【图像检测】基于支持向量机SVM算法实现金属表面缺陷分类与测量matlab代码

最新推荐文章于 2024-05-10 20:51:58 发布
最新推荐文章于 2024-05-10 20:51:58 发布
阅读量780 收藏 7
点赞数
分类专栏： 图像处理 文章标签： matlab 算法 支持向量机
本文链接：https://blog.csdn.net/m0_60703264/article/details/121239421
版权

1 简介

针对人工检测金属表面缺陷效率低,主观意识强,无法长时间工作等缺点,提出一种基于支持向量机监督检测,分类以及测量的金属表面缺陷的方法,并使用Matlab软件设计一个图形用户界面(GUI),便于检测人员使用.研究中先对工厂采集的图像进行Gabor滤波和对比度增强的前处理.然后使用方向梯度直方图(HOG)和灰度共生矩阵(GLCM)进行特征提取,为后续提高检测准确率打下基础.最后对于每种缺陷类型都采用270张图片进行模型训练,利用训练好的模型对测试图片进行测试.实验结果表明,最终3种缺陷类型的总正确率为88.9%,该检测方法能够有效地检测出金属表面缺陷.

2 部分代码

c2='Sc_72';
c1='.\NEU surface defect database\';
c3='.bmp';
c=[c1,c2,c3];
a6=imread(c);
ma=max(max(a6));
mi=min(min(a6));
for ii=1:200 
   for jj=1:200
       a6(ii,jj)=255*double(a6(ii,jj)-mi)/double(ma-mi);
   end
end
figure(1),imshow(a6,[]);
a6=adapthisteq(a6);
figure(1),imshow(a6,[]);
Gaborfiter=Ga(1.57,10);
aaa=filter2(Gaborfiter,a6,'valid');
%figure(1),imshow(aaa,[]);
%aa=imgaborfilt(a5,10,0);
%bb=imgaborfilt(a2,10,90);
bb=Ga(0,25);
bbb=filter2(bb,a6,'valid');

cc=Ga(0.785,25);
ccc=filter2(cc,a6,'valid');

dd=Ga(2.36,25);
ddd=filter2(dd,a6,'valid');

%figure(2),imshow(aa,[])
h=fspecial('average',5);
ab=filter2(h,abs(abs(aaa)+abs(ddd)-abs(bbb)-abs(ccc)));
ab=filter2(h,ab);
ab=uint8(fix(255*ab./max(max(ab))));
%ab=im2bw(ab,graythresh(ab));

aaa=uint8(fix(255*abs(aaa)./max(max(abs(aaa)))));

ss=thres(ab);
ab1=im2bw(ab,ss/255);
%figure(2),imshow(a6,[]);
%[bw,thres]=edge(ab,'log');
% s=strel('disk',2);
% ab=imerode(ab,s);
[B,L]=bwboundaries(ab1);
[x,y]=size(B);
mm=0;
for i=1:x
   ll=length(B{i});
   if ll>mm
     mm=ll;
   end
end
if mm<110
  fprintf('缺陷是点\n'); 
  xi=zeros(x,1);
  yi=zeros(x,1);
  xx=zeros(x,1);
  yy=zeros(x,1);
  xc=zeros(x,1);
  yc=zeros(x,1);
  lll=zeros(x,1);
   for i=1:x
     lll(i)=length(B{i});
     ll=length(B{i});
     if ll>10
       for ij=1:ll
         xi(i)=xi(i)+double(ab(B{i}(ij,1),B{i}(ij,2)));
         yi(i)=yi(i)+double(ab(B{i}(ij,1),B{i}(ij,2)));
         xx(i)=xx(i)+double(ab(B{i}(ij,1),B{i}(ij,2))).*B{i}(ij,1);
         yy(i)=yy(i)+double(ab(B{i}(ij,1),B{i}(ij,2))).*B{i}(ij,2);
       end
     end
  xc(i)=xx(i)./xi(i);
  yc(i)=yy(i)./yi(i);
   end
xc=xc(~isnan(xc));
yc=yc(~isnan(yc));
figure(4),imshow(a6);
hold on;
plot(yc+12,xc+12,'*');
[dd,bb]=size(xc);
fprintf('一共有%d以上个点',dd);
else
 %ab1=bwmorph(ab1,'thin',5);
%   ss=thres(a6);
%   ab1=im2bw(a6,ss/255);
 figure(3),imshow(ab1);
 a6(1:12,:)=[];
 a6(177:188,:)=[];
 a6(:,1:12)=[];
 a6(:,177:188)=[];
 mu1=uint8(ab1).*a6;
 mu2=uint8(1-ab1).*a6;
 t0=mu1(mu1~=0);
 m1=mean(t0);
 t1=mu2(mu2~=0);
 m2=mean(t1);
 MAPPING=getmapping(16,'riu2');
 %lbps=lbp(a6,2,16,MAPPING,'hist');
 %predict_label = svmclassify(svmModel,lbps); 
 if m1<m2+20
 fprintf('缺陷是斑点\n');
 figure(5),imshow(mu1);
 all=bwarea(ab1);
 pro=all/176/176;
 fprintf('斑点所占总比为%.3f',pro);
 figure(4),imshow(a6);
 hold on;
 for k = 1:length(B)
   boundary = B{k};
   plot(boundary(:,2), boundary(:,1), 'r', 'LineWidth', 2)
 end
 else  
      ss=thres(a6);
      ab1=im2bw(a6,ss/255);
   %ab1=im2bw(a6,graythresh(a6));
   ab1=imclose(ab1,strel('square',5));
   ab1=bwmorph(ab1,'thin',5);
   %[B,L]=bwboundaries(ab1);
   ab1=edge(ab1,'Canny');
   figure(5),imshow(ab1);
   hold on;
   
 fprintf('缺陷是划痕\n');
[H,T,R] = hough(ab1,'RhoResolution',5,'Theta',-90:0.1:89.9);
 P=houghpeaks(H,35,'threshold',ceil(0.3*max(H(:))));
 lines = houghlines(ab1,T,R,P,'FillGap',5,'MinLength',7);
 point=zeros(length(lines),4);
 ang=zeros(length(lines),1);
   for k = 1:length(lines)
  xy = [lines(k).point1; lines(k).point2];
  plot(xy(:,1),xy(:,2),'LineWidth',2,'Color','green');

  % Plot beginnings and ends of lines
  plot(xy(1,1),xy(1,2),'x','LineWidth',2,'Color','yellow');
  plot(xy(2,1),xy(2,2),'x','LineWidth',2,'Color','red');
  dis=sqrt((xy(1,1)-xy(2,1))^2+(xy(1,2)-xy(2,2))^2);
  if dis>30
  point(k,1:2)=lines(k).point1;
  point(k,3:4)=lines(k).point2;
  ang(k)=lines(k).theta;
  
  end
   end
   point(any(point==0,2),:)=[];
   ang(any(ang==0,2),:)=[];
   cen=zeros(length(ang),2);
   po=zeros(length(ang),4);
   an=zeros(length(ang),1);
   p1=zeros(length(ang),4);
   an1=zeros(length(ang),1);
   thm=mean(abs(ang));
   if abs(thm)<45
       thm=40;
   else
       thm=60;
   end

   p1(all(p1==0,2),:)=[];
   an1(all(an1==0,2),:)=[];
   le=length(cen);
   
   for kk=1:le
        cen(kk,1)=(point(kk,1)+point(kk,3))/2;
        cen(kk,2)=(point(kk,2)+point(kk,4))/2;
        point(kk,5)=cen(kk,1);
        point(kk,6)=cen(kk,2);
   end
   
       
       if thm==40
          [point,ind]=sortrows(point,5);
       end
       if thm==60
           point=sortrows(point,6);
       end
      
       
     anm=0;  
     cend=zeros(length(cen)-2,1);
     figure(6),imshow(a6);
     hold on;
     count=0;
    if thm==60   
       for kk=2:le
           if abs(point(kk-1,6)-point(kk,6))<5
              po(kk,:)=point(kk,1:4);
              an(kk)=ang(kk);
              anm=mean(an(1:kk));
           else
               count=count+1;
              po(all(po==0,2),:)=[];
              max_x=max(max(po(:,1)),max(po(:,3)));
              min_x=min(min(po(:,1)),min(po(:,3)));
              max_y=max(max(po(:,2)),max(po(:,4)));
              min_y=min(min(po(:,2)),min(po(:,4)));
        if anm>0
              plot(max_x,max_y,'x','LineWidth',2,'Color','green');
              plot(min_x,min_y,'x','LineWidth',2,'Color','blue');
              xy(1,:)=[max_x,max_y];
              xy(2,:)=[min_x,min_y];
              plot(xy(:,1),xy(:,2),'LineWidth',2,'Color','green');
       else
       plot(max_x,min_y,'x','LineWidth',2,'Color','green');
       plot(min_x,max_y,'x','LineWidth',2,'Color','blue');   
       xy(1,:)=[max_x,min_y];
       xy(2,:)=[min_x,max_y];
       plot(xy(:,1),xy(:,2),'LineWidth',2,'Color','green');
        end
        dis=sqrt((max_x-min_x)^2+(max_y-min_y)^2);
              fprintf('第%d条划痕长%.2f\n',count,dis);
              po=zeros(length(ang),4);
           end
       end
    po(all(po==0,2),:)=[];
              max_x=max(max(po(:,1)),max(po(:,3)));
              min_x=min(min(po(:,1)),min(po(:,3)));
              max_y=max(max(po(:,2)),max(po(:,4)));
              min_y=min(min(po(:,2)),min(po(:,4)));
        if anm>0
              plot(max_x,max_y,'x','LineWidth',2,'Color','green');
              plot(min_x,min_y,'x','LineWidth',2,'Color','blue');
              xy(1,:)=[max_x,max_y];
              xy(2,:)=[min_x,min_y];
              plot(xy(:,1),xy(:,2),'LineWidth',2,'Color','green');
        else
        plot(max_x,min_y,'x','LineWidth',2,'Color','green');
        plot(min_x,max_y,'x','LineWidth',2,'Color','blue'); 
        xy(1,:)=[max_x,min_y];
       xy(2,:)=[min_x,max_y];
       plot(xy(:,1),xy(:,2),'LineWidth',2,'Color','green');
        end
        count=count+1;
        dis=sqrt((max_x-min_x)^2+(max_y-min_y)^2);
              fprintf('第%d条划痕长%.2f\n',count,dis);
              fprintf('一共有%d条线\n',count);
      
    
    elseif thm==40
        for kk=2:le
           if abs(point(kk-1,5)-point(kk,5))<10
              po(kk,:)=point(kk,1:4);
              an(kk)=ang(kk);
              anm=mean(an(1:kk));
              %poi=mean(po(kk,1));
              %poj=mean(po(kk,3));
           else
%               an(kk)=ang(kk);
%                 anm=mean(an(1:kk));
%                 poi=mean(po(kk,1));
%                 poj=mean(po(kk,3));
               count=count+1;
               po(all(po==0,2),:)=[];
               max_x=max(max(po(:,1)),max(po(:,3)));
              min_x=min(min(po(:,1)),min(po(:,3)));
               max_y=max(max(po(:,2)),max(po(:,4)));
               min_y=min(min(po(:,2)),min(po(:,4)));
              
              
              
        if anm>0
              plot(max_x,max_y,'x','LineWidth',2,'Color','green');
              plot(min_x,min_y,'x','LineWidth',2,'Color','blue');
              xy(1,:)=[max_x,max_y];
              xy(2,:)=[min_x,min_y];
              plot(xy(:,1),xy(:,2),'LineWidth',2,'Color','green');
        else
              plot(max_x,min_y,'x','LineWidth',2,'Color','green');
              plot(min_x,max_y,'x','LineWidth',2,'Color','blue');    
              xy(1,:)=[max_x,min_y];
              xy(2,:)=[min_x,max_y];
              plot(xy(:,1),xy(:,2),'LineWidth',2,'Color','green');
        end   
              dis=sqrt((max_x-min_x)^2+(max_y-min_y)^2);
              fprintf('第%d条划痕长%.2f\n',count,dis);
              po=zeros(length(ang),4);
           end
              
        end
        
       po(all(po==0,2),:)=[];
              %poi=mean(po(:,1));
              %poj=mean(po(:,3));
              max_x=max(max(po(:,1)),max(po(:,3)));
              min_x=min(min(po(:,1)),min(po(:,3)));
              max_y=max(max(po(:,2)),max(po(:,4)));
              min_y=min(min(po(:,2)),min(po(:,4)));
       if anm>0
              plot(max_x,max_y,'x','LineWidth',2,'Color','green');
              plot(min_x,min_y,'x','LineWidth',2,'Color','blue');
              xy(1,:)=[max_x,max_y];
              xy(2,:)=[min_x,min_y];
              plot(xy(:,1),xy(:,2),'LineWidth',2,'Color','green');
        else
        plot(max_x,min_y,'x','LineWidth',2,'Color','green');
        plot(min_x,max_y,'x','LineWidth',2,'Color','blue');    
        xy(1,:)=[max_x,min_y];
       xy(2,:)=[min_x,max_y];
       plot(xy(:,1),xy(:,2),'LineWidth',2,'Color','green');
       end
       count=count+1;
        dis=sqrt((max_x-min_x)^2+(max_y-min_y)^2);
              fprintf('第%d条划痕长%.2f\n',count,dis);
              fprintf('一共有%d条线\n',count);
    end
      
 end
end


clear;   

3 仿真结果

4 参考文献

[1]张旭等. "一种基于支持向量机的金属表面缺陷检测方法.". ​

Matlab科研辅导帮
关注
专栏目录
[机器学习]机器学习笔记整理09- 基于SVM图像识别
图解AI
04-08 9255
前言前面介绍了SVM的基本概念和一般操作步骤,若如不理解请参考: [机器学习]机器学习笔记整理08- SVM算法原理及实现 下面来介绍一下,利用SVM进行图像识别.图像识别人脸识别是一项实用的技术。但是这种技术总是感觉非常神秘，在sklearn中看到了人脸识别的example，代码网址如下： http://scikit-learn.org/0.13/auto_examples/applicat
基于SVM的猫咪图片识别器
oxuzhenyi的博客
05-31 1万+
基于SVM的猫咪图片识别器 一、实验介绍 1.1 实验内容 SVM（支持向量机）是一种常用的机器学习分类算法。本课程使用HOG+SVM算法和OpenCV实现一个图片分类器，通过自己训练分类器，达到可以判断任意图片是否是猫咪的效果。 1.2 实验知识点 HOG+SVM分类器的基本原理OpenCV处理图片训练分类器，以得到适合自己项目的分类器Python文件操作 1
利用SVM进行图像目标检测和分类
沧浪之水清兮
10-12 1万+
#include #include #include #include #include #include using namespace cv; using namespace std; Mat img, image; Mat targetData, backData; bool flag = true; string wdname = "image
【图像检测】基于支持向量机SVM算法实现金属表面缺陷分类与测量matlab代码.zip
11-09
标题中的“【图像检测】基于支持向量机SVM算法实现金属表面缺陷分类与测量matlab代码”揭示了本主题的核心知识点，它涉及到以下几个关键领域： 1. **图像检测**：图像检测是计算机视觉的一个重要分支，其目标是从...
【图像检测】基于支持向量机svm实现植物叶子疾病检测和分类matlab代码.zip
11-16
【图像检测】基于支持向量机SVM实现植物叶子疾病检测和分类的MATLAB代码是一项在计算机视觉领域中常见的任务，旨在通过机器学习技术来识别和分类植物叶片上的疾病。支持向量机（Support Vector Machine，简称SVM）是...
MATLAB实现SSA-SVM麻雀算法优化支持向量机多特征分类预测（完整源码和数据）
12-26
MATLAB实现SSA-SVM麻雀算法优化支持向量机多特征分类预测（完整源码和数据） 数据为多特征分类数据，输入15个特征，分四类,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。 运行环境MATLAB2018b及...
matlab imread用法_Matlab图像处理实例----基于图像处理的工业产品尺寸检测（含代码）...
weixin_39610468的博客
12-03 693
截至2020.05.21，有累积25位乎友，找我咨询本篇博文的工作，尤其是源代码。博主团队提供工业视觉检测服务。有需要的朋友，可以直接联系380545156[at]qq[dot]com。-------------------------------------本文是在训练基于卷积神经网络模型时，开发的一个小工具。这个工具，能对圆形片状的工业品，进行尺寸检测。大概三年前，就完成了这个工作。工具应用视...
基于svm的图像分类
05-17
对高分辨率遥感影像基于光谱的svm分类aaaaaaaaaaaaaaaaaaa
【图像识别】基于支持向量机svm植物叶子疾病检测和分类
m0_57702748的博客
05-15 458
最近在学习svm算法，借此文章记录自己的学习过程，在学习很多处借鉴了z老师的讲义和李航的统计，若有不足的地方，请海涵；svm算法通俗的理解在二维上，就是找一分割线把两类分开，问题是如下图三条颜色都可以把点和星划开，但哪条线是最优的呢，这就是我们要考虑的问题； 首先我们先假设一条直线为 W•X+b =0 为最优的分割线，把两类分开如下图所示，那我们就要解决的是怎么获取这条最优直线呢?及W 和 b 的值；在SVM中最优分割面(超平面)就是：能使支持向量和超平面最小距离的最大值； 我们的目标是寻找一.
支持向量机检测DGA
Yale的博客
05-21 834
先来介绍支持向量机。 其英文全称是Support Vector Machines。支持向量机是我们用于分类的一种算法。支持向量机 (SVM) 是一个非常经典且高效的分类模型。但是，支持向量机中涉及许多复杂的数学推导，并需要比较强的凸优化基础，在参考链接中读者可以参考相关文章，学习从零推导SVM，这里仅以简单地图示帮助大家了解。 在SVM中，选择超平面以最佳地将输入变量空间中的点与它们的类（0级或1级）分开。超平面是纯粹的数学概念，不是物理概念，它是平面中的直线、空间中的平面的推广，只有当维度大于3，才称为“
Matlab对钢板表面缺陷检测：几何校正、分割、填充红色、计算面积
热门推荐
qq_41385719的博客
05-10 1万+
init=imread('D:\MyDocuments\picture analysis\lab three\41524617\1.jpg'); %读入图片 G=rgb2gray(init);%转换成灰度图 subplot(521) , imshow(init), title('原图'); subplot(522) , imshow(G), title('原灰度图'); %radon变换...
【YOLO 系列】基于YOLO V8的金属表面缺陷检测检测识别系统【python源码+Pyqt5界面+数据集+训练代码】
最新发布
牧子川的博客
05-10 2527
金属表面缺陷的及时检测对于保障产品质量和生产安全至关重要。传统的人工检测方法往往效率低下、耗时长，并容易受主观因素影响。为解决这一问题，我们提出了基于深度学习技术的金属表面缺陷检测系统。本项目的最终目标是帮助金属制造行业实现缺陷检测的自动化和智能化，提高产品质量和生产效率，降低生产成本和安全风险。
缺陷检测-金属表面缺陷检测
huneng1991的专栏
06-15 4571
1介绍 缺陷检测是工业视觉技术中最重要的组成部分。业务广泛，场景丰富，技术难点高、工作量大。针对不同的场景，选择不同的相机和
【阿旭机器学习实战】【34】使用SVM检测蘑菇是否有毒--支持向量机
阿旭的博客
02-23 923
【阿旭机器学习实战】【34】使用SVM检测蘑菇是否有毒--支持向量机
【Matlab缺陷识别】SVM金属表面缺陷分类与测量【含GUI源码 682期】
Matlab研究室
11-13 490
一、代码运行视频（哔哩哔哩） 【Matlab缺陷识别】SVM金属表面缺陷分类与测量【含GUI源码 682期】 二、matlab版本及参考文献 1 matlab版本 2014a 2 参考文献 [1] 蔡利梅.MATLAB图像处理——理论、算法与实例分析[M].清华大学出版社，2020. [2]杨丹,赵海滨,龙哲.MATLAB图像处理实例详解[M].清华大学出版社，2013. [3]周品.MATLAB图像处理与图形用户界面设计[M].清华大学出版社，2013. [4]刘成龙.精通MATLAB图像处理[M].清华
图像处理零件尺寸测量matlab,题目基于数字图像处理技术的零件几何尺寸测量.doc...
weixin_36237054的博客
04-13 1675
题目基于数字图像处理技术的零件几何尺寸测量.doc题目： 基于数字图像处理技术的零件几何尺寸测量院(系) 　　　信息科学与工程学院专 业 　　　 电子信息工程届 别 　　　 2012届学 号 　　　 0815241054姓 名 　　　 杨雅星指导老师 张莹雪 讲师华侨大学教务处印制2012年4月目 录摘 ...
【缺陷检测】基于计算机视觉实现物品表面缺陷检测系统含Matlab源码
qq_59747472的博客
05-01 784
1 简介 为了不断提高产品质量和生产效率,金属工件表面缺陷在线自动检测技术在生产过程中显得日益重要。本论文针对金属工件表面的多种缺陷,设计了一套能够实现对金属工件表面缺陷进行实时在线、无损伤的自动检测系统。​ 2 部分代码 function varargout = System(varargin)​% SYSTEM MATLAB code for System.fig% SYSTEM, by itself, creates a new SYSTEM or raises the existi
金属表面缺陷检测：基于SVM算法的MATLAB实现
"该资源提供了基于支持向量机(SVM)算法的金属表面缺陷检测MATLAB源代码，用于金属表面缺陷的识别和分类。" 在金属制造业中，确保产品的质量至关重要，尤其是金属板的表面缺陷检测。这些缺陷可能影响金属的性能，...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Matlab科研辅导帮

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值