[发明专利]基于SVM的Adaboost模型的铸件缺陷识别方法

权利要求书

1.一种基于SVM的Adaboost模型的铸件缺陷识别方法，其特征在于，包括如下步骤：

(1)获取图像集：

采集n幅有裂纹缺陷的图像和n幅无裂纹缺陷的彩色图像，并对每幅图像进行标注，然后将2n幅图像及每幅图像的标签组合成图像集S，S＝{(x₁,y₁),(x₂,y₂),...,(x_i,y_i),...,(x_2n,y_2n)}其中，n≥150，x_i表示第i幅彩色图像，y_i表示x_i的标签，y_i∈{0,1}，0表示无裂纹缺陷，1表示有裂纹缺陷；

(2)对图像集S进行预处理：

对图像集S中的每一幅彩色图像x_i进行线性灰度变换，得到2n幅灰度图像，并对每幅灰度图像进行双边滤波，然后对经过双边滤波的每幅图像进行自适应阈值分割，得到由2n幅经过预处理的图像和每幅图像的标签组成图像集S'，S'＝{(x'₁,y₁),(x'₂,y₂),...,(x'_i,y_i),...,(x'_2n,y_2n)}；

(3)获取全信息特征集矩阵D：

(3a)提取图像集S'中每一幅图像x'_i的LBP类特征、不变矩类特征和Hog类特征，并采用PCA算法对每一幅图像x'_i的Hog类特征进行降维，得到2n幅图像的特征向量g₁,g₂,...,g_i,...,g_2n；

(3b)以每一幅图像x'_i的LBP类特征、不变矩类特征、特征向量g_i和标签y_i为行，以2n幅图像的LBP类特征、不变矩类特征、特征向量g_i和标签分别为列，形成全信息特征集矩阵D∈R^2n×(b+1)，其中，y_i位于行的末端，b表示x'_i的LBP类特征、不变矩类特征和特征向量g_i 3类特征的总个数，b≥3；

(4)获取关键特征集矩阵D'：

采用relief算法计算全信息特征集矩阵D中每个特征相对于标签列y的重要度信息权值，并对计算结果进行降序排列，然后以前c'％的重要度信息权值所对应的特征和标签y为列进行组合，形成关键特征集矩阵D'∈R^2n×(c+1)，其中，c＝b*c'％，c≥2；

(5)构建基于SVM分类器的模型H(x)：

构建包含T个SVM分类器的模型H(x)，H(x)＝{h₁(x),h₂(x),...,h_t(x),...,h_T(x)}其中，h_t(x)表示第t个SVM分类器，T≥2；

(6)对基于SVM分类器的模型H(x)进行训练：

(6a)令t＝1，从关键特征集矩阵D'中随机选择d行数据作为训练样本集，剩下的2n-d行数据作为测试样本集，并计算训练样本集中每个训练样本的分布权值w_t,j，w_t,j＝1/d,j＝1,2,...,d，其中，d≥2，w_t,j表示训练第t个SVM分类器时第j个训练样本的分布权值；

(6b)将训练样本集作为第t个SVM分类器的输入进行训练，得到训练误差e_t，并根据训练误差e_t计算第t个分类器的权重α_t，其中：

其中，y_j表示第j个训练样本的标签，h'_t(x_j)表示第t个训练完的分类器对y_j的预测值；

(6c)判断t＝T是否成立，若是，得到T个训练好的分类器h'₁(x),h'₂(x),...,h'_t(x),...,h'_T(x)和T个训练好的权重α'₁(x),α'₂(x),...,α'_t(x),...,α'_T(x)，并将T个训练好的分类器和T个训练好的权重进行组合，得到基于SVM的Adaboost模型H(x)，否则，执行步骤(6d)，其中：

(6d)令t＝t+1，计算训练样本集中的每一个的分布权值w_t,j，并执行步骤(6b)，其中：

其中，B_t-1表示归一化因子，

(7)获取测试样本集的识别结果：

通过基于SVM的Adaboost模型H(x)对测试样本集中的每一个测试样本进行识别，得到2n-d个识别结果u′₁,u′₂,...,u′_i,...,u′_2n-d，u′_i∈{0,1}，0表示无裂纹缺陷，1表示有裂纹缺陷。

2.根据权利要求1所述的基于SVM的Adaboost模型的铸件缺陷识别方法，其特征在于，步骤(3a)所述的采用PCA算法对每一幅图像x'_i的Hog类特征进行降维，实现步骤如下：

(3a1)构造样本矩阵U，U＝(u₁,u₂,...,u_i,...,u_2n)∈R^k×2n，u_i表示i第幅经过预处理的图像x'_i的Hog类特征的向量；

(3a2)计算样本矩阵U的协方差矩阵Z：

其中，A表示差值矩阵，

(3a3)获取主成分特征矩阵V'：

计算协方差矩阵Z的k个特征值λ₁,λ₂,...,λ_i,...,λ_k、λ₁,λ₂,...,λ_i,...,λ_k所对应的正交特征向量v₁,v₂,...,v_i,...,v_k和λ₁,λ₂,...,λ_i,...,λ_k的贡献率并选取贡献率最大的p个特征值所对应的特征向量，组成主成分特征矩阵，V'＝[v′₁,v′₂,...,v′_i,..,v′_p]∈R^k×p，其中，p≥1，

[V,Q,W]＝svd(Z)

其中，svd(Z)表示对协方差矩阵Z进行奇异值分解运算，奇异值分解运算结果中的V表示特征向量矩阵，V＝(v″₁,v″₂,...,v″_i,...,v″_2n)∈R^k×2n，

λ_iv_i＝Zv_i，

(3a4)获取2n幅经过预处理的图像降维后的特征向量g₁,g₂,...,g_i,..,g_2n，其中：

g_i＝u^TV∈R^1×p。