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：¶

• 第一步 gradient computation

• 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

• 上图是提取步骤