[发明专利]一种仪表检测中基于支持向量机的仪表指针抖动的识别方法

说明书

技术领域

本发明涉及一种仪表检测中基于支持向量机的仪表指针抖动的识别方法。

背景技术

在工业生产过程之中，仪表的使用随处可见，仪表主要是用来对于工业的各项参数进行检测、显示、记录或控制。仪表是用来对于工业生产过程进行控制的必备仪器以及基本手段，只有时刻了解整个过程的运行情况，并加以相应的控制才能保证生产的安全、顺利，并达到相应的目标。但是在实际工业生产中，仪表的准确程度总是随着使用时间的增长而下降，并且仪表自身缺陷所导致的指针的不断抖动是时有发生的情况。仪表指针抖动带来的误差对于一个严格的工业过程来说影响是很大的，参数的不准确导致控制变量的施加时间以及大小的不准确，由此给整个生产过程效率，产量等各方面造成了很大的影响。特别是对于一些精密的生产技术特别是在军工、航天等领域来说，仪表指针的抖动情况很多情况下通过肉眼是无法辨别的，由此带来的隐患更应该引起人们的关注。

通过人眼对于仪表指针抖动情况进行识别的的方式不仅具有很高的不准确性，而且增加了人工成本。而本方法把数字图像处理和机器学习的支持向量机两种技术相结合，利用两者优势对于仪表指针的抖动情况能够更好的识别。

通过人工和现有的方式对于仪表指针抖动进行识别精确度不足，容易忽视一些细微的抖动，对于军工、航天、武器制造等领域来说都可能会是致命的错误。

发明内容

本发明的目的是为了解决在工业实际生产中，仪表的准确程度总是随着使用时间的增长而下降，仪表自身缺陷所导致的指针的不断抖动给工业过程带来误差，通过人工和现有方式对于仪表指针抖动情况进行识别的的方式具有很高的不准确性以及识别精确度不足，而提出了一种仪表检测中基于支持向量机的仪表指针抖动的识别方法。

上述的发明目的是通过以下技术方案实现的：

步骤一、将检测的仪表种类区分为各个仪表子类；

步骤二、对于各个仪表子类在进行检测前，获得正常情况下仪表表盘的清晰图片作为训练样本；

步骤三、将训练样本进行预处理；其中，所述预处理是指对于训练样本图像进行缩放、利用噪声抑制滤波器进行去噪处理；常见的噪声有椒盐噪声和高斯噪声；如果是灰度图像，则对于灰度图像进行二值化；

步骤四、对于预处理之后的图像进行特征提取，以获得图像的各个特征值构成的特征空间；其中，提取的图像特征包括指针的颜色特征、灰度特征、轮廓特征和位置特征并进行提取；

步骤五、根据步骤四所获得的图像的特征空间利用SVM分类器进行训练，生成训练集的SVM训练模型；

步骤六、利用改进的网格搜索法选择惩罚参数C和RBF核参数中参数r的最优参数组合，根据这组最优参数得到最优的SVM训练模型；

步骤七、利用生成的训练集最优SVM训练模型对测试图像进行识别并进行分割；

步骤八、对于分割后的测试图像判定仪表指针是否发生抖动；即完成了一种仪表检测中基于支持向量机的仪表指针抖动的识别方法。

发明效果

对于不同的生产环境来说，比如：灯光，空气，生产噪声等。现有的检测方式不能很好地适应，会影响对于仪表指针抖动情况的检测。SVM(Support Vector Machine，支持向量机)是20世纪80年代初由Vapnik等提出的基于统计学习理论的样本学习方法，其具有出色的学习性能，在少量样本的情况下就可以达到很高的检测率，它基于结构风险最小化原则，引入核函数的概念并且由此来实现由低维到高维空间的非线性映射，使得低维不可分的样本映射到高维并能够线性可分，支持向量机成功地解决了“维数灾难”问题，具有很好的推广能力；本发明具有以下几方面优点：

1、提高了识别率，对于数字图像处理和机器学习的支持向量机相结合，利用两者优势对于仪表指针的抖动情况能够更好的识别。

2、提高了实时性，两种方法的结合对于图像的识别耗时很短，能够提高检测的速度，节省检测者在单个仪表上的耗时。

3、提高了适应性。

4、提高了准确率，能够有效地检测出指针的抖动情况，可以反馈抖动的幅度大小，能够使操作人员更好地了解指针的抖动误差。如图2所示可以从图片中利用SVM方法提取出几个苹果的图像；同理可以从表盘中提取出指针的振动图像。因此本方法可以通过对于获得样本的处理发现细小的偏差。

附图说明

图1是具体实施方式一提出的一种仪表检测中基于支持向量机的仪表指针抖动的识别方法流程图；

图2是具体实施方式一提出的利用SVM方法识别图像示意图；