AdaBoost Learning for Fabric Defect Detection Based on HOG and SVM¶
Abstract:¶
- 一个基于HOG和SVM的布料缺陷识别器被提出,其每一个基于模块的图像特征被编译成为HOG柱状图,这样可以对变化的光强和噪声不敏感。此外,运用A算法来自动选择一组有区别的HOG特征从而实现鲁棒的识别结果。最后运用SVM算法来分类布料之别。
Intruduction:¶
- 对于布料缺陷的检查在质量控制环节中占据着非常重要的地位。仅仅通过人工检查不能达到非常理想的检查效果,因此提出用智能机器检查。
- 当前的布料缺陷识别主要通过三种方法,基于模型的,基于数据的和基于光谱的。
- 基于模型的算法中,材料模型通过随机方式呈现,材料图片可以被认为是由模型产生的样本。之后缺陷识别成为一个假设来测试模块数据信息中的问题。
- 基于数据的识别算法则是将不了图像分解成一块一块的图像模块,每个模块的数据不相同。在识别过程中,平坦的图像模块都是好的额,那些不同的模块则会被认为是缺陷。
- 基于光谱的识别算法是基于低级数据不能识别微小灰度值变化。
提出的算法:¶
- 用一维向量计算,通过计算像素的灰度值,之后计算斜率幅度和直接角
- 第二步 HOG feature calculation
- 将采样图片分割成M个模块,每个模块中,样本像素的斜率直接角将会加权投票进入N个BIN的直方图中,这些BIN平均分布在0-360度的空间内,所以每个样本图像将会被提取出M*N个特征向量。
- 第三步 Adaboost learning for feature selection
- 这一步的作用是从M*N个向量中提取出更有效的向量,通过归一化,加权等步骤,选择其中更典型,更有区分度的向量作为特征向量进行下一步的SVM分级处理。
- 第四步 support vector machine
1.jpg View
(103 KB)
潘 宇腾, 03/11/2012 01:24 PM
2.jpg View
(44.3 KB)
潘 宇腾, 03/11/2012 01:24 PM