[发明专利]基于特征点检测与SVM分类器的巡检目标缺陷检测方法

权利要求书

1.一种基于特征点检测与SVM分类器的巡检目标缺陷检测方法，其特征在于，包括：

步骤A：获取实时拍摄的巡检目标图像I(x,y)，其中x∈[1,M]，y∈[1,N]，M、N为巡检图的尺寸，对I(x,y)进行灰度值变换，将图像I(x,y)从RGB空间转换为灰度空间I′(x,y)；

步骤B：使用最大类间方差法和SUSAN边缘检测法对转换后的巡检图I′(x,y)进行处理，确定待检目标的候选区域A_i(x_i,y_i)，其中i＝1,...,n，n为候选区域的个数；

步骤C：根据待检目标的形状特征对候选区域进行筛选和区域融合，以删除误检的目标区域，处理后的候选区域为A′_j(x_j,y_j)，其中j＝1,...,Num，Num为处理后的候选区域个数；

步骤D：对处理后的候选区域A′_j(x_j,y_j)进行LBP与LPQ特征提取，并将二者特征进行融合，输入到预先训练好的SVM分类器中进行分类识别，以判断设备中零件是否齐全；

所述步骤D具体包括：

步骤D1：对处理后的候选区域A′_j(x_j,y_j)进行LBP与LPQ特征提取，先对目标区域进行LBP特征提取，对图像中的每个像素，计算以其为中心3×3邻域内各像素和中心像素的大小关系，并把像素的灰度值转化为一个八位二进制序列；转化完成后计算目标区域图像的LPQ直方图；最后将二者结合以共同作为目标区域的特征；

步骤D2：预先建立正常样本、缺陷样本、背景三类样本库，并对SVM分类器进行训练，包括：

将正常样本和缺陷样本作为类别1，背景作为类别2，训练SVM分类器，记为SVM-1；将正常样本作为类别1，缺陷样本作为类别2，训练SVM分类器，记为SVM-2；

步骤D3：将目标区域提取后的LBP与LPQ联合特征依次输入到SVM-1，SVM-2的分类器中进行分类，使用SVM-1将目标与背景区分，使用SVM-2将正常样本与缺陷样本区分，以实现对缺陷样本的检测识别。

2.根据权利要求1所述的基于特征点检测与SVM分类器的巡检目标缺陷检测方法，其特征在于，所述步骤B包括：

步骤B1：使用最大类间方差法计算所述灰度图像I′(x,y)的最佳分割阈值T；

步骤B2：根据步骤B1计算出的阈值T，取其1/5作为SUSAN特征边缘的检测阈值，检测目标区域的边缘；

步骤B3：对所述步骤B2检测后的图像进行二值化处理以突出目标区域，处理后的图像为B(x,y)；

步骤B4：移除B(x,y)中区域面积小于Ni的小目标区域，其中Ni表现为目标区域的像素个数之和；

步骤B5：对处理后的二值图像，使用形态学运算和连通区域标注法确定目标区域最大外接矩形框，并统计候选区域个数n。

3.根据权利要求2所述的基于特征点检测与SVM分类器的巡检目标缺陷检测方法，其特征在于，所述步骤B1中利用最大类间方差法计算图像最佳分割阈值T的方法包括：

对于待检图像I′(x,y)，将目标和背景的分割阈值记作T，图像中像素的灰度值小于阈值T的像素个数记作N₀，占整幅图像的比例记为ω₀，平均灰度为μ₀，则ω₀＝N₀/(M×N)；像素灰度大于阈值T的像素个数记作N₁，占整幅图像的比例为ω₁，平均灰度为μ₁，则ω₁＝N₁/(M×N)；图像的总平均灰度记为μ，类间方差为g，则有：

其中N₀+N₁＝M×N，ω₀+ω₁＝1，对式(1)进行简化得g＝ω₀ω₁(μ₀-μ₁)²，采用遍历法得到最佳分割阈值T。