基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法技术

本发明专利技术公开了一种基于OTSU和GA‑BP神经网络墙纸缺陷检测与识别方法，其包括获取待检测墙纸的检测图像，并采用RGB颜色函数对检测图像进行预处理得到预处理图像；计算预处理图像中像素值小于像素阈值的像素点的占比；当所述占比大于设定阈值时，采用OTSU阈值分割法对预处理图像进行缺陷分割；计算进行缺陷分割后的图像中缺陷部分的灰度特征和几何特征；将所述灰度特征和几何特征输入预先训练的GA‑BP神经网络进行检测，得到墙纸中缺陷的类型；当所述占比小于等于设定阈值时，表明待检测墙纸无缺陷。

【技术实现步骤摘要】
基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法
本专利技术涉及图像的检测技术，具体涉及一种基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法。
技术介绍
墙纸也称作壁纸，是一种用来装饰墙面的室内装修材料。在实际生产线中，由于机械老化等原因使得生产出来的墙纸产品含有缺陷，最为常见的缺陷有褶皱、孔洞、裂纹、黑斑。目前的缺陷检测识别主要分为缺陷分割和缺陷识别分类两大部分。在缺陷分割方面，阈值分割是缺陷分割的常用方法，由于传统阈值分割方法已经不能满足缺陷图像的检测需求，因此目前已有很多研究对传统阈值分割方法进行改进，并用于缺陷图像分割检测。AigerD和TalbotH将原始图像利用快速傅里叶变换得到频谱图像，再使用PHOT将背景纹理滤除从而得到缺陷，该方法虽能够较准确分割出缺陷，但其分割后的缺陷区域存在失真现象。SebaSusa等搭建高斯混合模型来自动检测缺陷，但其对复杂背景下的缺陷检测的误差较大。使用鲁棒主成分分析法(RobustPrincipalComponentAnalysis，RPCA)对图像进行分解，二值化分解后的稀疏矩阵得到缺陷图像，虽然该方法能够将缺陷从部分原始图像中分割出来，但仅适用于光滑、简单背景下的缺陷提取，墙纸的背景对分割效果影响较大。因此需要一种适用于各种纹路的分割方法，使墙纸不同缺陷能够准确、完整地分割出来。
技术实现思路
针对现有技术中的上述不足，本专利技术提供了一种检测精度高及检测时间短的基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法。为了达到上述专利技术目的，本专利技术采用的技术方案为：提供一种基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法，其包括：获取待检测墙纸的检测图像，并采用RGB颜色函数对检测图像进行预处理得到预处理图像；计算预处理图像中像素值小于像素阈值的像素点的占比；当所述占比大于设定阈值时，采用OTSU阈值分割法对预处理图像进行缺陷分割；计算进行缺陷分割后的图像中缺陷部分的灰度特征和几何特征；将所述灰度特征和几何特征输入预先训练的GA-BP神经网络进行检测，得到墙纸中缺陷的类型；当所述占比小于等于设定阈值时，表明待检测墙纸无缺陷。进一步地，所述RGB颜色函数为：I＝a×R+b×G+c×B其中，R为检测图像中红色通道分量；G为检测图像中绿色通道分量；B为检测图像中蓝色通道分量；a、b、c均为通道系数。进一步地，所述通道系数a、b、c分别为1、1/5、1/2。进一步地，所述OTSU阈值分割法的计算公式为：σ′G2＝P2mP1n(m1-mG)2+P2(m2-mG)2其中，σ′G为类间方差；P1、P2分别为像素点被分配到前景、背景区域的概率；n、m分别为P1、P2的加权系数；m1和m2分别为分割后图像前景、背景区域中的像素平均值；mG为整个图像像素均值。进一步地，所述灰度特征为灰度均值，灰度均值的计算公式为：其中，Gm为灰度均值；M为图像像素点行数；N为图像像素点列数；g(i,j)为分割后的缺陷图象(i,j)位置的像素值；i为像素点行坐标；j为像素点列坐标；所述几何特征包括图像中缺陷部分的面积、周长、最小外接矩形宽、最小外接矩形高、最小外接矩形宽高比、缺陷与最小外接矩形面积比及细度比例；图像中缺陷部分的面积A的计算公式为：图像中缺陷部分的周长P的计算公式为：缺陷与最小外接矩形面积比R的计算公式为：图像中缺陷部分的细度比例F的计算公式为：其中，gw(i,j)为缺陷部分像素点；g′w(i,j)为缺陷边缘像素点；W为最小外接矩形宽；H为最小外接矩形高。进一步地，基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法还包括采用遗传算法优化GA-BP神经网络。进一步地，采用遗传算法优化GA-BP神经网络包括：S1、获取墙纸多种类型的缺陷图像，每个类型包括若干缺陷图像；S2、采用RGB颜色函数对所有检测图像进行预处理得到预处理图像，并采用OTSU阈值分割法对预处理图像进行缺陷分割；S3、计算进行缺陷分割后的图像中缺陷部分的灰度特征和几何特征；S4、将所有进行缺陷分割后的图像的灰度特征和几何特征输入GA-BP神经网络，得到BP神经网络权值和阈值；S5、采用BP神经网络预测得到的输出结果与期望输出结果的欧氏距离计算适应度；S6、采用输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值、输出层阈值四个部分组成遗传算法的染色体编码；S7、当适应度大于等于预设误差时，在染色体编码中采用轮盘赌法选择一条染色体进行交叉、变异得到新的染色体；S8、将新的染色体输入GA-BP神经网络，输出BP神经网络权值和阈值，之后进入步骤S5，直至适应度小于预设误差或者遗传迭代次数大于预设次数；S9、将最近一次输出的权值和阈值作为最优权值和阈值输入GA-BP神经网络，之后输出GA-BP神经网络的新的权值和阈值；S10、计算最优权值和阈值与新的权值和阈值之间的误差，当误差不满足设定条件时，返回步骤S8；S11、当误差满足设定条件或GA-BP神经网络迭代次数大于预设阈值时，采用新的权值和阈值作为GA-BP神经网络的权值和阈值，完成GA-BP神经网络的优化。进一步地，所述适应度的计算公式为：其中，A'为适应度；n'为GA-BP神经网络输出神经元个数；yi为第i个输出神经元的期望输出；oi为第i个输出神经元的实际输出。进一步地，变异过程中采用的遗传变异算子的计算公式为：aij＝aij+(aij-amax)·r其中，amax为染色体中个体基因aij的最大值，r为[-1,1]的随机数。本专利技术的有益效果为：1)本方案提出在RGB空间中，通过对各像素点的R、G、B三个分量处理后进行叠加，得到处理后的图像，并在此基础上利用OTSU算法，分割出墙纸的缺陷并且与其他方法相比较，分割效果更好；(2)由分割出的缺陷以及缺陷二值图像，根据其几何特性及灰度特性，选择灰度均值、缺陷面积、周长、最小外接矩形高和宽以及高宽比、缺陷面积与最小外接矩形面积比、细度比例八种能够表达缺陷的特征作为特征向量，使用GA-BP模型，并利用选取的八种特征向量进行构建，从训练结果看，对训练数据的分类准确率达96.75％；(3)对训练好的GA-BP模型进行测试，并与BP神经网络、RBF神经网络进行对比，从实验例结果看，GA-BP模型的平均分类准确率达97％，高于BP神经网络和RBF神经网络，而对于裂纹、孔洞、褶皱、黑斑四种缺陷分类精度GA-BP模型均优于另外两种模型，并且识别的时间更短。附图说明图1为基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法的流程图。图2为待检测图像与预处理后的图像的效果对比图。图3为采用本方案的OTSU阈值分割法在不同n、m取值情况下对多种类型的预处理图像进行分割后的效果对比图。图4为传统OTSU与本方案OTSU分割结果的效果对比图。图5为分割后图像中的缺陷特征提取示意图。图6为不同分割方法与本申请的方法的效果对比图。图7为不同缺陷的检测对比图。具体实施方式下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术，但应该清楚，本专利技术不限于具体实施方式的范围，对本
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本专利技术的精神和范围内，这些变化是显而易见的，一切利用本专利技术构思的专利技术本文档来自技高网...

【技术保护点】
1.基于OTSU和GA‑BP神经网络墙纸缺陷检测与识别方法，其特征在于，包括：获取待检测墙纸的检测图像，并采用RGB颜色函数对检测图像进行预处理得到预处理图像；计算预处理图像中像素值小于像素阈值的像素点的占比；当所述占比大于设定阈值时，采用OTSU阈值分割法对预处理图像进行缺陷分割；计算进行缺陷分割后的图像中缺陷部分的灰度特征和几何特征；将所述灰度特征和几何特征输入预先训练的GA‑BP神经网络进行检测，得到墙纸中缺陷的类型；当所述占比小于等于设定阈值时，表明待检测墙纸无缺陷。

【技术特征摘要】
1.基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法，其特征在于，包括：获取待检测墙纸的检测图像，并采用RGB颜色函数对检测图像进行预处理得到预处理图像；计算预处理图像中像素值小于像素阈值的像素点的占比；当所述占比大于设定阈值时，采用OTSU阈值分割法对预处理图像进行缺陷分割；计算进行缺陷分割后的图像中缺陷部分的灰度特征和几何特征；将所述灰度特征和几何特征输入预先训练的GA-BP神经网络进行检测，得到墙纸中缺陷的类型；当所述占比小于等于设定阈值时，表明待检测墙纸无缺陷。2.根据权利要求1所述的基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法，其特征在于，所述RGB颜色函数为：I＝a×R+b×G+c×B其中，R为检测图像中红色通道分量；G为检测图像中绿色通道分量；B为检测图像中蓝色通道分量；a、b、c均为通道系数。3.根据权利要求2所述的基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法，其特征在于，所述通道系数a、b、c分别为1、1/5、1/2。4.根据权利要求1所述的基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法，其特征在于，所述OTSU阈值分割法的计算公式为：其中，σ′G为类间方差；P1、P2分别为像素点被分配到前景、背景区域的概率；n、m分别为P1、P2的加权系数；m1和m2分别为分割后图像前景、背景区域中的像素平均值；mG为整个图像像素均值。5.根据权利要求1所述的基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法，其特征在于，所述灰度特征为灰度均值，灰度均值的计算公式为：其中，Gm为灰度均值；M为图像像素点行数；N为图像像素点列数；g(i,j)为分割后的缺陷图象(i,j)位置的像素值；i为像素点行坐标；j为像素点列坐标；所述几何特征包括图像中缺陷部分的面积、周长、最小外接矩形宽、最小外接矩形高、最小外接矩形宽高比、缺陷与最小外接矩形面积比及细度比例；图像中缺陷部分的面积A的计算公式为：图像中缺陷部分的周长P的计算公式为：缺陷与最小外接矩形面积比R的计算公式为：图像中缺陷部分的细度比例F的计算公式为：其中，gw(i,j)为缺陷部分像素点；g′w(i,j)为缺陷边缘像素点；W为最小外接矩形宽；H为最小外接矩形高。6.根据权利要...

【专利技术属性】
技术研发人员：谢维成，宋柯，郭晨鸿，杨杨，
申请(专利权)人：西华大学，
类型：发明
国别省市：四川,51