[发明专利]一种基于纹理特征的丝饼侧面缺陷识别方法

权利要求书

1.一种基于纹理特征的丝饼侧面缺陷识别方法，其特征在于，包括以下步骤：

步骤1、通过工业相机采集丝饼侧面缺陷图像，进行预处理，对其进行灰度化，将RGB图像转化成单通道的灰度图像；

步骤2、对灰度图像进行自适应中值滤波，消除噪声，达到突出缺陷的梯度信息的目的；

步骤3、对滤波后的图像进行分块获得多个子图像块，对每个子图像块采用下述步骤进行处理；

步骤4、将子图像快进行旋转LBP算子运算来描述局部纹理信息和凸显缺陷特征；

步骤5、对上一步得到的图像进行多尺度多方向的Gabor变换，得到各个尺度和方向上的特征图；

步骤6、对各个尺度和方向上的特征图像进行融合，获取更精确的Gabor特征图像；

步骤7、对融合后的特征图像进行Otsu法进行丝饼侧面疵点的分割，获得特征分割图像；

步骤8、采用SVM算法对特征分割图像进行分类，以精确地识别出丝饼侧面缺陷。

2.根据权利要求1所述的基于纹理特征的丝饼侧面缺陷识别方法，其特征在于：步骤2中，所述自适应中值滤波包括以下步骤：

步骤201、确定滤波尺度的最大值，用一个适当的半径r去滤波图像；

步骤202、计算出在当前半径r下当前滤波邻域内像素灰度的最大值I_max、最小值I_min和中间值I_mid，然后判断中间值I_mid是否在[I_min,I_max]中间，如果在，则进入步骤203，如果不在，则进入步骤204；

步骤203、判断当前滤波邻域的中心像素灰度img(i,j)是否在[I_min,I_max]之间，若在则输出当前像素的灰度img(i,j)，依照当前半径r返回步骤202继续滤波图像其它区域，否则输出中间值I_mid，依照当前半径r返回步骤202继续滤波图像其它区域；

步骤204、增加当前半径r，返回步骤202利用增加后的半径r滤波图像区域，直至半径r等于滤波尺度的最大值。

3.根据权利要求1所述的基于纹理特征的丝饼侧面缺陷识别方法，其特征在于：步骤5中，进行多尺度多方向的Gabor变换包括以下步骤：

步骤501、采用5个尺度8各方向的Gabor2D高斯核函数组成Gabor滤波器组，m∈{0,…,4}，m代表Gabor小波的尺度参数，n∈{0,…,7}，n表示Gabor小波的方向选择性；

步骤502、将上一步得到的图像分别与二维Gabor高斯核函数进行卷积，设上一步得到的图像为I(x,y)，则卷积公式如下：

W_(m,n)＝[I(x,y)*g_m,n(x,y)_R]²+[I(x,y)*g_m,n(x,y)_l]²

式中，W_(m,n)表示卷积后的图像，g_m,n(x,y)_R表示实部图像，g_m,n(x,y)_l表示虚部图像，图像经过一组不同方向、不同径向频率的Gabor滤波器组后被分解为与滤波器组个数相同的滤波结果图像，每个结果图像都包含了疵点的能量信息。

4.根据权利要求1所述的基于纹理特征的丝饼侧面缺陷识别方法，其特征在于：步骤6中所述融合包括以下步骤：

先通过计算算术平均将相同方向上的各个尺度的特征图像进行数据融合，然后通过计算算术平均将各个方向上的图像进行数据融合从而得到最终融合后的特征图像。

5.根据权利要求1所述的基于纹理特征的丝饼侧面缺陷识别方法，其特征在于：步骤8中，采用SVM算法对特征分割图像进行分类为寻找一个分隔超平面，即分类的决策边界，分布在该分隔超平面的一侧所有数据都属于某个类别，而分布在该分隔超平面另一侧的是所有数据则属于另一类别，该分隔超平面的形式写成w^Tx+b，式中，w为决策边界函数的权重，b为决策边界函数的偏差项，x为特征向量；为了寻找上述分隔超平面，SVM算法的决策函数表示为式中，为采用径向基函数的核函数，γ、r和d为核函数的参数，x_i是丝饼侧面缺陷信息的特征向量，y_i是对应缺陷的类别信息，α_i表示拉格朗日乘子。