基于目标特征显著图构建的工业产品表面缺陷检测方法技术

本发明专利技术公开了一种基于目标特征显著图构建的工业产品表面缺陷检测方法，具体按照以下步骤实施：步骤1、将采集到的彩色图像转换为灰度图像；步骤2、根据灰度图像的表面缺陷面积特征和数目特征分别构建前景目标面积特征显著图和数目特征显著图；步骤3、分别确定阈值，然后根据所确定的阈值分别对面积特征显著图和数目特征显著图进行分割分别获得面积特征二值图和数目特征二值图；步骤4、将面积特征二值图和数目特征二值图融合成为整体二值图；步骤5、根据前景目标面积，确定滤波阈值，滤除小于滤波阈值的噪声和伪目标，大于滤波阈值的即为工业产品表面缺陷。本发明专利技术检测方法缺陷检测准确率高，适应性和抗噪性强。

【技术实现步骤摘要】
基于目标特征显著图构建的工业产品表面缺陷检测方法
本专利技术属于工业产品质量检测方法
，具体涉及一种基于目标特征显著图构建的工业产品表面缺陷检测方法。
技术介绍
制造过程中的工业产品表面缺陷监测是质量在线检测的重要一部分，能够及时发现制造过程中的质量问题，从而为及时改进生产工艺，降低生产成本提供了一种可能性。然而，工业产品表面缺陷检测通常是属于大背景条件下小目标检测问题，传统的人工检测很容易在生理和心理产生疲劳，从而造成漏检和误检，因此不能满足在线检测的需要。为了解决人工检测不能满足在线检测的要求，基于机器视觉的检测算法已逐渐应用到工业产品表面质量检测中(参考文献[1]:XuK.,XuJ.,ChenY.:On-linesurfacedefectinspectionsystemforcoldrolledstrips[J].BeijingUniver.Sci.Technol.,2002,24(3):329-332.参考文献[2]:LiG.,SuZ.,XiaX.:Algorithmforimspectionofwhiteforeignfibersincottobymachinevisionwithirregularimagingfunction[J].Trans.Chin.Soc.Agric.2010,43(5):164-167.)。然而，基于高斯随机场模型、脉冲耦合神经网络、字典学习等检测算法依赖于参数众多、计算量大计算复杂、对噪声敏感，不适合在线检测的需要(参考文献[3]:CohenFS,FanZ,Attalis.AutomatedInspectionofTextileFabricUsingTextileModels[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,1991,13(8):803-808.参考文献[4]:祝双武,郝重阳.一种基于改进型PCNN的织物疵点图像自适应分割方法[J].电子学报,2012,40(3):611-616.参考文献[5]:JianZhouandJunWang.Fabricdefectdetectionusingadaptivedictionaries[J].2013,83(17):1846-1859.)。基于小波变换的检测算法虽然适合表面缺陷检测，但小波的选取、分解层数仍然依赖人工检验；另外，小波变换对于特性与背景接近的缺陷的检测也表现的无能为力(参考文献[6]:管声启,石秀华.基于小波提升格式的织物疵点检测[J].计算机工程与应用,2008,44(25):219-221.)。基于空间域显著图构建的检测算法能够提高缺陷与背景对比度，但其图像分块大小依赖人工经验，并且计算量大，难易摆脱空间域传统算法的固有缺陷(参考文献[7]:GuohuiLi,JingfangShi,HongsenLuo,MiangangTang.Acomputationalmodelofvisionattentionforinspectionofsurfacequalityinproductionline[J].MachineVisionandApplications,2013,24(11):835-844.参考文献[8]:刘洲峰，赵全军，李春雷等.基于局部统计与整体显著性的缺陷检测算法[J].纺织学报，2014,35(11):62-67.)。基于小波域显著图构建的缺陷检测算法，虽然增大缺陷的显著度，但当有视觉搜索任务时，搜索效率往往不高(文献[9]:ShengqiGuanandZhaoyuanGao.Fabricdefectimagesegmentationbasedonthevisualattentionmechanismofthewaveletdomain[J].TextileResearchJournal,2014,84(10):1018-1033.)。通过上面分析可知，现有的工业产品表面缺陷在线检测算法都是从图像本身数据特点出发，没有考虑检测目标的特点。因此，在广宽的背景中检测小缺陷必然会导致检测准确率不高，分割不准确，适应性不强，抗噪性差，不能满足实际动态检测需要。
技术实现思路
本专利技术的目的是提供一种基于目标特征显著图构建的工业产品表面缺陷检测方法，解决了现有技术对工业表面缺陷的检测准确率不高的问题。本专利技术所采用的技术方案是，基于目标特征显著图构建的工业产品表面缺陷检测方法，具体按照以下步骤实施：步骤1、将采集到的彩色图像转换为灰度图像f(x,y)；步骤2、根据步骤1得到的灰度图像f(x,y)的表面缺陷面积特征和数目特征分别构建前景目标面积特征显著图f1(x,y)和数目特征显著图f2(x,y)；步骤3、在步骤2得到的面积特征显著图f1(x,y)和数目特征显著图f2(x,y)上，分别确定阈值，然后根据所确定的阈值分别对面积特征显著图和数目特征显著图进行分割分别获得面积特征二值图[f1(x,y)]和数目特征二值图[f2(x,y)]；步骤4、将步骤3得到的面积特征二值图[f1(x,y)]和数目特征二值图[f2(x,y)]融合成为整体二值图F(x,y)；步骤5、在步骤4获得的整体二值图F(x,y)中，根据前景目标面积，确定滤波阈值，滤除小于滤波阈值的噪声和伪目标，大于滤波阈值的即为工业产品表面缺陷。本专利技术的特点还在于：步骤1具体为：将彩色图像转换为灰度图像，采用各颜色通道分量加权平均进行灰度化，转换过程如公式(1)所示；f(x,y)＝0.03R(x,y)+0.59G(x,y)+0.11B(x,y)(1)其中，R(x,y)为彩色图像在(x,y)处红色分量，G(x,y)为彩色图像在(x,y)处绿色分量，B(x,y)为彩色图像在(x,y)处蓝色分量，f(x,y)为灰度图像在(x,y)处灰度值。步骤2中构建前景目标面积特征显著图具体为：首先根据灰度图像的表面缺陷面积特征构建前景目标面积权重函数，然后根据面积权重函数曲线提高前景目标区域的显著度；具体按照以下步骤实施：前景目标面积权重函数构建a)构建图像灰度密度函数：设采集图像的尺寸为M×N，i表示图像灰度级，那么图像的灰度密度函数p(i)构建如公式(2)所示：其中，i∈[0,255]，m(i)表示在第i个灰度级所有的像素个数；b)构建图像灰度密度函数梯度：图像的灰度密度函数一阶梯度构建如公式(3)所示；其中，t∈[1,255]；c)前景目标面积特征函数：设图像f(x,y)在(x,y)处的灰度值为t，t1、t2分别为灰度密度函数一阶梯度为极大和极小时所对应的灰度值，则前景目标面积特征函数分别如公式(4)、(5)和(6)所示：其中，当t∈[1,t1]时，r1(x,y)值越大，f(x,y)为缺陷的可能性越高；当t∈(t1,t2)时，r2(x,y)值越小，f(x,y)为背景的可能性越高；当t∈[t2,255]时，r3(x,y)值越大，f(x,y)为缺陷的可能性越高；d)前景目标面积特征权重函数：图像f(x,y)前景目标面积特征函数分别如公式(7)、(8)和(9)所示：其中，当t∈[1,t1]时，rr1(x,y)值越小，f(x,y)为缺陷的可能性越高；当t∈(t1,t2)时，rr2(x,本文档来自技高网...

【技术保护点】
基于目标特征显著图构建的工业产品表面缺陷检测方法，其特征在于，具体按照以下步骤实施：步骤1、将采集到的彩色图像转换为灰度图像f(x,y)；步骤2、根据步骤1得到的灰度图像f(x,y)的表面缺陷面积特征和数目特征分别构建前景目标面积特征显著图f1(x,y)和数目特征显著图f2(x,y)；步骤3、在步骤2得到的面积特征显著图f1(x,y)和数目特征显著图f2(x,y)上，分别确定阈值，然后根据所确定的阈值分别对面积特征显著图和数目特征显著图进行分割分别获得面积特征二值图[f1(x,y)]和数目特征二值图[f2(x,y)]；步骤4、将步骤3得到的面积特征二值图[f1(x,y)]和数目特征二值图[f2(x,y)]融合成为整体二值图F(x,y)；步骤5、在步骤4获得的整体二值图F(x,y)中，根据前景目标面积，确定滤波阈值，滤除小于滤波阈值的噪声和伪目标，大于滤波阈值的即为工业产品表面缺陷。

【技术特征摘要】
1.基于目标特征显著图构建的工业产品表面缺陷检测方法，其特征在于，具体按照以下步骤实施：步骤1、将采集到的彩色图像转换为灰度图像f(x,y)；步骤2、根据步骤1得到的灰度图像f(x,y)的表面缺陷面积特征和数目特征分别构建前景目标面积特征显著图f1(x,y)和数目特征显著图f2(x,y)；步骤3、在步骤2得到的面积特征显著图f1(x,y)和数目特征显著图f2(x,y)上，分别确定阈值，然后根据所确定的阈值分别对面积特征显著图和数目特征显著图进行分割分别获得面积特征二值图[f1(x,y)]和数目特征二值图[f2(x,y)]；步骤4、将步骤3得到的面积特征二值图[f1(x,y)]和数目特征二值图[f2(x,y)]融合成为整体二值图F(x,y)；步骤5、在步骤4获得的整体二值图F(x,y)中，根据前景目标面积，确定滤波阈值，滤除小于滤波阈值的噪声和伪目标，大于滤波阈值的即为工业产品表面缺陷。2.根据权利要求1所述的基于目标特征显著图构建的工业产品表面缺陷检测方法，其特征在于，所述步骤1具体为：将彩色图像转换为灰度图像，采用各颜色通道分量加权平均进行灰度化，转换过程如公式(1)所示；f(x,y)＝0.03R(x,y)+0.59G(x,y)+0.11B(x,y)(1)其中，R(x,y)为彩色图像在(x,y)处红色分量，G(x,y)为彩色图像在(x,y)处绿色分量，B(x,y)为彩色图像在(x,y)处蓝色分量，f(x,y)为灰度图像在(x,y)处灰度值。3.根据权利要求1所述的基于目标特征显著图构建的工业产品表面缺陷检测方法，其特征在于，所述步骤2中构建前景目标面积特征显著图具体为：首先根据灰度图像的表面缺陷面积特征构建前景目标面积权重函数，然后根据面积权重函数曲线提高前景目标区域的显著度；具体按照以下步骤实施：前景目标面积权重函数构建a)构建图像灰度密度函数：设采集图像的尺寸为M×N，i表示图像灰度级，那么图像的灰度密度函数p(i)构建如公式(2)所示：其中，i∈[0,255]，m(i)表示在第i个灰度级所有的像素个数；b)构建图像灰度密度函数梯度：图像的灰度密度函数一阶梯度▽p(t)构建如公式(3)所示；▽p(t)＝p(t)-p(t-1)(3)其中，t∈[1,255]；c)前景目标面积特征函数：设图像f(x,y)在(x,y)处的灰度值为t，t1、t2分别为灰度密度函数一阶梯度▽p(t)为极大和极小时所对应的灰度值，则前景目标面积特征函数分别如公式(4)、(5)和(6)所示：其中，当t∈[1,t1]时，r1(x,y)值越大，f(x,y)为缺陷的可能性越高；当t∈(t1,t2)时，r2(x,y)值越小，f(x,y)为背景的可能性越高；当t∈[t2,255]时，r3(x,y)值越大，f(x,y)为缺陷的可能性越高；d)前景目标面积特征权重函数：图像f(x,y)前景目标面积特征函数分别如公式(7)、(8)和(9)所示：其中，当t∈[1,t1]时，rr1(x,y)值越小，f(x,y)为缺陷的可能性越高；当t∈(t1,t2)时，rr2(x,y)值越小，f(x,y)为背景的可能性越高；当t∈[t2,255]时，rr3(x,y)值越大，f(x,y)为缺陷的可能性越高；前景目标面积特征的前景目标区域显著度提高：前景目标区域显著度被提高过程，采用公式(10)所示：根据公式(10)，当1≤t≤t1且0≤rr1(x,y)≤1，f1(x,y)属于缺陷可能性较大，因此f1(x,y)的特征值被提高；当t1＜t＜t2且0≤rr2(x,y)≤1，f1(x,y)属于背景可能性较大，因此f1(x,y)的特征值被降低；当t2≤t≤255且1≤rr3(x,y)≤2，f1(x,y)属于缺陷可能性较大，因此f1(x,y)的特征值被提高。4.根据权利要求1所述的基于目标特征显著图构建的工业产品表面缺陷检测方法，其特征在于，所述步骤2中构建前景目标数目特征显著图具体为：首先根据灰度图像的表面缺陷数目特征构建前景目标数目权重函数，然后根据数目权重函数曲线提高前景目标区域的显著度；具体按...

【专利技术属性】
技术研发人员：管声启，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：陕西;61