[发明专利]基于PSO-SVM的桥梁拉索表面缺陷的分类识别方法

说明书

本发明公开了基于PSO‑SVM的桥梁拉索表面缺陷的分类识别方法，包括如下步骤：S1、获取待测拉索表面图像信息；S2、从待测拉索表面图像信息中提取待测表面缺陷特征信息；S3、将待测表面缺陷特征信息输入PSO‑SVM分类器，得到待测拉索的表面缺陷分类识别信息。本发明鉴于支持向量在解决小样本、非线性、高维模式识别中表现出的特有优势，将SVM算法应用于拉索表面缺陷检测，还采用粒子群优化算法来优化SVM模型参数，进一步提高了分类识别率。

技术领域

本发明涉及桥梁检测领域，具体涉及基于PSO-SVM的桥梁拉索表面缺陷的分类识别方法。

背景技术

随着桥梁交通建设的高速发展，大跨度和超大跨度桥梁的斜拉桥和悬索桥被广泛采用。拉索是这类桥梁的主要受力部件，拉索的可靠性和耐久性将直接关系到桥梁的安全和使用寿命。由于拉索外表的聚乙烯(PE)或者高密度聚乙烯(HDPE)保护层长期暴露于自然环境中并承受交变载荷，极易发生腐蚀破坏，导致拉索表面出现纵向开裂、横向开裂、表面侵蚀和疤坑孔洞等缺陷。这些缺陷会严重影响拉索的使用性能，需要对其进行检测和识别。目前国内外主要采用人工检测法，但是人工法费时费力，效率不高，容易产生安全事故。自动机器视觉检测方法也已经被开发和采用，具有很重要的研究意义和应用前景。

表面缺陷分类是拉索表面缺陷自动检测系统中重要的环节，通过缺陷的分类，可分析出各类缺陷对拉索使用性能的影响，并改进拉索表面保护层材料的加工生产方法。缺陷分类过程中最常用的方法有人工神经网络识别和支持向量机等方法，但人工神经网络算法是基于渐进理论的传统统计学，只有在学习样本的数量较大时才能有理想的应用效果。在有限的样本情况下，训练效果很好的人工神经网络有可能表现出很差的泛化能力。

支持向量机(SVM)在解决小样本决策问题时具有较强的推广能力，同时又能解决神经网络算法中的高维问题和局部极值问题，其结构也非常简单，因而在实际工程应用中具有较强的优势，为统计学习理论的实际应用提供了一种有效的工具。鉴于支持向量在解决小样本、非线性、高维模式识别中表现出的特有优势，本发明提出了基于PSO-SVM(粒子群算法优化的支持向量机)的桥梁拉索表面缺陷的分类识别方法，将SVM算法应用于拉索表面缺陷检测。为了进一步提高分类识别率，采用粒子群优化算法(PSO)来优化SVM模型参数。

发明内容

针对上述现有技术的不足，本发明提供了基于PSO-SVM的桥梁拉索表面缺陷的分类识别方法，鉴于支持向量在解决小样本、非线性、高维模式识别中表现出的特有优势，将SVM算法应用于拉索表面缺陷检测，还采用粒子群优化算法来优化SVM模型参数，进一步提高了分类识别率。

为了解决上述技术问题，本发明采用了如下的技术方案：

基于PSO-SVM的桥梁拉索表面缺陷的分类识别方法，包括如下步骤：

S1、获取待测拉索表面图像信息；

S2、从待测拉索表面图像信息中提取待测表面缺陷特征信息；

S3、将待测表面缺陷特征信息输入PSO-SVM分类器，得到待测拉索的表面缺陷分类识别信息。

优选地，待测表面缺陷特征信息包括形状特征、灰度特征及纹理特征中的任意一项或多项，表面缺陷分类识别信息包括孔洞、横向裂纹、纵向裂纹及疤坑中的任意一项或多项。

优选地，形状特征包括缺陷区域的面积，还包括缺陷区域的缺陷长径L₁和缺陷短径L₂之比R_b，形状特征的提取方法包括：

使用边界扫描从待测拉索表面图像信息中识别缺陷区域；

统计缺陷区域内像素点个数N_a从而得到缺陷区域的面积，G(x,y)表示坐标为(x,y)的像素点的灰度值，A表示缺陷区域；