[发明专利]一种基于改进鲸鱼算法优化SVM的产品缺陷识别方法

说明书

本发明公开了一种基于改进鲸鱼算法优化SVM的产品缺陷识别方法，其步骤为：使用二维伽马函数校正和改进中值滤波的方法提升产品图像的亮度和清晰度；对产品线状裂纹缺陷，使用Sobel算子和Ostu阈值法进行分割，对面状崩烂、表面不平缺陷，使用轮廓检测和标记分水岭方法，并将分割后的区域进行几何特征、纹理特征和变换域特征的提取，建立缺陷特征矩阵；依据特征矩阵建立SVM分类模型，并使用改进鲸鱼算法对SVM进行调参，得到全局最优解赋值给SVM模型训练，缺陷识别准确率高。本发明在鲸鱼算法中加入自适应权重因子，提高鲸鱼的全局搜索能力，使用随机差分变异和动态螺旋更新，避免陷入局部最优解，改善全局寻优能力。

技术领域

本发明属于图像识别技术领域，具体涉及一种基于改进鲸鱼算法优化SVM的产品缺陷识别方法，可用于大规模产品图像下缺陷的识别。

背景技术

大到飞机机翼，小到芯片晶粒，产品在生产过程中不可避免的产生各类缺陷。这些缺陷不仅会影响产品的外观和质量，而且在使用过程中可能产生一定安全隐患，造成一定的经济损失。因此，对产品进行缺陷识别是企业生产过程中不可缺少的一步，不仅可以保证产品的质量，而且对生产工艺技术的提高具有促进作用。

磁瓦是一种用在永磁电机上的瓦状磁铁产品，其质量好坏直接影响着电机的使用寿命和质量。然而，在实际生产磁瓦过程中，由于磁性材料自身密度不均、加工机械运行状况、加工工艺和生产环境等一些不确定因素，磁瓦表面会存在裂纹、崩烂和表面不平等缺陷，从而影响电机的使用性能和寿命。对于磁瓦缺陷识别，人工检测缺陷劳动强度大、效率低，并且存在漏检和误检情况，而利用机器视觉手段可以提高磁瓦缺陷识别的效率和精度。因此，如何对磁瓦图像缺陷进行识别已成为科研人员研究的重点和难点。

目前，对磁瓦缺陷识别的方法有很多。杨成立等人发表在《农业机械学报》上的论文“基于非下采样Shearlet变换的磁瓦表面裂纹检测”中针对磁瓦图像存在对比度低和纹理干扰的问题，采用非下采样Shearlet变换对图像进行多尺度高频和低频域分解，滤除背景区域，并采用自适应阈值法提取裂纹区域，实现裂纹缺陷的识别，但是在暗环境下裂纹区域分割效果差，耗时长，识别缺陷种类单一。杜柳青等人发表在《图学学报》上的论文“基于纹理特征的磁瓦表面缺陷提取”中依据磁瓦图像的纹理特征定义扫描线梯度，将其标准差与扫描线灰度标准差构成特征向量，使用多分类SVM支持向量机进行缺陷识别，缺陷分类效果较好，但是存在磁瓦缺陷提取特征单一，并且分割缺陷区域不够准确的问题。

发明内容

本发明所解决的技术问题在于提供一种基于改进鲸鱼算法优化SVM的产品缺陷识别方法，用以解决产品在光照低、对比度差和纹理干扰等条件下缺陷识别精度低、误检率高的问题。

实现本发明目的的技术解决方案为：

一种基于改进鲸鱼算法优化SVM的产品缺陷识别方法，包括以下步骤：

步骤1、采集具有缺陷的产品图像；

步骤2、对产品图像进行预处理，包括图像增强和图像滤波；

步骤3、对含有缺陷产品的图像进行图像分割，将产品中的线状缺陷区域和面状缺陷区域进行分割，提取产品图像的缺陷区；

步骤4、特征提取：对分割后的产品缺陷区进行特征提取，从几何特征、纹理特征和小波变换域特征获取产品特征矩阵数据；

步骤5、依据特征矩阵建立分类模型，实现对产品缺陷识别。

本发明与现有技术相比，其显著优点：

(1)本发明提出了二维伽马函数校正产品图像的预处理方法，提升产品光照低区域的亮度。采用二维高斯函数对产品图像的亮度分量进行卷积运算，提取产品图像的亮度分量，并依据亮度分量自适应调节二维伽马函数值，降低光照过强区域的亮度值，提高光照偏暗区域的亮度值，突出产品图像的纹理细节和清晰度。