[发明专利]SVM分类器的训练方法和石化储罐锈蚀缺陷分割方法

说明书

本发明公开了一种SVM分类器的训练方法和石化储罐锈蚀缺陷分割方法。所述SVM分类器的训练方法包括以下步骤：A)获得不同锈蚀程度的多个储罐锈蚀缺陷图像，根据多个储罐锈蚀缺陷图像的像素值定义锈蚀缺陷像素范围；B)选择多个储罐锈蚀缺陷图像作为训练图像，并生成多个超像素；C)提取每个超像素的颜色特征与纹理特征，将超像素和邻域超像素的颜色特征和纹理特征进行级联，以便构建超像素的特征向量，多个超像素的特征向量构成训练数据集；D)根据锈蚀缺陷像素范围对多个超像素进行标注并得到标注结果，将超像素标注为正样本或负样本；和E)利用训练数据集和标注结果训练SVM分类器。通过利用该SVM分类器的训练方法，可以提高SVM分类器的分类准确率。

技术领域

本发明涉及图像处理技术领域，具体地，涉及SVM分类器的训练方法，还涉及石化储罐锈蚀缺陷分割方法。

背景技术

石化储罐因长时间暴露在自然环境和液位变化的条件下，容易发生化学腐蚀和电化学腐蚀，从而导致石化储罐泄漏事故的频发。石化储罐的锈蚀缺陷检测是保证石化储罐质量、维护石化行业安全运行的重要例行工作之一。

目前，进行石化储罐锈蚀缺陷检测的方法主要有目视检测、机器视觉和基于物理化学原理的检测方法。虽然基于物理化学原理的检测方法对于缺陷检测是非常有效的，但是该检测方法很难在大的表面区域进行在线检测。因此，寻找一种有效的在线检测方法来检测石化储罐锈蚀状态，确定锈蚀的严重程度，以支持及时的维护、最大限度地减少锈蚀造成的损失，具有十分重要的意义。

锈蚀在石化储罐上引起的典型现象是小规模的侵蚀，最初可能只是褪色，随着侵蚀的进一步深入，可能发展为棕色至深棕色的粗糙表面，然后逐渐扩散到整个石化储罐表面，这些特性使得使用计算机视觉检测锈蚀缺陷成为可能。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明第一方面提出一种SVM分类器的训练方法，所述SVM分类器的训练方法包括以下步骤：A)获得不同锈蚀程度的多个储罐锈蚀缺陷图像，根据多个所述储罐锈蚀缺陷图像在RGB颜色空间的像素值定义锈蚀缺陷像素范围；B)选择多个储罐锈蚀缺陷图像作为训练图像，根据所述训练图像生成多个超像素；C)提取每个所述超像素的颜色特征与纹理特征，将所述超像素的颜色特征和纹理特征与邻域超像素的颜色特征和纹理特征进行级联，以便构建所述超像素的特征向量，多个所述超像素的所述特征向量构成训练数据集；D)根据所述锈蚀缺陷像素范围对多个所述超像素进行标注，以便得到多个所述超像素的标注结果，其中将所述超像素标注为正样本或负样本；和E)利用所述训练数据集和所述标注结果训练所述SVM分类器。

通过利用根据本发明实施例的SVM分类器的训练方法，可以提高SVM分类器的分类准确率。

另外，根据本发明上述实施例的SVM分类器的训练方法还可以具有如下附加的技术特征：

根据本发明的一个实施例，所述步骤A)包括：A-1)采集不同锈蚀程度的多个所述储罐锈蚀缺陷图像；和A-2)根据多个所述储罐锈蚀缺陷图像的像素值在R颜色通道的最大值和最小值确定R颜色通道的取值范围，根据多个所述储罐锈蚀缺陷图像的像素值在G颜色通道的最大值和最小值确定G颜色通道的取值范围，根据多个所述储罐锈蚀缺陷图像的像素值在B颜色通道的最大值和最小值确定B颜色通道的取值范围，R颜色通道的所述取值范围、G颜色通道的所述取值范围和B颜色通道的所述取值范围构成所述锈蚀缺陷像素范围。

根据本发明的一个实施例，R颜色通道的所述取值范围为75-246，G颜色通道的所述取值范围为22-174，B颜色通道的所述取值范围为0-115。

根据本发明的一个实施例，在所述步骤B)中，先将所述训练图像的尺寸调整为256*256像素，再利用简单线性迭代聚类算法对所述训练图像进行超像素分割以便生成多个所述超像素。

根据本发明的一个实施例，每个所述训练图像生成150个所述超像素。