[发明专利]基于几何特征和AdaBoost算法的焊缝缺陷分类方法

说明书

本发明提出一种基于几何特征和AdaBoost算法的焊缝缺陷分类方法，可应用于运输管道检测、生产质量监测、管道自动维修等领域。该方法1.包括以下步骤，步骤S101，特征提取，X光图像背景减除后得到候选缺陷，采用区域比较法提取缺陷区域的几何特征和比较区域的灰度特性；步骤S102，使用AdaBoost算法进行特征选择，得到最优特征，使用带有惩罚项的AdaBoost算法，通过设置惩罚项，从大量候选缺陷区域中得到真实缺陷，并对真实缺陷进行分类。

技术领域

本发明涉及图像处理、人工智能和机器学习算法，更具体地，涉及一种基于几何特征和AdaBoost算法的焊缝缺陷分类方法，可应用于运输管道检测、生产质量监测、管道自动维修等领域。

背景技术

(1)前景候选缺陷区域中的缺陷与非缺陷的分类技术

对X光底片进行背景减除算法可以得到前景目标图像，即候选缺陷集合。候选缺陷中混杂有大量非缺陷，这会造成严重的缺陷误检。本研究在保证缺陷检测率的同时，去除非缺陷，降低误检率。一般来说，过度曝光、曝光不充分、字符区域、像质线条等干扰都是造成非缺陷产生的原因。考虑这些因素，常常需要构造丰富的负样本(非缺陷)集合。通过提取几何特征，再采用统计学习的方法，分类缺陷和非缺陷，实现非缺陷的去除。

机器学习广泛应用于图像分类，国内外的学者同样应用机器学习到焊缝缺陷分类领域。由于图像拍摄质量差，曝光不均匀，噪声等的影响，使用图像处理方法得到的缺陷区域可能混杂有大量的非缺陷。因此需要进一步的判别缺陷和非缺陷。现如今，有一部分学者展开了这一方面的工作。Mery提出了一种新方法来检测焊缝缺陷，使用了两种纹理特征：基于共生矩阵的特征和基于二维Gabor的特征，然后使用多项式分类器来分类缺陷和非缺陷。Shao 则使用了3维特征训练SVM分类器，实现真实缺陷的提取。

(2)AdaBoost算法介绍

在传统机器学习中，AdaBoost和SVM是并称的两大分类器。AdaBoost 属于集成式学习中的一种。集成式学习的主要有三种组成方式：bagging、boosting和stacking。Bagging技术是指在小样本总体中多次实施类似的学习算法，最终取其预测结果的平均值作为输出。Boosting是一种迭代算法，在训练过程中，通过一个分类器的预测情况调整观测值的权重，以此减少偏误构建有效的预测模型。Stacking算法中，采用一种学习算法对其他学习算法产生的结果进行整合。AdaBoost也就是adaptive boosting算法，将会在下面详细介绍。

在1995年，Freund和Schapire提出了AdaBoost算法。这种算法可以有效的提高分类性能并且避免过拟合的情况。Kearns是第一个提出是否可以组合弱学习算法成为一个强学习算法的问题。弱学习算法指识别错误率小于 50％的算法；而强学习算法是指识别准确率很高并且在较短时间内完成的学习算法。AdaBoost算法是一个组合多个弱学习算法成为一个强学习算法的方法。算法是通过改变训练样本的数据分布实现的。在训练过程中，每一个样本被赋予一个权重，样本权重会根据该样本是否被分类正确以及当前的分类正确率进行调节。然后将修改样本分布后的数据用于下一个分类器的训练，最终将每次训练得到的分类器按照一定规则融合起来，作为最后的决策分类器。

发明内容

本发明目的在于克服现有方法的不足，并解决过度曝光、曝光不充分、字符区域、像质线条干扰等问题。由于缺陷在图像中的亮度较暗，因而灰度分布是缺陷的一个重要特征，缺陷与周围区域在灰度上有明显的区别，因此本发明还提取了缺陷区域和水平比较区域的灰度特性。在特征分类时，采用了带有惩罚项的AdaBoost算法，提高了缺陷的检测率。在训练缺陷与非缺陷分类器时，通过调节惩罚项系数，偏重缺陷样本，提高了缺陷检测率。另外，使用AdaBoost作特征选择，筛选出更好表征缺陷特点的特征。

为实现上述目的，本发明提供了一种基于几何特征和AdaBoost算法的焊缝缺陷分类方法，包括以下步骤，