[发明专利]基于空间粒子自动吸引算法进行参数寻优的缺陷检测方法

说明书

本发明公开了一种基于空间粒子自动吸引算法进行参数寻优的缺陷检测方法，采集若干工件图像；对缺陷位置进行分块，采用s层小波分解的方式对每个区域的图像进行逐层二维小波分解，提取其小波分解系数，之后将第s层小波分解后的小波分解系数拼接特征向量；计算出所有图像相同区域的特征向量；划分训练集和测试集，训练集训练分类器，测试集验证分类器：将所有图像同一区域的特征向量整理后作为数据集，以1：1的比例将数据集划分为训练集和测试集，将训练集和测试集分别放入分类器中进行训练；使用空间粒子自动吸引算法对支持向量机的参数进行寻优，并训练支持向量机；输出分类器模型。该方法具有使用较少的数据即可对模型进行训练的优点。

技术领域

本发明涉及图像处理的技术领域，尤其是一种基于空间粒子自动吸引算法进行参数寻优的缺陷检测方法。

背景技术

工业部件缺陷检测是图像处理的一个经典问题，其是很多工业应用中存在的问题，解决这类问题的主要思想是提取缺陷区域和正常区域的特征，将其输入分类器后进行训练分类，最终以分类器给出的决策值对数据进行评判。现有的缺陷识别的解决方案一般包括有卷积神经网络、人为设计规则以及fisher线性分类器等。

然而，在当前主流的解决问题中，当人为设计规则复杂，则可能存在误杀效果，且规则繁琐，不易落地；当人为设计规则过于简单，则会出现漏检的效果；卷积神经网络对于缺陷识别有很好的效果，但是其模型复杂，且卷积神经网络需要样本量大，在复杂工业环境下一般不能提供足够数量和质量的样本，导致卷积神经网路会过拟合或者欠拟合；对于线性不可分的情况，Fisher线性分类器无法确定分类。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。

为此，本发明提出一种基于空间粒子自动吸引算法进行参数寻优的缺陷检测方法，具有使用较少的数据即可对模型进行训练的优点。

根据本发明实施例的基于空间粒子自动吸引算法进行参数寻优的缺陷检测方法，包括以下步骤：第1步骤、采集若干工件图像；第2步骤、对缺陷位置进行分块，采用s层小波分解的方式对每个区域的图像进行逐层二维小波分解，提取其小波分解系数，s∈[1,5]的正整数，之后将第s层小波分解后的小波分解系数拼接特征向量；第3步骤、计算出所有图像相同区域的特征向量；第4步骤、划分训练集和测试集，训练集训练分类器，测试集验证分类器：将所有图像同一区域的特征向量整理后作为数据集，以1：1的比例将数据集划分为训练集和测试集，将训练集和测试集分别放入分类器中进行训练，训练集训练分类器，测试集验证分类器，分类器选用支持向量机svm；第5步骤、使用空间粒子自动吸引算法对支持向量机svm的参数进行寻优，并训练支持向量机svm；第6步骤、输出分类器模型：得到训练完毕后的支持向量机svm后，按照第1步骤到第4步骤处理新拍摄的图像，得到其特征向量，之后输入到支持向量机svm中进行分类。

本发明的有益效果是，采用小波分解提取图像特征，可以同时获得图像像素的频率随时间变化的关系；解决目前主流缺陷识别方案中准确率较低、方案落地困难、需要样本数量巨大、算法参数难以调节的问题，使用较少的数据即可对模型进行训练，准确率较高，方案落地快捷，算法参数容易调节；通过使用空间粒子自动吸引算法对支持向量机svm的参数进行寻优，使得支持向量机svm效果更佳。

进一步具体地限定，上述技术方案中，所述第1步骤的具体步骤如下：

第1.1步骤、通过工业相机采集若干工件图像，其中包含存在缺陷工件图像与完好工件图像；

第1.2步骤、对所有图像进行灰度化，即将所有工件彩色图像转化为工件灰度图像；

第1.3步骤、对所有图像进行去均值化和归一化：计算所有图像的像素值的均值，每张图像的所有像素点的像素值减去这个均值，完成样本的去均值化，以凸显不同图像中的差异区域。

进一步具体地限定，上述技术方案中，所述第2步骤的具体步骤如下：