基于预分类的模糊聚类钢板表面缺陷检测方法
专利汇可以提供基于预分类的模糊聚类钢板表面缺陷检测方法专利检索，专利查询，专利分析的服务。并且本 发明 涉及数字 图像处理 及 模式识别 技术领域，公开一种基于预分类的模糊聚类 钢 板表面 缺陷 检测方法，可在钢板表面缺陷检测时，克服现有钢板表面缺陷检测方法出现的漏判和误判的不足，有效提高钢板表面缺陷在线实时检测的准确度，步骤如下：S1获取钢板表面缺陷图像；S2将步骤S1获取的图像进行预分类，确定图像分类处理的 阈值 区间；S3对步骤S2中各阈值区间的图像分类处理，生成白色高亮的缺陷目标；S4提取缺陷图像的几何、灰度、投影和纹理特征，通过特征 降维 确定 支持向量机 分类器的输入向量，采用模糊聚类 算法 计算各类样本的聚类中心，将两两聚类中心的距离作为支持向量机分类器分级划分的度量；S5分类判定，得到缺陷检测结果。，下面是基于预分类的模糊聚类钢板表面缺陷检测方法专利的具体信息内容。
1.基于预分类的模糊聚类钢板表面缺陷检测方法，其特征在于：包括如下步骤：
S1：获取钢板表面缺陷图像；
S2：对步骤S1获取的缺陷图像进行预分类，生成不同的图像处理阈值区间；
S3：对步骤S2获取的不同类别的图像进行相应的图像预处理，最终将缺陷以白色高亮状态显示；
S4：提取钢板缺陷图像的几何特征、灰度特征、投影特征和纹理特征，优化特征向量，采用模糊聚类方法计算各类样本的聚类中心，将两两聚类中心的距离作为支持向量机分类器每级分类划分的度量；
S5：分类判定，得到缺陷检测结果。用type表示分类结果，其中type＝0,1,2,3,4,5，如果type＝1，则表明该缺陷类型为结疤；如果type＝2，则表明该缺陷类型为纵向裂纹；
如果type＝3，则表明该缺陷类型为横向裂纹；如果type＝4，则表明缺陷类型为麻点；如果type＝5，则表明缺陷类型为网纹；如果type＝0，则表明数据库没有此类缺陷，则将新的缺陷类型存入数据库并附缺陷数据类型编号，最终输出检测结果。
2.如权利要求1所述的基于预分类的模糊聚类钢板表面缺陷检测方法，其特征在于：
所述步骤S1中，以钢板生产线实时拍摄的图像作为钢板表面缺陷检测的源图像。
3.如权利要求1所述的基于预分类的模糊聚类钢板表面缺陷检测方法，其特征在于：
所述步骤S2中，在灰度图像的前提下，通过阈值分割法确定图像处理的阈值区间，完成图像预分类。
4.如权利要求3所述的基于预分类的模糊聚类钢板表面缺陷检测方法，其特征在于：
所述步骤S2具体包括如下步骤：
S21：对步骤S1获取的缺陷图像进行灰值化；
S22：对灰值化后的缺陷图像进行直方图绘制，计算灰度直方图的均值、峰值和方差；
S23：对步骤S22提取的灰度特征统计分析，结合灰度直方图判断缺陷图像均值、方差分布范围，并计算两者的差值dif，将差值统计归类，选取最优阈值T＝{x1,x2}，其中x1，x2为阈值分割点，完成图像预分类；
S24：结合线性插值、非线性插值和梯度锐化对步骤S23的预分类结果进行图像预处理，在基本的图像处理操作下，最终使缺陷目标以白色高亮状态显示。
5.如权利要求1至4中任一项所述的基于预分类的模糊聚类钢板表面缺陷检测方法，其特征在于：所述步骤S3具体包括如下步骤：
S31：当dif＜x1时，图像灰度偏暗，在缺陷目标确定前要对图像做梯度锐化处理；当x1＜dif＜x2时，图像目标区域偏大，在缺陷目标确定前要对图像做线性插值处理；当dif＞x2时，图像反光，在缺陷目标确定前要对图像做非线性插值处理；
S32：缺陷图像经过步骤S31：的预处理后，对图像做基本图像处理操作，最终将灰度直方图以单峰、灰度有效值在170-255区间内的形式显示；
S33：结合交互式阈值分割法选取图像二值化的最优阈值μ，优化二值化图像，得到目标缺陷图像；
S34：计算步骤S33：的目标缺陷图像的几何特征；将目标缺陷图像做水平x轴和垂直y轴方向上的投影直方图，获取投影特征；以灰度图像为背景，提取灰度直方图下的灰度特征和灰度共生矩阵下的纹理特征。
6.如权利要求5所述的基于预分类的模糊聚类钢板表面缺陷检测方法，其特征在于：
所述步骤S4具体包括如下步骤：
S41：几何特征。边界周长、缺陷面积、圆形度、矩形度、缺陷紧凑性、区域占空比、矩特征、离心率、椭圆偏心率等；投影特征：波形特征、脉冲特征、峰值特征、裕度特征、投影均值、投影方差、投影歪度、投影峭度、投影能量、投影熵等；灰度特征：灰度对比度、灰度均值、灰度歪度、灰度峭度、灰度能量、灰度熵值等；纹理特征：灰度共生矩阵能量、灰度共生矩阵对比度、灰度共生矩阵相关值、灰度共生矩阵熵值等；
S42：对步骤S41提取的特征向量进行降维处理，删除冗余的缺陷信息；
S43：将步骤S42确定的特征参数存入特征数据库；
S44：某一类样本聚类中心的选取：计算任意两个样本的欧式距离，取最小距离对应的两个样本的均值作为第一个聚类中心；选定样本间最小距离阈值α，计算与第一个聚类中心中的两个样本的欧式距离都大于α的样本，并选择这些样本中的欧氏距离最短的两个样本的均值定为第二个聚类中心；以此类推，直到找到除孤立点之外的所有样本的聚类中心；将所有聚类中心的均值作为该类缺陷的最终聚类中心；
S45：重复步骤S44，确定已知缺陷种类各类样本的聚类中心vi(i＝i,2,…,c)；
S42：分别计算两两聚类中心的距离 其中i,j＝1,2,…,c；i≠j；r＝
c-1。每个聚类中心都有c-1个与其他聚类中心的距离值，将距离值按由小到大的顺序排列，得到相应聚类中心新的排序标号；
S47：将聚类中心对应的学习样本作为支持向量机分类器的输入，用c-1个分类器准确分出c类缺陷。
7.如权利要求6所述的基于预分类的模糊聚类钢板表面缺陷检测方法，其特征在于：
所述步骤S41中，将投影特征分为水平投影特征和垂直投影特征；纹理特征向量用灰度共生矩阵计算，灰度共生矩阵是L*L的方正，其中L为源图像的灰度级，描述四种常用的空间位置关系：水平、垂直、正对角，最后生成四类七组特征向量。
8.如权利要求7所述的基于预分类的模糊聚类钢板表面缺陷检测方法，其特征在于：
所述步骤S5中：
用type表示分类结果，其中type＝0,1,2,3,4,5，如果type＝1，则表明该缺陷类型为结疤；如果type＝2，则表明该缺陷类型为纵向裂纹；如果type＝3，则表明该缺陷类型为横向裂纹；如果type＝4，则表明缺陷类型为麻点；如果type＝5，则表明缺陷类型为网纹；如果type＝0，则表明数据库没有此类缺陷，则将新的缺陷类型存入数据库并附缺陷数据类型编号，最终输出检测结果。
基于预分类的模糊聚类钢板表面缺陷检测方法
技术领域
背景技术
发明内容
附图说明
大的顺序排列为： 将 的值按由大到小的顺序对相应的
聚类中心进行排序。当遇到n(n≥2)个聚类中心具有相同的 时，再比较 的大小，以此类推，最终得到聚类中心新的排序标号M1,M2,…,Mc。
3，则表明该缺陷类型为横向裂纹；如果type＝4，则表明缺陷类型为麻点；如果type＝5，则表明缺陷类型为网纹；如果type＝0，则表明数据库没有此类缺陷，则将新的缺陷类型存入数据库并附缺陷数据类型编号，最终输出检测结果。数据库信息参见图4，图中给出了数据库中部分钢板缺陷信息，其中第一列为钢板缺陷的种类，其余列为钢板缺陷的属性。
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
-
2 缺陷检测方法
