[發(fā)明專利]一種帶鋼表面缺陷分類方法

有效

• 申請?zhí)枺?/td>: 201810585825.2
• 申請日: 2018-06-08
• 公開（公告）號: CN108765412B
• 公開（公告）日: 2021-07-20
• 發(fā)明（設計）人: 王粟;李庚;朱飛;邱春輝;江鑫;詹逸鵬;易夢云;王嘉琪
• 申請（專利權）人: 湖北工業(yè)大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06T3/40
• 代理公司: 武漢科皓知識產(chǎn)權代理事務所(特殊普通合伙) 42222
• 代理人: 張火春

1.一種基于Gabor特征融合分塊直方圖的帶鋼表面缺陷分類方法，其特征在于，包括以下步驟：

步驟一、先從訓練樣本庫中提取帶鋼圖片，選取M*N個樣本圖片組成的樣本集進行測試，其中M為該樣本集典型缺陷的種類數(shù)，N為該樣本集中每種典型缺陷的數(shù)量，從樣本集選取W個樣本圖片作為訓練集，剩下M*N-W個樣本圖片作為測試集；

步驟二、使用線性插值的方式對樣本集中所有圖片進行幾何歸一化，將圖片縮放成S*R像素大小的圖片；

步驟三、將幾何歸一化圖片導入Gabor濾波器中，Gabor濾波器對圖片進行P個尺度，Q個方向的濾波，對每個歸一化圖片得到對應的P*Q個濾波的結果圖；

步驟四、對Gabor圖像的融合，對于上述得到P*Q個濾波的結果圖，將同一個尺度每個像素點的Q個方向上的結果圖分別編號1～Q，利用每個尺度上的Q個方向中Gabor特征值最大對應的編號來對結果圖進行重組，即將Q個方向中Gabor特征值最大對應的編號重置為該點的像素值，重置融合后，P*Q個濾波的結果圖變成了P個結果圖，每個結果圖任然為S*R像素大小；

步驟五、對于步驟四中得到的P個像素為S*R結果圖進行分塊，將每個結果圖分成T*T個子塊，每個子塊包含了S*R/T*T個像素，然后統(tǒng)計每個子塊的直方圖，樣本圖片就變成了(T*T*P)*T的二維矩陣，并且對應的特征維度就變成了(P*T*T)*T維；

步驟六、重復執(zhí)行步驟二至步驟五，對每個樣本圖片進行相同操作；

步驟七、通過KPCA對訓練集和測試集中每張樣本圖片進行降維，通過正交變換將一組存在相關性的變量轉換為一組線性不相關的變量，然后核函數(shù)將數(shù)據(jù)由低維映射到高維，得到每個樣本圖片的特征維度；

步驟八、使用訓練集中樣本圖片的標簽和所對應的特征維度建立支持向量機SVM分類預測模型；

步驟九、使用粒子群優(yōu)化算法PSO對SVM進行參數(shù)尋優(yōu)，其中待優(yōu)化的SVM參數(shù)為懲罰參數(shù)C、核函數(shù)的參數(shù)σ；

步驟十，利用步驟九中得到的懲罰參數(shù)C和核函數(shù)的參數(shù)σ對訓練集中樣本圖片進行SVM交叉驗證訓練，得到SVM模型；

步驟十一、導入步驟七中得到測試集中處理后的樣本圖片，對SVM模型進行分類預測，驗證SVM模型，之后利用該SVM模型對待測試帶鋼圖片進行比對測試。

2.如權利要求1所述的帶鋼表面缺陷分類方法，其特征在于：步驟一中，需要對樣本集中圖片進行預處理，裁剪去樣本圖片中無用的背景部分，并對每個樣本圖片給予對應標簽。

3.如權利要求1所述的帶鋼表面缺陷分類方法，其特征在于：步驟七中，對樣本圖片進行降維處理方法具體為：

步驟701、首先將每張樣本圖片所得到(T*T*P)*T的二維矩陣拉伸成一個1*(P*T*T*T)的一維向量，也即是特征向量；

步驟702、再求出每個樣本圖片所對應特征向量的特征值的平均值，然后將每個樣本圖片的特征向量中的特征值減去這個平均值，進行數(shù)據(jù)標準化處理；

步驟703、然后將經(jīng)過步驟701和步驟702數(shù)據(jù)標準化的處理后訓練集所對應樣本圖片的一維向量導入到高斯核函數(shù)之中：

其中σ為高斯核函數(shù)的核系數(shù)，x_i為第i個樣本圖片所對應的特征向量，x_j為第j個樣本圖片所對應的特征向量，K(x_i,x_j)就是將所有樣本圖片導入到高維空間中所對應的值；

步驟704、然后求出K(x_i,x_j)的特征值、特征向量并且將其對應起來，根據(jù)特征值的大小將所得到的特征值特征向量進行排序，選取其中的前100個特征作為樣本圖片的特征；

步驟705、重復步驟701至步驟704，將測試集所對應樣本圖片的一維向量進行標準化處理后導入到高斯核函數(shù)之中，計算測試集的樣本圖片的特征。