權(quán)利要求書(shū)： 1.一種基于機(jī)器視覺(jué)的風(fēng)機(jī)葉片缺陷自診斷定位方法，其特征是該方法包括如下步驟：步驟1：通過(guò)視覺(jué)傳感器獲取風(fēng)機(jī)葉片各種缺陷樣本圖像集，對(duì)樣本圖像人工分類，為后續(xù)判斷分類器的正確率提供依據(jù)；步驟2：對(duì)步驟1采集到的圖像樣本數(shù)據(jù)集中的缺陷特征及噪聲進(jìn)行分析，采用中值濾波，在很好地保留了目標(biāo)邊緣特征的同時(shí)去除圖像中大部分噪聲；步驟3：根據(jù)步驟2獲得的去噪后的圖像樣本集，采用閾值法將樣本集中圖像的目標(biāo)區(qū)域完整的分割出來(lái)，然后運(yùn)用Blob分割算法度量圖像中連通區(qū)域的形心、邊界盒、面積屬性來(lái)對(duì)物體的檢測(cè)區(qū)域進(jìn)行分析和處理，并標(biāo)記缺陷位置；步驟4：根據(jù)步驟3獲得的缺陷特征樣本集，依據(jù)樣本特性創(chuàng)建基于顆粒特征向量的分類器，采用支持向量機(jī)對(duì)樣本集合進(jìn)行訓(xùn)練，得到準(zhǔn)確度較高的分類器；步驟5：將不同缺陷類別圖像作為輸入，可以快速準(zhǔn)確地實(shí)現(xiàn)風(fēng)機(jī)葉片的缺陷分類及定位；其特征是步驟3的具體步驟為：步驟3.1：首先根據(jù)濾波后樣本集直方圖設(shè)置灰度值閾值，采用閾值分割法分離圖像前景和背景，獲得二值圖像；步驟3.2：對(duì)步驟3.1獲得的二值圖像采用形態(tài)學(xué)方法，進(jìn)行閉運(yùn)算消除小的孤立噪聲的同時(shí)獲得葉片表面缺陷連通區(qū)域；步驟3.3：根據(jù)驟3.2獲得圖像目標(biāo)像素，統(tǒng)計(jì)出目標(biāo)圖像中滿足葉片缺陷條件的Blob數(shù)目，并對(duì)圖像中每個(gè)Blob進(jìn)行標(biāo)記；步驟3.4：Blob信息提取，采用Blob線處理方法獲取連通區(qū)域的幾何特征，即連通區(qū)域的線段邊界點(diǎn)、最小外接矩形及形心位置，最后計(jì)算獲得風(fēng)機(jī)缺陷位置坐標(biāo)。2.如權(quán)利要求1所述的一種基于機(jī)器視覺(jué)的風(fēng)機(jī)葉片缺陷自診斷定位方法，其特征是步驟4的具體步驟為：步驟4.1：對(duì)由步驟3獲得的圖像缺陷樣本，分別取它們的面積特征、圓度因子、細(xì)長(zhǎng)度特征以及孔洞數(shù)作為目標(biāo)特征，計(jì)算樣本集的各特征參數(shù)；步驟4.2：基于步驟4.1獲得的樣本集各特征參數(shù)的非線性特性，選用非線性內(nèi)核函數(shù)，將各特征參數(shù)數(shù)據(jù)映射到高維空間中使樣本數(shù)據(jù)變成線性；步驟4.3：求解特性空間中的最優(yōu)分類函數(shù)，得到最優(yōu)分類模型；步驟4.4：選用葉片缺陷訓(xùn)練樣本集，經(jīng)步驟3特征提取后，輸入SM分類器，依據(jù)分類結(jié)果測(cè)試分類器的可靠性。 說(shuō)明書(shū)： 一種基于機(jī)器視覺(jué)的風(fēng)機(jī)葉片缺陷自診斷定位方法技術(shù)領(lǐng)域[0001] 本發(fā)明涉及的是一