基于多核支持向量机的无纺布表面小缺陷检测方法

技术领域

本发明涉及一种表面缺陷检测技术，特别是一种基于多核支持向量机的无纺布表面小缺陷检测方法。

背景技术

无纺布，作为一种新型的环保布，具有透气性好、防潮、柔软、轻盈、无助燃性、易于分解、无毒无刺激性、可循环使用和价格低廉等优点，是一种使用非常广泛的布匹材料。我国是无纺布的生产大国，不仅能满足国内市场的巨大需求，而且在国外市场上占有庞大的份额。为了保证无纺布的品质，在实际生产过程中，对无纺布表面进行缺陷检测，将带有缺陷的产品剔除，就显得极其重要。近年来，机器视觉和数字图象处理技术得到了高速发展，在布匹的生产工业中，人们已经利用这些技术成功地实现了对布匹表面进行缺陷检测(李刚,杨欣,徐胜利.基于机器视觉布匹瑕疵检测方法-综述[J].2012.)。但是对于无纺布表面的小缺陷，因无纺布纹理复杂，同时小缺陷的面积小，缺乏纹理特征，导致了其检测非常困难。现有的小缺陷检测大多是基于纹理分析的，检测的性能并不够好。Vapnik在1992年提出了支持向量机(Support Vector Machine,SVM)的最初模型(Boser B E,GuyonI M,VapnikV N.A training algorithm for optimal margin classifiers[J].The Workshop onComputational Learning Theory.1992:144-152.)，然后人们在其基础上提出了多核支持向量机(multiple kernel SVM，MK-SVM)，与单核支持向量机相比具有更好的灵活性和更强的适应能力与泛化能力，能处理分布复杂或不均匀的样本数据。因此，使用多核支持向量机检测无纺布表面的小缺陷是一种行之有效的方法。

发明内容

本发明要解决的技术问题是针对现有技术的不足，提出一种新的图像小目标检测方法，来解决无纺布表面小缺陷的检测困难问题，实现对无纺布生产中的常见缺陷例如:破洞、污渍、异物和油渍等疵点的检测。该方法可以提高无纺布表面小缺陷检测的检测品质。

为实现上述目的，本发明提出了一种基于多核支持向量机(MK-SVM)的无纺布表面小缺陷检测方法，其特点是：

第一步，采集具有代表性的无纺布图像，获取高分辨率的原始图像，并统一图像的尺寸大小；

第二步，对原始图像进行灰度变换和滤波去噪预处理；

第三步，计算求出相对应的灰度共生矩阵，使用该矩阵对预处理后的图像进行图像纹理特征的提取和分析；

第四步，选择合适的基核函数进行组合，得到新的核函数，对核函数的参数进行优化；

第五步，构建基于新的核函数的多核支持向量机模型，使用该向量机对待检测图像进行分类，完成缺陷识别。

以上所述的基于多核支持向量机的无纺布表面小缺陷检测方法，其进一步优选的技术方案是：采集具有代表性的无纺布图像，其具体步骤是：分别采集带网格无纺布与无网格无纺布的有缺陷与无缺陷的图像，然后将所有图像的尺寸统一为512×512。

以上所述的基于多核支持向量机的无纺布表面小缺陷检测方法，其进一步优选的技术方案是：对图像进行预处理，其具体步骤是：先对图像进行直方图均衡化增加图像对比度，然后对图像进行高斯滤波去除噪声，具体的公式为：

以上所述的基于多核支持向量机的无纺布表面小缺陷检测方法，其进一步优选的技术方案是：对预处理后的图像提取纹理特征，其具体方法是：灰度共生矩阵法。

以上所述的基于多核支持向量机的无纺布表面小缺陷检测方法，其进一步优选的技术方案是：采用以下方法求取灰度共生矩阵：

首先，在图像中任意一点A(x，y)与偏离它的一个点B(x+a，y+b)构成对点，a和b都为整数，假设对点的灰度值为(g

然后，从整个图像的角度出发，记录下每一种(g

以上所述的基于多核支持向量机的无纺布表面小缺陷检测方法，其进一步优选的技术方案是：选择合适的基核函数组合构建新的核函数，其具体方法是：选择的是高斯核函数和多项式核函数进行线性组合，新的核函数的公式为：

以上所述的基于多核支持向量机的无纺布表面小缺陷检测方法，其进一步优选的技术方案是：对核函数的参数进行优化，其具体方法是：选择了遗传算法来对核函数的两个参数进行优化计算。

以上所述的基于多核支持向量机的无纺布表面小缺陷检测方法，其进一步优选的技术方案是：使用遗传算法优化核函数，其具体步骤是：

首先，对参数进行编码，产生初始种群；其次，通过计算得到能代表个体优劣性的适应度；接着对种群进行选择、交叉和变异，得到新的种群；

然后，计算出新种群的适应度并进行评估，保留适应性强的个体，淘汰适应性差的个体；

最后，重复上述步骤，直到得到最优参数。

本发明的多核支持向量机算法，对于给定的一组训练数据集D＝{(x

多核支持向量机的最终目的就是实现间隔最大化，因此可以最优超平面求解问题可以转化为一个最优问题：

上述的问题可以进一步转化为二次凸优化问题：

公式(3)便是多核支持向量机的基本型，基本型的目标函数是一个二次函数，该函数的约束条件则是线性的，于是这就变成了一个凸二次规划的求解问题。对这个基本型函数使用拉格朗日乘子法能够得到其对偶问题。

其中α

在满足约束条件时，目标函数可以表示为：

对目标函数中的w和b求偏导，并等于0，可求得下式：

将公式(6)带入到对偶式中，就可以得到关于α

通过序列最小优化算法，能解出α

于是就可以得到核函数的表达式:

k(x

本发明所述的灰度变换采用的是直方图均衡化，具体由公式(10)来实现。

本发明所述的滤波去噪采用的是高斯滤波，具体由公式(11)来实现。

本发明所述的多核向量机模型的核函数为：

与现有技术相比，本发明具有以下有益效果：本发明使用多核支持向量机对图像中的小缺陷进行检测，没有庞大的计算量，具有很好的检测性能。采用本发明方法进行无纺布表面小缺陷检测，可获得较高的信噪比，且背景抑制能力较强。

附图说明

图1为本发明的算法流程框图；

图2为本发明的缺陷检测示例图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细描述，以便于本领域的技术人员进一步的理解本发明，而不构成对其权利的限制。需要强调的是，以下实施例仅是本发明的一种优选实施方式而已，对于本技术领域的技术人员来说，在不脱离本发明的核心思想和基本原理的前提下，对其进行改进和修改，或者利用本发明的主要方法、核心思想和基本原理解决其他领域的技术问题，都应视为本发明的保护范围。

实施例1，一种基于多核支持向量机的无纺布表面小缺陷检测方法：

第一步，使用CCD相机采集无纺布有缺陷和无缺陷的图像，并统一大小为512×512；

第二步，对图像使用公式(10)进行直方图均衡化操作和公式(11)进行高斯滤波操作，增强图像的对比度和去除采集过程中各种因素造成的噪声；

第三步，对运用第二步方法进行预处理后的图像使用灰度共生矩阵法进行计算，从而进行纹理特征提取；

第四步，选择高斯核函数和多项式核函数作为基核函数，进行线性组合，构建新的核函数，公式为(12)；

第五步，采用遗传算法对公式(12)中的参数a和b进行参数优化；

第六步，使用该核函数构建多核支持向量机模型，使用该向量机对待检测图像进行分类检测。

实施例2，参照附图1，利用实施例1所述的一种基于多核支持向量机的无纺布表面小缺陷检测方法。实验步骤如下：

步骤S101：开始，采集四幅实验图像，其中分别包括了带网格无纺布与无网格无纺布的污渍和破洞两种常见的小缺陷；

步骤S102：使用直方图均衡化对采集到的图像进行灰度变换吹，接着对图像使用高斯滤波操作进行滤波去噪，最终能够突出图像中的小目标；

步骤S103：对预处理后的图像计算出其对应的灰度共生矩阵，进行纹理特征提取；

步骤S104：选择高斯核函数与多项式核函数作为基核函数，进行线性组合，得到新的核函数；

步骤S105：对新的核函数的参数a和b使用遗传算法进行参数优化选择，构建最优核函数；

步骤S106：使用该核函数构建多核支持向量机模型，对待检测图像处理后使用该模型进行分类处理，得到明显的缺陷图像。