[发明专利]一种基于机器视觉的表面瑕疵检测的纹理特征降维方法

摘要

一种基于机器视觉的表面瑕疵检测的纹理特征降维方法，去除训练样本中的噪声样本和安全样本，以边界样本代替随机选取样本作为特征权值迭代时所用的样本集合，特征权值计算时，根据重要程度的差异赋予三个最近邻样本不同的样本权值，增强了对类别相关性强的特征选择的针对性，降低噪声的干扰程度，具有更强的适应性；求取相关系数矩阵，设定自适应阈值，剔除冗余特征，提取了与类别相关性强的特征，在保证分类识别准确率的同时，降低了特征维数，大大提高了在线特征提取及分类识别的速度，解决了高维特征可能含有冗余特征，甚至是噪声特征，从而导致的在线特征提取时间长、预测准确率降低的问题。

主权项

一种基于机器视觉的表面瑕疵检测的纹理特征降维方法，其特征是，包含如下几个步骤：(1)找出与类别相关性强的特征，首先剔除安全样本和噪声样本，然后计算模糊差异度量，并对每一维特征权值进行迭代，找出权值较小的特征，由此得到所有特征状态标志向量mark1；(2)去除冗余特征，包含如下步骤：(2.1)将训练样本Xnew的所有特征按照特征权值大小降序排列，第一列所在特征对应权值最大，第二类次之，依次类推直到第m列，计算相关系数矩阵RHO：其中其中i，j＝1，2…m称为第i维特征向量vi与第j维特征向量为vj之间的相关系数，cov(vi，vj)是vi与vj之间的协方差，σi和σj分别是vi和vj的标准差，RHO第i行表示第i个特征与所有特征之间的相关系数，ρij的值为零时，表示vi与vj为线性不相关，|ρij|越大，表示vi与vj之间相关性越大；(2.2)计算阈值TH2，取相关系数矩阵绝对值，即RHO＝|RHO|，先令对角线上的元素ρii＝0，再根据下面的式子得到阈值：TH2=Σi=1mmax(RHO(i,:))m]]>初始化1*m维特征状态标志向量mark2，令其每个元素均为1；(2.3)找出与权值最大的特征之间相关系数最大的特征，并比较该相关系数与阈值TH2的大小关系，如果大于TH2，则将该特征作为冗余特征删除，并在mark2中将与该特征对应的状态标志位置为0，否则置为1，移除权值最大的特征；(2.4)找出与剩余特征中权值最大的特征之间相关系数最大的特征，并比较该相关系数与阈值TH2的大小关系，如果大于TH2，则将该特征作为冗余特征删除，并在mark2中将与该特征对应的状态标志位置为0，否则置为1，移除权值最大的特征，以此类推，重复该过程，直到把权值最小的冗余特征也去除为止；(3)将mark1和mark2按位与运算得到mark即为最终所有特征的状态标志向量mark，存储状态标志向量mark，用于在线特征提取过程。