一种泡沫镍表面缺陷的检测方法技术

本发明专利技术公开一种泡沫镍表面缺陷的检测方法，其包括：步骤S1.获取泡沫镍表面图像，进行下采样处理得到图像A；步骤S2.对图像A进行NSCT变换，得到若干子图像；步骤S3.对子图像在多个方向上求取灰度共生矩阵GLCM，并计算Haralick特征统计量得到特征统计向量；步骤S4.采用KPCA对特征统计向量进行降维处理；步骤S5.将降维后的特征统计向量作为模型输入，采用最优有向无环图支持向量机DAG‑SVM算法对泡沫镍的表面缺陷进行识别。能够提取到不同细节上的纹理信息，使缺陷的识别率达到85％以上，能够有效的识别泡沫镍表面缺陷，具有较佳的推广运用前景。

Method for detecting surface defect of foamed nickel

The detection method, the invention discloses a nickel foam surface defect which comprises: step S1. for nickel foam surface image down sampling processing by image A; step S2. NSCT transform the image to A, get some sub images; step S3. the sub image in a plurality of directions for gray level co-occurrence matrix GLCM, and calculate the Haralick statistic feature vector statistics; step S4. by KPCA on the characteristics of statistical vector dimension; step S5. will drop after the statistical feature vector dimension as the model input, the optimal directed acyclic graph support vector machine DAG surface defects of SVM algorithm for identification of nickel foam. It can extract the texture information in different details, and make the recognition rate of defects reach more than 85%. It can effectively identify the surface defects of nickel foam, and has a better prospect of popularization and application.

【技术实现步骤摘要】
一种泡沫镍表面缺陷的检测方法
本专利技术涉及图像识别处理
，尤其是涉及一种泡沫镍表面缺陷的检测方法。
技术介绍
泡沫镍是通过对镍金属进行一系列物理化学加工后得到的一种新型功能材料，作为车用电池的基材，泡沫镍对电池性能的影响极大。泡沫镍表面呈银灰色的金属光泽，形态类似于金属海绵，质量上要求表面平整、无划伤、无裂纹、无破损、无油污和无氧化。然而，在泡沫镍制备过程中，由于原料，加工工艺(PVD、电镀、烧结等)等方面因素，导致泡沫镍表面出现污染，压痕，折痕，镍皮，裂纹，划线，漏镀等多种不同类型的缺陷，这些缺陷严重影响最终成品的性能和质量。比如，图1A给出了无表面缺陷的泡沫镍表面示意图，泡沫镍的表面平整、无划伤、无裂纹、无破损、无油污和无氧化；图1B给出了表面有裂纹缺陷的泡沫镍表面示意图，裂纹指泡沫镍的表面纹理存在肉眼明显可见或轻施外力可见的断裂情况；图1C给出了表面有漏镀缺陷的泡沫镍表面示意图，漏镀缺陷为泡沫镍制备过程中电镀工艺不合格的反应；图1D给出了表面有污染缺陷的泡沫镍表面示意图，污染缺陷时泡沫镍表面受油、尘、蚊蝇或炉膛内冷凝水等其他物质沾污而引起的表面局部颜色变化。目前对泡沫镍表面缺陷的检测和识别主要采用人工检测手段，即在制备过程中操作人员通过肉眼观察传送带上的泡沫镍，凭经验对泡沫镍的缺陷进行人工判决，进而进行相应的手动处理。该方式存在劳动强度大，效率低，主观性强和检错率高。由于质量检测分析滞后，也难以有效在线优化泡沫镍的生产过程。
技术实现思路
本专利技术提出一种泡沫镍表面缺陷的检测方法，利用图像处理技术准确提取泡沫镍表层视觉特征，进而完成过程泡沫镍表面缺陷的识别判断，以解决目前依靠人工视觉检测存在漏检、准确率不高等缺陷。一种泡沫镍表面缺陷的检测方法，其包括：步骤S1.获取泡沫镍表面图像，进行下采样处理得到图像A；步骤S2.对图像A进行NSCT变换，得到若干子图像；步骤S3.对子图像在多个方向上求取灰度共生矩阵GLCM，并计算Haralick特征统计量得到特征统计向量；步骤S4.采用KPCA对特征统计向量进行降维处理；步骤S5.将降维后的特征统计向量作为模型输入，采用最优有向无环图支持向量机DAG-SVM算法对泡沫镍的表面缺陷进行识别。其中，步骤S5具体包括：步骤S51.计算不同类别样本的重心步骤S52.计算每个类别的重心到其他类重心的距离的均值步骤S53.对各类别计算的距离按从大到小顺序进行排列得到新类别序列；步骤S54.对新类别序列按照平均距离从大到小，以数列的两端为起始位置交替地向中间排列，得到最优排序序列，使得最优序列中越靠近数列两端的类别平均距离越大，越靠近中间位置的类别平均距离越小；步骤S55.根据最优排序序列生成最优有向无环图多分类器，实现多类别的区分；其中，M表示泡沫镍表面缺陷的类别数量，N为每类缺陷的样本个数，(也就是每类缺陷图像数目)。xik表示第i类中第k个样本的特征统计向量，k＝1,2,…N。其中，步骤S2是对图像A进行三级NSCT变换，得到得到21个子图像。其中，步骤S3是选取像素间的距离度量d＝5，分别对其计算0°、45°、90°及135°四个方向上求取灰度共生矩阵GLCM。其中，Haralick特征统计量包括熵S、逆差矩D、能量E和对比度I；其中，从图像f(m,n)中灰度为u的像素出发，与偏角θ、距离为d、灰度为v的像素m+Δm,n+Δn同时出现的概率为P(u,v,d,θ)，P(u,v,d,θ)＝{(m,n)|f(m,n)＝u,f(m+dcosθ,n+dsinθ)＝v}u,v＝0,1,…L-1,LL是图像f(m,n)的灰度级数，θ为两像素顺时针与m轴的夹角，其取值通常为0°、45°、90°和135°；d表示2个像素之间的距离；P称为空间灰度相关矩阵。与现有技术相比，本专利技术具有如下有益效果：本申请提出了一种基于多尺度纹理分析的泡沫镍表面缺陷特征提取方法。首先采用非下采样Contourlet变换对泡沫镍图像进行多尺度几何分解，利用分解后得到的低频分量和各高频分量表征不同缺陷的细节信息；然后计算各子带上度量泡沫镍图像纹理信息的Haralick特征值。最后分别采用KPCA和最优有向无环图支持向量机(Directedacyclicgraph-SVM,DAG-SVM)进行特征数据的降维和缺陷分类识别，为泡沫镍生产过程的自动检测和优化控制奠定基础。通过实验表明，对现场采集到的泡沫镍表面图像样本进行试验，结果表明本申请能够提取到不同细节上的纹理信息，使缺陷的识别率达到85％以上，能够有效的识别泡沫镍表面缺陷，为类似工业过程提供借鉴。附图说明图1A、图1B、图1C和图1D分别是无表面缺陷的泡沫镍表面示意图、表面有裂纹缺陷的泡沫镍表面示意图、表面有漏镀缺陷的泡沫镍表面示意图以及表面有污染缺陷的泡沫镍表面示意图。图2是本专利技术的流程示意图。具体实施方式由于泡沫镍表面呈银灰色的金属光泽，形态类似于金属海绵，质量上要求表面平整、无划伤、无裂纹、无破损、无油污和无氧化。从不同缺陷的成因其表征可知，缺陷信息表现为复杂的纹理状，因此有效的提取泡沫镍纹理特征是缺陷识别的基础。本申请是通过提取泡沫镍表面的纹理特征作为识别泡沫镍表面的依据。结合图2所示，本专利技术的一个实施方式包括如下实现步骤：步骤S1.获取泡沫镍表面图像，进行下采样处理得到图像A。下采样是为了降低原始图像的分辨率，在低分辨率下可以降低后续图像处理的计算量。假设原始图像可能是4096×4096像素大小的，也可能2048×2048像素大小的，无论原始图像的分辨率大小都对其进行下采样，下采样为128像素×128像素的分辨率以方便进行一下步处理。步骤S2.对经过下采样处理得到图像A进行多尺度NSCT变换(即非下采样Contourlet变换)，将NSCT变换分解得到的各子图像用系数矩阵表示。NSCT是Cunha等于2006年提出的一种图像二维表示方法，是一种多尺度，多方向的过完备图像表示方法，可以准确地捕捉图像中的边缘轮廓信息和纹理细节信息，适于表达具有丰富细节及方向信息的多传感器图像。Contourlet变换滤波器组结构由拉普拉斯塔式滤波器(LP)和方向滤波器(DFB)两部分组成。为了保持Contourlet变换的频带分割特性，并使其具有平移不变性，NSCT去掉了Contourlet两级变换中的下采样过程，构造了相应的非下采样滤波器。NSCT包括非下采样的塔形分解(NSP)和非下采样的方向滤波器组(NSDFB)两部分。首先由非下采样塔式滤波器(NSP)把输入图像作尺度分解，在每个尺度上，DFB在将分解后得到的带通信号分解到几个带通子带方向上，方向子带的数目可以是2的任意次幂。经非下采样Contourlet变换(又称为NSCT变换)后，分解为不同尺度上的子带图像(高频分量，低频分量)，其中低频分量主要为背景平滑区域信息，高频分量反映泡沫镍表面缺陷的边缘，纹理细节等特征。以图1B表面存在裂纹缺陷的泡沫镍表面图像A为例，进行多尺度几何分析。参数设置如下，LP滤波器为pfilter＝'9-7'，DFB为dfilter＝'pk-va'，分解级数为nlevels＝[2,3,3]，得到1个低频子带和20个高频子带，这样图1B经过NSCT三级分解后共得到21个本文档来自技高网...

【技术保护点】
一种泡沫镍表面缺陷的检测方法，其特征在于，包括：步骤S1.获取泡沫镍表面图像，进行下采样处理得到图像A；步骤S2.对图像A进行NSCT变换，得到若干子图像；步骤S3.对子图像在多个方向上求取灰度共生矩阵GLCM，并计算Haralick特征统计量得到特征统计向量；步骤S4.采用KPCA对特征统计向量进行降维处理；步骤S5.将降维后的特征统计向量作为模型输入，采用最优有向无环图支持向量机DAG‑SVM算法对泡沫镍的表面缺陷进行识别。

【技术特征摘要】
1.一种泡沫镍表面缺陷的检测方法，其特征在于，包括：步骤S1.获取泡沫镍表面图像，进行下采样处理得到图像A；步骤S2.对图像A进行NSCT变换，得到若干子图像；步骤S3.对子图像在多个方向上求取灰度共生矩阵GLCM，并计算Haralick特征统计量得到特征统计向量；步骤S4.采用KPCA对特征统计向量进行降维处理；步骤S5.将降维后的特征统计向量作为模型输入，采用最优有向无环图支持向量机DAG-SVM算法对泡沫镍的表面缺陷进行识别。2.根据权利要求1所述泡沫镍表面缺陷的检测方法，其特征在于，步骤S5具体包括：步骤S51.计算不同类别样本的重心步骤S52.计算每个类别的重心到其他类重心的距离的均值步骤S53.对各类别计算的距离按从大到小顺序进行排列得到新类别序列；步骤S54.对新类别序列按照平均距离从大到小，以数列的两端为起始位置交替地向中间排列，得到最优排序序列，使得最优序列中越靠近数列两端的类别平均距离越大，越靠近中间位置的类别平均距离越小；步骤S55.根据最优排序序列生成最优有向无环图多分类器，实现多类别的区分；其中，M表示泡...

【专利技术属性】
技术研发人员：曹斌芳，李建奇，黎小琴，聂方彦，周雪峰，时梦瑶，杨峰，
申请(专利权)人：湖南文理学院，
类型：发明
国别省市：湖南,43