基于HSV%28色相-饱和度-明度%29与形状特征的涂层锈点图像识别.pdf
《基于HSV%28色相-饱和度-明度%29与形状特征的涂层锈点图像识别.pdf》由会员分享,可在线阅读,更多相关《基于HSV%28色相-饱和度-明度%29与形状特征的涂层锈点图像识别.pdf(12页珍藏版)》请在咨信网上搜索。
1、ireRuAug.2023CHINASURFACEENGINEERING2023年8 月No.4Vol.36面表中国第36 卷第4期程doi:10.11933/j.issn.1007-9289.20221008001基于HSV(色相-饱和度-明度)与形状特征的涂层锈点图像识别*刘佳1 月唐翌磊,林冰王丹1.2郑宏鹏王莹莹3李平4钵钟文胜(1.西南石油大学化学化工学院成都610500;2.常熟理工学院电气与自动化工程学院常熟215500;3.江汉大学光电化学材料与器件(教育部)重点实验室武汉430021;4.西南石油大学计算机科学学院成都610500;5.四川航启科技发展有限公司彭州611900
2、)摘要:图像识别技术广泛应用于涂层领域,图像特征的选择是提升识别率的重要因素,而形状特征在涂层锈点的图像识别中未见报道。基于涂层锈点的颜色和形状特征,结合机器学习对其进行图像识别。通过采集3种常见自然光照强度下的9 0 张涂层锈点图像,使用同态滤波对图像进行预处理,利用HSV(色相-饱和度-明度)颜色空间来区分锈点与无锈点区域。然后提取锈点的8 种形状特征对锈点区域进一步细化,用Pearson相关系数对形状特征进行筛选,将颜色特征、单一形状特征、8种组合形状特征、筛选后的组合形状特征、颜色特征与筛选后组合形状特征的融合特征分别作为参量输入Linear核函数、RBF核函数、Polynomial核
3、函数和Sigmoid核函数4种核函数的支持向量机(SVM)对锈点进行识别。研究结果表明:联合SVM与颜色、形状特征参量构建的图像识别算法能较准确地识别涂层锈点,其中基于颜色特征与筛选后形状特征的融合特征的准确识别率最高可达9 3.33%。形状特征可作为另一种特征信息来提高锈点图像识别的精确度,可为涂层锈点的图像识别技术研究提供参考依据。关键词:涂层;锈点;形状特征;支持向量机;图像处理;机器学习中图分类号:TG156;T B1 1 4st Spot Image Recognition of Coatings Based on HSV and Shape FeatuLIU Jia 1LIN Bi
4、ng1,2TANG Junlei 11WANG DanZHENG HongpengWANG YingyingLI Ping4ZHONG Wensheng35(1.School of Chemistry and Chemical Engineering,Southwest Petroleum University,Chengdu 610500,China;2.School of Electrical and Automation Engineering,Changshu Institute of Technology,Changshu 215500,China;3.Key Laboratory
5、of Optoelectronic Chemical Materials and Devices(Ministry of Education),Jianghan University,Wuhan 430021,China;4.School of Computer Science,Southwest Petroleum University,Chengdu 610500,China;5.Sichuan Hangqi Technology Development Co,Ltd.,Pengzhou 611900,China)Abstract:Image recognition technology
6、is used extensively in various industrial fields,and rust spots are a form of commonlyoccurring damage to coatings in service.Further,the quality inspection of coating surfaces relies primarily on manual work,which islimited by its subjectivity.Therefore,based on machine learning and image processin
7、g technology,a recognition method for coating*四川省重大科技专项(2 0 2 1 ZDZX0002)、四川省科技计划(2 0 2 1 YFSY0055)和辽宁省2 0 2 1 年博士科研基金(2 0 2 1-BS-058)资助项目。Fund:Supported by Major Science and Technology Projects in Sichuan Province(2021ZDZX0002),Sichuan Science and Technology Project(2021YFSY0055),and Liaoning Provi
8、ncial Doctoral Research Foundation in 2021(2021-BS-058).20221008收到初稿,2 0 2 30 1 30 收到修改稿面218中表程国2023年rust spots is proposed that includes a complete set of recognition systems for rust spots from image acquisition,homomorphic filteringpreprocessing,feature extraction and screening,and support vector
9、 machine(SVM)judgment recognition.Because the coating agingfailure is usually detected outdoors,90 images of coating rust spots under three common natural light intensities,namely sunny dayswith smooth light,sunny days with backlight,and cloudy days,were collected in this study.Among them,60 were ra
10、ndomly selectedas the test set and the remaining 30 were used as the training set.First,the images were pre-processed using homomorphic filtering toreduce the effect of illumination on the image quality and to facilitate accurate feature extraction.Subsequently,the hue,saturationand value(HSV)color
11、space was used to distinguish the rusted and not-rusted areas which were identified by controlling the value ofthe H component.Additionally,the eight shape features of the rusted areas were extracted to further refine the rusted areas:rustedarea(S),rusted perimeter(L),rusted area(L),rusted area(L),a
12、nd rusted area(L).These eight shape features were the rust spot area(S),perimeter(L),minimum external rectangle and minimum external ellipse(S),roundness(fi),complexity(f2),elongation(f3),compactness(f4),and area concavity ratio(fs).As the number of images in this paper was small and the number of f
13、eature parameterswas large,it was easy to produce overfitting,thus,the shape features were filtered using the Pearson correlation coefficient,and thearea(S),perimeter(L),complexity(f2),and area-concave ratio(fs).Finally,the color features,single shape features,eight combinedshape features,screened c
14、ombined shape features,and fused features of color features and screened combined shape features wereinput as parameters into the linear kernel function,radials basis function,polynomial kernel function,and sigmoid kernel function,respectively.An SVM with these four kernel functions was used to iden
15、tify the rusty points.The results showed that the correctrecognition rate of rust spots by the SVM based on single-shape features was lower than that based on combined shape features,indicating that the single-shape features cannot accurately describe the rust spots.The correct recognition rate of t
16、he four kernelfunctions based on the four screened shape features was higher than that of the eight unscreened shape features,indicating that thescreening of shape features using Pearsons correlation coefficient was effective.The correct recognition rate of the fusion featuresbased on the color feat
17、ures and screened shape features was further improved,and its average correct recognition rate was 89%,among which the SVM recognition of the Linear kernel function was the greatest,and the correct recognition rate reached 93.33%,indicating that the algorithm based on the fusion features could signi
18、ficantly reduce the respective interference factors of the color andshape in the case of the small samples.The SVM can be developed into a classifier that can be used to identify the rust spots on thecoating surface.The shape features of the rust spots can provide other feature information to improv
19、e the accuracy of imagerecognition.Further,the machine learning algorithm of the color and shape fusion features is effective and can identify rust spotsquickly and accurately compared with the traditional color-based algorithm.Keywords:coating;rust spot;shape characteristics;support vector machine;
20、image processing;machine learning0前言涂料涂装作为一种有效的材料保护技术,已广泛应用于各个行业。涂层在服役过程中受到物理或化学因素的破坏,会导致涂层的外观会发现一些变化,如起泡、锈点、变色、龟裂等。其中,锈点是影响涂层质量和使用寿命的主要因素之一。目前,涂层表面的质量检测主要依靠于人工 2,而人工对涂层表面的锈点检测又受限于其主观性,很难客观地量化锈点的特征。因此,研究快速准确识别涂层锈点的技术手段,有利于及时科学防治,从而提高涂层的使用寿命。表面腐蚀可以通过传统的无损检测(NDT)技术进行检测和评估,如超声检测 3、磁粉探伤 4、红外 5 和涡流检测 9 等
21、。这些方法检测周期较长且专业性强。近年来,数字图像处理技术广泛应用于生物医学、航空航天技术和地球科学等各个领域。在腐蚀领域,腐蚀损伤的形式和特点可以通过腐蚀图像来表示,以评估腐蚀类型和分析腐蚀程度,并成为研究腐蚀规律的重要基础。通过建立合适的分割准则和识别模型就能够实现对腐蚀区域的定量描述,对腐蚀的检测问题可以转化为计算机视觉问题。传统的一般方法是对腐蚀图像采用小波变换 7-,提取各子图像中的能量、焰值1 0,并以此来检测图像中的腐蚀区域;有学者利用锈蚀区域和未锈蚀区域的颜色差异 7.1 0,对图像进行分割;也有学者认为,腐蚀的加剧,金属表面粗糙度 9.1 1 也随之发生变化,反映在腐蚀图像中
22、,腐蚀边缘处像素的灰度值与其他处的灰度值不同 1 2-1 3,并以此区分腐蚀和非腐蚀部位;更进一步,有学者提出用无损评估(NDE)9.1 41 分析腐蚀表面的纹理变化 1-1 2 ,再结合自组织特征映射219第4期佳,等:基于HSV(色相-饱和度-明度)与形状特征的涂层锈点图像识别刘网络(SOM)【1 3 对腐蚀损伤分类,或者训练支持向量机(SVM)1 0.1 4 对腐蚀进行分类和检测,而分类的依据基于腐蚀区域的颜色特性 1 5-1 7 。O锈点是涂层服役过程中较为常见的损伤,在图像识别领域,部分学者采用基于颜色模型的方法 7.1 0 1,在各种图像条件下从背景中分割腐蚀区域,通常依赖于颜色通
23、道包含的信息。然而,基于颜色的算法容易受到图像采集的光照条件影响,且单独的颜色不足以准确区分涂层表面的不同损伤。本文提出颜色和形状特征同时应用,并结合支持向量机的锈点图像识别方法,减少了仅使用颜色特征识别时光照和其他损伤带来的干扰信息,有助于提高锈点的识别率,且使用形状特征对锈点进行判断和识别,目前没有相关报道。本文首先提取锈点HSV颜色模型中的H通道的信息作为颜色特征的输入,HSV颜色模型是人类视觉系统的色彩感知方式之一,包括色相(H)、饱和度(S)、明度(V)【1 8 ,相对于RGB颜色模型更能准确地描述锈点的色相特点;然后提取锈点的8 种形状特征,考虑到本研究的样本数量不够充足,容易产生
24、过拟合的风险,使用Pearson相关系数的排名筛选策略,将得到的相关性较高的4 种形状特征作为 SVM 的输入,为了证实这一策略的可靠性,也将单一的形状特征、8 种组合形状特征作为模型的输入,对比其识别率,证明筛选策略是有效的。此外,也对比了颜色和形状特征同时应用的4种不同核函数的SVM的识别率,探索更精确的机器学习方法。1图像采集及预处理1.1图像采集涂层样品取自实验室加速老化试验环境,以Q235型碳钢为基材,涂料为双组份水性快干环氧厚浆漆(6 DV,中远佐敦,青岛)【1 9 。图像采集装置如图1 所示:工业相机(MV-CA060-10GC,海康威视,杭州)有效像素2 0 0 0 万;变焦镜
25、头(H281050-6MP,威科迈,厦门)焦距1 0 50 mm;条形光源(K M-BR D 30 0 30,威科迈,厦门)最大亮度1 40 0 0 01x。涂层老化失效检测通常在户外现场检测,因此选取3种常见天气的光照强度值进行采集,用条形光源调节亮度值,其光照强度范围见表1。本文共使用30 个不同的具有锈点的涂层样品,并对每个样品进行编号,拍摄照片时,保持相机和光源与涂层样品垂直,入射光线与拍照角度平行,拍摄照片共90张,不同光照条件下各30 张,图像大小为1 2 50X2400像素,格式为JPEG,将所有图像随机分为两组,一组包含6 0 张作为训练集,一组包含30 张作为测试集。采集的部
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 HSV 28 色相 饱和度 明度 29 形状 特征 涂层 图像 识别
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。