[發明專利]一種基于支持向量機的金屬表面缺陷檢測方法

在審

• 申請號: 202110329170.4
• 申請日: 2021-03-27
• 公開（公告）號: CN113112458A
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 張旭;謝朝雨;繆徐超;程耀天;林旭東;王若瑾
• 申請（專利權）人: 上海工程技術大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/45;G06T5/20;G06T5/00;G06K9/46;G06K9/62
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 孫永申

本發明涉及一種基于支持向量機的金屬表面缺陷檢測方法，首先將采集到的金屬缺陷圖像進行Gabor濾波和對比度增強的前處理；然后使用方向梯度直方圖(HOG)和灰度共生矩陣(GLCM)對預處理后的圖像進行特征提取；最后使用不同種具有表面缺陷的金屬圖像對模型進行訓練，建立支持向量機(SVM)檢測模型，同時基于上述方法設計了一個圖形用戶界面(GUI)，只需將檢測圖像導入到上述算法模型中，即可輸出缺陷的類型、位置及面積大小。在實際檢測中，還可以通過使用更多種缺陷的金屬圖像進一步訓練本模型，從而擴大缺陷檢測的范圍。本發明不僅能較為準確地檢測出金屬表面的缺陷位置及類型，還將檢測模型利用軟件進行了封裝，便于金屬缺陷檢測人員使用。

技術領域

本發明涉及金屬缺陷檢測技術領域，尤其是涉及一種基于支持向量機的金屬表面缺陷檢測方法。

背景技術

金屬表面缺陷檢測在許多工業領域(如飛機機身，核電站蒸汽發生管道和鋼橋等)中非常重要。而人工檢測金屬表面缺陷具有效率低、主觀意識強、無法長時間工作等缺點。目前，檢測金屬表面缺陷的機器學習檢測技術比較突出。機器學習檢測作為無損檢測技術的一種是采用圖像處理的方法對金屬表面進行分析處理，檢測金屬表面是否有缺陷。對表面有缺陷的產品和正在使用中的零件，進行去除和更換，避免在后續的使用過程中造成安全事故。

在此背景下，有許多國內外學者致力于研究金屬表面缺陷檢測技術。LayouniMohamed等人為解決人工分析從金屬缺陷的磁掃描中收集到的圖案的大量數據比較困難的問題，提出了一種自動分析的方法，使用自適應小波算法來檢測和估計金屬缺陷的長度。但檢測范圍狹窄不能如本發明一樣可以檢測缺陷的類型及面積大小。Qi Zicheng等人為了對基于工業CT的金屬材料增材制造中內部微小缺陷進行精確檢測，提出了一種基于CT圖像中微小缺陷灰度變化系數的金屬材料微小缺陷檢測的方法。該檢測方法只適用于微小缺陷，同時不涉及金屬表面缺陷的檢測。

以上方法不僅受限于在檢測金屬缺陷過程中效率低下、識別范圍狹窄，而且沒有對檢測方法及模型進行GUI封裝，造成檢測操作不便，實用性較低。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于支持向量機的金屬表面缺陷檢測方法。

本發明的目的可以通過以下技術方案來實現：

一種基于支持向量機的金屬表面缺陷檢測方法，該方法包括以下步驟：

步驟1：采集不同種類表面缺陷的金屬圖像并進行前處理，用以去除噪聲干擾；

步驟2：對前處理好的圖像進行圖像特征提取；

步驟3：將提取的圖像特征輸入至SVM支持向量機中進行模型訓練，獲得缺陷識別模型；

步驟4：針對前述步驟的前處理對應方法及缺陷識別模型進行圖形用戶界面GUI封裝；

步驟5：將待檢測圖像按照步驟1至2進行處理后，輸入步驟4中的封裝GUI，輸出缺陷檢測結果。

進一步地，所述的步驟1具體包括：采集不同種類表面缺陷的金屬圖像并進行前處理，去除噪聲干擾，其中，所述前處理包括Gabor濾波處理和對比度增強處理。

進一步地，所述的對比度增強處理，該處理過程對應的數學描述公式為：

Ma＝max(X)

Mi＝min(X)

Y＝255*(X-Mi)/(Ma-Mi)

式中，X為原圖，Y為對比度增強處理后的圖片。

進一步地，所述的步驟2具體包括：對前處理好的圖像進行圖像特征提取，其中，所述圖像特征包括：圖像局部區域的梯度方向信息的統計值以及由對比度、相關、能量、均勻性四個特征描述圖像的紋理特征。