[發明專利]基于多核支持向量機的無紡布表面小缺陷檢測方法

在審

• 申請號: 202110228235.6
• 申請日: 2021-03-02
• 公開（公告）號: CN112884748A
• 公開（公告）日: 2021-06-01
• 發明（設計）人: 劉瑞明;唐雷;黃佳煒;徐春融
• 申請（專利權）人: 江蘇海洋大學;連云港三葉無紡布制品有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/12;G01N21/88
• 代理公司: 連云港潤知專利代理事務所 32255
• 代理人: 劉喜蓮

1.一種基于多核支持向量機的無紡布表面小缺陷檢測方法，其特征在于：

第一步，采集具有代表性的無紡布圖像，獲取高分辨率的原始圖像，并統一圖像的尺寸大小；

第二步，對原始圖像進行灰度變換和濾波去噪預處理；

第三步，計算求出相對應的灰度共生矩陣，使用該矩陣對預處理后的圖像進行圖像紋理特征的提取和分析；

第四步，選擇合適的基核函數進行組合，得到新的核函數，對核函數的參數進行優化；

第五步，構建基于新的核函數的多核支持向量機模型，使用該向量機對待檢測圖像進行分類，完成缺陷識別。

2.根據權利要求1所述的基于多核支持向量機的無紡布表面小缺陷檢測方法，其特征在于：采集具有代表性的無紡布圖像，其具體步驟是：分別采集帶網格無紡布與無網格無紡布的有缺陷與無缺陷的圖像，然后將所有圖像的尺寸統一為512×512。

3.根據權利要求1所述的基于多核支持向量機的無紡布表面小缺陷檢測方法，其特征在于：對圖像進行預處理，其具體步驟是：先對圖像進行直方圖均衡化增加圖像對比度，然后對圖像進行高斯濾波去除噪聲，具體的公式為：和k表示歸一化前的灰度級，σ為高斯分布的標準差。

4.根據權利要求1所述的基于多核支持向量機的無紡布表面小缺陷檢測方法，其特征在于：對預處理后的圖像提取紋理特征，其具體方法是：灰度共生矩陣法。

5.根據權利要求4所述的基于多核支持向量機的無紡布表面小缺陷檢測方法，其特征在于，采用以下方法求取灰度共生矩陣：

首先，在圖像中任意一點A(x，y)與偏離它的一個點B(x+a，y+b)構成對點，a和b都為整數，假設對點的灰度值為(g₁，g₂)，圖像的最大灰度級為L，那么g₁和g₂的組合一共以有L×L種；

然后，從整個圖像的角度出發，記錄下每一種(g₁，g₂)出現的次數，將這些次數排列組成一個方陣；最后，采用(g₁，g₂)出現的總次數將這個方陣的每個元素都歸一化，求出概率P(g₁，g₂)，構建得到灰度共生矩陣。

6.根據權利要求1所述的基于多核支持向量機的無紡布表面小缺陷檢測方法，其特征在于:選擇合適的基核函數組合構建新的核函數，其具體方法是：選擇的是高斯核函數和多項式核函數進行線性組合，新的核函數的公式為：

7.根據權利要求1所述的基于多核支持向量機的無紡布表面小缺陷檢測方法，其特征在于，對核函數的參數進行優化，其具體方法是：選擇了遺傳算法來對核函數的兩個參數進行優化計算。

8.根據權利要求7所述的基于多核支持向量機的無紡布表面小缺陷檢測方法，其特征在于，使用遺傳算法優化核函數，其具體步驟是：

首先，對參數進行編碼，產生初始種群；其次，通過計算得到能代表個體優劣性的適應度；接著對種群進行選擇、交叉和變異，得到新的種群；

然后，計算出新種群的適應度并進行評估，保留適應性強的個體，淘汰適應性差的個體；

最后，重復上述步驟，直到得到最優參數。