一种带钢表面缺陷的特征提取与分类方法技术

一种带钢表面缺陷的特征提取与分类方法，属于模式识别与图像处理领域。提取带钢表面缺陷样本数据库的基准采样尺寸表；获得基准采样图像，构造梯度大小-方向共生矩阵；针对基准采样图像的缺陷内区域，构造灰度大小-方向共生矩阵；生成特征向量样本的训练库；用K-最近邻和R-最近邻相结合的方法，修剪训练样本集并提取倍数因子；并利用修剪后样本的倍数因子改进分类器；获得多类别分类器模型；根据基准采样尺寸表，将缺陷测试样本转为基准采样图像，然后提取25维的特征量，并输入到多类别分类器模型，完成缺陷的自动识别。本发明专利技术能够实现尺度和旋转不变，抑制其它不利因素的影响，提高识别的效率与精度。

【技术实现步骤摘要】
一种带钢表面缺陷的特征提取与分类方法
本专利技术属于模式识别与图像处理领域，具体涉及带钢表面缺陷识别方向的缺陷特征提取与缺陷分类的方法。
技术介绍
近年来，随着不断增长的对高品质带钢产品的需求和日益白热化的市场竞争，表面缺陷的检测成为钢铁企业实施带钢质量监测与控制的重要技术支撑。在带钢的生产和加工过程中会出现各种类型的缺陷，比如：裂纹、结疤、孔洞、氧化铁皮、卷边、擦伤等。表面缺陷监测的一个重要过程就是对这些缺陷进行识别与区分，以便对产品质量问题做出快速的处理和控制。带钢表面缺陷识别的过程主要包括四个环节：缺陷预处理、缺陷分割、缺陷特征提取和缺陷分类。其中，缺陷的特征提取和分类是两个关键性环节。针对它们的研究也越来越广泛与深入。针对带钢表面缺陷，同一个样本可能存在着不同的尺度、旋转、平移、亮度、视角上的图像版本。在实际的带钢生产线，具有固定环境和位置的表面缺陷采集装置避免了亮度与视角上的明显差异，同时，采用图像分割的方法将缺陷区域从图像中提取出来，避免了平移上的差异。但是，同一个缺陷样本的不同图像在尺度、旋转上的差异不可避免。这就要求缺陷特征提取算法具备尺度、旋转的不变性。在传统的表面缺陷特征提取技术中，大部分算法都不具备尺度、旋转不变性，仅有少量的算法考虑了尺度、旋转不变性的要求，如：学者HU提出的不变矩算法。但是，HU不变矩算法仅提取7个具有尺度、旋转不变性的特征量，无法满足后续分类方法依靠多特征量来提高精度的需求。因此，研究其它的具有尺度、旋转不变性的缺陷特征提取算法以提取更多的特征量势在必行。另外，针对带钢表面缺陷的分类，支持向量机被证实是最为有效的方法之一。但是，在实际的分类问题中，传统的支持向量机存在着分类精度与效率的冲突。幸运的是，随着技术的发展，学者们提出了性能得到提升的新型支持向量机。如：近似支持向量机、孪生支持向量机、最小二乘孪生支持向量机等。因此，选择有效的新型支持向量机，并加以改进，以适合带钢表面缺陷的高精度与高效率的多类别分类要求。
技术实现思路
针对现有技术存在的缺陷，本专利技术的目的是提供一种带钢表面缺陷的特征提取与分类方法，采用具有尺度、旋转不变性的特征提取技术，以达到多类别缺陷分类的高效率与高精度要求的目的。本专利技术的技术方案是这样实现的：一种带钢表面缺陷的特征提取与分类方法，包括以下步骤：步骤1：提取带钢表面缺陷样本数据库的基准采样尺寸表；步骤2：计算缺陷样本数据库中样本图像的高度-宽度比，并检索基准采样尺寸表，然后按照检索到的尺寸对缺陷图像进行采样，获得基准采样图像，基准采样图像保证了后续算法提取的特征具有尺度不变性；步骤3：针对基准采样图像的缺陷边缘，构造梯度大小-方向共生矩阵，并根据此矩阵提取9个梯度大小-方向共生矩阵的特征，即大小均值、方向均值、大小方差、方向方差、大小熵、方向熵、混合熵、惯性矩、相关性，使提取到的特征具有尺度不变性和旋转不变性；步骤4：针对基准采样图像的缺陷内区域，构造灰度大小-方向共生矩阵，并根据此矩阵提取9个灰度大小-方向共生矩阵的特征，使这些特征具有尺度不变性和旋转不变性；步骤5：将缺陷边缘的9个梯度大小-方向共生矩阵的特征量、缺陷内区域的9个灰度大小-方向共生矩阵的特征量和缺陷图像的7个HU不变矩算法的特征量结合，生成具有25维特征向量样本的训练库；步骤6：针对具有25维特征向量样本的训练库，使用K-最近邻和R-最近邻相结合的方法，修剪训练样本集，同时，提取修剪后样本的倍数因子；步骤7：采用最小二乘孪生支持向量机作为分类器，并利用修剪后样本的倍数因子改进分类器；步骤8：将改进的分类器与二叉树结合，建立多类别分类器模型，并利用修剪后的训练样本集对多类别分类器模型进行训练；步骤9：根据基准采样尺寸表，将缺陷测试样本转为基准采样图像，然后提取25维的特征量，并输入到多类别分类器模型，完成缺陷的自动识别。步骤1所述的提取带钢表面缺陷样本数据库的基准采样尺寸表，步骤如下：步骤1-1：对带钢表面缺陷样本数据库的所有样本进行[0°，360°)角度范围内的旋转，并计算所有样本对应的每一个旋转角度下的图像尺寸；步骤1-2：计算所有样本对应的图像尺寸的高度-宽度比rhw，底标hw是高度-宽度的英文缩写；步骤1-3：分析每一个rhw对应的所有图像尺寸，确定一个基准采样尺寸Shw；步骤1-4：建立rhw与Shw一一对应的基准采样尺寸表；步骤3所述的提取9个梯度大小-方向共生矩阵特征的步骤如下：步骤3-1：假设基准采样图像中缺陷边缘有nL个像素点，每一个像素点的灰度值为fiL，以fiL像素点为中心，提取3×3窗口中属于缺陷边缘的像素点，组成集合PiL，且该集合中像素点的个数为这里L符号代表缺陷边缘，i＝1，2，…，nL；步骤3-2：计算ＰiL中每一个像素点梯度的大小(GM)i(k0,l0)和方向(GO)i(k0,l0)，并定义PiL中所有像素点相对于3×3窗口中心点的坐标偏移量集合为WiL，这里k0和l0表示WiL中的坐标偏移量，G符号代表梯度，M符号代表大小，O符号代表方向；步骤3-3：缺陷边缘的每一个像素点的梯度大小被定义为PiL中所有像素点梯度大小的均值，其公式如下：步骤3-4：为保证旋转不变性，将fiL像素点的梯度方向旋转到0方向，对应的PiL中所有像素点的梯度方向也随之旋转，最终，缺陷边缘的每一个像素点的梯度方向被定义为PiL中所有像素点旋转后的梯度方向均值，假设MOD符号表示取余运算，则的公式如下：步骤3-5：将和的值域进行32等级离散化，且离散化后缺陷边缘像素点的梯度大小和方向在离散域[1，2，…，32]中取值，这里i1,i2＝1，2，…，nL，M32符号代表32等级离散化后的大小，O32符号代表32等级离散化后的方向；步骤3-6：针对缺陷边缘，统计梯度大小为和梯度方向为的缺陷边缘像素点的个数，并将梯度大小-方向共生矩阵HL中k1行l1列的元素HL(k1,l1)设定为此值，构造出32×32梯度大小-方向共生矩阵HL；步骤3-7：将梯度大小-方向共生矩阵HL的元素转为概率形式，即HL在(k1,l1)元素的概率为p(k1,l1)，其公式如下：步骤3-8：根据缺陷边缘的梯度大小-方向共生矩阵HL，计算对应的具有尺度、旋转不变性的9个梯度大小-方向共生矩阵的特征，即：大小均值μM、方向均值μO、大小方差方向方差大小熵EM、方向熵EO、混合熵EMO、惯性矩IMO、相关性CMO，具体公式如下：...

【技术保护点】

【技术特征摘要】
1.一种带钢表面缺陷的特征提取与分类方法，其特征在于：包括以下步骤：步骤1：提取带钢表面缺陷样本数据库的基准采样尺寸表；步骤2：计算缺陷样本数据库中样本图像的高度-宽度比，并检索基准采样尺寸表，然后按照检索到的尺寸对缺陷图像进行采样，获得基准采样图像；步骤3：针对基准采样图像的缺陷边缘，构造梯度大小-方向共生矩阵，并根据此矩阵提取9个梯度大小-方向共生矩阵的特征，即大小均值、方向均值、大小方差、方向方差、大小熵、方向熵、混合熵、惯性矩、相关性，使提取到的特征具有尺度不变性和旋转不变性；所述的提取9个梯度大小-方向共生矩阵特征的步骤如下：步骤3-1：假设基准采样图像中缺陷边缘有nL个像素点，每一个像素点的灰度值为fiL，以fiL像素点为中心，提取3×3窗口中属于缺陷边缘的像素点，组成集合PiL，该集合中像素点的个数为且有这里L符号代表缺陷边缘，i＝1,2,…,nL；步骤3-2：计算PiL中每一个像素点梯度的大小(GM)i(k0,l0)和方向(GO)i(k0,l0)，并定义PiL中所有像素点相对于3×3窗口中心点的坐标偏移量集合为WiL，这里k0和l0表示WiL中的坐标偏移量，G符号代表梯度，M符号代表大小，O符号代表方向；步骤3-3：缺陷边缘的每一个像素点的梯度大小被定义为PiL中所有像素点梯度大小的均值，其公式如下：步骤3-4：为保证旋转不变性，将fiL像素点的梯度方向旋转到0方向，对应的PiL中所有像素点的梯度方向也随之旋转，最终，缺陷边缘的每一个像素点的梯度方向被定义为PiL中所有像素点旋转后的梯度方向均值，假设MOD符号表示取余运算，则的公式如下：步骤3-5：将和的值域进行32等级离散化，且离散化后缺陷边缘像素点的梯度大小和方向在离散域[1,2,…,32]中取值，这里i1,i2＝1,2,…,nL，M32符号代表32等级离散化后的大小，O32符号代表32等级离散化后的方向；步骤3-6：针对缺陷边缘，统计梯度大小为和梯度方向为的缺陷边缘像素点的个数，并将梯度大小-方向共生矩阵HL中k1行l1列的元素HL(k1,l1)设定为此值,构造出32×32梯度大小-方向共生矩阵HL；步骤3-7：将梯度大小-方向共生矩阵HL的元素转为概率形式，即HL在(k1,l1)元素的概率为p(k1,l1)，其公式如下：步骤3-8：根据缺陷边缘的梯度大小-方向共生矩阵HL，计算对应的具有尺度、旋转不变性的9个梯度大小-方向共生矩阵的特征，即：大小均值μM、方向均值μO、大小方差方向方差大小熵EM、方向熵EO、混合熵EMO、惯性矩IMO、相关性CMO，具体公式如下：步骤4：针对基准采样图像的缺陷内区域，构造灰度大小-方向共生矩阵，并根据此矩阵提取9个灰度大小-方向共生矩阵的特征，使这些特征具有尺度不变性和旋转不变性；所述的提取9个灰度大小-方向共生矩阵特征的步骤如下：步骤4-1：假设基准采样图像中缺陷内区域有nΩ个像素点，每一个像素点灰度值为ftΩ，以ftΩ像素点为中心，提取3×3窗口中所有的像素点，组成集合PtΩ，这里Ω符号代表缺陷内区域，t＝1,2,…,nΩ；步骤4-2：计算PtΩ中像素点梯度的方向(GO)t(k2,l2)，这里k2和l2表示PtΩ中像素点相对于3×3窗口中心点的坐标偏移量，且k2,l2∈{-1,0,1}；步骤4-3：为保证旋转不变性，将ftΩ像素点的梯度方向旋转到0方向，对应的PtΩ中所有像素点的梯度方向也随之旋转，最终，缺陷内区域的每一个像素点的灰度方向被定义为PtΩ中所有像素点旋转后的梯度方向均值，其公式如下：步骤4-4：将ftΩ和的值域进行32等级离散化，且离散化后缺陷内区域的灰度大小和方向在离散域...

【专利技术属性】
技术研发人员：王安娜，储茂祥，巩容芬，
申请(专利权)人：东北大学，
类型：发明
国别省市：