[发明专利]一种带钢表面面积型缺陷识别分类的方法

说明书

技术领域

本发明涉及机器视觉、图像处理、模式识别领域，尤其涉及一种带钢表面面积型缺陷识别分类的方法。

背景技术

进入21世纪我国制造业已进入飞速发展时代，对基础原材料的质量与产能提出了更高要求。带钢作为制造业中最为重要的基础原材料之一，在机械、汽车、船体、航空等工业制造中不可或缺，其产出质量与产能对国家经济发展的重要性可想而知，制造商对带钢的产品质量要求越来越高。带钢产品的质量由多方面因素控制，主要包括生产的原材料、轧制生产工艺等。产出的带钢质量表现在带钢的表面，常出现的缺陷有划伤、裂边、孔洞等单一缺陷，这些缺陷以目前的技术检出率已经达到很高的水准，但是存在很多面积型复杂缺陷如红锈、椒盐缺陷、灰尘状缺陷等，这些缺陷在识别上还存在非常大的问题。上述表面缺陷不仅影响带钢外观，而且对带钢本身的耐磨性、硬度、强度等性能也都有很大影响。因此，对带钢表面缺陷识别分类与及时纠偏非常重要，不仅可以提高产出的带钢质量，而且可极大降低原材料的消耗。

基于机器视觉的带钢表面缺陷检测主要包括带钢缺陷特征提取以及图像分类识别两大步骤。目前带钢缺陷特征提取的方法很多，比较常见的有灰度共生矩阵(GLCM)、尺度不变特征变换(SIFT)等，这些方法用于带钢单一缺陷的特征提取效果较佳，但是针对带钢面积型复杂缺陷效果不是很好，不能详细描述每种复杂缺陷之间的区别；同时，单一的特征提取不能够克服光照不变性、旋转性等问题。为此，本专利提出将方向梯度直方图(HOG)与GLCM两类特征融合进行面积型复杂缺陷的识别与分类。HOG特征对缺陷边缘非常敏感，即对缺陷细节描述非常细致，但是不能够克服旋转性的问题，并且对整幅图特征把握不好。GLCM能够很好地克服缺陷旋转性问题，且对整幅图缺陷的把握很好，但是其缺点是对细节描述不佳。将两类特征融合，可以非常好地克服几何、光学不变性以及旋转性等问题，同时能够详尽地描述各种复杂缺陷之间的区别，以达到识别分类的目的。

图像识别分类算法也有很多，比较常用的有支持向量机(SVM)、词袋(BOW)、K均值等。支持向量机虽然在二分类或者少分类、低数据样本的情况下表现很好，但是在分类种类达到4种以上、特征维度达到1000以上、训练样本数据变多的时候，支持向量机的识别准确率就会急剧下降。BOW在对样本差距较大的识别效果特别好，比如在对样本为吉他、蝴蝶、自行车这几种图片识别分类效果特别好，但是针对带钢缺陷图像，由于无缺陷部分的图像非常接近，有缺陷图像部分占比例不是非常大，因此会出现识别结果错误率特别高的现象。K均值在数据特征完成以后不能够很好地确定K的个数，有时设定的K值与要分的种类会发生冲突、出现不合理的分类状况。随机森林是一种利用多棵决策树对样本进行训练并预测的分类器，由Leo Breiman和Adele Cutler于2001年提出，为一种机器学习算法。随机森林克服了决策树过拟合问题，对噪声和异常值有较好的容忍性，对高维数据分类问题具有良好的可扩展性和并行性。随机森林算法相对其他算法的优点在于能够快速处理高维度数据信息，而且不需要对特征进行加权，同时也不需要对算法剪枝，多分类精准度非常高，对多维特征训练速率非常快。虽然随机森林在图像识别分类方面相对于其他算法有很多优势，但是它自身的原理会导致本发明运用的HOG与GLCM多特征融合不均衡。因此本发明对随机森林算法进行改进，将森林里面的决策树平均分为两个部分，分别对HOG与GLCM的特征进行随机选取、测试样本预测，且两个部分的决策树分别投票，统计票数记为最终识别结果。改进后的随机森林算法可以均衡地融合HOG与GLCM的特征予以分类识别。

发明内容

本发明所要解决的技术问题是，克服以上背景技术中提到的不足和缺陷，提供一种具有光照、几何和旋转不变性等优点，同时高效区分复杂缺陷特征之间差别的带钢表面面积型缺陷识别分类方法。

为解决上述技术问题，本发明提出的技术方案为一种带钢表面面积型缺陷识别分类的方法，包括以下步骤：

步骤(1)、从训练样本库中提取带钢表面图片，对图片进行定宽高裁剪去除图片非带钢表面无用背景，使所得图片只剩下带钢表面，将图片所属类别保存至对应标签矩阵中；

步骤(2)、对裁剪后图片进行双线性差值算法缩放；

步骤(3)、采用Gamma校正法，对缩放的图片的图像进行颜色空间归一化，从而调节图像的对比度、降低图像局部的阴影和光照变化所造成的影响，同时抑制噪声干扰；