基于特征点检测与SVM分类器的巡检目标缺陷检测方法技术

本发明专利技术涉及一种基于特征点检测与SVM分类器的巡检目标缺陷检测方法，包括：获取实时拍摄的巡检目标图像，对其进行灰度值变换；使用最大类间方差法和SUSAN边缘检测法对转换后图像进行处理，确定待检目标的候选区域；根据待检目标形状特征对候选区域进行筛选和融合；对处理后的候选区域进行LBP与LPQ特征提取，并将二者特征进行融合，输入到预先训练好的SVM分类器中进行分类识别。本发明专利技术所述检测方法相比于传统的模板匹配方法，不需要对两幅图进行前期复杂的配准工作，同时，采用LBP与LPQ特征相结合的方式，可以更加准确的描述目标特征，提高缺陷识别结果的准确率；操作简单，具有较高的环境适应性，能够满足对采油设备零部件完整性的识别要求。

Patrol Target Defect Detection Method Based on Feature Point Detection and SVM Classifier

The invention relates to a defect detection method for patrol target based on feature point detection and SVM classifier, which includes: acquiring real-time patrol target image and transforming its gray value; processing the transformed image using maximum inter-class variance method and SUSAN edge detection method to determine the candidate area of the target to be inspected; and screening the candidate area according to the shape characteristics of the target to be inspected. Selection and fusion; LBP and LPQ features are extracted from the processed candidate regions, and their features are fused and input into the pre-trained SVM classifier for classification and recognition. Compared with the traditional template matching method, the detection method of the present invention does not need the complicated registration work of the two maps in the early stage. At the same time, the combination of LBP and LPQ features can more accurately describe the target features and improve the accuracy of defect recognition results; the operation is simple, and has high environmental adaptability, and can meet the requirements of the integrity of parts and components of oil production equipment. Identification requirements.

【技术实现步骤摘要】
基于特征点检测与SVM分类器的巡检目标缺陷检测方法
本专利技术涉及计算机视觉
，尤其涉及一种基于特征点检测与SVM分类器的目标缺陷检测方法。
技术介绍
目标缺陷检测是计算机视觉领域的一项重要内容，对于传统的缺陷检测来说，基本操作是采用模板匹配的方法，首先需要使用图像配准技术将待检图像与参考图像转换到相同的成像空间，然后将参考图与转换后的巡检图做残差，直接判断待检目标是否缺失。由于大部分油田所处环境气候恶劣，采油设备常年暴露在风沙环境中，油污侵蚀等情况会使设备上的螺栓、手轮等零件外观发生形变。这种情况下，使用传统的模板匹配方法来检测设备的完整性很容易发生漏检或者误检测的情况。同时，大部分实际拍摄的图像，参考图与实时图之间通常存在着正射、仿射等变换，图像配准过程中涉及到特征点检测、参数估计和插值运算等一系列操作，当图像分辨率较大时，计算复杂度高。当前期特征检测不准确时，往往影响后期配准的精度，进而影响目标缺陷检测的结果。现有的缺陷检测方法，多是用在车间生产中，通过固定产品的位置，检测机器生产出来的零部件质量是否符合规定。这种方法在户外或者产品摆放不齐、产品位置发生变化时，检测效果不理想，不能准确的检测出目标缺失的数量。中国专利公开号：CN103635169A公开了一种缺陷检测系统，包括：图像处理单元、缺陷检测单元以及图像显示单元，其中，该图像处理单元被构造成获取吸收性物品的形态图像，该吸收性物品的形态图像示出了在多个步骤的每一步骤中的吸收性物品加工后的形态，该缺陷检测单元被构造成基于由图像处理单元获取的形态图像而检测加工后的吸收性物品是否存在缺陷部位，该图像显示单元被构造成当由缺陷检测单元检测出吸收性物品的缺陷部位时显示加工后的吸收性物品的图像。由此可见，所述检测系统存在以下问题：第一，所述检测系统只应用于流水线，通过固定产品的位置，检测零部件质量是否符合规定，无法在户外做到准确的检测；第二，所述检测系统仅使用相机对摆放位置固定的零件进行图像采集，当产品摆放不齐或产品位置发生变化时，检测效果不理想；第三，所述检测系统在针对缺陷进行检测时，仅通过形态图像的对比来判定零件是否出现缺陷或丢失，检测结果不精准。
技术实现思路
为此，本专利技术提供一种基于特征点检测与SVM分类器的巡检目标缺陷检测方法，用以克服现有技术中实时巡检无法判断零件是否缺失的问题。为实现上述目的，本专利技术提供一种基于特征点检测与SVM分类器的巡检目标缺陷检测方法，包括：步骤A：获取实时拍摄的巡检目标图像I(x,y)，其中x∈[1,M]，y∈[1,N]，M、N为巡检图的尺寸；对I(x,y)进行灰度值变换，将图像I(x,y)从RGB空间转换为灰度空间I′(x,y)；步骤B：使用最大类间方差法和SUSAN边缘检测法对转换后的巡检图I′(x,y)进行处理，确定待检目标的候选区域Ai(xi,yi)，其中i＝1,...,n，n为候选区域的个数；步骤C：根据待检目标的形状特征对候选区域进行筛选和区域融合，以删除误检的目标区域，处理后的候选区域为A′j(xj,yj)，其中j＝1,...,Num，Num为处理后的候选区域个数；步骤D：对处理后的候选区域A′j(xj,yj)进行LBP与LPQ特征提取，并将二者特征进行融合，输入到预先训练好的SVM分类器中进行分类识别，以判断设备中零件是否齐全。进一步地，所述步骤B具体包括：步骤B1：使用最大类间方差法计算所述灰度图像I′(x,y)的最佳分割阈值T；步骤B2：根据步骤B1计算出的阈值T，取其1/5作为SUSAN特征边缘的检测阈值，检测目标区域的边缘；步骤B3：对所述步骤B2检测后的图像进行二值化处理以突出目标区域，处理后的图像为B(x,y)；步骤B4：移除B(x,y)中区域面积小于N的小目标区域，其中N表现为目标区域的像素个数之和；步骤B5：对处理后的二值图像，使用形态学运算和连通区域标注法确定目标区域最大外接矩形框，并统计候选区域个数n。进一步地，所述步骤B1中利用最大类间方差法计算图像最佳分割阈值T的方法包括：对于待检图像I′(x,y)，将目标和背景的分割阈值记作T，图像中像素的灰度值小于阈值T的像素个数记作N0，占整幅图像的比例记为ω0，平均灰度为μ0，则ω0＝N0/(M×N)；像素灰度大于阈值T的像素个数记作N1，占整幅图像的比例为ω1，平均灰度为μ1，则ω1＝N1/(M×N)；图像的总平均灰度记为μ，类间方差为g，则有：其中N0+N1＝M×N，ω0+ω1＝1，对式(1)进行简化得g＝ω0ω1(μ0-μ1)2，采用遍历法得到最佳分割阈值T。进一步地，所述步骤B2中检测目标区域边缘的方法包括：根据步骤B1求得的最佳分割阈值T，取其1/5作为SUSAN特征边缘的检测阈值，并对目标区域进行边缘检测：以图像中每点像素为中心作圆形模板，模板内共有37个像素，将各邻域点分别带入式(2)作相似度衡量的计算：其中r为领域像素距离中心的长度，r0为中心位置，t为相似度分界值，且t＝T/5；计算相似度后，利用式(3)计算总共的相似程度：计算完成后，将与一个固定的阈值g进行比较，其中g＝0.75·nmax，nmax为模板内的像素数且nmax＝37；初始的边缘响应可以用式(4)进行计算：进一步地，在所述步骤B2中对邻域点进行相似度衡量计算时，使用式(5)代替式(2)：通过使用式(5)的平滑方式代替式(2)的直接分割方式，以获得更稳定的计算结果。进一步地，所述步骤C具体包括：步骤C1：计算各目标区域之间的重叠率，对有重叠的区域进行融合，融合后的候选框个数为num；具体包括：依次计算编号为i的候选框与其余n-1个候选框之间的重叠率，将计算结果储存在矩阵overlap_rate[i,j]中，且i＝1,...,n，j＝1,...,n；搜索对称矩阵overlap_rate[n,n]的第i行，记下该行中重叠率不为零的位置编号[a1,a2,...,am]；将编号为i的候选框与编号为a1,a2,...,am的候选框进行融合，同时将搜索过的行编号进行储存以避免重复搜索，搜索完成后跳到i+1行进行继续搜索；依次在矩阵overlap_rate[n,n]中搜索a1,a2,...,am对应的行，并重复上述搜索步骤至当前区域内相互重叠的候选框全部融合完毕；融合后继续搜索下一区域内相互重叠的候选区域至各区域块全部融合完毕。步骤C2：根据待检目标的形状特征，计算融合后候选矩形框的宽高比AR(i)，其中i＝1,...,num，删除AR(i)≥1.5的目标区域；通过结合待检目标的尺寸限制候选区域的宽高比，以排除部分误检区域。进一步地，所述步骤D具体包括：步骤D1：对处理后的候选区域A′j(xj,yj)进行LBP与LPQ特征提取，先对目标区域的LBP特征进行提取，对图像中的每个像素，计算以其为中心3×3邻域内各像素和中心像素的大小关系，并把像素的灰度值转化为一个八位二进制序列；转化完成后计算目标区域图像的LPQ直方图；最后将二者结合以共同作为目标区域的特征；步骤D2：预先建立正常样本、缺陷样本、背景三类样本库，并对SVM分类器进行训练，包括：将正常样本和缺陷样本作为类别1，背景作为类别2，训练SVM分类器，记为SVM-1；将正常样本作为类别1，缺陷样本作为类别本文档来自技高网...

【技术保护点】
1.一种基于特征点检测与SVM分类器的巡检目标缺陷检测方法，其特征在于，包括：步骤A：获取实时拍摄的巡检目标图像I(x,y)，其中x∈[1,M]，y∈[1,N]，M、N为巡检图的尺寸，对I(x,y)进行灰度值变换，将图像I(x,y)从RGB空间转换为灰度空间I′(x,y)；步骤B：使用最大类间方差法和SUSAN边缘检测法对转换后的巡检图I′(x,y)进行处理，确定待检目标的候选区域Ai(xi,yi)，其中i＝1,...,n，n为候选区域的个数；步骤C：根据待检目标的形状特征对候选区域进行筛选和区域融合，以删除误检的目标区域，处理后的候选区域为A′j(xj,yj)，其中j＝1,...,Num，Num为处理后的候选区域个数；步骤D：对处理后的候选区域A′j(xj,yj)进行LBP与LPQ特征提取，并将二者特征进行融合，输入到预先训练好的SVM分类器中进行分类识别，以判断设备中零件是否齐全。

【技术特征摘要】
1.一种基于特征点检测与SVM分类器的巡检目标缺陷检测方法，其特征在于，包括：步骤A：获取实时拍摄的巡检目标图像I(x,y)，其中x∈[1,M]，y∈[1,N]，M、N为巡检图的尺寸，对I(x,y)进行灰度值变换，将图像I(x,y)从RGB空间转换为灰度空间I′(x,y)；步骤B：使用最大类间方差法和SUSAN边缘检测法对转换后的巡检图I′(x,y)进行处理，确定待检目标的候选区域Ai(xi,yi)，其中i＝1,...,n，n为候选区域的个数；步骤C：根据待检目标的形状特征对候选区域进行筛选和区域融合，以删除误检的目标区域，处理后的候选区域为A′j(xj,yj)，其中j＝1,...,Num，Num为处理后的候选区域个数；步骤D：对处理后的候选区域A′j(xj,yj)进行LBP与LPQ特征提取，并将二者特征进行融合，输入到预先训练好的SVM分类器中进行分类识别，以判断设备中零件是否齐全。2.根据权利要求1所述的基于特征点检测与SVM分类器的巡检目标缺陷检测方法，其特征在于，所述步骤B包括：步骤B1：使用最大类间方差法计算所述灰度图像I′(x,y)的最佳分割阈值T；步骤B2：根据步骤B1计算出的阈值T，取其1/5作为SUSAN特征边缘的检测阈值，检测目标区域的边缘；步骤B3：对所述步骤B2检测后的图像进行二值化处理以突出目标区域，处理后的图像为B(x,y)；步骤B4：移除B(x,y)中区域面积小于N的小目标区域，其中N表现为目标区域的像素个数之和；步骤B5：对处理后的二值图像，使用形态学运算和连通区域标注法确定目标区域最大外接矩形框，并统计候选区域个数n。3.根据权利要求2所述的基于特征点检测与SVM分类器的巡检目标缺陷检测方法，其特征在于，所述步骤B1中利用最大类间方差法计算图像最佳分割阈值T的方法包括：对于待检图像I′(x,y)，将目标和背景的分割阈值记作T，图像中像素的灰度值小于阈值T的像素个数记作N0，占整幅图像的比例记为ω0，平均灰度为μ0，则ω0＝N0/(M×N)；像素灰度大于阈值T的像素个数记作N1，占整幅图像的比例为ω1，平均灰度为μ1，则ω1＝N1/(M×N)；图像的总平均灰度记为μ，类间方差为g，则有：其中N0+N1＝M×N，ω0+ω1＝1，对式(1)进行简化得g＝ω0ω1(μ0-μ1)2，采用遍历法得到最佳分割阈值T。4.根据权利要求2所述的基于特征点检测与SVM分类器的巡检目标缺陷检测方法，其特征在于，在所述步骤B2中检测目标区域边缘的方法包括：根据步骤B1求得的最佳分割阈值T，取其1/5作为SUSAN特征边缘的检测阈值，并对目标区域进行边缘检测：以图像中每点像素为中心作圆形模板，模板内共有37个像素，将各邻域点分别带入式(2)作相似度衡量的计算：其中r为领域像素距离中心的长度，r0为中心位置，t为相似度分界值，且t＝T/5；计算相似度后，利用式(3)计算总共的相似程度：计算完成后，将与一个固定的阈值g进行比较，其中g＝0.75·nmax，nmax为模板内的像素数且nmax＝37；初始的边缘响应可以用式(4)进行计算：5.根据权利要求4所述的基于特征点检测与SVM分类器的巡...

【专利技术属性】
技术研发人员：姜欢，
申请(专利权)人：北京航天福道高技术股份有限公司，
类型：发明
国别省市：北京,11