一种自动识别型钢类别的方法技术

本发明专利技术公开一种自动识别型钢类别方法。所述的方法包括以下步骤：S1：对采集的型钢图像进行预处理；S2：对预处理后的型钢图像进行数据集制作；S3：对建立好的型钢类别数据集进行方向梯度直方图的特征提取；S4：对提取出的图像HOG特征使用支持向量机进行训练，得到最优的训练模型；S5：将训练得到的最优模型作用于测试集，验证模型的有效性；S6：利用验证后的模型对型钢类别进行判断。本项目通过机器视觉及图像处理技术，构建出型钢类别的自动识别系统，实现产线的自动分拣，提高钢铁企业的生产效率，降低企业人工成本，进一步推动我国钢铁冶金领域的智能制造转型升级及智能化发展。冶金领域的智能制造转型升级及智能化发展。冶金领域的智能制造转型升级及智能化发展。

【技术实现步骤摘要】
一种自动识别型钢类别的方法


[0001]本专利技术涉及冶金智能制造、机器视觉和图像处理领域，更具体的说，涉及一种基于视觉的自动识别型钢类型的方法。

技术介绍

[0002]型钢是我国各类基础设施建设的重要钢材，广泛用于国防、机械制造、铁路、桥梁、矿山、船舶制造、建筑、农业及民用等多个部门。随着国民经济发展的需要与轧钢技术的提高，我国许多原有的型钢品种不断改进，新的型钢品种也不断增加。按照钢材的断面形状，型钢可以分为简单断面型钢和复杂断面型钢，而简单断面型钢包括方钢，圆钢，扁钢等，复杂断面型钢则包括角钢、槽钢、H型钢等。因此如何自动且精准的对产线上的型钢进行分类或识别已经成为钢铁研究人员的主要研究方向之一。
[0003]目前我国大部分钢铁企业对于产线上的型钢还是通过人工进行区分与检测，这不仅费时费力，容易误判，还大大提高了企业的经费开支。同时，国内外研究学者对于如何自动识别产线上的型钢的理论研究较少，且没有一套成熟的检测系统，因此，必须开发一种自动识别能够自动识别型钢类型的方法，通过视觉手段，结合机器学习等相关算法，对钢铁产线上的型钢图像进行自动采集，自动分析，自动判别其种类，从而实现自动分拣，提高钢铁企业的生产效率，降低人工成本，减少由人为因素导致的生产问题。

技术实现思路

[0004]针对现有技术存在的缺陷和不足，本专利技术提供一种自动识别型钢类别的方法。
[0005]为达到上述目的，本专利技术的自动识别型钢类别方法，包括以下步骤：
[0006]S1：对采集的型钢图像进行预处理；
[0007]S2：对预处理后的型钢图像进行数据集制作；
[0008]S3：对建立好的型钢类别数据集进行方向梯度直方图的特征提取；
[0009]S4：对提取出的图像HOG特征使用支持向量机进行训练，得到最优的训练模型；
[0010]S5：将训练得到的最优模型作用于测试集，验证模型的有效性；
[0011]S6：利用验证后的模型对型钢类别进行判断。
[0012]进一步的，所述的步骤S1具体为：
[0013]S11：对采集到型钢图像做数据增强；
[0014]S12：对数据增强后的型钢图像去噪，对包含噪声点的图像进行中值滤波操作；
[0015]S13：对型钢图像做直方图均衡化。
[0016]进一步的，所述的步骤S3具体为：
[0017]S31：对输入图像进行灰度化处理；
[0018]S32：采用Gamma校正法对处理后的灰度图像进行归一化；
[0019]S33：将图像分解成若干个小的单元，计算每个单元每个像素的梯度，统计每个单元中所有像素的梯度形成该单元的梯度直方图；
[0020]S34：将几个单元整合成一个块，一个块中所有梯度直方图形成该块的特征描述器；
[0021]S35：将图像中所有块的特征描述器串联得到该图像的HOG特征。
[0022]进一步的，所述的步骤S4具体为：
[0023]S41：将步骤S3中得到的HOG特征与其对应的标签整合得到训练数据集；
[0024]S42：将数据集通过核函数映射到新的样本空间；
[0025]S43：在新的样本空间通过支持向量拟构建出初步决策函数；
[0026]S44：将损失函数变换为带约束形式同时引入拉格朗日乘子；
[0027]S45：通过对偶函数变换及引入序列最小优化(SMO)算法求得最终的决策函数；
[0028]S46：更换核函数，重复S42
‑
S45步骤，得到最优的训练模型。
[0029]进一步的，所述的中值滤波操作的步骤为：选用预定的二维滑动模板，从左到右，从上至下，遍历图像每个像素点，选取每个像素点及其周围临近像素点的像素值，将这些像素值进行排序，将位于中间位置的像素值作为当前像素点的像素值。
[0030]进一步的，所述的直方图均衡化的步骤为：
[0031]首先扫描原始图像中的每一个像素，计算出图像在不同通道像素值的直方图；
[0032]其次，计算出各通道直方图的累积分布函数；然后根据累积分布函数和直方图均衡化原理得到输入与输出之间的映射关系；
[0033]最后根据映射关系得到结果进行图像变换，以增强图像中目标物体与背景间的对比度。
[0034]进一步的，所述的灰度化操作，其变换公式如下:
[0035]f(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j)
[0036]其中，f(i,j)表示变换后该点的像素值，R(i,j)、G(i,j)、B(i,j)表示变换前该点的R,G,B值。
[0037]进一步的，所述的Gamma校正法，其变换公式如下：
[0038]Gamma＝K*E
r
＝255*E
log(p(x,,y)/255)*gamma
[0039]其中p(x,y)表示某点的像素值，gamma的取值范围为0.05～5之间。
[0040]进一步的，所述的梯度计算操作，其梯度计算公式及梯度方向分别是：
[0041][0042][0043]其中，H(x,y)为点(x,y)的像素值，G(x,y)为该点的梯度，α(x,y)为该点梯度的方向。
[0044]进一步的，所述的梯度直方图，若一个单元里有n*n个像素，通过梯度计算共得到n*n*2个值(每个像素包含梯度值和梯度方向)，将0～180度每20度分成9个区间，每点的像素按照其梯度方向的大小，将该像素点的梯度值分配给该点梯度方向对应的区间，最后n*n个像素分配完成后，便得到该单元的梯度直方图。
[0045]进一步的，所述的核函数，将原始样本空间中线性不可分的数据通过核函数的变换将其映射到高维空间，使其线性可分，其变换公式为：
[0046]K(x1,y1)＝Φ(x1)
·
Φ(x2)
[0047]其中Φ(x)为映射函数，Φ(x1)
·
Φ(x2)为点积运算，针对不同的数据类型，常用的核函数有线性核(linear)，多项式核(poly)，双曲正切核(sigmoid)以及高斯径向基(rbf)。
[0048]进一步的，所述的拉格朗日乘子，即针对带约束的最优化问题，比如线性支持向量机的损失函数可表示为：
[0049][0050]其中w，b为初步决策函数的一次项系数和偏差，为了能更高效的求解这类带约束的二次规划问题，在损失函数中添加拉格朗日乘子，将原函数转化为对偶函数进行求解。引入拉格朗日后的线性支持向量机损失函数即可表示为：
[0051][0052]进一步的，所述的序列最小优化(SMO)算法，在引入朗格朗日乘子并将原损失函数转化成其对偶函数后，并求解限制条件下的拉格朗日乘子时，使用SMO算法，对原问题进行拆分，每次只对两个变量进行优化，其余变量作为常数，针对这两个变量构建一个二次规划问题，求得其最优解，接着更换其他两个变量进行优化，求最优解，以此不断迭本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动识别型钢类别方法，其特征在于，所述的方法包括以下步骤：S1：对采集的型钢图像进行预处理；S2：对预处理后的型钢图像进行数据集制作；S3：对建立好的型钢类别数据集进行方向梯度直方图的特征提取；S4：对提取出的图像HOG特征使用支持向量机进行训练，得到最优的训练模型；S5：将训练得到的最优模型作用于测试集，验证模型的有效性；S6：利用验证后的模型对型钢类别进行判断。2.如权利要求1所述的自动识别型钢类别的方法，其特征在于，所述的步骤S1具体为：S11：对采集到型钢图像做数据增强；S12：对数据增强后的型钢图像去噪，对包含噪声点的图像进行中值滤波操作；S13：对型钢图像做直方图均衡化。3.如权利要求1所述的自动识别型钢类别的方法，其特征在于，所述的步骤S3具体为：S31：对输入图像进行灰度化处理；S32：采用Gamma校正法对处理后的灰度图像进行归一化；S33：将图像分解成若干个小的单元，计算每个单元每个像素的梯度，统计每个单元中所有像素的梯度形成该单元的梯度直方图；S34：将几个单元整合成一个块，一个块中所有梯度直方图形成该块的特征描述器；S35：将图像中所有块的特征描述器串联得到该图像的HOG特征。4.如权利要求3所述的自动识别型钢类别的方法，其特征在于，所述的步骤S4具体为：S41：将步骤S3中得到的HOG特征与其对应的标签整合得到训练数据集；S42：将数据集通过核函数映射到新的样本空间；S43：在新的样本空间通过支持向量拟构建出初步决策函数；S44：将损失函数变换为带约束形式同时引入拉格朗日乘子；S45：通过对偶函数变换及引入序列最小优化(SMO)算法求得最终的决策函数；S46：更换核函数，重复S42
‑
S45步骤，得到最优的训练模型。5.如权利要求2所述的一种自动识别型钢类别的方法，其特征在于：所述的中值滤波操作的步骤为：选用预定的二维滑动模板，从左到右，从上至下，遍历图像每个像素点，选取每个像素点及其周围临近像素点的像素值，将这些像素值进行排序，将位于中间...

【专利技术属性】
技术研发人员：张笑凡，方田，徐志坤，蒲春雷，沈亮，
申请(专利权)人：中冶华天工程技术有限公司，
类型：发明
国别省市：