基于HSV%28色相-饱和度-明度%29与形状特征的涂层锈点图像识别.pdf

ireRuAug.2023CHINASURFACEENGINEERING2023年8 月No.4Vol.36面表中国第36 卷第4期程doi:10.11933/j.issn.1007-9289.20221008001基于HSV（色相-饱和度-明度）与形状特征的涂层锈点图像识别*刘佳1 月唐翌磊，林冰王丹1.2郑宏鹏王莹莹3李平4钵钟文胜（1.西南石油大学化学化工学院成都610500;2.常熟理工学院电气与自动化工程学院常熟215500;3.江汉大学光电化学材料与器件（教育部）重点实验室武汉430021;4.西南石油大学计算机科学学院成都610500;5.四川航启科技发展有限公司彭州611900)摘要：图像识别技术广泛应用于涂层领域，图像特征的选择是提升识别率的重要因素，而形状特征在涂层锈点的图像识别中未见报道。基于涂层锈点的颜色和形状特征，结合机器学习对其进行图像识别。通过采集3种常见自然光照强度下的9 0 张涂层锈点图像，使用同态滤波对图像进行预处理，利用HSV（色相-饱和度-明度）颜色空间来区分锈点与无锈点区域。然后提取锈点的8 种形状特征对锈点区域进一步细化，用Pearson相关系数对形状特征进行筛选，将颜色特征、单一形状特征、8种组合形状特征、筛选后的组合形状特征、颜色特征与筛选后组合形状特征的融合特征分别作为参量输入Linear核函数、RBF核函数、Polynomial核函数和Sigmoid核函数4种核函数的支持向量机（SVM）对锈点进行识别。研究结果表明：联合SVM与颜色、形状特征参量构建的图像识别算法能较准确地识别涂层锈点，其中基于颜色特征与筛选后形状特征的融合特征的准确识别率最高可达9 3.33%。形状特征可作为另一种特征信息来提高锈点图像识别的精确度，可为涂层锈点的图像识别技术研究提供参考依据。关键词：涂层；锈点；形状特征；支持向量机；图像处理；机器学习中图分类号：TG156；T B1 1 4st Spot Image Recognition of Coatings Based on HSV and Shape FeatuLIU Jia 1LIN Bing1,2TANG Junlei 11WANG DanZHENG HongpengWANG YingyingLI Ping4ZHONG Wensheng35(1.School of Chemistry and Chemical Engineering,Southwest Petroleum University,Chengdu 610500,China;2.School of Electrical and Automation Engineering,Changshu Institute of Technology,Changshu 215500,China;3.Key Laboratory of Optoelectronic Chemical Materials and Devices(Ministry of Education),Jianghan University,Wuhan 430021,China;4.School of Computer Science,Southwest Petroleum University,Chengdu 610500,China;5.Sichuan Hangqi Technology Development Co,Ltd.,Pengzhou 611900,China)Abstract:Image recognition technology is used extensively in various industrial fields,and rust spots are a form of commonlyoccurring damage to coatings in service.Further,the quality inspection of coating surfaces relies primarily on manual work,which islimited by its subjectivity.Therefore,based on machine learning and image processing technology,a recognition method for coating*四川省重大科技专项（2 0 2 1 ZDZX0002）、四川省科技计划（2 0 2 1 YFSY0055）和辽宁省2 0 2 1 年博士科研基金（2 0 2 1-BS-058）资助项目。Fund:Supported by Major Science and Technology Projects in Sichuan Province(2021ZDZX0002),Sichuan Science and Technology Project(2021YFSY0055),and Liaoning Provincial Doctoral Research Foundation in 2021(2021-BS-058).20221008收到初稿，2 0 2 30 1 30 收到修改稿面218中表程国2023年rust spots is proposed that includes a complete set of recognition systems for rust spots from image acquisition,homomorphic filteringpreprocessing,feature extraction and screening,and support vector machine(SVM)judgment recognition.Because the coating agingfailure is usually detected outdoors,90 images of coating rust spots under three common natural light intensities,namely sunny dayswith smooth light,sunny days with backlight,and cloudy days,were collected in this study.Among them,60 were randomly selectedas the test set and the remaining 30 were used as the training set.First,the images were pre-processed using homomorphic filtering toreduce the effect of illumination on the image quality and to facilitate accurate feature extraction.Subsequently,the hue,saturationand value(HSV)color space was used to distinguish the rusted and not-rusted areas which were identified by controlling the value ofthe H component.Additionally,the eight shape features of the rusted areas were extracted to further refine the rusted areas:rustedarea(S),rusted perimeter(L),rusted area(L),rusted area(L),and rusted area(L).These eight shape features were the rust spot area(S),perimeter(L),minimum external rectangle and minimum external ellipse(S),roundness(fi),complexity(f2),elongation(f3),compactness(f4),and area concavity ratio(fs).As the number of images in this paper was small and the number of feature parameterswas large,it was easy to produce overfitting,thus,the shape features were filtered using the Pearson correlation coefficient,and thearea(S),perimeter(L),complexity(f2),and area-concave ratio(fs).Finally,the color features,single shape features,eight combinedshape features,screened combined shape features,and fused features of color features and screened combined shape features wereinput as parameters into the linear kernel function,radials basis function,polynomial kernel function,and sigmoid kernel function,respectively.An SVM with these four kernel functions was used to identify the rusty points.The results showed that the correctrecognition rate of rust spots by the SVM based on single-shape features was lower than that based on combined shape features,indicating that the single-shape features cannot accurately describe the rust spots.The correct recognition rate of the four kernelfunctions based on the four screened shape features was higher than that of the eight unscreened shape features,indicating that thescreening of shape features using Pearsons correlation coefficient was effective.The correct recognition rate of the fusion featuresbased on the color features and screened shape features was further improved,and its average correct recognition rate was 89%,among which the SVM recognition of the Linear kernel function was the greatest,and the correct recognition rate reached 93.33%,indicating that the algorithm based on the fusion features could significantly reduce the respective interference factors of the color andshape in the case of the small samples.The SVM can be developed into a classifier that can be used to identify the rust spots on thecoating surface.The shape features of the rust spots can provide other feature information to improve the accuracy of imagerecognition.Further,the machine learning algorithm of the color and shape fusion features is effective and can identify rust spotsquickly and accurately compared with the traditional color-based algorithm.Keywords:coating;rust spot;shape characteristics;support vector machine;image processing;machine learning0前言涂料涂装作为一种有效的材料保护技术，已广泛应用于各个行业。涂层在服役过程中受到物理或化学因素的破坏，会导致涂层的外观会发现一些变化，如起泡、锈点、变色、龟裂等。其中，锈点是影响涂层质量和使用寿命的主要因素之一。目前，涂层表面的质量检测主要依靠于人工 2，而人工对涂层表面的锈点检测又受限于其主观性，很难客观地量化锈点的特征。因此，研究快速准确识别涂层锈点的技术手段，有利于及时科学防治，从而提高涂层的使用寿命。表面腐蚀可以通过传统的无损检测（NDT）技术进行检测和评估，如超声检测 3、磁粉探伤 4、红外 5 和涡流检测 9 等。这些方法检测周期较长且专业性强。近年来，数字图像处理技术广泛应用于生物医学、航空航天技术和地球科学等各个领域。在腐蚀领域，腐蚀损伤的形式和特点可以通过腐蚀图像来表示，以评估腐蚀类型和分析腐蚀程度，并成为研究腐蚀规律的重要基础。通过建立合适的分割准则和识别模型就能够实现对腐蚀区域的定量描述，对腐蚀的检测问题可以转化为计算机视觉问题。传统的一般方法是对腐蚀图像采用小波变换 7-，提取各子图像中的能量、焰值1 0，并以此来检测图像中的腐蚀区域；有学者利用锈蚀区域和未锈蚀区域的颜色差异 7.1 0，对图像进行分割；也有学者认为，腐蚀的加剧，金属表面粗糙度 9.1 1 也随之发生变化，反映在腐蚀图像中，腐蚀边缘处像素的灰度值与其他处的灰度值不同 1 2-1 3，并以此区分腐蚀和非腐蚀部位；更进一步，有学者提出用无损评估（NDE）9.1 41 分析腐蚀表面的纹理变化 1-1 2 ，再结合自组织特征映射219第4期佳，等：基于HSV（色相-饱和度-明度）与形状特征的涂层锈点图像识别刘网络（SOM）【1 3 对腐蚀损伤分类，或者训练支持向量机（SVM）1 0.1 4 对腐蚀进行分类和检测，而分类的依据基于腐蚀区域的颜色特性 1 5-1 7 。O锈点是涂层服役过程中较为常见的损伤，在图像识别领域，部分学者采用基于颜色模型的方法 7.1 0 1，在各种图像条件下从背景中分割腐蚀区域，通常依赖于颜色通道包含的信息。然而，基于颜色的算法容易受到图像采集的光照条件影响，且单独的颜色不足以准确区分涂层表面的不同损伤。本文提出颜色和形状特征同时应用，并结合支持向量机的锈点图像识别方法，减少了仅使用颜色特征识别时光照和其他损伤带来的干扰信息，有助于提高锈点的识别率，且使用形状特征对锈点进行判断和识别，目前没有相关报道。本文首先提取锈点HSV颜色模型中的H通道的信息作为颜色特征的输入，HSV颜色模型是人类视觉系统的色彩感知方式之一，包括色相（H)、饱和度（S）、明度（V）【1 8 ，相对于RGB颜色模型更能准确地描述锈点的色相特点；然后提取锈点的8 种形状特征，考虑到本研究的样本数量不够充足，容易产生过拟合的风险，使用Pearson相关系数的排名筛选策略，将得到的相关性较高的4 种形状特征作为 SVM 的输入，为了证实这一策略的可靠性，也将单一的形状特征、8 种组合形状特征作为模型的输入，对比其识别率，证明筛选策略是有效的。此外，也对比了颜色和形状特征同时应用的4种不同核函数的SVM的识别率，探索更精确的机器学习方法。1图像采集及预处理1.1图像采集涂层样品取自实验室加速老化试验环境，以Q235型碳钢为基材，涂料为双组份水性快干环氧厚浆漆（6 DV，中远佐敦，青岛）【1 9 。图像采集装置如图1 所示：工业相机（MV-CA060-10GC，海康威视，杭州）有效像素2 0 0 0 万；变焦镜头（H281050-6MP，威科迈，厦门）焦距1 0 50 mm；条形光源（K M-BR D 30 0 30，威科迈，厦门）最大亮度1 40 0 0 01x。涂层老化失效检测通常在户外现场检测，因此选取3种常见天气的光照强度值进行采集，用条形光源调节亮度值，其光照强度范围见表1。本文共使用30 个不同的具有锈点的涂层样品，并对每个样品进行编号，拍摄照片时，保持相机和光源与涂层样品垂直，入射光线与拍照角度平行，拍摄照片共90张，不同光照条件下各30 张，图像大小为1 2 50X2400像素，格式为JPEG，将所有图像随机分为两组，一组包含6 0 张作为训练集，一组包含30 张作为测试集。采集的部分图像如图2 所示，对所有图像进行分类标注，将晴天顺光、晴天逆光、阴天分别用A、B、C 表示，如晴天顺光下的样品1 标注为Al。CameraLuminousLight-transmittingplateCoating图1图像采集装置Fig.1Imagecapturedevice表1三种常见天气条件下的光照强度Table1Light intensity in three commonweatherconditionsEnvironmentIllumination intensity/lxDirect sunlight100 000Sunny backlight10000Overcast50-500A1A2A3A4A5A6B1B2B3B4B5B6C1C2C3CC5C6图2采集的部分图像Fig.2Part of the image captured1.2图像预处理对采集的涂层锈点图像作预处理，不仅能使锈点与涂层背景对比更清晰，还更能准确获取涂层锈点的颜色与形状特征，从而更有效地对锈点进行识别和分类。本文采集的图像是不同光照强度下的涂层锈点图像，光线对成像的影响较大，光照分布不均匀会影响涂层表面的锈点识别和定位。因此，对原始图像使用同态滤波进行预处理。从图3可以看出，在晴天逆光和阴天的光照条件下，采用同态滤波后，整幅图像光照分布更加均匀，且锈点边缘得220面中表国程2023年到了一定程度的锐化。同态滤波的原理是通过利用图像的照度分量和反射分量使照明更均匀来加强阴影区域的细节。其数学模型为 2 0 .f(x,y)=f(x,y)f.(x,y)(1)式中，f表示涂层随空间位置不同时的光照强度分量，f代表涂层反射到人眼的反射分量。aa2b2(a)Direct sunlight(b)Sunny backlight(c)Overcast图3不同光照强度下的同态滤波图Fig.3 Homomorphic filtering under different illumination strips:(a)-(ci)original images,(a2)-(c2)after homomorphic filtering本文采用巴特沃斯滤波函数 2 1 为：(r-)H(u,v)=+(2)D1+c(D(u,v)式中，rH代表高频增益，rL代表低频增益，Do为截至频率，C为常数。进行傅里叶和指数变换，得到增强的图像g(x,y):g(x,y)=exp(h,(u,v)exp(h,(u,v)(3)1.3SVM分类器SVM支持向量机（Supportvectormachines）是由VAPNIK22提出的一种基于统计学理论的机器学习算法，多用于小样本数据的学习、分类和预测，其超平面表达式为：0p(x)+b=0(4)式中，表示超平面法向量，为映射函数，b为分类值。由于不同的核函数代表不同的SVM性能，影响对涂层锈点的识别率。本文分别采用线性核函数（Linear）、多项式核函数（Polynomical）、径向基核函数（RBF）、Si g m o i d 核函数建立的SVM对融合特征的涂层锈点进行分类识别。2涂层锈点的特征提取2.1锈点的颜色特征HSV颜色模型更侧重于色彩表示，此模型受光照影响较小，且与人眼对颜色的主观认识相对比较符合，因此选用HSV空间模型。由采集的原始图像观察可知，涂层表面的锈点及腐蚀产物多表现为红棕色、黄色、暗褐色，这些颜色多介于品红与红色、红色与黄色之间。图4显示了H通道控制不同颜色时的取值范围，对应选择H的取值范围为0 0.1 6 7、0.8831。Green(0.33)Yellow(0.167)Gyan(0.5)Red(0)Blue(0.667)Magenta(0.883)图4H通道控制不同颜色的值范围Fig.4H channel controls the value rangeof different colors2.2锈点的形状特征2.2.1形状特征提取在样本图像中，锈点的形状大多呈圆形、椭圆型及其他不规则形状，需要将人眼观察到的形状特征从图像中提取出来，并建立一组特征向量能够准确的描述锈点。如图5所示，选取锈点轮廓的周长、面积、长、宽、外切圆直径、外切矩形为基本几何特征，使用Matlab数学软件对几何特征进行计算并提取所有的形状特征参数，以下为本文所需的形状特征。（1）锈点面积（S）：涂层表面锈点区域的像素之和。（2）周长（L）：涂层锈点区域的外轮廓所有像素的中心距离之和。（3）最小外接矩形和最小外接椭圆（Sc）：能够包含锈点的最小面积的矩形和椭圆。（4）圆形度（fi)：锈点单位面积周长的大小，判断锈点接近于圆形的程度。计算公式：4元S(5)L（5）复杂度（f）：以锈点的周长、面积为尺度221刘第4期佳，等：基于HSV（色相-饱和度-明度）与形状特征的涂层锈点图像识别描述复杂度，圆的复杂度定为0 2 3。计算公式：4元SJ=1.(6)L（6）伸长度（f)：锈点外接矩形的宽与长的比值。计算公式：min(a,b)J=(7)max(a,b)式中a,b表示外接矩形的宽和长。（7）紧凑度（f4)：锈点的最小内切圆直径d与长轴b之比。计算公式：df.=(8)（8）面积凹凸比（fs）：锈点面积与最小外接矩形和最小外接椭圆面积的比值定义为凹凸性。计算公式：S(9)S.(a)Perimeter(b)Area(c)Length(e)Diameterof(f)Minimum(d)Widththe smallestcircumseribedcircumseribedcirclerectangle图5形状特征示意图Fig.5Sketchmap of shapefeature2.2.2形状特征的筛选在提取大量涂层锈点图像形状特征参数后，由于图像样本数据之间存在相关性，且本文图像数量相对较少，特征数量较多，易产生过拟合的风险，在后续识别中会导致识别精度降低。因此，本文通过计算形状特征的皮尔逊相关系数p进行特征筛选，去除与目标值相关度较低的特征量，缩短训练时间，提高识别精度。皮尔逊相关系数法是可以描述变量之间关系密切程度的一种统计学方法 2 4，其计算公式如下：2(X,-X)(X-Y)i=1P(10)2(X,-x)2(y-Y)=11式中，n为样本数量，X为样本的特征值，又为平均特征值，为Y的平均值，Y为涂层锈点程度25，根据GB/T17662008，涂层锈点等级评定体系基于表面的锈点数量来确定，见表2。p值介于-1 和1 之间，通常以绝对值表示，其值域等级解释见表3。表2锈点数量等级Table2Grade of the number of rust spotsRustyconditionNumberof rust spots/pcsGradeNorust spot00Very little,afewrust spots51Afewrust spots6-102Medium amount of rust spots11-153More rust spots16-204Denserustspots205表3皮尔逊相关系数值域等级Table3Range grade of Pearson correlation coefficientPearson correlation coefficientCorrelation(absolutevalue)0.00.2Veryweakorno correlation0.2-0.4Weak correlation0.4-0.6Moderate correlation0.60.8Strong correlation0.8-1.0Very strong correlation222工面表中国程2023年2.3基于融合特征的涂层锈点识别方法通过以上分析，本文根据涂层锈点的颜色和形状特征，提出的锈点识别流程图如图6所示。Original pitting imagesShapefeaturesColourfearuresSHHomomorphicfilterS,L,Se,fj.J2,0H0.01670.883H12(X,-X)(Y,-Y)2(X;-X)2V2(Y-Y2Test setS,L,J2,J0S0.4;0L55J210:0f;3SVMRust spotNo rust spot图6 算法流程图Fig.6Algorithm flow chart（1）采集3种不同光照强度下的原始涂层锈点图像，采用同态滤波的方法进行预处理，得到光线更均匀、锈点更清晰的图像。（2）根据锈点的色相特征，选择H分量取值范围，提取锈点的颜色特征。（3）根据锈点的形状特点，计算其8 种形状特征值，为提高后续计算精度，对8 种特征值用皮尔逊相关系数进行筛选，得到4种相关性较高的特征值。（4）将颜色特征和筛选后的形状特征输入SVM，再用SVM识别测试集中的图像，判断和识别图中的锈点。3结果与讨论3.1涂层锈点的特征分析3.1.1颜色特征图7 显示了H通道取值范围为0 0.1 6 7、0.8831 下的识别效果，可以看出，使用颜色模型可以识别出大部分的锈点区域，但是涂层表面容易被腐蚀产物遮盖，且涂层表面的锈迹与锈点颜色接近，容易被误识别为锈点。3.1.2形状特征表4列示了3种光照条件下的部分样品的8种形状特征参数，可以看出，相同光照条件下的223第4期佳，刘等：基于HSV（色相-饱和度-明度）与形状特征的涂层锈点图像识别不同样品上锈点的形状特征存在差异，这是因为不同样品的锈点生长周期不同，表现出的形状特征也不同；不同光照条件下的相同样品的锈点特征参数值也存在差异，但差异较小，这是因为在图像预处理时，使用了同态滤波，减少了光照对图像的影响。(a)Pre-processed images(b)Rust area after removing background图7 通过H分量提取的锈点部分Fig.7 Rust spot area extracted by H component表4部分图像的8 种形状特征参数值Table4Value of eight shape feature parameters of partial imagesMinimumAreaPerimetercircumscribedCircularityComplexityElongationCompactnessConcava-convexIlluminationSampleS/mm?L/mmrectanglef23f4S./mm125.23614.18512.1511.5767.97330.6893.6291.779222.75417.91719.0380.89114.1080.6314.1561.269328.83320.77325.6290.83914.9660.6354.5511.388A426.28621.63728.1050.70517.8100.6684.0681.214519.96714.95613.5921.12211.2020.7144.5781.33566.61610.1126.2420.81315.4550.7362.2670.654130.56537.55552.1980.27846.1430.2211.5310.813220.13916.08814.7110.97712.8510.5373.9131.251342.04736.54972.6670.39531.7690.4713.4391.150B442.72222.47828.1621.06211.8260.5055.9271.901528.06339.21285.3710.22954.7900.4992.9810.71562.7058.1713.6280.50924.6820.4690.9720.331128.76313.00110.0012.1385.8760.6250.7332.212222.23413.86311.4011.4548.6430.6164.0351.603335.91516.28215.7221.7027.3810.6317.3422.205C434.30918.10119.5481.3159.5490.6496.2941.895512.30412.1268.7061.05111.9500.6273.3361.01465.3578.0643.9331.03512.1380.6962.2580.664表5列出了8 种形状特征的p值，结合表2 可知，面积S、复杂度f2与涂层锈点程度强相关，周长L、面积凹凸比fs与涂层锈点程度中等程度相关，圆形度f1、紧凑度4与涂层锈点程度弱相关，伸长度f3与涂层锈点程度极弱相关。表58 种形状特征的相关性系数Table5Pearson correlation coefficient of each shape featureShapefeature卫ShapefeaturePS0.71720f20.7111L0.530620.11048S.0.33687f40.415010.397400.66714面中224表国程2023年图8 为这4种形状特征参数的频率分布图，如图8 a所示，锈点面积大小S分布在0 0.4mm；如图8 b所示，复杂度f2大小范围在51 0；如图8 c所示，周长L分布在0 5mm；如图8 d所示，面积凹凸比fs在0 3。本文选取强相关和中等程度相关的面积S、复杂度f2、周长L、面积凹凸比fs作为输入的形状特征。8070.54357030.8930.303060255020401514.1630201015.056.399.745.321053.243.672.002.122.050000.20.40.60.81.05678910Area/mm?Complexity(a)Area(b)Complexity906058.848077.437050604050304024.2230202016.72106.34103.63.2.662.952.8200013456891011012345Perimeter/mmConcavo-convex(c)Perimeter(d)Concavo-convex图8 4种形状特征参数的频率分布直方图Fig.8Frequency distribution histogram of four shape feature parameters3.2基于单一形状特征SVM的识别结果在SVM模型中，为验证各特征的分类可行性，以识别率作为评价指标，识别率等于所有分类正确的样本除以总样本。基于单一的形状特征识别锈点，是将采集的图像中所有形状特征的值分布范围通过matlab提取出来，如锈点面积大小分布在0 0.4mm,将该范围作为参数输入SVM分类器中，作为对锈点识别的依据。表6 列示了单一形状特征作为参数输入的SVM识别率，可以看出，最小外接矩形Sc、圆形度f1、伸长度f3、紧凑度f4作为单一特征时的不同核函数SVM对涂层锈点的识别率较低，均在41%以下；锈点面积S、周长L、复杂度f2、面积凹凸比fs作为单一特征时的识别率，虽然略高于圆形度f1、伸长度f3、紧凑度f4、最小外接矩形S。作为特征参数时的识别率，但综合来看，单一形状特征作为参数输入的SVM对涂层锈点的识别率不高，均低于6 5%。原因是涂层表面除锈点损伤外，还存在其他浮尘颗粒和微小起泡，而这些浮尘和起泡具有和锈点相似的形状特征；再者，涂层表面的锈点生长阶段不同，表现的形貌有所不同，如锈点在早期时，其表面形貌呈圆形或椭圆形，但随着腐蚀周期延长，锈点的表面形貌会出现无定式的变化，这是因为表面锈点密度变大，锈点增多，锈点之间会出现合并的现象。所以，单一的形状特征无法准确描述在多种损伤混合的涂层表面和不同生长阶段的锈点。225佳，刘第4期等：基于HSV（色相-饱和度-明度）与形状特征的涂层锈点图像识别表6 基于单一形状特征的SVM识别率（%）Table 6Recognition rate of SVM based onsingle shapefeature(%)Single shapefeatureKernelfunctionSLSJ24Linear62.3550.6621.8938.6457.1233.3944.7354.19RBF60.5149.1838.5736.2560.1328.4739.5459.31Polynomial63.3344.2129.6346.3959.4632.1838.3152.64Sigmoid59.6251.3227.8929.6356.7524.1640.1256.473.3基于组合形状特征SVM的识别结果表7 列示了组合形状特征的SVM识别率，本文所有8 种形状特征的不同核函数的SVM识别率在6 8%以上，均低于筛选后的4种形状特征组合的识别率，这是因为本文图像样本数量相对较少，特征数量较多，产生了过拟合。筛选后的形状特征组合的识别率均低于8 5%，其原因是，在采集图像之前未对涂层表面做任何清洁处理，存在一些浮尘或颗粒，会被误识为锈点，所以需要结合锈点的颜色特征。表7 基于组合形状特征的SVM识别率（%）Table7Recognition rate of SVM based oncombined shapefeature(%)Combine shapefeatureKernel functionS,L,Se,fi,f2,f3,f4,fsS,L,f2,fsLinear76.7181.86RBF72.3179.54Polynomial69.9472.69Sigmoid68.3374.183.4基于HSV与形状特征的融合特征SVM的识别结果图9 显示了融合HSV与筛选后的4种形状特征在不同核函数下的识别率，由图可知，基于HSV颜色特征的SVM识别率最高为8 5.7 1%，基于筛选后的4种形状特征的SVM识别率最高为8 7.52%，而基于融合特征的SVM识别率最高为9 3.33%。因此，须要结合锈点的形状特征，消除通过颜色特征被误识别的锈点区域。对于涂层的锈点识别