一种基于支持向量机的航空发动机叶片表面缺陷检测方法技术

一种基于支持向量机的航空发动机叶片表面缺陷检测方法，包括如下步骤：对图像去噪处理；利用直方图均衡化和分段线性化消除光照影响，增强图像对比度，利用大津阈值法将图像转化为二值图像；对缺陷图像形状特征提取和HOG特征提取得到特征向量；将特征向量输入到分类算法中进行缺陷识别与分类。针对于航空发动机叶片的现实数据集较少，影响设计算法的检测精度，而人工采集建立数据集耗时耗力，该方法中支持向量机的决策函数只依赖于支持向量，分类速度比较快，同时，数据集训练样本的数量对支持向量机的效果影响不大，相对于卷积神经网络等算法而言，不需要大量训练样本，在小样本数据集上的表现良好，解决了叶片表面缺陷检测小样本数据集的问题。样本数据集的问题。样本数据集的问题。

【技术实现步骤摘要】
一种基于支持向量机的航空发动机叶片表面缺陷检测方法

技术实现思路

[0001]本专利技术属于航空发动机表面缺陷智能识别与分类
，提供了一种基于支持向量机的航空发动机叶片表面缺陷检测方法。

技术介绍

[0002]在航空航天领域，航空发动机中的风扇叶片由合金制成，目前，飞机发动机孔探检查是对发动机核心机部件检查的重要手段，在日常检查过程中，机务人员将内窥镜探头伸入发动机内部，在不拆解发动机的情况下，通过孔探设备屏幕上的图像，观测发动机内部零件、完成检查，主要依靠孔探图像进行人工识别，效率不高。近年来，随着机器学习、深度学习的发展，国内外许多专家学者利用机器视觉和深度学习对表面缺陷检测方法进行了研究，例如makussvensein等人在《Deep neural networks analysis of borescope images》中基于深度神经网络构建了大型涡扇发动机的检测网络，神经网络选取了CNN网络，通过训练实现对GE机队的发动机五类部位进行分类。
[0003]但目前针对于叶片表面缺陷检测的研究不多，且由于航空发动机叶片缺陷样本较难收集，存在工业小样本问题，即现实数据集过少，导致训练数据集数量不足，影响检测精度，而人工采集建立数据集耗时耗力。
[0004]本专利技术中支持向量机的决策函数只依赖于支持向量，分类速度比较快，同时，数据集训练样本的数量对支持向量机的效果影响不大，相对于卷积神经网络等算法而言，不需要大量训练样本，在小样本数据集上的表现良好。
[0005]
技术实现思路

[0006]本专利技术的目的是提供了一种基于支持向量机的航空发动机叶片表面缺陷检测方法。
[0007]本专利技术的技术方案：
[0008]一种基于支持向量机的航空发动机叶片表面缺陷检测方法，步骤如下：
[0009]步骤S1：利用高斯滤波对图像进行去噪处理
[0010]高斯滤波器设置为将滤波器窗口内的像素按照模板系数取均值，每一个像素值，由其本身和邻域内的其他像素值经过加权平均得到；在算法中，用选定的一个模板扫描图像中的每一个像素，之后用模板内的像素灰度值加权平均值替代中心像素值，在图像去噪中采用二维高斯滤波，此处选择5*5模板用以滤除高斯噪声，模板系数通过式(1)得到；
[0011][0012]式中，σ为标准差，其大小决定了高斯滤波的平滑程度；
[0013]步骤S2，将图像转化为二值图像
[0014]先对步骤S1生成的图像使用直方图均衡化消除光照带来的影响并增强对比度，得到图像灰度直方图；再使用分段线性化技术，针对图像灰度直方图进行处理，增强图像的对比度；然后采用最大类间方差法即大津阈值法对图像进行二值化，将图像转化为二值图像，
便于后续对图像进行几何特征提取；
[0015]在进行直方图均衡化时其中所采用的变换函数如式(2)所示；
[0016][0017]式中，n表示图像像素数，l为灰度级数，n
k
表示灰度级为r
k
的像素的数目；
[0018]分段线性化技术：通过调节分段线性函数增强输入图像中感兴趣区域的灰度区域，抑制其他区域灰度区域；通过设置滑动条实现对分段线性函数的手动调节，获取到最佳参数；选择两个分界点，通过调节分界点的大小实现不同的效果，但要保证分段线性函数是单值且单调递增的；
[0019]大津阈值法：通过使得式(5)中的类间方差最大得出最佳阈值，使用该阈值对图像进行二值化处理；
[0020]假定给定图像大小为M*N，目标与背景的分割阈值记为T，图像中像素灰度值小于阈值T的像素个数记为N0，大于阈值T的像素个数则记为N1，则属于前景的像素占整幅图像的像素比例w0为：
[0021][0022]图像像素总平均灰度为：
[0023]μ＝w0μ0+w1μ1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0024]则类间方差为：
[0025][0026]式中，表示类间方差，w0为前景像素占整幅图像的像素比例，w1为背景像素占整幅图像的像素比例，μ0表示属于前景的像素平均灰度，μ1表示属于背景的像素平均灰度；
[0027]步骤S3：缺陷图像形状特征提取
[0028]利用步骤S2中得到的二值图像进行几何特征提取，包括面积、最小外接矩形面积、长宽比、区间占空比，对不同的数据进行归一化，将数据归一化至
‑
1～1区间；
[0029]其中面积采用将轮廓近似成一个多边形进行求解，求轮廓内所包含的所有像素的个数；
[0030]区间占空比指的是区域的占空比，通过计算待识别的目标区域面积与它的最小外接矩形面积的比值得到的；
[0031]步骤S4：HOG特征提取
[0032]以步骤S1得到的图像为基础，进行HOG特征提取；
[0033]步骤S5：缺陷分类算法设计
[0034]将步骤S3、步骤S4中的特征进行串联组合，作为特征向量输入到分类器中；
[0035]多分类设计采取加权支持向量机及投票加权算法进行多分类概率估计，首先将多分类问题转化为二分类问题，针对于每个二分类问题使用分段加权支持向量机进行分类，分段概率组合得到每个二分类问题得分类概率，进行加权投票得到最后分类的结果及概率。
[0036]进一步，步骤S4中，
[0037]首先将滤波后的图像灰度化，重新规定图像大小，提取每个像素的水平方向梯度和垂直方向梯度，计算出每个像素的梯度大小和梯度方向；之后将图像分成许多小cell，选取无向梯度，将0～180度角度平均分为九个通道，统计cell中每个像素的梯度在这些通道上的幅值，形成梯度分布直方图；最后对梯度分布做归一化处理，减小像素值对梯度值的影响，用窗口评议的方法，对窗口中每个cell中的梯度做归一化，最终所有窗口的特征值进行整合，形成图像的HOG特征。
[0038]进一步，步骤S5中，
[0039]多分类设计采取加权支持向量机及投票加权算法进行多分类概率估计；其中支持向量机采用径向基核函数，拉格朗日乘数最优解λ
*
的求取使用SMO算法；
[0040]SMO算法的步骤为：第一个变量λ
i
的选择为外层循环函数；外层循环选取的是输入的特征向量中违反KKT条件最严重的数据点，将其对应的变量作为第一个变量，检验训练样本是否满足KKT条件；在选取过程中，首先，外层循环首先遍历所有满足0＜λ
i
＜C的点，其中C为惩罚函数，检验在边界上的支持向量是否都满足KKT条件，选取违反KKT条件最严重λ
i
，如果以上样本点都满足KKT条件，则遍历整个数据集训练集样本，检验是否满足KKT条件，然后选取违反KKT条件最严重的λ
i
；遍历时，优先选择遍历非边界数据样本，直到选出违反KKT条件的样本，当没有非边界数据样本需要调整时，遍历所有数据样本，检验是否所有样本均符合KKT条件，如果有样本仍然不符合，则再次遍历非边界数据样本，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于支持向量机的航空发动机叶片表面缺陷检测方法，其特征在于，步骤如下：步骤S1：利用高斯滤波对图像进行去噪处理高斯滤波器设置为将滤波器窗口内的像素按照模板系数取均值，每一个像素值，由其本身和邻域内的其他像素值经过加权平均得到；在算法中，用选定的一个模板扫描图像中的每一个像素，之后用模板内的像素灰度值加权平均值替代中心像素值，在图像去噪中采用二维高斯滤波，此处选择5*5模板用以滤除高斯噪声，模板系数通过式(1)得到；式中，σ为标准差，其大小决定了高斯滤波的平滑程度；步骤S2，将图像转化为二值图像先对步骤S1生成的图像使用直方图均衡化消除光照带来的影响并增强对比度，得到图像灰度直方图；再使用分段线性化技术，针对图像灰度直方图进行处理，增强图像的对比度；然后采用最大类间方差法即大津阈值法对图像进行二值化，将图像转化为二值图像，便于后续对图像进行几何特征提取；在进行直方图均衡化时其中所采用的变换函数如式(2)所示；式中，n表示图像像素数，l为灰度级数，n
k
表示灰度级为r
k
的像素的数目；分段线性化技术：通过调节分段线性函数增强输入图像中感兴趣区域的灰度区域，抑制其他区域灰度区域；通过设置滑动条实现对分段线性函数的手动调节，获取到最佳参数；选择两个分界点，通过调节分界点的大小实现不同的效果，但要保证分段线性函数是单值且单调递增的；大津阈值法：通过使得式(5)中的类间方差最大得出最佳阈值，使用该阈值对图像进行二值化处理；假定给定图像大小为M*N，目标与背景的分割阈值记为T，图像中像素灰度值小于阈值T的像素个数记为N0，大于阈值T的像素个数则记为N1，则属于前景的像素占整幅图像的像素比例w0为：图像像素总平均灰度为：μ＝w0μ0+w1μ1ꢀꢀꢀꢀꢀꢀ
(5)则类间方差为：式中，表示类间方差，w0为前景像素占整幅图像的像素比例，w1为背景像素占整幅图像的像素比例，μ0表示属于前景的像素平均灰度，μ1表示属于背景的像素平均灰度；步骤S3：缺陷图像形状特征提取利用步骤S2中得到的二值图像进行几何特征提取，包括面积、最小外接矩形面积、长宽比、区间占空比，对不同的数据进行归一化，将数据归一化至
‑
1～1区间；
其中面积采用将轮廓近似成一个多边形进行求解，求轮廓内所包含的所有像素的个数；区间占空比指的是区域的占空比，通过计算待识别的目标区域面积与它的最小外接矩形面积的比值得到的；步骤S4：HOG特征提取以步骤S1得到的图像为基础，进行HOG特征提取；步骤S5：缺陷分类算法设计将步骤S3、步骤S4中的特征进行串联组合，作为特征向量输入到分类器中；多分类设计采取加权支持向量机及投票加权算法进行多分类概率估计，首先将多分类问题转化为二分类问题，针对于每个二分类问题使用分段加权支持向量机进行分类，分段概率组合得到每个二分类问题得分类概率，进行加权投票得到最后分类的结果及概率。2.根据权利要求1所述的基于支持向量机的航空发动机叶片表面缺陷检测方法，其特征在于，步骤S4中，首先将滤波后的图像灰度化，重新规定图像大小，提取每个像素的水平方向梯度和垂直方向梯度，计算出每个像素的梯度大小和梯度方向；之后将图像分成许多小cell，选取无向梯度...

【专利技术属性】
技术研发人员：姜晓涵，徐昌一，孙希明，王栋，于欣萌，刘方舟，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：