[發(fā)明專利]SVM分類器的訓練方法和石化儲罐銹蝕缺陷分割方法

在審

• 申請?zhí)枺?/td>: 202011081229.4
• 申請日: 2020-10-09
• 公開（公告）號: CN112200246A
• 公開（公告）日: 2021-01-08
• 發(fā)明（設計）人: 孫凌宇;劉成艷;劉月
• 申請（專利權）人: 河北工業(yè)大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T7/00;G06T7/40;G06T7/90
• 代理公司: 天津翰林知識產權代理事務所(普通合伙) 12210
• 代理人: 張國榮;趙鳳英

1.一種SVM分類器的訓練方法，其特征在于，包括以下步驟：

A)獲得不同銹蝕程度的多個儲罐銹蝕缺陷圖像，根據多個所述儲罐銹蝕缺陷圖像在RGB顏色空間的像素值定義銹蝕缺陷像素范圍；

B)選擇多個儲罐銹蝕缺陷圖像作為訓練圖像，根據所述訓練圖像生成多個超像素；

C)提取每個所述超像素的顏色特征與紋理特征，將所述超像素的顏色特征和紋理特征與鄰域超像素的顏色特征和紋理特征進行級聯，以便構建所述超像素的特征向量，多個所述超像素的所述特征向量構成訓練數據集；

D)根據所述銹蝕缺陷像素范圍對多個所述超像素進行標注，以便得到多個所述超像素的標注結果，其中將所述超像素標注為正樣本或負樣本；和

E)利用所述訓練數據集和所述標注結果訓練所述SVM分類器。

2.根據權利要求1所述的SVM分類器的訓練方法，其特征在于，所述步驟A)包括：

A-1)采集不同銹蝕程度的多個所述儲罐銹蝕缺陷圖像；和

A-2)根據多個所述儲罐銹蝕缺陷圖像的像素值在R顏色通道的最大值和最小值確定R顏色通道的取值范圍，根據多個所述儲罐銹蝕缺陷圖像的像素值在G顏色通道的最大值和最小值確定G顏色通道的取值范圍，根據多個所述儲罐銹蝕缺陷圖像的像素值在B顏色通道的最大值和最小值確定B顏色通道的取值范圍，R顏色通道的所述取值范圍、G顏色通道的所述取值范圍和B顏色通道的所述取值范圍構成所述銹蝕缺陷像素范圍。

3.根據權利要求2所述的SVM分類器的訓練方法，其特征在于，R顏色通道的所述取值范圍為75-246，G顏色通道的所述取值范圍為22-174，B顏色通道的所述取值范圍為0-115。

4.根據權利要求1所述的SVM分類器的訓練方法，其特征在于，在所述步驟B)中，先將所述訓練圖像的尺寸調整為256*256像素，再利用簡單線性迭代聚類算法對所述訓練圖像進行超像素分割以便生成多個所述超像素。

5.根據權利要求4所述的SVM分類器的訓練方法，其特征在于，每個所述訓練圖像生成150個所述超像素。

6.根據權利要求1所述的SVM分類器的訓練方法，其特征在于，在所述步驟C)中，將所述超像素的顏色特征和紋理特征記為F₀(S,I)，將一級鄰域超像素的顏色特征和紋理特征記為F₁(S,I)，所述超像素S的所述特征向量表示為F(S,I)＝[F₀(S,I),F₁(S,I)]。

可選地，所述超像素的顏色特征包括CIELAB顏色空間里的a*顏色通道和b*顏色通道以及RGB顏色空間的R顏色通道、G顏色通道和B顏色通道中的每一者的一階顏色矩、二階顏色矩和三階顏色矩，所述一級鄰域超像素的顏色特征包括CIELAB顏色空間里的a*顏色通道和b*顏色通道以及RGB顏色空間的R顏色通道、G顏色通道和B顏色通道中的每一者的一階顏色矩、二階顏色矩和三階顏色矩。

可選地，所述超像素的紋理特征包括灰度共生矩陣中的對比度、相關性、能量和同質性，所述一級鄰域超像素的紋理特征包括灰度共生矩陣中的對比度、相關性、能量和同質性。

7.根據權利要求1所述的SVM分類器的訓練方法，其特征在于，所述步驟E)包括：

E-1)將所述訓練數據集分為訓練集和測試集；

E-2)利用所述訓練集中的所述超像素的所述特征向量訓練所述SVM分類器；

E-3)利用訓練后的所述SVM分類器對所述測試集中的所述超像素的特征向量進行判斷，以便將所述測試集中的所述超像素分為正樣本或負樣本，當所述SVM分類器的分類準確率的浮動閾值小于等于0.5％時，停止所述訓練，當所述SVM分類器的分類準確率的浮動閾值大于0.5％時，將錯分的所述超像素加入到所述訓練集以便再次利用所述訓練集中的所述超像素的所述特征向量訓練所述SVM分類器，直至所述SVM分類器的分類準確率的浮動閾值小于等于0.5％。