专利名称：基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法
技术领域：
本发明涉及机器视觉检测领域，具体是指一种通过机器视觉技术对磁瓦表面缺陷检测并分类的方法。
背景技术：
磁瓦是铁氧物永磁材料的主要产品之一，应用于众多领域，是电动机中的重要组成部件，在最近的几十年内不可能被替换，市场需求一直很旺盛。由于磁瓦本身材料和制造过程的特点，在表面很容易破损产生缺陷，运输过程中也常常会给磁瓦造成损坏，常见的缺陷包括裂纹、崩烂、倒角不合格、欠磨、起级、污溃等。这类含有缺陷的磁瓦应该在出厂前予以剔除，防止在装入电动机后工作状态下突发损坏，产生恶劣后果。磁瓦表面缺陷的检测一直是厂家十分关心的问题。目前磁瓦表面缺陷检测主要依靠人眼目视检测，由于受检查人员技术、经验、工作环境以及视力疲劳等影响，很容易出现误检和漏检，并且人工目测效率低、缺乏准确性和规范化，检测结果与检查人员的能力及精神状态密切相关，稳定性和可靠性比较差。另外，也不能将检测数据分类实时送入计算机进行质量管理。为了解决人工目测工作量大、效率低、漏检率高的难题，企业急需引进一种自动检测技术，以替代人工操作，在降低人力成本的同时又能实现对产品质量的严格控制。机器视觉技术从起步发展到现在，凭借其速度快、精度高、永不疲劳的优点，在最近三十年内获得突飞猛进的发展，随着人类对机器视觉机理研究的深入，利用机器模拟人类的视觉系统已成为科学技术发展的必然趋势，应用范围遍布了工业、农业、军事、国防等多个领域，并且取得了很多有益的成绩。目前，带钢、纸张以及织物表面缺陷检测系统已经在市场上比较常见，技术已相对成熟。利用机器视觉对磁瓦表面进行自动检测不但能提高生成厂家的生产效率、降低人力成本，增加企业竞争力，而且能为磁瓦质量的评估制定客观标准打下基础。此外，基于机器视觉的磁瓦表面缺陷检测是现代高新科技的综合应用，有关该领域的理论研究和深入实践必将为我国传统产业的技术提升做出积极贡献。
发明内容
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，实现磁瓦表面缺陷的自动检测，解决目前人工目视检测工作量大、效率低、漏检率高的难题。本发明所解决的技术问题是提供一种有效的磁瓦表面缺陷检测及分类算法。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，可以快速、准确的实现缺陷识别。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，组成一个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
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。进一步的，所述第一步具体为:(1.1)构造 Gabor 滤波器Gabor函数g(x，y)是一个被二维高斯函数调制的复正弦窗函数，其时域数学表达式为:
权利要求
1.一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
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。
2.根据权利要求1所述磁瓦表面缺陷特征提取及缺陷分类方法，其特征是:所述步骤一中，包括以下步骤: (1)构造Gabor滤波器 Gabor函数g(x，y)是一个被二维高斯函数调制的复正弦窗函数，其时域数学表达式为:
3.根据权利要求1所述的基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法，其特征是，所述步骤二中，是指提取40个滤波后分量图像的均值和方差。
均值:
4.根据权利要求1所述的基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法，其特征是，所述步骤三中，包括如下步骤: (I)PCA(Principal Component Analysis)主成分分析 设有m个样本，每个样本a有η维特征，写成如矩阵
5.根据权利要求1所述的基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法，其特征是，所述步骤四中，是指对训练样本数据和测试样本数据进行归一化预处理，采用的归一化映射为:
6.根据权利要求1所述的基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法，其特征是，所述步骤五中，包括如下步骤: (I)SVM支持向量机模型建立 采用LibSVM工具箱实现缺陷的分类识别。首先建立模型，采用RBF函数作为核函数，有两个参数需要确定，核函数参数g和惩罚参数C。参数确定方法为K-CV交叉验证结合网格寻优。
网格寻优就是让C和g在一定范围内取值，每组C和g对应一个SVM分类模型，用训练样本验证此模型的分类正确率，在所有模型中正确率最高对应的那组c和g作就是分类器的最优参数。
K折交叉验证法(K-CV)，即将原始数据分成K组，选取其中的K-1组作为训练集，余下的一组作为验证集，依次进行建模，K组数据会得到K个模型，计算K个模型的分类正确率，然后计算它们的平均数，此平均数就是分类器的性能指标。
在本发明中c和g的取值范围为:[2_5，25]，K-CV中K = 5。求出核参数g和惩罚参数c的最优解，建立SVM模型。
(2)SVM支持向量机分类识别 将归一化后的测试样本数据输入到支持向量机，利用训练好的模型，便可实现缺陷的在线自动分 类。
全文摘要
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
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。
文档编号G06K9/62GK103198322SQ201310020370
公开日2013年7月10日 申请日期2013年1月18日 优先权日2013年1月18日
发明者白瑞林, 陈文达, 张振尧 申请人:江南大学