本发明专利技术涉及一种条状物体表面缺陷在线视觉注意力检测方法，本发明专利技术充分利用图像预处理技术和视觉注意力模型。首先，利用基于背景估计的图像处理技术，降低或消除文字、商标等特征对药卷裂痕缺陷的影响，突出表面缺陷信息；然后，利用视觉注意力模型，得到缺陷特征显著性图。该模型以提取图像低层视觉特征为基础，然后分析目标图像强度、边缘和方向等特征，建立金字塔特征模型；通过中心围绕算子合成三者特征图，利用区分度融合算子，将三者融合，得到显著性图，突出裂痕信息并有效识别定位，达到提取缺陷药卷特征的目的。本发明专利技术能对条状物体表面缺陷在线检测，具有检测速度快、抗干扰强、实时性好、检测准确率高的特点。
【技术实现步骤摘要】
【专利摘要】本专利技术涉及，本专利技术充分利用图像预处理技术和视觉注意力模型。首先，利用基于背景估计的图像处理技术，降低或消除文字、商标等特征对药卷裂痕缺陷的影响，突出表面缺陷信息；然后，利用视觉注意力模型，得到缺陷特征显著性图。该模型以提取图像低层视觉特征为基础，然后分析目标图像强度、边缘和方向等特征，建立金字塔特征模型；通过中心围绕算子合成三者特征图，利用区分度融合算子，将三者融合，得到显著性图，突出裂痕信息并有效识别定位，达到提取缺陷药卷特征的目的。本专利技术能对条状物体表面缺陷在线检测，具有检测速度快、抗干扰强、实时性好、检测准确率高的特点。【专利说明】
本专利技术是，属于机器视觉、包装工程等交叉领域。 技术背景 条状物体，例如:火腿肠、工业炸药等，的包装是产品生产最后一道工序，包装质量的好坏直接影响产品的质量。由于诸多原因，在包装过程中会导致条状物体包装表面出现缺陷。这些包装质量有缺陷的物体一旦漏检进入用户环节，将会给用户和企业带来严重的经济损失以及负面影响。因此，条状物体的缺陷检测是包装过程的重要环节。 目前人工检测是主要手段，通过人眼观察条状物体外表面等部位，实现对工业炸药的全面检测与质量控制。但存在以下问题:1)人工检测产品，难以满足生产效率的需求； 2)检测工作需要大量工人,极大的增加了生产成本；3)人工检测劳动强度大，容易疲劳，检测标准不一致，容易误漏检。为此，采用机器视觉技术实现工业炸药的缺陷检测可以减少劳动成本，提高产品检测的质量。 条状物体表面缺陷表现为物体轮廓无异常，但物体表面出现裂痕，表面缺陷产生原因在于侧端热封不牢固或者运动过程的摩擦。实际生产过程中，此种缺陷的药卷数量相对较少，但是，表面缺陷仍然是影响产品质量的一个重要原因，而且该类缺陷的在线检测相对较困难。原因在于:条状物体表面缺陷不规则、位置随机分布，无法事先预知，且表面有文字，文字位置也不确定；该类缺陷只占全部目标检测区域的很少部分，通常不多于5%;在包装过程中，条状物体呈现快速运动的特点。因此，传统的全部目标区域检测的方法，不适用于条状物体包装过程的快速检测要求。
技术实现思路
针对上述问题，本专利技术提出一种检测速度快、抗干扰强、实时性好、检测准确率高的条状物体表面缺陷在线视觉注意力检测方法。本专利技术可用于条状物体表面缺陷在线检测，实时高效地对目标对象的表面裂痕识别与检测。 为解决条状物体的表面缺陷自动检测问题，本专利技术的技术方案如下: 本专利技术的条状物体表面缺陷在线视觉注意力检测方法，包括如下步骤: I)缺陷图像预处理； 2)对预处理得到图像G按照边缘、亮度、方向三个指标进行特征建模，亮度金字塔I利用多尺度空间法生成九层尺度图，每一层分别是图G的1/2，1/4，1/8，…….，并且下一层图像在长度和宽度减半， 10 = G I1 = S(Ih) (I) 其中I表示金字塔的层级，边缘特征金字塔E利用Gabor算子，方向特征金字塔O利用Roberts算子生成； 3)利用中心围绕算子O计算特征图，通过计算细尺度和粗尺度之间的差值实现，其中尺度c e {2,3,4}中的像素，s = c+d，d e {3,4}中相关位置的像素，公式(4)、(5)、 (6)分别用于计算亮度、方向与边缘的特征图； 【权利要求】1.，其特征在于包括如下步骤: 1)缺陷图像预处理； 2)对预处理得到图像G按照边缘、亮度、方向三个指标进行特征建模，亮度金字塔I利用多尺度空间法生成九层尺度图，每一层分别是图G的1/2，1/4，1/8，…….，并且下一层图像在长度和宽度减半，10= G 11= S(Iw) (I) 其中I表示金字塔的层级，边缘特征金字塔E利用Gabor算子，方向特征金字塔O利用Roberts算子生成； 3)利用中心围绕算子Θ计算特征图，通过计算细尺度和粗尺度之间的差值实现，其中尺度ce {2,3,4}中的像素，s = c+d，d e {3,4}中相关位置的像素，公式(4)、(5)、(6)分别用于计算亮度、方向与边缘的特征图；I (c, s) = 11 (c) Θ I (s) I (4) 0(c，s，Θ ) = 0(c, θ ) 0O(s, θ)|，Θ e (5)E (c, s) = IE (c) Θ E (s) I (6) 获得的特征图进行归一化，图像取值规范化为，计算图中最大值M和其他局部最大值的平均值兩，再将整幅图像乘以(M-历)2; 4)将每种特征图运用跨尺度结合算子在醒目度图第4层融合，利用公式(7)、(8)、(9)计算，最终得到每种特征的醒目度图；5)区分度融合算子和显著性图， 利用区分度融合算子Cmob，结合公式(10)、(11)将步骤4)得到的醒目度图结合，形成一个显著性图SM，其中ξ 1，ξ2’ €3是缺陷的区分度，计算方法如式(12):其中 Zmax = max, zi0 e Ω i7 i = I, 2, 3,..., t,将图像按照亮度划分为 Qt(t e N)个区域集，区域QiQ = 1,2,3,..., t)的轮廓是随机形成的闭区域，对Qi求导，获得局部极小值Zitl ; 6)搜索显著性区域，输出检测结果。2.根据权利要求1所述的基于时间加权K-近邻法的无线传感器网络故障诊断方法，其特征在于上述步骤I)缺陷图像预处理是通过对背景信息的估计，使裂痕缺陷与背景信息分割，并利用图像变换突出裂痕缺陷部分像素亮度，具体过程如下: 1)采用开运算，选用三种结构元，分别为:菱形，圆形，线形，对目标图像先腐蚀处理，再膨胀操作，获得背景估计图像； 2)将源图像与背景估计图像进行差分运算； 3)采用亮度变换方法，通过gamma变化，增强或者减少图像亮度，达到突出裂痕缺陷目的。【文档编号】G06T7/00GK104166986SQ201410321579【公开日】2014年11月26日 申请日期:2014年7月7日 优先权日:2014年7月7日 【专利技术者】许亮, 徐海波, 何小敏, 刘学福 申请人:广东工业大学本文档来自技高网...
【技术保护点】
一种条状物体表面缺陷在线视觉注意力检测方法，其特征在于包括如下步骤：1)缺陷图像预处理；2)对预处理得到图像G按照边缘、亮度、方向三个指标进行特征建模,亮度金字塔I利用多尺度空间法生成九层尺度图，每一层分别是图G的1/2，1/4,1/8，…….，并且下一层图像在长度和宽度减半,I0＝GI1＝S(Il‑1) (1)其中l表示金字塔的层级,边缘特征金字塔E利用Gabor算子，方向特征金字塔O利用Roberts算子生成；3)利用中心围绕算子Θ计算特征图，通过计算细尺度和粗尺度之间的差值实现，其中尺度c∈{2，3，4}中的像素，s＝c+d，d∈{3，4}中相关位置的像素，公式(4)、(5)、(6)分别用于计算亮度、方向与边缘的特征图；I(c,s)＝|I(c)ΘI(s)| (4)O(c,s,θ)＝|O(c,θ)ΘO(s,θ)|，θ∈[0°,45°,90°,135°] (5)E(c,s)＝|E(c)ΘE(s)| (6)获得的特征图进行归一化，图像取值规范化为[0,M]，计算图中最大值M和其他局部最大值的平均值再将整幅图像乘以4)将每种特征图运用跨尺度结合算子在醒目度图第4层融合，利用公式(7)、(8)、(9)计算，最终得到每种特征的醒目度图；I‾=⊕c=24⊕s=c+3c+4N(I(c,s)---(7)]]>E‾=⊕c=24⊕s=c+3c+4[N(E(c,s)]---(9)]]>5)区分度融合算子和显著性图,利用区分度融合算子Cmob，结合公式(10)、(11)将步骤4)得到的醒目度图结合，形成一个显著性图SM,SM=N(Comb(N(I‾),N(O‾),N(E‾)))---(10)]]>Comb(N(I‾),N(O‾),N(E‾))=ξ1N(I‾)+ξ2O‾+ξ3N(E‾)---(11)]]>其中ξ1，ξ2，ξ3是缺陷的区分度，计算方法如式(12)：ξk=ΣΩ=1tΣΩiSi·zi0Σk=13ΣΩ=1tSi·zmax,k=1,2,3---(12)]]>其中zmax＝max[zi0]，zi0∈Ωi，i＝1,2,3,...,t，将图像按照亮度划分为Ωt(t∈N)个区域集，区域Ωi(i＝1,2,3,...,t)的轮廓是随机形成的闭区域，对Ωi求导，获得局部极小值zi0；6)搜索显著性区域，输出检测结果。...
【技术特征摘要】
【专利技术属性】
技术研发人员：许亮，徐海波，何小敏，刘学福，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。