基于HOG、LBP和GLCM特征融合的吸波涂层散斑缺陷检测方法技术

本发明专利技术公开了一种基于HOG、LBP和GLCM特征融合的吸波涂层散斑缺陷检测方法，收集若干吸波涂层散斑图像样本并对是否存在脱粘缺陷进行标注，对于每幅散斑图像样本分别提取其HOG特征向量并降维，对于每幅散斑图像样本获取对应的LBP图像，然后对LBP图像提取对应的GLCM特征向量，将每幅散斑图像样本降维后的HOG特征向量和GLCM特征向量进行串行特征融合，得到融合特征向量并进行降维，将降维后的融合特征向量及对应标签对分类模型进行训练，在缺陷检测时，从需要进行缺陷检测的吸波涂层散斑图像中提取出降维后的融合特征向量，输入训练好的分类模型得到缺陷检测结果。本发明专利技术融合了HOG、LBP和GLCM进行纹理特征提取，对于散斑图像的脱粘缺陷检测可以取得更好的检测效果。

【技术实现步骤摘要】
基于HOG、LBP和GLCM特征融合的吸波涂层散斑缺陷检测方法
本专利技术属于吸波涂层缺陷检测
，更为具体地讲，涉及一种基于HOG、LBP和GLCM特征融合的吸波涂层散斑缺陷检测方法。
技术介绍
吸波材料又称隐身材料或微波吸收材料，是提高现代先进武器机动、隐蔽和突防等性能，实现隐身功能的核心技术。由于吸波涂层材料与基底材料的异质结构特征，在大面积喷涂过程中很容易产生脱粘等缺陷，同时由于吸波涂料的使用环境一般较为恶劣，在使用过程中也容易造成损伤，这些缺陷将对吸波涂料的电磁屏蔽功能造成很大影响，尤其是在航空航天领域，任何一个小的质量隐患或者微小缺陷都可能造成重大的安全事故。涂层材料的缺陷一般有裂纹、撞击和脱粘等缺陷，裂纹和撞击一般处于涂层表面，易于检测，而脱粘缺陷往往隐蔽性很强，检测难度大。目前在无损检测领域应用较为广泛的几种检测方法是涡流、超声和射线等技术，在分层等面积型缺陷检测有一定效果。采用超声检测存在的主要问题是只能实现单点检测，且一般存在100μm的检测盲区，无法实现缺陷尺寸的准确检测；红外热成像法是近年来新兴的一种无损检测方法，北京航空材料研究院采用此方法检测了吸波涂层中的分层缺陷，其研究结果表明，红外热波成像对于通过涂蜡形成的脱粘缺陷没有检测能力；而涡流检测的方法受涂层材料性质以及结构件尺寸形状等复杂特点的限制，同样不适用于涂层脱粘检测。而激光剪切散斑干涉技术以其全场、非接触、高效率等优点在涂层缺陷检测领域得到广泛认可。激光剪切散斑干涉技术(Shearography)，是在20世纪70年代电子散斑图干涉术(ESPI)的基础上首次提出的。与其他光学元件相比，激光剪切散斑干涉技术具有许多优点。它类似于全息和ESPI，但它直接测量变形梯度和应变信息，而全息和ESPI只测量变形，而且物体中的缺陷通常会产生应变集中，这意味着剪切成像可以更容易地揭示缺陷。此外，由于刚体运动不产生应变，剪切成像对小刚体运动不敏感。这意味着剪切照相在工业操作中有巨大的发展空间。虽然激光剪切散斑检测方法在国外有成熟的工业化产品，但报道很少，几乎没有详细文献的介绍。国内激光对缺陷图像的目标识别研究也处于一个起步阶段。目前的研究一般基于实验室中标准气泡缺陷板得到的图像，这些图像都具有“蝴蝶斑”的典型缺陷特征。所选用的识别方法大致有以下两种：一是对不同的缺陷类型提出了一种基于调制度、空洞填充和图像形态学的算法，通过对缺陷区域的图像变换，得到具有明显特征的二值化结果图，最终做出识别。对缺陷的识别进行了初步的探索，具有一定的执行效率；二是对同样的实验样本进行研究，采用可靠度均值、包裹相位图峰值检测、包裹相位图轮廓边缘灰度均值、相位图轮廓边缘灰度均值等特征量与支持向量机相结合的方法对缺陷进行了识别，得到了较高的识别率。但是现有的研究成果或装置还不能解决吸波涂层脱粘缺陷测量所面临的关键问题：1、处理方法泛化能力较差。通过大量样本的观察，实际中应用激光散斑检测仪得到的缺陷图像并非一成不变，不同的光照条件、实验环境会对图像的结果造成影响，尤其是大面积脱层得到的检测图像结构特征迥异于常见的“蝴蝶斑”图像。上述方法对具有“蝴蝶斑”特征的缺陷有不错的识别效果，不足之处是对结构特征脱离了“蝴蝶斑”的缺陷效果很差，在实际应用中产生的误识别较多。2、检测实时性低。一般采用的特征提取方法需要对图像做较多预处理工作，同时所提取特征的准确性也极大地依赖于预处理图像的质量，实际检测中耗时较多，实时性较低。因此，针对吸波涂层脱粘缺陷检测问题开展研究具有重大意义。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于HOG、LBP和GLCM特征融合的吸波涂层散斑缺陷检测方法，针对脱粘缺陷，将HOG、LBP和GLCM三种特征融合得到散斑缺陷纹理特征，从而提高脱粘缺陷检测的准确率。为实现上述专利技术目的，本专利技术基于HOG、LBP和GLCM特征融合的吸波涂层散斑缺陷检测方法包括以下步骤：S1：收集N幅吸波涂层散斑图像，其中部分吸波涂层散斑图像中涂层存在脱粘缺陷，将N幅散斑图像转化为灰度图像并归一化至预设尺寸作为散斑图像样本，对每幅散斑图像样本标注出是否存在脱粘缺陷的标签pn，pn＝0表示不存在脱粘缺陷，pn＝1表示存在脱粘缺陷，n＝1,2,…,N；S2：对于每幅散斑图像样本分别提取其HOG特征向量S3：对散斑图像样本的HOG特征进行降维，得到K维的HOG特征，记第n幅散斑图像样本降维后的HOG特征向量为其中K根据实际需要设置；S4：对于每幅散斑图像样本，计算每个像素点的LBP算子的十进制数值，再转换为灰度值，得到散斑图像样本对应的LBP图像；S5：对于每幅散斑图像样本对应的LBP图像，提取其对应的GLCM特征向量S6：将每幅散斑图像样本降维后的HOG特征向量和GLCM特征向量进行串行特征融合，得到融合特征向量S7：对融合特征向量进行降维，得到每幅散斑图像样本降维后的融合特征向量S8：根据需要设置一个分类模型，采用所有散斑图像样本降维后的融合特征向量作为分类模型的输入，对应标签pn作为分类模型的期望输出，对分类模型进行训练；S9：对于需要进行脱粘缺陷检测的吸波涂层散斑图像，首先归一化至预设尺寸，再采用步骤S2中的相同方法提取出归一化后吸波涂层散斑图像的HOG特征向量根据步骤S3中降维结果提取得到降维后的HOG特征向量然后采用步骤S4中的相同方法获取归一化后吸波涂层散斑图像对应的LBP图像，采用步骤S5中的相同方法提取出对应的GLCM特征向量对HOG特征向量和GLCM特征向量进行串行特征融合，得到融合特征向量为再根据步骤S7中的降维结果提取出降维后的融合特征向量将降维后的融合特征向量输入步骤S8训练好的分类模型，所得到的分类结果即为吸波涂层散斑图像的缺陷检测结果。本专利技术基于HOG、LBP和GLCM特征融合的吸波涂层散斑缺陷检测方法，收集若干吸波涂层散斑图像样本并对是否存在脱粘缺陷进行标注，对于每幅散斑图像样本分别提取其HOG特征向量并降维，对于每幅散斑图像样本获取对应的LBP图像，然后对LBP图像提取对应的GLCM特征向量，将每幅散斑图像样本降维后的HOG特征向量和GLCM特征向量进行串行特征融合，得到融合特征向量并进行降维，将降维后的融合特征向量及对应标签对分类模型进行训练，在缺陷检测时，从需要进行缺陷检测的吸波涂层散斑图像中提取出降维后的融合特征向量，输入训练好的分类模型得到缺陷检测结果。本专利技术融合了HOG、LBP和GLCM进行纹理特征提取，能够更好地提取存在脱粘缺陷的吸波涂层散斑图像的特征，相比于单一特征在识别率上有较高的提升，对于散斑图像的脱粘缺陷检测可以取得更好的检测效果。附图说明图1是本专利技术基于HOG、LBP和GLCM特征融合的吸波涂层散斑缺陷检测方法的具体实施方式流程图；图2是本实施例中脱粘缺陷示意图；图3是脱粘缺陷的实物照片图；图4是图3所示缺陷所得到的散斑图像；图5是本实施例中图4本文档来自技高网...

【技术保护点】
1.一种基于HOG、LBP和GLCM特征融合的吸波涂层散斑缺陷检测方法，其特征在于包括：/nS1：收集N幅吸波涂层散斑图像，其中部分吸波涂层散斑图像中涂层存在脱粘缺陷，将这些散斑图像转化为灰度图像并归一化至预设尺寸作为散斑图像样本，对每幅散斑图像样本标注出是否存在脱粘缺陷的标签p

【技术特征摘要】
1.一种基于HOG、LBP和GLCM特征融合的吸波涂层散斑缺陷检测方法，其特征在于包括：
S1：收集N幅吸波涂层散斑图像，其中部分吸波涂层散斑图像中涂层存在脱粘缺陷，将这些散斑图像转化为灰度图像并归一化至预设尺寸作为散斑图像样本，对每幅散斑图像样本标注出是否存在脱粘缺陷的标签pn，pn＝0表示不存在脱粘缺陷，pn＝1表示存在脱粘缺陷，n＝1,2,…,N；
S2：对于每幅散斑图像样本分别提取其HOG特征向量
S3：对散斑图像样本的HOG特征进行降维，得到K维的HOG特征，记第n幅散斑图像样本降维后的HOG特征向量为其中K根据实际需要设置；
S4：对于每幅散斑图像样本，计算每个像素点的LBP算子的十进制数值，再转换为灰度值，得到散斑图像样本对应的LBP图像；
S5：对于每幅散斑图像样本对应的LBP图像，提取其对应的GLCM特征向量
S6：将每幅散斑图像样本降维后的HOG特征向量和GLCM特征向量进行串行特征融合，得到融合特征向量
S7：对融合特征向量进行降维，得到每幅散斑图像样本降维后的融合特征向量
S8：根据需要设置一个分类模型，采用所有散斑图像样本降维后的融合特征向量作为分类模型的输入，对应标签pn作为分类模型的期望输...

【专利技术属性】
技术研发人员：白利兵，唐文举，周权，程玉华，张杰，田露露，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51