁路站台雨棚缺陷的图像集和铁路站台雨棚完好的图像集,并对图像集进行预处理;
S2,分别对预处理后的图像集进行特征提取,提取出不同的特征向量并进行归一化处理;
S3,利用步骤S2中归一化后的特征向量构建出新的SVM分类器模型并训练;
S4,将需要检测的图像集送入SVM分类器模型进行对比,并对所述图像集进行分类。
作为优选,步骤S1包括如下步骤:
S11,在不同环境下,采集铁路站台雨棚缺陷的图像集和铁路站台雨棚完好的图像集;
S12,对图像集中的图像进行特征融合和拼接处理,得到平面拼接后的图像;
S13,利用中值滤波非线性平滑技术对平面拼接后的图像进行降噪处理,具体过程如下:
设定a1,a2,an表示n个随机输入变量,按值大小降序排列为ai1>ai2>…ain,则n个随机输入变量的中值为
S14,利用小波变换方法对降噪处理后图像进行增强处理,具体过程如下:
对原始图像进行小波分解,得到图像低频成分和高频成分,对小波系数进行非线性增强,将增强后的小波系数进行小波逆变换,得到重构后增强图像;
S15,对增强后的图像进行灰度化处理;
S16,利用ROI算法对图像中的雨棚缺陷部分进行区域提取;
S17,通过傅里叶变换、小波变换和以图像融合为基础的迭代算法对原始样本进行变换,使样本数量增加。
作为优选,步骤S14中,所述对小波系数进行非线性增强,函数关系式满足:
其中,WT代表小波变换;a为尺度因子,用于控制小波函数的伸缩;τ为位移,用于控制小波函数的平移;t代表时间;f(t)为周期性函数;ψ为尺度函数。
作为优选,步骤S17中,所述以图像融合为基础的迭代算法的具体公式如下:
式中,Gn(x,y)为当前融合迭代结果图像的灰度函数;Gn-1(x,y)为原图像的灰度函数,其中G0(x,y)为伪影弱化图像的灰度函数W(x,y);n为算法迭代的次数,用于控制算法时间,取n=1、2、3;B为ROI图像融合系数,代表ROI图像灰度函数在每次迭代中的影响程度,具体取值为0.85;F0(x,y)为原始ROI图像的灰度函数;为当前融合图像所含白色像素数;Call为图像的总像素数。
作为优选,步骤S2包括如下步骤:
S21,对铁路站雨棚图像的纹理特征进行提取,分别提取原图像、傅里叶变化后图像和小波变换后图像的能量灰度、灰度熵、灰度系数和灰度对比度作为特征参数;
S22,对步骤S21提取的特征参数经行归一化处理,使铁路站雨棚的特征参数标准化。
作为优选,步骤S3包括如下步骤:
S31,利用SVM支持向量机训练SVM分类器模型,同时通过python调用libsvm选择RBF核函数,再通过融合算法优化RBF核函数的参数和惩罚因子,进而对SVM分类器模型进行提升。
作为优选,步骤S31中,所述融合算法具体包括如下步骤:
S311,引入大网格搜索法,选定搜索区域为g,设定网格的边长为h,精度要求为1,找到最高准确度的节点,设定以所述节点为四个方块的区域为g1;
S312,引入中网格搜索,对搜索区域g1,设定精度要求为0.1,重复步骤S311的过程,设定对应节点为四个方块的区域为g2;
S313,引入小网格搜索,对搜索区域为g2,设定精度要求为0.01,步骤S311的过程,设定对应节点为四个方块的区域为g3;
S314,利用变网格搜索法将区域缩小到小网格区域,再利用粒子群算法对小网格区域经行全局寻优;
S315,初始化粒子的速度和位置;
S316,自动生成粒子的目标函数值;
S317,通过全局寻优找到粒子的最优位置pij;
S318,比较粒子当前最佳位置的目标函数值与全局最佳目标函数值;若当前最佳位置的目标函数值小于全局最佳目标函数值,则用所述粒子当前最佳位置的坐标和最佳目标函数值;若最优位置pij在若干次内保持不变,则结束寻优操作;具体过程如下公式所示:
其中Mbest为粒子个体当前位置最佳中心点;Pij为第i个粒子个体在第j维上的最佳位置;Pcii介于Pij和Pgj之间的随机位置;m为粒子群规模,为随机参数,Pij为最优位置,Pgj为全局最优位置。
作为优选,步骤S4包括如下步骤:
S41,将需要检测的图像集送入SVM分类器模型进行对比提取,得到分类后的完好的雨棚图像数据和有缺陷的雨棚图像。
本发明还提供了基于小样本图像特征提取的雨棚缺陷检测系统,包括:
采集与预处理模块,用于采集铁路站台雨棚缺陷的图像集和铁路站台雨棚完好的图像集,并对图像集进行预处理;
特征提取模块,用于分别对预处理后的图像集进行特征提取,提取出不同的特征向量并进行归一化处理;
模型构建与训练模块,用于利用归一化后的特征向量构建出新的SVM分类器模型并训练;
图像分类模块,用于将需要检测的图像集送入SVM分类器模型进行对比,并对所述图像集进行分类。
本发明与现有技术相比,有益效果是:本发明根据小样本特征提取的方法对铁路站台雨棚缺陷进行检测,具有所需样本少,检测速度快和检测精度高的特点,为铁路站台雨棚缺陷检测问题提供了一个新的检测方案。当遇到瑕疵检测无法用传统的深度学习的方法解决时,便可以使用此类构建特征工程的方法,用较少的数据集训练检测效果较好的瑕疵检测模型。此类方法可以较好的代替人工,解决了人工检查麻烦,效率低的缺点,为铁路站台乘客的安全提供了保护。
附图说明
图1为本发明中基于小样本图像特征提取的雨棚缺陷检测方法的一种流程图;
图2为本发明中基于小样本图像特征提取的雨棚缺陷检测方法的另一种流程图;
图3为本发明中数据采集及预处理的一种流程图;
图4为本发明中融合算法的一种流程图。
具体实施方式
为了更清楚地说明本发明实施例,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
实施例:
如图1和图2所示,本发明提供了基于小样本图像特征提取的雨棚缺陷检测方法,包括如下步骤:
S1,采集铁路站台雨棚缺陷的图像集和铁路站台雨棚完好的图像集,并对图像集进行预处理;
采集与预处理过程,具体如图3所示:
S11,在不同环境下,采集铁路站台雨棚缺陷的图像集和铁路站台雨棚完好的图像集;
S12,对图像集中的图像进行特征融合和拼接处理,得到平面拼接后的图像,为图片的预处理做好准备;
S13,利用中值滤波非线性平滑技术对平面拼接后的图像进行降噪处理,提高图像的清晰程度,具体过程如下:
设定a1,a2,an表示n个随机输入变量,按值大小降序排列为ai1>ai2>…ain,则n个随机输入变量的中值为
S14,利用小波变换方法对降噪处理后图像进行增强处理,具体过程如下:
对原始图像进行小波分解,得到图像低频成分和高频成分,对小波系数进行非线性增强,将增强后的小波系数进行小波逆变换,得到重构后增强图像;
所述对小波系数进行非线性增强,函数关系式满足:
其中,WT代表小波变换;a为尺度因子,用于控制小波函数的伸缩;τ为位移,用于控制小波函数的平移;t代表时间;f(t)为周期性函数;ψ为尺度函数。
S15,对增强后的图像进行灰度化处理,方便于雨棚缺陷的提取;
S16,利用ROI算法对图像中的雨棚缺陷部分进行区域提取,将研究的主体和嘈杂的背景分离开来,提取需要研究的部分,能够提高特征提取的准确性;
S17,由于样本的数据集较少,为了增加样本的数量,通过傅里叶变换、小波变换和以图像融合为基础的迭代算法对原始样本进行变换,使样本数量增加。
傅里叶变换:将一个时域信号转换成在不同频率下对应的振幅及相位,其频谱就是时域信号在频域下的表现,对图片的数据做傅里叶,然后增大高频信号的系数就可以提高图像的对比度。傅里叶变换后的白色部分(即幅度较大的低频部分),表示的是图像中慢变化的特性,或者说是灰度变化缓慢的特性(低频部分)。傅里叶变换后的黑色部分(即幅度低的高频部分),表示图像中快变化的特性,或者说是灰度变化快的特性(高频部分)。
具体函数关系式满足:
其中,W代表频率,t代表时间,e-iwt代表复变函数,f(t)为周期性函数。
小波变换:首先对图像的每一行进行1D-DWT,获得原始图像在水平方向上的低频分量L和高频分量H,然后对变换所得数据的每一列进行1D-DWT,获得原始图像在水平和垂直方向上的低频分量LL、水平方向上的低频和垂直方向上的高频LH、水平方向上的高频和垂直方向上的低频HL以及水平和垂直方向上的的高频分量HH。重构过程可描述为:首先对变换结果的每一列进行以为离散小波逆变换,再对变换所得数据的每一行进行一维离散小波逆变换,即可获得重构图像。由上述过程可以看出,图像的小波分解是一个将信号按照低频和有向高频进行分离的过程,分解过程中还可以根据需要对得到的LL分量进行进一步的小波分解,直至达到要求。
具体函数关系式满足:
其中,WT代表小波变换;a为尺度因子,用于控制小波函数的伸缩;τ为位移,用于控制小波函数的平移;t代表时间;e-iwj为复变函数;f(t)为周期性函数。
迭代算法:由于ROI图像缺陷与背景对比度较高,为了较好地消除加权融合后对比度下降所带来的负面影响,符合图像加权融合的使用情况,本发明设计了以图像融合为基础的迭代算法对缺陷部分进行突出增强。
具体函数关系式满足:
式中,Gn(x,y)为当前融合迭代结果图像的灰度函数;Gn-1(x,y)为原图像的灰度函数,其中G0(x,y)为伪影弱化图像的灰度函数W(x,y);n为算法迭代的次数,用于控制算法时间,取n=1、2、3;B为ROI图像融合系数,代表ROI图像灰度函数在每次迭代中的影响程度,具体取值为0.85;F0(x,y)为原始ROI图像的灰度函数;为当前融合图像所含白色像素数;Call为图像的总像素数
S2,分别对预处理后的图像集进行特征提取,提取出不同的特征向量并进行归一化处理;
对于步骤S2,本发明选择对高铁站雨棚的纹理特征进行提取,纹理特征是反应高铁站雨棚图像中同质现象的视觉特征,通常表现为高铁站雨棚的内部特征,反映了图像的内部属性,分别提取原图、傅里叶变化后和小波变换后的图的能量灰度、灰度熵、灰度相关系数和灰度对比度作为主要特征。
对提取特征的特征参数经行归一化处理,从而使高铁站雨棚的特征参数标准化。归一化的目的就是将提取的特征参数限定在一定的范围内,消除奇异样本数据对特征分析带来的不良影响,雨棚瑕疵的特征参数是有共同点的,提取出相同的特征。
S3,利用步骤S2中归一化后的特征向量构建出新的SVM分类器模型并训练;
对于步骤S3,利用svm支持向量机训练模型,在svm分类算法的性能中,核函数技术被广泛应用,本发明选择RBF核函数对svm分类器进行提升。网格搜索法在一定程度上提升了参数寻优精度,但由于网格大小固定,有一定的局限性。粒子群算法由于缺乏精密搜索算法的配合,使得在参数寻优上无法获得精确的结果。本发明提出了基于网格搜索法和粒子群算法的融合算法。融合了网格搜索法和粒子群算法的优点,运用融合算法寻取最优参数,利用python调用libsvm选择RBF核函数,通过参数寻优算法优化RBF核函数的参数和惩罚因子,从而提升svm分类器的准确性。
如图4所示,所述融合算法具体包括如下步骤:
S311,引入大网格搜索法,选定搜索区域为g,设定网格的边长为h,精度要求为1,找到最高准确度的节点,设定以所述节点为四个方块的区域为g1;
S312,引入中网格搜索,对搜索区域g1,设定精度要求为0.1,重复步骤S311的过程,设定对应节点为四个方块的区域为g2;
S313,引入小网格搜索,对搜索区域为g2,设定精度要求为0.01,步骤S311的过程,设定对应节点为四个方块的区域为g3;
S314,利用变网格搜索法将区域缩小到小网格区域,再利用粒子群算法对小网格区域经行全局寻优;
S315,初始化粒子的速度和位置;
S316,自动生成粒子的目标函数值;
S317,通过全局寻优找到粒子的最优位置pij;
S318,比较粒子当前最佳位置的目标函数值与全局最佳目标函数值;若当前最佳位置的目标函数值小于全局最佳目标函数值,则用所述粒子当前最佳位置的坐标和最佳目标函数值;若最优位置pij在若干次内保持不变,则结束寻优操作;具体过程如下公式所示:
其中Mbest为粒子个体当前位置最佳中心点;Pij为第i个粒子个体在第j维上的最佳位置;Pcii介于Pij和Pgj之间的随机位置;m为粒子群规模,为随机参数,Pij为最优位置,Pgj为全局最优位置。
S4,将需要检测的图像集送入SVM分类器模型进行对比,并对所述图像集进行分类。
对于步骤S4,训练出新的模型后,将图像集放入分类器,可以将完好的雨棚和有缺陷的雨棚数据很好的提取开来
另外,本发明还提供了基于小样本图像特征提取的雨棚缺陷检测系统,包括:
采集与预处理模块,用于采集铁路站台雨棚缺陷的图像集和铁路站台雨棚完好的图像集,并对图像集进行预处理;
特征提取模块,用于分别对预处理后的图像集进行特征提取,提取出不同的特征向量并进行归一化处理;
模型构建与训练模块,用于利用归一化后的特征向量构建出新的SVM分类器模型并训练;
图像分类模块,用于将需要检测的图像集送入SVM分类器模型进行对比,并对所述图像集进行分类。
本发明涉及对铁路站台雨棚缺陷检测方法与系统的研究,用小样本特征提取的方法构建特征模型对雨棚的缺陷进行分类与检测。由于铁路站台雨棚的缺陷样本集较少,无法用神经网络的方法训练出满意的模型,本发明用较少的数据集,训练出精度较高的铁路站台雨棚的缺陷模型,实现对铁路站台雨棚缺陷有效监测。
以上所述仅是对本发明的优选实施例及原理进行了详细说明,对本领域的普通技术人员而言,依据本发明提供的思想,在具体实施方式上会有改变之处,而这些改变也应视为本发明的保护范围。
Claims (9)
1.基于小样本图像特征提取的雨棚缺陷检测方法,其特征在于,包括如下步骤:
S1,采集铁路站台雨棚缺陷的图像集和铁路站台雨棚完好的图像集,并对图像集进行预处理;
S2,分别对预处理后的图像集进行特征提取,提取出不同的特征向量并进行归一化处理;
S3,利用步骤S2中归一化后的特征向量构建出新的SVM分类器模型并训练;
S4,将需要检测的图像集送入SVM分类器模型进行对比,并对所述图像集进行分类。
2.根据权利要求1所述的基于小样本图像特征提取的雨棚缺陷检测方法,其特征在于,步骤S1包括如下步骤:
S11,在不同环境下,采集铁路站台雨棚缺陷的图像集和铁路站台雨棚完好的图像集;
S12,对图像集中的图像进行特征融合和拼接处理,得到平面拼接后的图像;
S13,利用中值滤波非线性平滑技术对平面拼接后的图像进行降噪处理,具体过程如下:
设定a1,a2,an表示n个随机输入变量,按值大小降序排列为ai1>ai2>…ain,则n个随机输入变量的中值为
S14,利用小波变换方法对降噪处理后图像进行增强处理,具体过程如下:
对原始图像进行小波分解,得到图像低频成分和高频成分,对小波系数进行非线性增强,将增强后的小波系数进行小波逆变换,得到重构后增强图像;
S15,对增强后的图像进行灰度化处理;
S16,利用ROI算法对图像中的雨棚缺陷部分进行区域提取;
S17,通过傅里叶变换、小波变换和以图像融合为基础的迭代算法对原始样本进行变换,使样本数量增加。
3.根据权利要求2所述的基于小样本图像特征提取的雨棚缺陷检测方法,其特征在于,步骤S14中,所述对小波系数进行非线性增强,函数关系式满足:
其中,WT代表小波变换;a为尺度因子,用于控制小波函数的伸缩;τ为位移,用于控制小波函数的平移;t代表时间;f(t)为周期性函数;ψ为尺度函数。
4.根据权利要求2所述的基于小样本图像特征提取的雨棚缺陷检测方法,其特征在于,步骤S17中,所述以图像融合为基础的迭代算法的具体公式如下:
式中,Gn(x,y)为当前融合迭代结果图像的灰度函数;Gn-1(x,y)为原图像的灰度函数,其中G0(x,y)为伪影弱化图像的灰度函数W(x,y);n为算法迭代的次数,用于控制算法时间,取n=1、2、3;B为ROI图像融合系数,代表ROI图像灰度函数在每次迭代中的影响程度,具体取值为0.85;F0(x,y)为原始ROI图像的灰度函数;为当前融合图像所含白色像素数;Call为图像的总像素数。
5.根据权利要求1所述的基于小样本图像特征提取的雨棚缺陷检测方法,其特征在于,步骤S2包括如下步骤:
S21,对铁路站雨棚图像的纹理特征进行提取,分别提取原图像、傅里叶变化后图像和小波变换后图像的能量灰度、灰度熵、灰度系数和灰度对比度作为特征参数;
S22,对步骤S21提取的特征参数经行归一化处理,使铁路站雨棚的特征参数标准化。
6.根据权利要求1所述的基于小样本图像特征提取的雨棚缺陷检测方法,其特征在于,步骤S3包括如下步骤:
S31,利用SVM支持向量机训练SVM分类器模型,同时通过python调用libsvm选择RBF核函数,再通过融合算法优化RBF核函数的参数和惩罚因子,进而对SVM分类器模型进行提升。
7.根据权利要求6所述的基于小样本图像特征提取的雨棚缺陷检测方法,其特征在于,步骤S31中,所述融合算法具体包括如下步骤:
S311,引入大网格搜索法,选定搜索区域为g,设定网格的边长为h,精度要求为1,找到最高准确度的节点,设定以所述节点为四个方块的区域为g1;
S312,引入中网格搜索,对搜索区域g1,设定精度要求为0.1,重复步骤S311的过程,设定对应节点为四个方块的区域为g2;
S313,引入小网格搜索,对搜索区域为g2,设定精度要求为0.01,步骤S311的过程,设定对应节点为四个方块的区域为g3;
S314,利用变网格搜索法将区域缩小到小网格区域,再利用粒子群算法对小网格区域经行全局寻优;
S315,初始化粒子的速度和位置;
S316,自动生成粒子的目标函数值;
S317,通过全局寻优找到粒子的最优位置pij;
S318,比较粒子当前最佳位置的目标函数值与全局最佳目标函数值;若当前最佳位置的目标函数值小于全局最佳目标函数值,则用所述粒子当前最佳位置的坐标和最佳目标函数值;若最优位置pij在若干次内保持不变,则结束寻优操作;具体过程如下公式所示:
其中Mbest为粒子个体当前位置最佳中心点;Pij为第i个粒子个体在第j维上的最佳位置;Pcii介于Pij和Pgj之间的随机位置;m为粒子群规模,为随机参数,Pij为最优位置,Pgj为全局最优位置。
8.根据权利要求1所述的基于小样本图像特征提取的雨棚缺陷检测方法,其特征在于,步骤S4包括如下步骤:
S41,将需要检测的图像集送入SVM分类器模型进行对比提取,得到分类后的完好的雨棚图像数据和有缺陷的雨棚图像。
9.基于小样本图像特征提取的雨棚缺陷检测系统,用于实现权利要求1-8任一项所述的基于小样本图像特征提取的雨棚缺陷检测方法,其特征在于,所述基于小样本图像特征提取的雨棚缺陷检测系统包括:
采集与预处理模块,用于采集铁路站台雨棚缺陷的图像集和铁路站台雨棚完好的图像集,并对图像集进行预处理;
特征提取模块,用于分别对预处理后的图像集进行特征提取,提取出不同的特征向量并进行归一化处理;
模型构建与训练模块,用于利用归一化后的特征向量构建出新的SVM分类器模型并训练;
图像分类模块,用于将需要检测的图像集送入SVM分类器模型进行对比,并对所述图像集进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310393886.XA CN116977266A (zh) | 2023-04-13 | 2023-04-13 | 基于小样本图像特征提取的雨棚缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310393886.XA CN116977266A (zh) | 2023-04-13 | 2023-04-13 | 基于小样本图像特征提取的雨棚缺陷检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116977266A true CN116977266A (zh) | 2023-10-31 |
Family
ID=88483857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310393886.XA Pending CN116977266A (zh) | 2023-04-13 | 2023-04-13 | 基于小样本图像特征提取的雨棚缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116977266A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117740811A (zh) * | 2024-02-20 | 2024-03-22 | 广东格绿朗节能科技有限公司 | 一种新能源汽车遮阳篷性能检测方法、系统及存储介质 |
-
2023
- 2023-04-13 CN CN202310393886.XA patent/CN116977266A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117740811A (zh) * | 2024-02-20 | 2024-03-22 | 广东格绿朗节能科技有限公司 | 一种新能源汽车遮阳篷性能检测方法、系统及存储介质 |
CN117740811B (zh) * | 2024-02-20 | 2024-04-30 | 广东格绿朗节能科技有限公司 | 一种新能源汽车遮阳篷性能检测方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097053B (zh) | 一种基于改进Faster-RCNN的电力设备外观缺陷检测方法 | |
CN107092884B (zh) | 一种快速粗精级联行人检测方法 | |
CN109800824A (zh) | 一种基于计算机视觉与机器学习的管道缺陷识别方法 | |
CN105426829B (zh) | 基于人脸图像的视频分类方法和装置 | |
Ghanta et al. | Wavelet domain detection of rust in steel bridge images | |
CN101140625A (zh) | 一种多分辨率退化字符自适应识别系统及方法 | |
CN113947590A (zh) | 一种基于多尺度注意力引导和知识蒸馏的表面缺陷检测方法 | |
CN108694349B (zh) | 一种基于线阵相机的受电弓图像提取方法及装置 | |
CN107705256B (zh) | 一种基于接触网语义的前向车载视频图像增强方法 | |
CN110659649A (zh) | 一种基于近红外光成像的图像处理与字符识别算法 | |
CN111709888B (zh) | 一种基于改进的生成对抗网络的航拍图像去雾方法 | |
CN109359554A (zh) | 一种基于多合成图像处理技术的森林火灾识别方法 | |
CN115082744B (zh) | 一种基于人工智能的太阳能集热效率分析方法及系统 | |
CN112561899A (zh) | 电力巡检图像识别方法 | |
CN116977266A (zh) | 基于小样本图像特征提取的雨棚缺陷检测方法及系统 | |
CN103729856A (zh) | 一种利用s变换信号提取的布匹疵点检测方法 | |
CN111553898A (zh) | 一种基于卷积神经网络的面料疵点检测方法 | |
CN115908354A (zh) | 一种基于双尺度策略和改进的yolov5网络的光伏面板缺陷检测方法 | |
CN105046202A (zh) | 自适应的人脸识别光照处理方法 | |
CN112668725A (zh) | 一种基于改进特征的金属洗手盆缺陷目标训练方法 | |
CN114782410A (zh) | 一种基于轻量化模型的绝缘子缺陷检测方法及其系统 | |
CN111667473A (zh) | 基于改进Canny算法的绝缘子憎水性等级判断方法 | |
CN110047041A (zh) | 一种空—频域联合的交通监控视频去雨方法 | |
CN115063679B (zh) | 一种基于深度学习的路面质量评估方法 | |
CN112418085B (zh) | 一种部分遮挡工况下的面部表情识别方法 |
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 |