[發(fā)明專利]基于多核支持向量機(jī)的無紡布表面小缺陷檢測方法

在審

• 申請?zhí)枺?/td>: 202110228235.6
• 申請日: 2021-03-02
• 公開（公告）號: CN112884748A
• 公開（公告）日: 2021-06-01
• 發(fā)明（設(shè)計(jì)）人: 劉瑞明;唐雷;黃佳煒;徐春融
• 申請（專利權(quán)）人: 江蘇海洋大學(xué);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(wù)所 32255
• 代理人: 劉喜蓮

本發(fā)明是一種基于多核支持向量機(jī)的無紡布表面小缺陷檢測方法，屬檢測技術(shù)領(lǐng)域。該方法采集具有代表性的無紡布圖像，獲取高分辨率的原始圖像；對原始圖像進(jìn)行灰度變換和濾波去噪預(yù)處理；計(jì)算求出相對應(yīng)的灰度共生矩陣，使用該矩陣對預(yù)處理后的圖像進(jìn)行圖像紋理特征的提取和分析；選擇合適的基核函數(shù)進(jìn)行組合，得到新的核函數(shù)，對核函數(shù)的參數(shù)進(jìn)行優(yōu)化；構(gòu)建基于新的核函數(shù)的多核支持向量機(jī)模型，使用該向量機(jī)對待檢測圖像進(jìn)行分類，完成缺陷識別。本發(fā)明使用多核支持向量機(jī)對圖像中的小缺陷進(jìn)行檢測，沒有龐大的計(jì)算量，具有很好的檢測性能。采用本發(fā)明方法進(jìn)行無紡布表面小缺陷檢測，可獲得較高的信噪比，且背景抑制能力較強(qiáng)。

技術(shù)領(lǐng)域

本發(fā)明涉及一種表面缺陷檢測技術(shù)，特別是一種基于多核支持向量機(jī)的無紡布表面小缺陷檢測方法。

背景技術(shù)

無紡布，作為一種新型的環(huán)保布，具有透氣性好、防潮、柔軟、輕盈、無助燃性、易于分解、無毒無刺激性、可循環(huán)使用和價(jià)格低廉等優(yōu)點(diǎn)，是一種使用非常廣泛的布匹材料。我國是無紡布的生產(chǎn)大國，不僅能滿足國內(nèi)市場的巨大需求，而且在國外市場上占有龐大的份額。為了保證無紡布的品質(zhì)，在實(shí)際生產(chǎn)過程中，對無紡布表面進(jìn)行缺陷檢測，將帶有缺陷的產(chǎn)品剔除，就顯得極其重要。近年來，機(jī)器視覺和數(shù)字圖象處理技術(shù)得到了高速發(fā)展，在布匹的生產(chǎn)工業(yè)中，人們已經(jīng)利用這些技術(shù)成功地實(shí)現(xiàn)了對布匹表面進(jìn)行缺陷檢測(李剛,楊欣,徐勝利.基于機(jī)器視覺布匹瑕疵檢測方法-綜述[J].2012.)。但是對于無紡布表面的小缺陷，因無紡布紋理復(fù)雜，同時(shí)小缺陷的面積小，缺乏紋理特征，導(dǎo)致了其檢測非常困難。現(xiàn)有的小缺陷檢測大多是基于紋理分析的，檢測的性能并不夠好。Vapnik在1992年提出了支持向量機(jī)(Support Vector Machine,SVM)的最初模型(Boser B E,GuyonI M,VapnikV N.A training algorithm for optimal margin classifiers[J].The Workshop onComputational Learning Theory.1992:144-152.)，然后人們在其基礎(chǔ)上提出了多核支持向量機(jī)(multiple kernel SVM，MK-SVM)，與單核支持向量機(jī)相比具有更好的靈活性和更強(qiáng)的適應(yīng)能力與泛化能力，能處理分布復(fù)雜或不均勻的樣本數(shù)據(jù)。因此，使用多核支持向量機(jī)檢測無紡布表面的小缺陷是一種行之有效的方法。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題是針對現(xiàn)有技術(shù)的不足，提出一種新的圖像小目標(biāo)檢測方法，來解決無紡布表面小缺陷的檢測困難問題，實(shí)現(xiàn)對無紡布生產(chǎn)中的常見缺陷例如:破洞、污漬、異物和油漬等疵點(diǎn)的檢測。該方法可以提高無紡布表面小缺陷檢測的檢測品質(zhì)。

為實(shí)現(xiàn)上述目的，本發(fā)明提出了一種基于多核支持向量機(jī)(MK-SVM)的無紡布表面小缺陷檢測方法，其特點(diǎn)是：

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(tǒng)一圖像的尺寸大??；

第二步，對原始圖像進(jìn)行灰度變換和濾波去噪預(yù)處理；

第三步，計(jì)算求出相對應(yīng)的灰度共生矩陣，使用該矩陣對預(yù)處理后的圖像進(jìn)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(shù)進(jìn)行組合，得到新的核函數(shù)，對核函數(shù)的參數(shù)進(jìn)行優(yōu)化；

第五步，構(gòu)建基于新的核函數(shù)的多核支持向量機(jī)模型，使用該向量機(jī)對待檢測圖像進(jìn)行分類，完成缺陷識別。

以上所述的基于多核支持向量機(jī)的無紡布表面小缺陷檢測方法，其進(jìn)一步優(yōu)選的技術(shù)方案是：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(wǎng)格無紡布與無網(wǎng)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(tǒng)一為512×512。

以上所述的基于多核支持向量機(jī)的無紡布表面小缺陷檢測方法，其進(jìn)一步優(yōu)選的技術(shù)方案是：對圖像進(jìn)行預(yù)處理，其具體步驟是：先對圖像進(jìn)行直方圖均衡化增加圖像對比度，然后對圖像進(jìn)行高斯濾波去除噪聲，具體的公式為：和