基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法

摘要

本发明提供了一种基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法。具体算法包括：第一步，构造适合磁瓦表面缺陷特征提取的5尺度、8方向Gabor滤波器组，并对原始图像进行滤波，得到40幅分量图；第二步，分别提取分量图的灰度均值和方差特征，组成一个80维的特征向量；第三步，用PCA主成分分析法和ICA独立成分分析法对原80维的特征向量进行降维，去除相关性和冗余性，得到20维的特征向量；第四步，对特征向量数据归一化预处理，原数据被归一化到[0，1]之间；第五步，首先采用网格法和K-CV交叉验证法实现SVM参数寻优，用训练样本数据离线训练SVM模型；在线检测时，将预处理后的测试样本数据输入到支持向量机，就可以实现缺陷的自动分类识别。本发明采用的特征提取方法可以有效滤除磁瓦表面纹理的干扰、凸显缺陷；提取的特征能够真实反映缺陷信息，且数据量小；用于缺陷分类的分类器，可以在线快速、准确的实现缺陷识别。

主权项

一种基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法，实现磁瓦表面缺陷的自动检测，算法包括以下步骤： 第一步：构造适合磁瓦表面缺陷特征提取的Gabor滤波器组，为5个尺度8个方向共40个的Gabor小波滤波器组，用得到的小波滤波器组对原始图像滤波。 第二步：分别提取40个滤波后图像的均值和方差，得到一个80维的特征向量； 第三步：利用主成分分析法PCA(Principal Component Analysis)和独立成分分析法ICA(Independent Component Analysis)将特征向量的维数从80维降到20维； 第四步：对训练样本和待检测样本数据进行归一化预处理，原数据被归一化到[0，1]之间； 第五步：利用Libsvm工具箱实现缺陷的分类识别，用训练样本数据离线训练支持向量机，得到最优参数，建立模型；在线检测时将待检测样本数据输入到已训练好的支持向量机模型，完成缺陷的自动分类识别。