[发明专利]一种基于支持向量机的钢卷捆扎带识别方法

权利要求书

1.一种基于支持向量机的钢卷捆扎带识别方法，其特征在于，包括以下步骤：

步骤1：图像预处理；

采集样本集，依次对样本图像进行灰度处理、滤波去噪。

步骤2：钢卷图像分割；

采用主动轮廓模型提取钢卷边缘，去除背景，分割出钢卷图像，并将分割后的所有图像尺寸调整到相同大小。

步骤3：钢卷捆扎带特征提取；

将分割后的图像以钢卷为背景，提取捆扎带边缘曲线，对捆扎带区域进行定位，提取捆扎带特征参数：颜色、纹理、形状、灰度分布。

步骤4：钢卷捆扎带识别；

对钢卷捆扎带的识别主要包括捆扎带是否断裂及完好数量，其中将至少一条捆扎带完好归为正样本，否则为负样本，并对正样本中捆扎带完好数量进行识别。由于样本集为不平衡样本，这里选用支持向量机理论进行分类识别。

步骤4.1：数据预处理；

将提取的捆扎带特征参数作为训练集，训练集样本数不宜太少，且应具有代表性，因钢卷捆扎带特征参数不属于同一个数量级，需要对其进行数据归一化处理，这里采用数据归一化函数mapminmax。同时将对钢卷捆扎带的识别转换为标签变量。

步骤4.2：创建/训练SVM诊断模型；

在创建/训练SVM诊断模型时考虑核函数及相关参数对模型性能的影响，这里采用RBF核函数。首先利用粒子群算法寻找最佳的参数c(惩罚因子)和参数g(RBF核函数中的方差)，然后将核函数、最佳参数、数据处理后的训练集样本和对应的类别标签矩阵代入svmtrain函数得到训练模型。当模型的性能相同时，优先选择惩罚因子c比较小的参数组合，减少计算量。

步骤4.3：钢卷捆扎带识别；

SVM模型训练完成后，利用svmpredict函数对测试样本进行预测识别。并将识别正确的样本归档到训练集，这样在算法调试过程中，检测的样本越多，识别准确率越高，直至满足要求后停止归档。

2.根据权利要求1所述的一种基于支持向量机的钢卷捆扎带识别方法，其特征在于：步骤4.2中利用粒子群算法寻找最佳参数，具体算法如下：

①读取训练样本及测试样本数据；

②初始化：设定参数c、g搜索范围，并对PSO运行参数初始化；

③SVM分类：粒子依次赋值给c、g，采用svmtrain函数得到训练模型，并利用svmpredict函数评估预测结果；

④更新最优结果，粒子进化，直至满足终止条件后停止。