一种仪表检测中基于支持向量机的仪表指针抖动的识别方法

摘要

一种仪表检测中基于支持向量机的仪表指针抖动的识别方法，本发明涉及向量机的仪表指针抖动的识别方法。本发明是要解决仪表的准确程度下降，仪表自身抖动给工业带来误差、控制变量的施加时间长以及大小的不准确，现有方式对于不准确性以及识别精确度不足的问题，而提出的一种仪表检测中基于支持向量机的仪表指针抖动的识别方法。该方法是通过1、区分为各个仪表子类；2、获得训练样本；3、对于训练样本进行预处理；4、获得特征空间；5、生成训练模型；6、得到最优的SVM训练模型；7、识别并分割测试图像；8、判定仪表指针是否发生抖动等步骤实现的。本发明应用于仪表指针抖动领域。

说明书

技术领域

本发明涉及一种仪表检测中基于支持向量机的仪表指针抖动的识别方法。

背景技术

在工业生产过程之中，仪表的使用随处可见，仪表主要是用来对于工业的各项参数 进行检测、显示、记录或控制。仪表是用来对于工业生产过程进行控制的必备仪器以及基 本手段，只有时刻了解整个过程的运行情况，并加以相应的控制才能保证生产的安全、顺 利，并达到相应的目标。但是在实际工业生产中，仪表的准确程度总是随着使用时间的增 长而下降，并且仪表自身缺陷所导致的指针的不断抖动是时有发生的情况。仪表指针抖动 带来的误差对于一个严格的工业过程来说影响是很大的，参数的不准确导致控制变量的施 加时间以及大小的不准确，由此给整个生产过程效率，产量等各方面造成了很大的影响。 特别是对于一些精密的生产技术特别是在军工、航天等领域来说，仪表指针的抖动情况很 多情况下通过肉眼是无法辨别的，由此带来的隐患更应该引起人们的关注。

通过人眼对于仪表指针抖动情况进行识别的的方式不仅具有很高的不准确性，而且 增加了人工成本。而本方法把数字图像处理和机器学习的支持向量机两种技术相结合，利 用两者优势对于仪表指针的抖动情况能够更好的识别。

通过人工和现有的方式对于仪表指针抖动进行识别精确度不足，容易忽视一些细微的 抖动，对于军工、航天、武器制造等领域来说都可能会是致命的错误。

发明内容

本发明的目的是为了解决在工业实际生产中，仪表的准确程度总是随着使用时间的增 长而下降，仪表自身缺陷所导致的指针的不断抖动给工业过程带来误差，通过人工和现有 方式对于仪表指针抖动情况进行识别的的方式具有很高的不准确性以及识别精确度不足， 而提出了一种仪表检测中基于支持向量机的仪表指针抖动的识别方法。

上述的发明目的是通过以下技术方案实现的：

步骤一、将检测的仪表种类区分为各个仪表子类；

步骤二、对于各个仪表子类在进行检测前，获得正常情况下仪表表盘的清晰图片作为 训练样本；

步骤三、将训练样本进行预处理；其中，所述预处理是指对于训练样本图像进行缩放、 利用噪声抑制滤波器进行去噪处理；常见的噪声有椒盐噪声和高斯噪声；如果是灰度图像， 则对于灰度图像进行二值化；

步骤四、对于预处理之后的图像进行特征提取，以获得图像的各个特征值构成的特征 空间；其中，提取的图像特征包括指针的颜色特征、灰度特征、轮廓特征和位置特征并进 行提取；

步骤五、根据步骤四所获得的图像的特征空间利用SVM分类器进行训练，生成训练 集的SVM训练模型；

步骤六、利用改进的网格搜索法选择惩罚参数C和RBF核参数中参数r的最优参数 组合，根据这组最优参数得到最优的SVM训练模型；

步骤七、利用生成的训练集最优SVM训练模型对测试图像进行识别并进行分割；

步骤八、对于分割后的测试图像判定仪表指针是否发生抖动；即完成了一种仪表检测 中基于支持向量机的仪表指针抖动的识别方法。

发明效果

对于不同的生产环境来说，比如：灯光，空气，生产噪声等。现有的检测方式不能 很好地适应，会影响对于仪表指针抖动情况的检测。SVM(Support Vector Machine，支持 向量机)是20世纪80年代初由Vapnik等提出的基于统计学习理论的样本学习方法，其具 有出色的学习性能，在少量样本的情况下就可以达到很高的检测率，它基于结构风险最小 化原则，引入核函数的概念并且由此来实现由低维到高维空间的非线性映射，使得低维不 可分的样本映射到高维并能够线性可分，支持向量机成功地解决了“维数灾难”问题，具有 很好的推广能力；本发明具有以下几方面优点：

1、提高了识别率，对于数字图像处理和机器学习的支持向量机相结合，利用两者优 势对于仪表指针的抖动情况能够更好的识别。

2、提高了实时性，两种方法的结合对于图像的识别耗时很短，能够提高检测的速度， 节省检测者在单个仪表上的耗时。

3、提高了适应性。

4、提高了准确率，能够有效地检测出指针的抖动情况，可以反馈抖动的幅度大小， 能够使操作人员更好地了解指针的抖动误差。如图2所示可以从图片中利用SVM方法提 取出几个苹果的图像；同理可以从表盘中提取出指针的振动图像。因此本方法可以通过对 于获得样本的处理发现细小的偏差。

附图说明

图1是具体实施方式一提出的一种仪表检测中基于支持向量机的仪表指针抖动的识 别方法流程图；

图2是具体实施方式一提出的利用SVM方法识别图像示意图；

图3是具体实施方式六提出的分割后指针测试图像边缘上的点距离分割后指针测试 图像中心线的长度示意图。

具体实施方式

具体实施方式一：本实施方式的一种仪表检测中基于支持向量机的仪表指针抖动的识 别方法，具体是按照以下步骤制备的：

步骤一、将检测的仪表种类区分为各个仪表子类；

步骤二、对于各个仪表子类在进行检测前，获得正常情况下仪表表盘的清晰图片作为 训练样本；

步骤三、将训练样本进行预处理；其中，所述预处理是指对于训练样本图像进行缩放、 利用噪声抑制滤波器进行去噪处理；如果是灰度图像，则对于灰度图像进行二值化；常见 的噪声有椒盐噪声和高斯噪声，椒盐噪声的特征是出现位置是随机的，但噪声的幅值是基 本相同的；高斯噪声的特征是出现在位置是一定的，但噪声的幅值是随机的；设计噪声抑 制滤波器，在尽可能保持原图信息的基础上来抑制噪声，常见的去噪方式有空间域滤波和 变换域滤波；

步骤四、对于预处理之后的图像进行特征提取并对于提取的图像特征进行处理，以获 得图像的各个特征值构成的特征空间；其中，提取的图像特征包括指针的颜色特征、灰度 特征、轮廓特征和位置特征并进行提取；灰度特征对灰度图像来说，提取指针灰度图像的 灰度值；颜色特征是对于彩色图像，获得指针图像像素点的RGB((R)红色通道、(G) 绿色通道、(B)蓝色通道)三种颜色通道所对应的强度值；轮廓特征是通过opencv中函数 提取出指针轮廓，可以确定指针顶点的位置和指针的宽度；位置特征是获得图像的像素点 的类别标签，也就是判断各个像素点是否满足表盘刻度圆弧所确定的圆心到指针顶点所确 定的直线的连线上或相应的阈值(即指针宽度一半)内，像素点处于指针上类别标签为1， 不满足的点值为-1；opencv为基于(开源)发行的跨平台计算机视觉库；

步骤五、根据步骤四所获得的图像的特征空间利用SVM分类器进行训练，生成训练 集的SVM训练模型；

步骤六、利用改进的网格搜索法选择惩罚参数C和RBF核参数中参数r的最优参数 组合，使得SVM训练模型的预测准确率达到最高，从而根据这组最优参数得到最优的 SVM训练模型；

步骤七、对于待检测的测试图像进行预处理和特征提取后，利用生成的训练集最优 SVM训练模型对测试图像进行识别并进行分割；其中，所述测试图像预处理应与训练样 本的处理方式相同，特征提取只需提取颜色或灰度特征即可；

步骤八、对于分割后的测试图像判定仪表指针是否发生抖动，如图1即完成了一种仪 表检测中基于支持向量机的仪表指针抖动的识别方法。

具体实施方式二：本实施方式与具体实施方式一不同的是：步骤四中对于预处理之后 的图像进行特征提取，以获得图像的各个特征值构成的特征空间的过程为：

(1)提取的颜色、灰度、轮廓和位置特征值，提取轮廓特征来确定指针顶点的位置和 指针的宽度；

(2)将提取的特征值构成的特征空间在Matlab中进行归一化处理；归一化能够使得后 续数据处理方便，并且使得程序运行时收敛加快，防止奇异样本数据的存在所引起的网络 训练时间增加和可能引起的网络无法收敛；归一化后的特征空间即为训练模型。其它步骤 及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：步骤五中根据步骤四 所获得的图像特征空间利用SVM分类器进行训练，生成训练集的SVM训练模型具体过 程为：

(1)SVM模型通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信 范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的；利 用训练数据集对SVM模型进行训练的目标是确定一个分界线对训练数据集中的标签为 -1和标签为1的两类训练样本完全分开，从而区分图像中的像素点是不是位于仪表指针 之中；分界线针对不同的维数来说具有不同的形式，其中，在高维空间时分界线为超平面；

对于给定训练样本进行分类的超平面的公式为：

确定最优超平面需要满足：

$\mathrm{subjectto}\left(\begin{array}{c}{y}_j(w^T{x}_j+b)\ge 1-{\xi }_j\\ {\xi }_j\ge 0\end{array}\right)j=1,...,M$

M是输入训练样本的数量，ξ_j是松弛因子，w是权重向量，b是一个常数，惩罚参数 C；

通过拉格朗日方法可以解上述问题；

得到最终判别类别标签的函数公式：

y_i是第i个支持向量所对应的类别标签，α_i是第i个支持向量所对应的拉格朗日乘子， x_i为第i个支持向量，x_j是第j个输入训练样本，K为核函数；

(2)很多情况下训练样本可能存在线性不可分的情况，而利用SVM将特征空间从低维 空间映射到高维空间后，训练样本可能线性可分；核函数的基本作用就是接受两个低维空 间里的向量，从而计算出经过某个变换后在高维空间里的向量内积值；

此SVM模型选择径向基RBF核函数，K(x_i,x_j)＝exp(-r||x_i-x_j||²)，

其中，x_i是第i个支持向量,x_j是第j个输入训练样本。其它步骤及参数与具体实施方 式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：步骤六中利用改 进的网格搜索法选择惩罚参数C和RBF核参数中参数r的最优参数组合，根据这组最优 参数得到最优的SVM训练模型过程为：

(1)利用改进的网格搜索算法对确定最优超平面的惩罚参数C和SVM模型径向基 RBF核函数的核参数r进行选择；其中，初试网格搜索的范围为2^(-10)～2^(10)；改 进的网格搜索算法为先给SVM模型的惩罚参数C和核参数r赋予一个比较大的参数范 围，比如设置C和r的最大最小值分别为-10和10，故搜索的范围是2^(-10)到2^10；使 惩罚参数C和核参数r按这个范围来进行初始搜索，依据所设定好的初试搜索范围设定C 和r的步进h为0.1；

(2)根据选定的惩罚参数C和核参数r进行初始搜索范围，从起始点2^(-10)，2^(10) 处开始以h为指数幂的步进遍历所设定的范围2^(-10)～2^(10)中的每一个网格点， 以训练数据集为训练样本，按照交叉验证的方法计算训练样本预测准确率，根据不同情况 下把训练集分为不同的几部分进行交叉验证；

(3)根据惩罚参数和核参数的不断变化计算得到对应的不同的预测准确率，使得最后 获得的参数组合(C、r)能够在这个范围2^(-10)～2^(10)内确定预测验证分类准确 率达到最大值的惩罚参数C和核参数r，若出现不同的像素点同时达到准确率最大值，取 C小的那个点为最终的寻优点，因为过高的C会导致过学习状态发生，即训练集分类准 确率很高而测试集分类准确率很低也即分类器的泛化能力降低，所以在达到最高验证分类 准确率中的成对的C和r中较小的惩罚参数C确定为(更佳的)选择对象；

(4)根据(3)获得的选择对象再次构建二维网格，进一步确定更为精细的初始网格搜 索范围；比如：上一步中得到C和r分别为0.5和1，可以设置C最大最小值为2^(-6)和 2^(6)；r的最大最小值分别为2^(-6)和2^(6)，新的步进距离为0.05，由此构成一个新的二 维网格；针对这个新的网格再次对惩罚参数和核参数的值进行寻优，以图像训练数据集为 训练样本，对应新的网格结构，以图像训练数据集为训练样本，再次按照交叉验证的方法 计算训练样本预测准确率，直至确定使得预测准确率最高的那组参数组合即最终获得准确 率最高的惩罚参数C和核参数r组合，从而确定最优的惩罚参数C和核参数r组合对应 的训练模型即最优SVM训练模型。其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：步骤七中利用生 成的训练集最优SVM训练模型对测试图像进行识别并进行分割的的过程为：

(1)对于测试图像的不同点的类别标签进行预测，根据训练模型判定测试图像中图像 像素点的类别标签，即判定图像像素点所属的类别；

(2)对于类别标签与训练样本中与仪表指针类别标签一致的像素点进行保留，标签不 一致的像素点进行删除。其它步骤及参数与具体实施方式一至四之一相同。

具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：步骤八中对于分 割后的测试图像判定仪表指针是否发生抖动方法为：

(1)对于根据最后获得分割后指针测试图像的宽度或者分割后指针测试图像边缘上的 点距离分割后指针测试图像中心线的长度如图3，判定仪表指针是否发生抖动；

(2)若分割后指针宽度大于初试情况下得到的正常指针的宽度或者分割后指针测试图 像边缘上的点距离针分割后测试图像中心线的长度大于正常指针宽度的一半就说明出现 抖动。其它步骤及参数与具体实施方式一至五之一相同。

采用以下实施例验证本发明的有益效果：

实施例一：

本实施例一种仪表检测中基于支持向量机的仪表指针抖动的识别方法，具体是按照以 下步骤制备的：

步骤一、将检测的仪表种类区分为各个仪表子类；

步骤二、对于各个仪表子类在进行检测前，获得正常情况下仪表表盘的清晰图片作为 训练样本；

步骤三、对于训练样本进行预处理；其中，所述预处理是指对于训练样本图像进行缩 放、利用噪声抑制滤波器进行去噪处理；如果是灰度图像，则对于灰度图像进行二值化； 常见的噪声有椒盐噪声和高斯噪声，椒盐噪声的特征是出现位置是随机的，但噪声的幅值 是基本相同的；高斯噪声的特征是出现在位置是一定的，但噪声的幅值是随机的；设计噪 声抑制滤波器，在尽可能保持原图信息的基础上来抑制噪声，常见的去噪方式有空间域滤 波和变换域滤波；

步骤四、对于预处理之后的图像进行特征提取并对于提取的图像特征进行处理，以获 得图像的各个特征值构成的特征空间；其中，提取的图像特征包括指针的颜色特征、灰度 特征、轮廓特征和位置特征并进行提取；灰度特征对灰度图像来说，提取指针灰度图像的 灰度值；颜色特征是对于彩色图像，获得指针图像像素点的RGB((R)红色通道、(G) 绿色通道、(B)蓝色通道)三种颜色通道所对应的强度值；轮廓特征是通过opencv中函数 提取出指针轮廓，可以确定指针顶点的位置和指针的宽度；位置特征是获得图像的像素点 的类别标签，也就是判断各个像素点是否满足表盘刻度圆弧所确定的圆心到指针顶点所确 定的直线的连线上或相应的阈值(即指针宽度一半)内，像素点处于指针上类别标签为1， 不满足的点值为-1；opencv为基于(开源)发行的跨平台计算机视觉库；

(1)提取的颜色、灰度和位置特征值构成特征空间，提取轮廓特征来确定指针顶点的 位置和指针的宽度；

(2)将提取的特征值构成的特征空间在Matlab中进行归一化处理；归一化能够使得后 续数据处理方便，并且使得程序运行时收敛加快，防止奇异样本数据的存在所引起的网络 训练时间增加和可能引起的网络无法收敛；其中，Matlab中归一化通过premnmx、 postmnmx、tramnmx函数进行归一到[－11]，通过prestd、poststd、trastd归一到单位方差 和零均值，mapminmax把训练样本矩阵的每一行归一到[-11]；归一化后的特征空间即为 训练模型；

步骤五、根据步骤四所获得的图像的特征空间利用SVM分类器进行训练，生成训练 集的SVM训练模型；

(1)SVM模型通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信 范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的；利 用训练数据集对SVM模型进行训练的目标是确定一个分界线对训练数据集中的标签为 -1和标签为1的两类训练样本完全分开，从而区分图像中的像素点是不是位于仪表指针 之中；分界线针对不同的维数来说具有不同的形式，其中，在高维空间时分界线为超平面；

对于给定训练样本进行分类的超平面的公式为：

确定最优超平面需要满足：

$\mathrm{subjectto}\left(\begin{array}{c}{y}_j(w^T{x}_j+b)\ge 1-{\xi }_j\\ {\xi }_j\ge 0\end{array}\right)j=1,...,M$

M是输入训练样本的数量，ξ_j是松弛因子，w是权重向量，b是一个常数，惩罚参数 C；

通过拉格朗日方法可以解上述问题；

得到最终判别类别标签的函数公式：

y_i是第i个支持向量所对应的类别标签，α_i是第i个支持向量所对应的拉格朗日乘子， x_i为第i个支持向量，x_j是第j个输入训练样本，K为核函数；

(2)很多情况下样本可能存在线性不可分的情况，而利用SVM将特征空间从低维空间 映射到高维空间后，训练样本线性可分；核函数的基本作用就是接受两个低维空间里的向 量，从而计算出经过某个变换后在高维空间里的向量内积值；

此SVM模型选择径向基RBF核函数，K(x_i,x_j)＝exp(-r||x_i-x_j||²)，

其中，x_i是第i个支持向量,x_j是第j个输入训练样本；

步骤六、利用改进的网格搜索法选择惩罚参数C和RBF核参数中参数r的最优参数 组合，使得SVM训练模型的预测准确率达到最高，从而根据这组参数得到最优的SVM 训练模型；(1)利用改进的网格搜索算法对确定最优超平面的惩罚参数C和SVM模型径 向基RBF核函数的核参数r进行选择；其中，初试网格搜索的范围为2^(-10)～2^(10)； 改进的网格搜索算法为先给SVM模型的惩罚参数C和核参数r赋予一个比较大的参数 范围，比如设置C和r的最大最小值分别为-10和10，故搜索的范围是2^(-10)到2^10； 使惩罚参数C和核参数r按这个范围来进行初始搜索，依据所设定好的初试搜索范围设 定C和r的步进h为1；

(2)根据选定的惩罚参数C和核参数r进行初始搜索范围，从起始点2^(-10),2^(10)处 开始以h为指数幂的步进遍历所设定的范围2^(-10)～2^(10)中的每一个网格点，以 训练数据集为训练样本，按照交叉验证的方法计算训练样本预测准确率，根据不同情况下 把训练集分为不同的几部分进行交叉验证；

(3)根据惩罚参数和核参数的不断变化计算得到对应的不同的预测准确率，使得最后 获得的参数组合(C、r)能够在这个范围2^(-10)～2^(10)内确定预测验证分类准确 率达到最大值的惩罚参数C和核参数r，若出现不同的像素点同时达到准确率最大值，取 C小的那个点为最终的寻优点，因为过高的C会导致过学习状态发生，即训练集分类准 确率很高而测试集分类准确率很低也即分类器的泛化能力降低，所以在达到最高验证分类 准确率中的成对的C和r中较小的惩罚参数C确定为(更佳的)选择对象；设置两个参 数的变化范围2^(-10)～2^(10)，指数幂的变化步长均为0.1，得到最佳参数组合 (22.6274,0.0625)，准确率为85％；

(4)根据(3)获得的参数组合的值再次构建二维网格，进一步确定更为精细的初始网 格搜索范围，设置参数C的变化范围2^(0)～2^(6)，设置参数r的变化范围2^(-6)～ 2^(0)，指数幂的变化步长均为0.05，由此构成一个新的二维网格，以图像训练数据集为 训练样本，再次按照交叉验证的方法计算训练样本对应二维网格点的惩罚参数C和核参 数r的预测准确率，直至确定预测准确率最高的那组选择对象即最终获得二维网格中预测 准确率最高的惩罚参数C和核参数r组合，得到最佳参数组合(20.3929,0.0647)，从而确 定惩罚参数C和核参数r组合对应的训练模型即最优SVM训练模型，准确率为 90.5021％；

步骤七、对于待检测的测试图像进行预处理和特征提取后，利用生成的训练集最优 SVM训练模型对测试图像进行识别并进行分割；其中，所述测试图像预处理应与训练样 本的处理方式相同，特征提取只需提取颜色或灰度特征即可；

(1)对于测试图像的不同点的类别标签进行预测，根据训练模型判定测试图像中图像 像素点的类别标签，即判定图像像素点所属的类别；

(2)对于类别标签与训练样本中与仪表指针类别标签一致的像素点进行保留，标签不 一致的像素点进行删除；

步骤八、对于分割后的测试图像判定仪表指针是否发生抖动；

(1)对于根据最后获得分割后指针测试图像的宽度或者分割后指针测试图像边缘上的 点距离分割后指针测试图像中心线的长度如图3，判定仪表指针是否发生抖动；

(2)若分割后指针宽度大于初试情况下得到的正常指针的宽度或者分割后指针测试图 像边缘上的点距离针分割后测试图像中心线的长度大于正常指针宽度的一半就说明出现 抖动。

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术 人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发 明所附的权利要求的保护范围。