[发明专利]基于图像特征融合的粉末床缺陷视觉检测方法

权利要求书

1.一种基于图像特征融合的粉末床缺陷视觉检测方法，其特征在于，其包括以下步骤：

S1、针对粉末床缺陷的形成原因将粉末床缺陷划分为三种不同类别的粉末床缺陷；

S2、根据步骤S1中三种不同类别的粉末床缺陷特征确定特征提取策略，所述特征提取策略包括：提取尺度空间特征、提取纹理特征和提取几何特征；

S3、建立粉末床缺陷检测算法模型，并利用所述粉末床缺陷检测算法模型对铺粉过程质量进行监测，具体包括以下子步骤：

S31、将获取的粉末床缺陷图像进行预处理后，将所有粉末床缺陷图像按照7：3的比例分为两组，第一组为训练组，训练组用来建立粉末床缺陷检测算法模型，第二组为测试组，测试组用来对粉末床缺陷检测算法模型进行测试；

S32、基于词袋模型对训练组和测试组的每张粉末床缺陷图像分别提取尺度空间特征、纹理特征和几何特征，从而根据特征提取结果对训练组和测试组分别构建出三组视觉字典和统计视觉字典中每个单词在图像中的分布情况，得到每张粉末床缺陷图像用视觉单词直方图表示的量化形式H_SIFT、H_GLCM和H_Hu，从而对训练组和测试组分别构建出三组视觉单词直方图；

S33、分别对步骤S32得到的训练组和测试组的三组视觉单词直方图进行串行融合，形成融合后特征矩阵，通过特征选择对融合后特征矩阵进行降维处理；

对三组视觉单词直方图进行串行融合的具体方法包括以下子步骤：

S331、首先采用SIFT算法对每张粉末床缺陷图像提取尺度空间特征其中，c为图片的类别标签；i为图像编号，每张粉末床缺陷图像包含个的特征点，每个特征点都是128维的特征向量，则所有粉末床缺陷图像的SIFT特征表示为：

其次，在每张粉末床缺陷图像上分别提取6个GLCM特征得到24维的特征向量，则所有粉末床缺陷图像的GLCM特征可以表示为：

然后，计算每张粉末床缺陷图像的7个不变矩，构成一个7维特征向量则所有粉末床缺陷图像的Hu不变矩能表示为：

S332、采用串行融合的方式将F_SIFT、F_GLCM和F_Hu进行融合，融合后特征矩阵记作H，融合后特征矩阵H表示为：

H＝(F_SIFT,F_GLCM,F_Hu)；

S333、对融合后的特征矩阵H进行方差过滤的降维处理，得到最终的特征矩阵H′；

S34、结合随机森林分类算法，利用训练组图像数据建立初步粉末床缺陷检测算法模型，具体包括以下子步骤：

S341、对训练集N有放回地重复随机抽取m个样本生成新的训练样本集合；

S342、对m个样本集生成m棵决策树组成随机森林，每棵决策树构建步骤如下：

S3421、选取使Gini(N,H′_j)值最小的特征H′_j将集合N分成两个子集N₁和N₂，Gini(N,H′_j)表示为：

S3422、对N₁和N₂两个子节点，递归调用步骤S3421，直到随机森林生成完毕；m棵决策树集合表示为：

{(t₁(H′)),(t₂(H′)),(t₃(H′)),…,(t_m(H′))}；

S343、采用简单多数投票法获得最终分类结果，最终分类结果表示为:

S35、确定缺陷检测算法参数组合，进行10次十折交叉验证对随机森林算法参数进行寻优，以10次算法的平均准确率均值作为评价指标选取随机森林算法最优参数，具体子步骤如下:

S351、将数据集N随机划分为10组不相交的子集，数据集N的训练样例个数为630，每一个子集有63个训练样例，相应的子集表示为：

N＝{N₁,N₂,N₃,…N_i},i＝1,2,3,…10，

N_i＝(H′_i,y_i)，

其中，(H′_i,y_i)表示第i个子集对应的特征矩阵和图像真实类别；

S352、每次从10个子集中里面，随机选取1个作为测试集，其它9个作为训练集，使用训练集数据训练随机森林分类模型；

S353、在测试集数据上进行测试得到算法的平均准确率，计算10次算法的平均准确率均值，作为该随机森林分类模型的真实分类率，算法的平均准确率均值表示为:

其中，T_N(i)(H′_i)表示选取第i个子集作为测试集进行测试时得到的预测值，表示一次算法的平均准确率；

基于随机森林算法最优参数建立随机森林分类模型，设k₁、k₂、k₃分别代表提取SIFT算子、GLCM和Hu不变矩的词袋模型聚类中心的数量，令k₁、k₂、k₃的初始值均为100，后续取值间隔设为100，终止值设为500，遍历所有参数组合，带入最优参数随机森林分类模型，以算法的平均准确率作为评价指标选取缺陷检测算法参数组合；

S36、根据步骤S35的结果，利用所述最优缺陷检测算法参数组合建立的缺陷检测算法模型作为最优缺陷检测算法模型；

S37、将步骤S36中选定的最优缺陷检测算法模型应用于实时采集的粉末床图像，对粉末床铺粉过程质量实时监测。