欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022100807867
申请人: 安徽大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于扩展局部二值模式的纺织丝饼成型不良缺陷检测方法,其特征在于:该方法包括下列顺序的步骤:(1)获取丝饼图像,进行降采样:读取文件夹中所有的丝饼图像,对丝饼图像的长和宽进行等大缩小;

(2)进行图像分割和图像裁剪:对等大缩小后的丝饼图像进行图像分割后去除背景干扰,抠出所需图像;将抠出来的所需图像进行裁剪、切割成相同大小的图像;

(3)进行仿射变换:将切割好的图像进行水平、垂直、水平垂直翻转;

(4)获取数据集:将进行仿射变换后的图像中的正常图像定义为正样本,将具有成型不良的图像定义为负样本,正样本和负样本共同组成数据集,对数据集按7:3的比例划分为训练集和测试集;

(5)通过扩展的LBP算法计算出训练集中各个图像的纹理特征向量:计算训练集中正样本和负样本图像的纹理特征向量,并且将训练集中正样本每张图像的标签设置为1,负样本每张图像的标签设置为-1;

(6)使用SVM支持向量机对训练集正样本、负样本图像的纹理特征向量以及标签进行训练,生成一个XML文件;

(7)通过扩展的LBP算法计算出测试集中各个图像的纹理特征向量,SVM支持向量机对测试集正样本、负样本中每张图像的标签进行预测,并计算出预测准确率;

(8)对待检测的丝饼图像进行滑块预测:对待检测的丝饼图像进行降采样后抠出所需图像,然后使用与数据集中图像等大的滑块放在抠出的所需图像的最左上角,然后让滑块从上到下、从左往右进行滑动,当滑块处在所需图像上每个区域时,通过扩展的LBP算法计算出该滑块所处图像区域的纹理特征向量,并通过SVM支持向量机预测出该图像区域的标签;

(9)根据滑块预测的标签输出判断结果:根据所预测的标签来判断待检测的丝饼图像所属类型,若标签为-1的个数大于10个的话,则判断待检测的丝饼图像属于成型不良图像,反之,若标签为-1的个数小于10个的话,则判断待检测的丝饼图像属于正常图像。

2.根据权利要求1所述的基于扩展局部二值模式的纺织丝饼成型不良缺陷检测方法,其特征在于:在步骤(2)中,所述进行图像分割具体包括以下步骤:(2a)针对正常图像与成型不良图像,对其进行像素变换:设定一个像素值,若大于这个像素值的范围,则将像素变成255,即变成白色;若小于这个像素值的范围,则将像素变成0,即变成黑色;

(2b)对像素变换后的图像进行垂直投影;

(2c)获取垂直投影后其在纵坐标大于500这个阈值所对应的横坐标;

(2d)然后获得这些横坐标的最大值x1与最小值x2,且原图像的长度为y,在原图上以(x1,0)(x2,0)(x1,y)(x2,y)这四个顶点进行切割,得到以(x1,0)(x2,0)(x1,y)(x2,y)为四个顶点的矩形,矩形图像是去除背景干扰后所需要的图像。

3.根据权利要求1所述的基于扩展局部二值模式的纺织丝饼成型不良缺陷检测方法,其特征在于:在步骤(5)中,所述扩展的LBP算法是指:将图像中的每一个像素作为中心像素点,与3×3邻域的8个像素的灰度值进行比较,若周围像素值大于中心像素点的像素值,则该中心像素点的位置被标记为1,否则为0;3×3邻域内的8个点经比较产生8位二进制数,将这8位二进制数顺时针排列形成一个二进制数字,然后将该二进制数转换为十进制,这个十进制的数就是中心像素点的LBP值;计算出图像上每个像素的LBP值,计算出的LBP值的十进制范围在[0,255],统计每个像素的LBP值在[0,255]上每个地方出现的频率,构造出该图像的LBP值的直方图,该直方图为256维,接着在256维上增加3维,该3维依次存放全图的平均像素、最大灰度差以及平均梯度,直方图从原来的256维变成259维后再进行归一化处理;

通过扩展的LBP算法计算出训练集中各个图像的纹理特征向量具体包括以下步骤:

(5a)在训练集中的每一张64×64的样本图像上将检测窗口划分为16×16的小区域;

(5b)将16×16的小区域中的每个像素作为中心像素点,与3×3邻域的8个像素的灰度值进行比较,若周围像素值大于中心像素点的像素值,则该中心像素点的位置被标记为1,否则为0;3×3邻域内的8个点经比较产生8位二进制数,将这8位二进制数顺时针排列形成一个二进制数字,将该二进制数转换为十进制,这个十进制的数就是中心像素点的LBP值;

(5c)计算每个小区域的直方图,即每个数字出现的频率,然后在每个小区域的256维直方图上增加3维,分别存放每个小区域的平均像素、最大灰度差以及平均梯度;然后对该直方图进行归一化处理;

(5d)将得到的每个小区域的统计直方图进行连接成为一个特征向量,即该特征向量就是使用扩展的LBP算法求出64×64的样本图像的纹理特征向量。

4.根据权利要求1所述的基于扩展局部二值模式的纺织丝饼成型不良缺陷检测方法,其特征在于:所述步骤(6)具体包括以下步骤:(6a)将数据集中的训练集的正样本即正常图像的标签设为1,将数据集中的训练集的负样本即成型不良图像的标签设为-1;

(6b)将步骤(5)计算得到的LBP纹理特征向量、正样本的标签、负样本的标签一起输入SVM支持向量机中进行训练,生成一个XML文件,该文件内存储由正样本与负样本所计算得到的纹理特征向量,以及正样本、负样本所对应的标签。

5.根据权利要求1所述的基于扩展局部二值模式的纺织丝饼成型不良缺陷检测方法,其特征在于:所述步骤(7)具体包括以下步骤:(7a)读取步骤(6)得到的XML文件;

(7b)设定测试集中正样本每张图像的标签都为1,负样本每张图像的标签都为-1;

(7c)计算出测试集中正、负样本图像的纹理特征向量;

(7d)针对于测试集中的正样本,SVM支持向量机根据步骤(7c)计算得到的正样本图像纹理特征向量,以及步骤(7a)读取的XML文件中正样本图像的纹理特征向量和标签1,预测测试集中的正样本每张图像所对应的标签为1还是-1;针对于测试集中的负样本,SVM支持向量机根据步骤(7c)计算得到的负样本图像纹理特征向量,以及步骤(7a)读取的XML文件中负样本图像的纹理特征向量和标签-1,预测测试集中的负样本每张图像所对应的标签为1还是-1;

(7e)将预测的测试集中正、负样本图像的标签与步骤(7b)所设定的标签进行比较,计算预测准确率:若预测的标签与步骤(7b)所设定的标签一致,则判断为预测正确;若预测的标签与步骤(7b)所设定的标签不一致,则判断为预测错误;准确率Accuracy=预测正确的总数除以总的标签数乘以100%。

6.根据权利要求1所述的基于扩展局部二值模式的纺织丝饼成型不良缺陷检测方法,其特征在于:所述步骤(8)具体包括以下步骤:(8a)定义滑块的大小:滑块的长和宽与数据集中的正、负样本的长和宽大小一致;

(8b)定义滑块在水平平移和在垂直平移的步长;

(8c)将滑块在图像上移动每一步进行纹理特征提取,获得纹理特征向量;

(8d)根据步骤(6)中的XML文件,将滑块获取的纹理特征向量进行预测标签;

(8e)将预测的标签进行统计。