一種基于概率極限學習機集成的泡沫鎳表面缺陷分類方法與流程

技術特征：

1.一種基于概率極限學習機集成的泡沫鎳表面缺陷分類方法，其特征在于，包括如下步驟：

步驟1：獲取各種泡沫鎳表面缺陷圖像，包括污染、折痕、裂紋、漏鍍、刮傷這五種常見缺陷圖像；

步驟2：分別提取泡沫鎳圖像的紋理特征，包括能量、熵、對比度和逆差矩，作為極限學習機多分類器的輸入樣本x；

步驟3：構建概率極限學習機集成策略；

步驟4：以樣本x為輸入，采用概率極限學習機集成策略構建泡沫鎳缺陷分類模型，實時對多泡沫鎳缺陷進行分類。

2.根據權利要求1所述的基于概率極限學習機集成的泡沫鎳表面缺陷分類方法，其特征在于，步驟2具體為：

（1）計算泡沫鎳圖像的灰度共生矩陣，

(1)

式中L是圖像的灰度級數，文中取值為256，為兩像素順時針與x軸的夾角，其取值通常為0^o、45^o、90^o和135^o，通常，表示2個像素之間的距離為1；

（2）利用灰度共生矩陣計算能量、熵、對比度和逆差矩這些紋理特征，其中能量E為：

(2)；

熵S為

(3)；

對比度I為

(4)；

逆差矩D為

（5）。

3.根據權利要求1所述的一種基于概率極限學習機集成的泡沫鎳表面缺陷分類方法，其特征在于，步驟3具體為：

（1）定義極限學習機的概率形式為：

（6），

其中x為輸入樣本，M為缺陷類別數，f(x)為決策方程，上式歸一化得到輸入樣本x屬于類別m的概率，即

（7）

（2）對于輸入樣本x，當采用J組分類器進行M種缺陷判決時，計算其屬于某類缺陷m的概率輸出值，并計算每一組分類器的概率輸出最大值，具體操作是：對于樣本x，計算第n組極限學習機分類器判決樣本x屬于第m類缺陷的概率輸出值：

（8）；

然后根據這些結果判斷第n組極限學習機分類器所有缺陷概率輸出的最大值：

（9）；

（3）計算每一組分類器概率輸出權值：

（10）；

（4）獲得每一組概率輸出權值后，將每組分類器中每種缺陷的概率輸出進行加權集成，加權集成后結果最大的缺陷類別作為結果輸出，算法為：

（11）。

4.根據權利要求1所述的基于概率極限學習機集成的泡沫鎳表面缺陷分類方法，其特征在于，步驟4具體為：

（1）以提取的紋理特征能量、對比度、逆差矩和熵為模型輸入，利用4個ELM分類器分別進行樣本的訓練和測試，根據公式（6）分別獲得5種缺陷類別的概率P₁, P_2, P_3, P_4, P₅；

（2）采用公式（10）-（11）進行概率P₁, P_2, P_3, P_4, P₅的集成，獲得集成后的概率輸出值，較大者為當前判斷類型。