[发明专利]一种锅炉管道表面缺陷的机器视觉检测方法及系统

权利要求书

1.一种锅炉管道表面缺陷的机器视觉检测方法，其特征在于，包括以下步骤：

步骤1、在光照系统的辅助下，通过工业相机采集z张锅炉管道表面图像，作为样本图像，包括管道表面正常的图像与管道表面存在缺陷的图像；

步骤2、分别对每一张样本图像进行预处理，并提取图像的特征向量；

步骤3、将z张样本图像的特征向量分别作为支持向量机的输入向量，然后以分类间隔最大化的设计准则，建立最优分类超平面，并由最优分类超平面确定决策函数；

步骤4、在光照系统的辅助下，通过工业相机采集待检测锅炉管道表面图像；

步骤5、对待检测锅炉管道表面图像进行预处理，并提取图像的特征向量；

步骤6、将待检测锅炉管道表面图像的特征向量输入决策函数，判断待检测锅炉管道表面是否存在缺陷；

所述步骤2和步骤5中提取图像的特征向量包括以下步骤：

S1、提取图像的二值向量：采用自适应阈值分割处理的方法对预处理后的图像进行分割，生成二值图像；将二值图像转化成向量的形式，即由二值图像上各个像素点的灰度值生成对应的二值向量；

S2、提取图像的LBP向量：首先采用局部二值化方法对预处理后图像进行处理：先通过半径为2个像素的圆形LBP算子确定图像中每个像素的LBP值，再以LBP值为横坐标，以每个值出现的次数为纵坐标，建立LBP统计直方图，并设定LBP统计直方图的大小与二值图像的大小一致，即使LBP统计直方图的横向长度和纵向长度包含的像素数与二值图像保持一致；然后将LBP统计直方图分别转化成向量的形式，即由LBP统计直方图上各个像素点的灰度值生成对应的LBP向量；

S3、特征降维处理：分别对图像的二值向量和LBP向量进行降维处理，并将降维处理后得到的两个向量合并作为图像的特征向量。

2.根据权利要求1所述的锅炉管道表面缺陷的机器视觉检测方法，其特征在于，所述步骤2和步骤5对图像进行预处理的方法为：首先采用直方图均衡化的方法增大图像的对比度；然后采用自适应中值滤波的方法去除在图像采集过程中噪声的干扰。

3.根据权利要求1所述的锅炉管道表面缺陷的机器视觉检测方法，其特征在于，所述步骤3中，分类超平面的函数关系式为：

决策函数为

其中，y为待检测锅炉管道表面图像的类标签，为待检测锅炉管道表面图像的特征向量，为第i张样本图像的特征向量，y_i为第i张样本图像的特征向量对应的类标签；c_i为拉格朗日乘子，每一个特征向量对应一个c_i，0≤c_i≤H，H为惩罚参数，b为偏差项，γ0，γ为核函数参数；c_i、b、H和γ为待优化参数；

将求解上述函数关系式的问题转化为求目标函数在约束条件0≤c_i≤H，γ0下的最大值的问题；并通过遗传算法和SMO算法求解，步骤如下：

1)确定迭代参数，包括种群数N，迭代次数T，交叉概率p，变异概率q，惩罚参数H的变化范围以及核函数参数γ的变化范围；

2)随机选取N组惩罚参数H与核函数参数γ，作为N组原始数据，然后分别计算每组数据所对应的缺陷识别准确率，作为它们的适应度值，并记录其中最大的适应度值及该适应度值对应的一组数据；

3)利用轮盘赌算法从当前的N组数据中选择进行迭代的数据，并将进行迭代的数据转化为二进制形式，随后进行交叉、变异，得到N组新数据；

4)计算N组新数据所对应的缺陷识别准确率，作为它们的适应度值，并记录其中最大的适应度值及该适应度值对应的一组数据；

5)返回步骤3)再次利用轮盘赌算法得到下一次迭代的数据，重复以上步骤，直到完成T次迭代；

6)输出T次迭代过程中所记录的最大适应度值，以及最大适应度值对应的一组数据，记为惩罚参数H^*与核函数参数γ^*；

7)将求得的惩罚参数H^*与核函数参数γ^*作为H和γ代入到的目标函数L(c)中，再运用SMO算法求解出在约束条件下，目标函数L(c)的最大值，以及最大值对应的c_i和b的取值，记为c_i^*和b^*；

8)将求得的γ^*、c_i^*与b^*代入分类超平面的函数关系式中，得到分类超平面的函数关系式如下：