[发明专利]基于统计特征和图像特征相结合的带钢表面缺陷分类方法

摘要

基于统计特征和图像特征相结合的带钢表面缺陷分类方法，包括步骤：收集一组带标记的训练样本集合；S2、提取每个缺陷样本图像的角点以及每个角点描述；将全部缺陷样本图像的角点描述在K维空间内进行无监督学习聚类；将缺陷样本的M维图像特征向量和N维统计特征向量合并，组成缺陷样本的M+N维特征向量；使用自适应提升树训练方法对M+N维特征向量进行有监督学习训练，训练出自学习分类器B，输出缺陷的分类结果。本发明将不同的缺陷区分开，提高对带钢表面缺陷的分类正确率；实时在线检测到表面缺陷时使用自学习分类器对检测到的缺陷进行自动和准确的分类，分类规则无需人工依靠手动输入，而是使用机器学习技术通过有监督学习获得。

主权项

1.基于统计特征和图像特征相结合的带钢表面缺陷分类方法，其特征在于，具体包括如下步骤：S1、收集缺陷样本，并根据缺陷样本的统计特征，包括面积，周长、长宽比、位置，以及缺陷样本图像的外观对每个缺陷样本进行分类，产生一组带标记的训练样本集合，对自学习分类器的训练就在上述训练样本集合上进行，假设包含W个缺陷样本，以及C类缺陷；S2、提取每个缺陷样本图像的角点以及每个角点描述，角点描述反映了角点与邻域像素点的关系，假设角点描述是一个K维的向量；S3、将全部缺陷样本图像的角点描述在K维空间内进行无监督学习聚类，聚类数为M，这些类为L(1)、L(2)、L(3)...L(M)，类别中心为LC(1)、LC(2)、LC(3)...LC(M)；S4、计算每个缺陷样本的角点描述在上述M类中的概率分布，即统计出每个缺陷样本的角点描述属于L(1)、L(2)、L(3)...L(M)这些类的个数，并排列成一个M维向量，由此构成一个缺陷样本的M维图像特征向量；S5、提取每个缺陷样本的N个统计特征，这些统计特征构成了一个缺陷样本的N维统计特征向量；S6、将缺陷样本的M维图像特征向量和N维统计特征向量合并，组成缺陷样本的M+N维特征向量；S7、使用自适应提升树训练方法对W个带有分类标记的M+N维特征向量进行有监督学习训练，训练出自学习分类器B，自学习分类器B对检测到的缺陷进行自动分类，输出缺陷的分类结果。