一种铝型材瑕疵检测方法技术

本发明专利技术公开了一种铝型材瑕疵检测方法，属于机器学习视觉检测领域。所述方法包括以下步骤：S1：获取全部图像，进行图像预处理；S2：对预处理后的图像进行特征提取；S3：将数据集分为训练集和测试集；S4：构造和训练BRDPSO‑RF模型，同步进行特征选择和RF参数的优化；S5：应用选择好的特征子集和优化后的RF模型对测试集进行瑕疵检测。本发明专利技术通过提出BRDPSO‑RF模型同步选择最优的特征子集和随机森林RF分类器的参数优化，提高瑕疵检测的准确度，减少学习及训练的时间复杂度。

A method for detecting defects of aluminum profile

【技术实现步骤摘要】
一种铝型材瑕疵检测方法
本专利技术涉及一种铝型材瑕疵检测方法，属于机器学习视觉检测领域。
技术介绍
在铝型材的实际生产过程中，由于各方面因素的影响，铝型材表面会产生裂纹、起皮、划伤等瑕疵。由于同一批次的铝型材十分相似，可能存在一些人眼难以分辨的瑕疵，传统人工肉眼检查十分费力，同时人眼长时间检测，很容易造成肉眼疲劳，既不能及时准确的判断出表面瑕疵，质检的效率难以把控，而且不能满足企业大批量的生产需求。因此基于机器学习进行铝型材瑕疵检测具有重要意义。近年来，基于铝型材瑕疵检测的方法还比较少。而且大部分的检测方法都是先进行特征提取，再利用全部的特征进行分类。但实际上，特征空间中含有许多冗余特征甚至噪声特征，这些特征一方面可能降低分类的精度，另一方面会大大增加学习和训练的时间及复杂度。因此，提取出具有影响力的特征子集可以降低特征空间维数、简化分类器设计、提高分类速度。另外，合适的参数设置对于提高分类器模型的分类精度非常重要，错误的参数设置往往会大幅降低分类器的性能，因此分类器参数优化也是机器学习领域重要的研究方向之一。因此如何确定出有影响力的特征子集以及如何对分类器参数进行优化对于铝型材瑕疵检测至关重要。
技术实现思路
为了解决目前铝型材瑕疵检测方法存在的分类精度低、学习和训练的时间长、复杂度高等问题，本专利技术提供了一种基于二进制随机漂移粒子群算法(BRDPSO)的铝型材瑕疵检测方法。一种铝型材瑕疵检测方法，所述方法包括：S1对获取到的全部铝型材图像进行预处理，以达到图像增强和去除噪声的效果；S2对预处理后的铝型材图像应用基于纹理特征的方法提取特征，得到特征数据集；S3将特征数据集随机分成T份，其中1份作为测试集，剩下的T-1份作为训练集；S4构造并利用训练集训练二进制随机漂移粒子群-随机森林BRDPSO-RF模型，以得出最优特征子集和最佳随机森林RF分类器参数；S5以S4得出的最优特征子集作为特征子集，并应用最佳随机森林RF分类器参数构建随机森林RF模型，对铝型材测试集进行瑕疵检测。可选的，所述S4包括：4.1设粒子群参数部分为5维，设提取到的特征向量为n维，则粒子群的整体搜索空间设为D＝5+n；设粒子的个数为M，最大迭代次数为Max_iter；初始时刻，粒子i的位置为其中前5维用十进制表示，后n维用二进制位串表示，同时并置Pbesti(0)＝Xi(0)，其中Pbest是粒子个体最好位置；4.2使用Pbest计算粒子群的平均最好位置Mbest；4.3基于特定的特征选择方法适应度函数f为：其中，wa是分类精度权重，wf是特征子集权重，且满足wa+wf＝1；Accuracy是随机森林分类准确度，ones是在特征子集中挑选出的特征数目，all是全部的特征数目；根据适应度函数求得每个粒子的适应值；4.4粒子个体最优位置更新方式如下：粒子全局最优位置更新方式如下：Gbest(t+1)＝Pbestg(t+1)(5)4.5计算局部吸引子在第t次迭代，对于粒子的前5维使用下式计算吸引子pi,j(j＝1,…,5)：pi,j(t+1)＝r*Pbesti,j(t+1)+(1-r)*Gbest(t+1)(6)其中，r是服从均匀分布的随机数，即r～U(0,1)；4.6更新粒子的速度及位置粒子速度Vi,j(j＝1,…,D)的迭代更新方程式为：Vi,j(t+1)＝α*|Mbestj(t+1)-Xi,j(t)|*r+β*(pi,j(t+1)-Xi,j(t))(7)其中，α和β分别是漂移系数和热系数，0.5≤α≤1,1.5≤β≤3，r是服从正态分布的随机数，即r～N(0,1)；4.7重复(4.2)～(4.6)，直到迭代次数t达到最大迭代次数Max_iter，得到最终的Gbest；Gbest的前5维为最佳的RF参数组合，后n维是最优特征子集，其中“1”表示选择此特征，“0”表示不选此特征；4.8输出最优特征子集和最佳的RF参数。可选的，所述粒子群参数部分包括：森林中决策树的数目n_estimators、单个决策树使用特征的最大数量max_features、决策树的最大深度max_depth、分割内部节点所需要的最小样本数min_samples_split和叶子结点上的最小样本数min_samples_leaf。可选的，所述4.2使用Pbest计算粒子群的平均最好位置Mbest，包括：Mbest的前5维，即Mbestj(j＝1,…,5)的计算公式为：Mbest的后n维，即Mbestj(j＝6,…,D)根据粒子个体最好位置Pbest的二进制对应位串信息进行更新；通过统计群体中粒子二进制编码的每一位出现0和1的概率的大小，出现0的次数多，则粒子群的平均最好位置Mbest对应的为0；反之，则为1；如果对应位中出现的0和1的次数相同，则Mbest随机选择为0或1。可选的，所述4.5计算局部吸引子过程中：对于后n维的吸引子pi,j(j＝6,…,D)利用遗传算法的交叉操作计算；首先，随机将Pbesti和Gbest划分为K个部分，再交叉生成两条新的子代，最后从两条子代中随机挑选一条作为吸引子pi；Pbesti和Gbest均由10位二进制串组成；随机将Pbesti和Gbest划分为4部分，要求每一部分至少有2位二进制串，且最多不超过3位；再交叉生成pi1和pi2，其中，pi1的前两位来自Gbest，第2～4位来自Pbesti，第5～7位来自Gbest，最后两位来自Pbesti；pi2的前两位来自Pbesti，第2～4位来自Gbest，第5～7位来自Pbesti，最后两位来自Gbest；最后从pi1和pi2中随机选择一条作为吸引子pi。可选的，对于粒子位置而言，前5维和后n维使用不同的方法更新；前5维的粒子位置Xi,j(j＝1,…,5)的更新方程式为：Xi,j(t+1)＝Xi,j(t)+Vi,j(t+1)(8)后n维的粒子位置Xi,j(j＝6,…,D)的更新方式为：其中，r是服从均匀分布的随机数，即r～U(0,1)。可选的，所述S1对获取到的全部铝型材图像进行预处理，包括：采用图像灰度化、直方图均衡化、中值滤波以及同态滤波技术对图像进行预处理。可选的，所述S2中基于纹理特征的方法，包括灰度共生矩阵、局部二值模式LBP、自相关函数、马尔可夫随机场MRF模型法和小波变换。可选的，所述方法还包括，在对铝型材测试集进行瑕疵检测完成后应用所构建的RF对待检测的铝型材进行瑕疵检测。可选的，所述S1获取到的全部铝型材图像采用分辨率不低于2560×1440的相机获取。本专利技术有益效果是：通过提供一种基于二进制随机漂移粒子群算法(BRDPSO)的铝型材瑕疵检测方法，能够同时得到最优特本文档来自技高网...

【技术保护点】
1.一种铝型材瑕疵检测方法，其特征在于，所述方法包括：/nS1对获取到的全部铝型材图像进行预处理，以达到图像增强和去除噪声的效果；/nS2对预处理后的铝型材图像应用基于纹理特征的方法提取特征，得到特征数据集；/nS3将特征数据集随机分成T份，其中1份作为测试集，剩下的T-1份作为训练集；/nS4构造并利用训练集训练二进制随机漂移粒子群-随机森林BRDPSO-RF模型，以得出最优特征子集和最佳随机森林RF分类器参数；/nS5以S4得出的最优特征子集作为特征子集，并应用最佳随机森林RF分类器参数构建随机森林RF模型，对铝型材测试集进行瑕疵检测。/n

【技术特征摘要】
1.一种铝型材瑕疵检测方法，其特征在于，所述方法包括：
S1对获取到的全部铝型材图像进行预处理，以达到图像增强和去除噪声的效果；
S2对预处理后的铝型材图像应用基于纹理特征的方法提取特征，得到特征数据集；
S3将特征数据集随机分成T份，其中1份作为测试集，剩下的T-1份作为训练集；
S4构造并利用训练集训练二进制随机漂移粒子群-随机森林BRDPSO-RF模型，以得出最优特征子集和最佳随机森林RF分类器参数；
S5以S4得出的最优特征子集作为特征子集，并应用最佳随机森林RF分类器参数构建随机森林RF模型，对铝型材测试集进行瑕疵检测。


2.根据权利要求1所述的方法，其特征在于，所述S4包括：
4.1设粒子群参数部分为5维，设提取到的特征向量为n维，则粒子群的整体搜索空间设为D＝5+n；设粒子的个数为M，最大迭代次数为Max_iter；
初始时刻，粒子i的位置为其中前5维用十进制表示，后n维用二进制位串表示，同时并置Pbesti(0)＝Xi(0)，其中Pbest是粒子个体最好位置；
4.2使用Pbest计算粒子群的平均最好位置Mbest；
4.3基于特定的特征选择方法适应度函数f为：



其中，wa是分类精度权重，wf是特征子集权重，且满足wa+wf＝1；Accuracy是随机森林分类准确度，ones是在特征子集中挑选出的特征数目，all是全部的特征数目；
根据适应度函数求得每个粒子的适应值；
4.4粒子个体最优位置更新方式如下：



粒子全局最优位置更新方式如下：



Gbest(t+1)＝Pbestg(t+1)(5)
4.5计算局部吸引子
在第t次迭代，对于粒子的前5维使用下式计算吸引子pi，j(j＝1，...，5)：
pi,j(t+1)＝r*Pbesti，j(t+1)+(1-r)*Gbest(t+1)(6)
其中，r是服从均匀分布的随机数，即r～U(0，1)；
4.6更新粒子的速度及位置
粒子速度Vi，j(j＝1，...，D)的迭代更新方程式为：
Vi，j(t+1)＝α*|Mbestj(t+1)-Xi，j(t)|*r+β*(pi，j(t+1)-Xi，j(t))(7)
其中，α和β分别是漂移系数和热系数，0.5≤α≤1，1.5≤β≤3，r是服从正态分布的随机数，即r～N(0，1)；
4.7重复(4.2)～(4.6)，直到迭代次数t达到最大迭代次数Max_iter，得到最终的Gbest；
Gbest的前5维为最佳的RF参数组合，后n维是最优特征子集，其中“1”表示选择此特征，“0”表示不选此特征；
4.8输出最优特征子集和最佳的RF参数。


3.根据权利要求2所述的方法，其特征在于，所述粒子群参数部分包括：森林中决策树的数目n_estimators、单个决策树使用特征的最大数量max_features、决策树的最大深度ma...

【专利技术属性】
技术研发人员：李岳阳，罗海驰，樊启高，朱一昕，张家玮，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏;32