一种基于SVM的裂纹识别方法、设备及存储设备技术

本发明专利技术提供了一种基于SVM的裂纹识别方法、设备及存储设备，所述方法包括步骤：读取图像像素点进行二值化处理后存储在文本中得到二值化处理后的样本；对二值化处理后的样本进行分组；采用分组后的每份样本做为测试集对SVM模型进行测试得到有效SVM模型；采用有效SVM模型对待处理图像进行识别将有裂纹图像和无裂纹图像进行区分。一种基于SVM的裂纹识别设备及存储设备，用来实现所述方法。本发明专利技术可以实时高效地获得裂纹的识别信息。

A crack recognition method, equipment and storage device based on SVM

The present invention provides a SVM based crack identification method, device and storage device. The method includes steps: read the pixel points of the read image and store the samples after the two value processing in the text after two value processing; the samples after the two valued processing are grouped; each sample after the packet is used as the test set. The SVM model is tested and the effective SVM model is obtained. The effective SVM model is used to distinguish the cracked image and the crack free image. A crack recognition device and storage device based on SVM are used to realize the method. The invention can obtain the identification information of cracks in real time and efficiently.

【技术实现步骤摘要】
一种基于SVM的裂纹识别方法、设备及存储设备
本专利技术涉及模式识别领域，具体涉及一种基于SVM的裂纹识别方法、设备及存储设备。
技术介绍
在水下监测领域，例如对水坝水下坝体部分是否存在裂纹的监测，由于环境复杂，不可预测因素太多，使得水下坝体裂纹的监测异常困难。同时，现有设备不支持水下进行裂纹样本的采集监测，而采用人工定期入水检查的方式不仅效率低，而且成本过高，不切实际。因此，如何能够借助技术手段对水坝水下坝体裂纹进行有效监测就成为亟待解决的问题。
技术实现思路
本专利技术提供了一种基于SVM的裂纹识别方法、设备及存储设备，通过将测试样本集进行分组，再结合SVM模型进行训练，建立对裂纹进行有效识别的方法，可以有效解决上述问题。本专利技术提供的技术方案是：一种基于SVM的裂纹识别方法，所述方法包括步骤：读取图像像素点进行二值化处理后存储在文本中得到二值化处理后的样本；对二值化处理后的样本进行分组；采用分组后的每份样本做为测试集对SVM模型进行测试得到有效SVM模型；采用有效SVM模型对待处理图像进行识别将有裂纹图像和无裂纹图像进行区分。存储设备，所述存储设备存储指令及数据用于实现所述一种基于SVM的裂纹识别方法。一种基于SVM的裂纹识别设备，所述设备包括处理器及所述存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现所述的一种基于SVM的裂纹识别方法。本专利技术的有益效果是：本专利技术提供了一种基于SVM的裂纹识别方法、设备及存储设备，通过将测试样本集进行分组，再结合SVM模型进行训练，最终可在采用的样本集数量较少的情况下，建立对裂纹进行有效识别的方法。实验证明了本专利技术方案的有效性和实用性。附图说明图1是本专利技术实施例中基于SVM的裂纹识别方法的整体流程图；图2是本专利技术实施例中基于SVM的裂纹识别平均效果示意图；图3是本专利技术实施例的硬件设备工作示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地描述，下文中提到的具体技术细节，如：方法，设备等，仅为使读者更好的理解技术方案，并不代表本专利技术仅局限于以下技术细节。本专利技术的实施例提供了一种基于SVM的裂纹识别方法、设备及存储设备。请参阅图1，图1是本专利技术实施例中基于SVM的裂纹识别方法的整体流程图，所述方法由硬件设备实现，具体步骤包括：S101：读取图像像素点进行二值化处理后存储在文本中得到二值化处理后的样本。所述文本具体为：txt、Excel或doc中的一种或几种。S102：对二值化处理后的样本进行分组，具体为：将样本分为五组。在样本进行分组前，将样本打乱排序，然后随机进行均匀分配得到五组样本。S103：采用分组后的每份样本做为测试集对SVM模型进行测试得到有效SVM模型。所述SVM模型用到的测试集样本总数为700个样本，即，使用700组样本对SVM模型进行训练即满足SVM模型的识别精度。S104：采用有效SVM模型对待处理图像进行识别将有裂纹图像和无裂纹图像进行区分。所述SVM模型为软间隔SVM模型；所述软间隔SVM模型的约束公式为：其中，C为正常数，l0/1表示“0/1损失函数”，ω和b为模型参数，yi表示标签，表达式为：用替换函数替换所述l0/1函数；所述替换函数为：Hinge损失函数、指数损失函数或对率损失函数。采用所述Hinge损失函数替换l0/1函数后，所述软间隔SVM模型的约束公式为：在软间隔SVM模型的约束公式中引入松弛变量ki后，软间隔SVM模型的约束公式为：s.tyi(ωTxi+b)≥1-kiki≥0,i＝1,2,...,m；软间隔SVM模型的KKT条件为：其中，αi为拉格朗日乘子。错误率和精度使用率很高，但是在实际工程中不是唯一标准，并且常常不能满足任务需求。比如说在大坝裂纹检测中，精度表示进行判断时有裂纹和没有裂纹中有多少是判断正确的，但是在实际应用中，有裂纹对工程的影响重大，因此更加需要重视的应该是有裂纹的有多少能被检测出来，那么这个时候精度不是唯一性能度量了。在大坝裂纹检测中，根据预测结果与标签的组合有四种检测结果，真实有裂纹样本预测也为有裂纹——真正例(truepositive)，真实没裂纹预测为有裂纹——假正例(falsepositive)，真实有裂纹预测为没裂纹——假反例(falsenegative)，真实没裂纹预测为没裂纹——真反例(truenegative)，分类的“混淆矩阵”如表1所示。表1查准率为P，查全率为R，分别定义为：查全率与查准率一般来说是相互矛盾的，查全率大时查准率会相对小一些，因此需要根据具体检测对象来确定所需的性能度量。参见图2，图2是本专利技术实施例中基于SVM的裂纹识别平均效果示意图，包括：平均查全率曲线201、平均精度曲线202、样本集轴203和平均查全率及平均精度轴204。由图中可见，平均查全率曲线201最终结果为88％，平均精度曲线202最终结果为82％，所述结果由五组测试集平均测算而来，五组测试集的平均查全率和平均精度分别为：第一组查全率为：88％，测试精度为：83％；第二组查全率为：86％，测试精度为：83％；第三组查全率为：84％，测试精度为：77％；第四组查全率为：0.914，测试精度为：79％；第五组查全率为：0.89，测试精度为：0.864。最终平均查全率可达：88％，平均精度可达：82％，效果理想，上述指标显示了本专利技术方案在实际应用中的有效性。参见图3，图3是本专利技术实施例的硬件设备工作示意图，所述硬件设备具体包括：一种基于SVM的裂纹识别设备301、处理器302及存储设备303。基于SVM的裂纹识别设备301：所述一种基于SVM的裂纹识别设备301实现所述一种基于SVM的裂纹识别方法。处理器302：所述处理器302加载并执行所述存储设备303中的指令及数据用于实现所述的一种基于SVM的裂纹识别方法。存储设备303：所述存储设备303存储指令及数据；所述存储设备303用于实现所述的一种基于SVM的裂纹识别方法。通过执行本专利技术的实施例，本专利技术权利要求里的所有技术特征都得到了详尽阐述。区别于现有技术，本专利技术的实施例提供了一种基于SVM的裂纹识别方法、设备及存储设备，通过将测试样本集进行分组，再结合SVM模型，最终可在采用的样本集数量较少的情况下，建立对裂纹进行有效识别的方法。实验证明了本专利技术方案的有效性和实用性。以上所述仅为本专利技术的较佳实施例，并不用以限制本专利技术，凡在本专利技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
一种基于SVM的裂纹识别方法，所述方法由硬件设备实现，其特征在于：包括以下步骤：读取图像像素点进行二值化处理后存储在文本中得到二值化处理后的样本；对二值化处理后的样本进行分组；采用分组后的每份样本做为测试集对SVM模型进行测试得到有效SVM模型；采用有效SVM模型对待处理图像进行识别将有裂纹图像和无裂纹图像进行区分。

【技术特征摘要】
1.一种基于SVM的裂纹识别方法，所述方法由硬件设备实现，其特征在于：包括以下步骤：读取图像像素点进行二值化处理后存储在文本中得到二值化处理后的样本；对二值化处理后的样本进行分组；采用分组后的每份样本做为测试集对SVM模型进行测试得到有效SVM模型；采用有效SVM模型对待处理图像进行识别将有裂纹图像和无裂纹图像进行区分。2.如权利要求1所述的一种基于SVM的裂纹识别方法，其特征在于：所述文本具体为：txt、Excel或doc中的一种或几种。3.如权利要求1所述的一种基于SVM的裂纹识别方法，其特征在于：所述对二值化处理后的样本进行分组的步骤具体为：将样本分为五组。4.如权利要求3所述的一种基于SVM的裂纹识别方法，其特征在于：在样本进行分组前，将样本打乱排序，然后随机进行均匀分配得到五组样本。5.如权利要求4所述的一种基于SVM的裂纹识别方法，其特征在于：建立所述SVM模型用到的测试集样本总数为700个样本，使用700组样本对SVM模型进行训练即满足SVM模型的识别精度。6.如权利要求5所述的一种基于SVM的裂纹识别方法，其特征在于：所述SVM模型为软间隔SVM模型；所述软间隔SVM模型的约束公式为：其中，C为正常数，l0/1表示“0/1损失函数”，ω和b为模型参数，yi表示标签，表达式为：7.如权利要求6所述的一种基...

【专利技术属性】
技术研发人员：丁华锋，王静婷，张雄伟，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北,42