一种带钢表面缺陷识别方法及装置制造方法及图纸

本发明专利技术提供了一种带钢表面缺陷识别方法及装置，其中，该方法包括：建立缺陷识别模型；获取带钢表面图片；对带钢表面图片进行预处理；提取预处理后的带钢表面图片的图像的方向梯度直方图HOG特征以及灰度共生矩阵GLCM特征；通过缺陷识别模型对提取的HOG特征及GLCM特征进行识别，确定出带钢表面的缺陷信息。实现通过建立的缺陷识别模型对提取的多种特征进行识别后，可以快速、准确地识别出图像的缺陷信息，大大提高了缺陷的识别率，识别出的缺陷的准确性很高，且能够有效克服几何、光学不变性以及旋转性对图像特征描述所带来的问题，对于面积型缺陷的识别率很高。

【技术实现步骤摘要】

本专利技术涉及图像检测
，尤其涉及一种带钢表面缺陷识别方法及装置。
技术介绍
目前，影响带钢强度和质量最主要的因素之一是带钢表面的缺陷。因此，对带钢表面的缺陷进行检测已成为钢铁生产过程中一个非常重要的环节。当前，在对带钢表面的缺陷进行检测时，首先提取带钢表面的图像，然后通过对提取的图像进行处理确定出缺陷信息，其中，在处理提取的图像过程中，先通过邻域平均值滤波对提取的图像进行滤波；再然后通过灰度共生矩阵GLCM提取图像特征；最后使用基于1-分类支持向量机SVM和径向基函数RBF对缺陷进行识别，通过二重网络搜索的方法确定RBF的参数，最终定位缺陷的位置。上述检测带钢表面的缺陷的方法，对于单一的特征提取不能够克服光照不变性、旋转性等问题对面积型缺陷识别率很低，由于带钢的缺陷种类多达39种，面积型缺陷达到15种左右，如此，对带钢表面缺陷识别率很低，很难满足企业对检测的需求。
技术实现思路
鉴于上述问题，提出了本专利技术以便提供一种克服上述问题或者至少部分地解决上述问题的一种带钢表面缺陷识别方法及装置。依据本专利技术的一个方面，提供了一种带钢表面缺陷识别方法，所述方法包括：建立缺陷识别模型；获取带钢表面图片；对带钢表面图片进行预处理；提取预处理后的带钢表面图片的图像的方向梯度直方图HOG特征以及灰度共生矩阵GLCM特征；通过所述缺陷识别模型对提取的所述HOG特征及所述GLCM特征进行识别，确定出带钢表面的缺陷信息。可选地，所述对带钢表面图片进行预处理，包括：对所述带钢表面图片的图像去噪滤波；采用分段线性变换，对去噪滤波后的带钢表面图片的图像进行灰度增强；运用双线性插值算法对灰度增强后的带钢表面图片的图像进行缩放和归一化。可选地，所述建立缺陷识别模型，包括：获取带钢样本图片；提取带钢样本图片的图像的方向梯度直方图HOG特征以及灰度共生矩阵GLCM特征；运用步进统计的方法对所述图像的HOG特征以及图像的GLCM特征进行融合，得到多组权重因子以及每组权重因子对应的识别准确率；对所述多组权重因子及所述识别准确率进行高斯拟合，得到特征拟合函数；通过遗传算法对所述特征拟合函数求解，得到融合因子；根据所述融合因子对随机森林算法进行改进，得到基于随机森林的特征融合分类算法；通过所述基于随机森林的特征融合分类算法对提取的图像的所述HOG图像特征及GLCM特征进行训练，确定出所述带钢样本的缺陷信息；根据所述带钢样本的缺陷信息建立缺陷识别模型。可选地，所述根据所述融合因子对随机森林算法进行改进，得到基于随机森林的特征融合分类算法包括：根据所述融合因子重构随机森林算法中对应的决策树，得到重构决策树，所述重构决策树包括HOG决策树和GLCM决策树；根据所述重构决策树对所述HOG特征以及所述GLCM特征进行选取，得到HOG特征决策树组以及GLCM特征决策数组；根据所述HOG决策数组对所述带钢样本图片的图像的HOG特征进行识别，得到HOG特征识别数据，以及根据所述GLCM决策数组对所述带钢样本图片的图像的GLCM特征进行识别，得到GLCM特征识别数据；对所述HOG特征识别数据及所述GLCM特征识别数据进行统计，得到统计分类结果；根据随机森林算法投票的原则，将所述统计分类结果中得票数最高的特征，确定为所述带钢样本的缺陷识别结果；将执行以上过程的算法确定为基于随机森林的特征融合分类算法。可选地，所述运用步进统计的方法对所述图像的HOG特征以及图像的GLCM特征进行融合，包括：设置HOG特征的权重、GLCM特征的权重以及权重约束条件；根据所述权重约束条件统计步长；根据统计的所述步长确定HOG特征的权重值取值范围，以及确定GLCM特征的权重值取值范围；根据所述HOG特征的权重值取值范围以及GLCM特征的权重值取值范围，计算得到多组权重因子以及每组权重因子对应的识别准确率。依据本专利技术的另一个方面，提供了一种带钢表面缺陷识别装置，所述装置包括：建立模块，用于建立缺陷识别模型；获取模块，用于获取带钢表面图片；预处理模块，用于对带钢表面图片进行预处理；提取模块，用于提取预处理后的带钢表面图片的图像的方向梯度直方图HOG特征以及灰度共生矩阵GLCM特征；识别模块，用于通过所述缺陷识别模型对提取的所述HOG特征及所述GLCM特征进行识别，确定出带钢表面的缺陷信息。可选地，所述预处理模块包括：滤波单元，用于对所述带钢表面图片的图像去噪滤波；变换单元，用于采用分段线性变换，对去噪滤波后的带钢表面图片的图像进行灰度增强；归一化单元，用于运用双线性插值算法对灰度增强后的带钢表面图片的图像进行缩放和归一化。可选地，所述建立模块包括：获取单元，用于获取带钢样本图片；提取单元，用于提取带钢样本图片的图像的HOG特征以及GLCM特征；融合单元，用于运用步进统计的方法对所述图像的HOG特征以及图像的GLCM特征进行融合，得到多组权重因子以及每组权重因子对应的识别准确率；拟合单元，用于对所述多组权重因子及所述识别准确率进行高斯拟合，得到特征拟合函数；计算单元，用于通过遗传算法对所述特征拟合函数求解，得到融合因子；改进单元，用于根据所述融合因子对随机森林算法进行改进，得到基于随机森林的特征融合分类算法；训练单元，用于通过所述基于随机森林的特征融合分类算法对提取的图像的所述HOG图像特征及GLCM特征进行训练，确定出所述带钢样本的缺陷信息；建立单元，用于根据所述带钢样本的缺陷信息建立缺陷识别模型。可选地，所述改进单元包括：重构子单元，用于根据所述融合因子重构随机森林算法中对应的决策树，得到重构决策树，所述重构决策树包括HOG决策树和GLCM决策树；选取子单元，用于根据所述重构决策树对所述HOG特征以及所述GLCM特征进行选取，得到HOG特征决策树组以及GLCM特征决策数组；识别子单元，用于根据所述HOG决策数组对所述带钢样本图片的图像的HOG特征进行识别，得到HOG特征识别数据，以及根据所述GLCM决策数组对所述带钢样本图片的图像的GLCM特征进行识别，得到GLCM特征识别数据；第一统计子单元，用于对所述HOG特征识别数据及所述GLCM特征识别数据进行统计，得到统计分类结果；第一确定子单元，用于根据随机森林算法投票的原则，将所述统计分类结果中得票数最高的特征，确定为所述带钢样本的缺陷识别结果；将执行以上过程的算法确定为基于随机森林的特征融合分类算法。可选地，所述融合单元包括：设置子单元，用于设置HOG特征的权重、GLCM特征的权重以及权重约束条件；第二统计子单元，用于根据所述权重约束条件统计步长；第二确定子单元，用于根据统计的所述步长确定HOG特征的权重值取值范围，以及确定GLCM特征的权重值取值范围；计算子单元，用于根据所述HOG特征的权重值取值范围以及GLCM特征的权重值取值范围，计算得到多组权重因子以及每组权重因子对应的识别准确率。本专利技术提供的一种带钢表面缺陷识别方法及装置，实现通过建立的缺陷识别模型对提取的多种特征进行识别后，可以快速、准确地识别出图像的缺陷信息，大大提高了缺陷的识别率，识别出的缺陷的准确性很高，且能够有效克服几何、光学不变性以及旋转性对图像特征描述所带来的问题，对于面积型缺陷的识别率很高。附图说明通过阅读下文优选实施方式的详细描述，各种其他的优点和益处本文档来自技高网...

【技术保护点】
一种带钢表面缺陷识别方法，其特征在于，所述方法包括：建立缺陷识别模型；获取带钢表面图片；对带钢表面图片进行预处理；提取预处理后的带钢表面图片的图像的方向梯度直方图HOG特征以及灰度共生矩阵GLCM特征；通过所述缺陷识别模型对提取的所述HOG特征及所述GLCM特征进行识别，确定出带钢表面的缺陷信息。

【技术特征摘要】
1.一种带钢表面缺陷识别方法，其特征在于，所述方法包括：建立缺陷识别模型；获取带钢表面图片；对带钢表面图片进行预处理；提取预处理后的带钢表面图片的图像的方向梯度直方图HOG特征以及灰度共生矩阵GLCM特征；通过所述缺陷识别模型对提取的所述HOG特征及所述GLCM特征进行识别，确定出带钢表面的缺陷信息。2.根据权利要求1所述的方法，其特征在于，所述对带钢表面图片进行预处理，包括：对所述带钢表面图片的图像去噪滤波；采用分段线性变换，对去噪滤波后的带钢表面图片的图像进行灰度增强；运用双线性插值算法对灰度增强后的带钢表面图片的图像进行缩放和归一化。3.根据权利要求1所述的方法，其特征在于，所述建立缺陷识别模型，包括：获取带钢样本图片；提取带钢样本图片的图像的方向梯度直方图HOG特征以及灰度共生矩阵GLCM特征；运用步进统计的方法对所述图像的HOG特征以及图像的GLCM特征进行融合，得到多组权重因子以及每组权重因子对应的识别准确率；对所述多组权重因子及所述识别准确率进行高斯拟合，得到特征拟合函数；通过遗传算法对所述特征拟合函数求解，得到融合因子；根据所述融合因子对随机森林算法进行改进，得到基于随机森林的特征融合分类算法；通过所述基于随机森林的特征融合分类算法对提取的图像的所述HOG特征及GLCM特征进行训练，确定出所述带钢样本的缺陷信息；根据所述带钢样本的缺陷信息建立缺陷识别模型。4.根据权利要求3所述的方法，其特征在于，所述根据所述融合因子对随机森林算法进行改进，得到基于随机森林的特征融合分类算法包括：根据所述融合因子重构随机森林算法中对应的决策树，得到重构决策树，所述重构决策树包括HOG决策树和GLCM决策树；根据所述重构决策树对所述HOG特征以及所述GLCM特征进行选取，得到HOG特征决策树组以及GLCM特征决策数组；根据所述HOG决策数组对所述带钢样本图片的图像的HOG特征进行识别，得到HOG特征识别数据，以及根据所述GLCM决策数组对所述带钢样本图片的图像的GLCM特征进行识别，得到GLCM特征识别数据；对所述HOG特征识别数据及所述GLCM特征识别数据进行统计，得到统计分类结果；根据随机森林算法投票的原则，将所述统计分类结果中得票数最高的特征，确定为所述带钢样本的缺陷识别结果；将执行以上过程的算法确定为基于随机森林的特征融合分类算法。5.根据权利要求3所述的方法，其特征在于，所述运用步进统计的方法对所述图像的HOG特征以及图像的GLCM特征进行融合，包括：设置HOG特征的权重、GLCM特征的权重以及权重约束条件；根据所述权重约束条件统计步长；根据统计的所述步长确定HOG特征的权重值取值范围，以及确定GLCM特征的权重值取值范围；根据所述HOG特征的权重值取值范围以及GLCM特征的权重值取值范围，计算得到多组权重因子以及每组权重因子对应的识别准确率。6.一种带钢表面缺陷识别装置，其特征在于，所述装置包括：建立模块，用于建立缺陷识别模型；获取模块，用于获取...

【专利技术属性】
技术研发人员：王雅琳，彭凯，崇庆魏，夏海兵，卢青，桂卫华，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43