一种基于图像分块方差-加权特征值的多缺陷检测方法技术

本发明专利技术是一种基于图像分块方差-加权特征值的多缺陷检测方法，本发明专利技术利用图像分块提取子图像，加权协方差计算加权特征值来确定缺陷。图像分块目的是利用图像方差与分块子图像的方差比较，去除图像方差值较小的子图像，得到包含潜在缺陷的子图像，作为下一步加权特征值计算输入。然后利用主元成分分析方法构建加权协方差矩阵，通过计算加权特征值来确定缺陷位置。本发明专利技术能对条状物体表面多处缺陷实现同时在线检测，能够一次性检测图像中存在多处表面缺陷，准确实现对条状物体多缺陷目标的检测与定位。具有检测速度快、实时性好、检测准确率高特点。

【技术实现步骤摘要】

本专利技术针对条状物体表面存在多个缺陷，提出基于图像分块方差-加权特征值 (IPV-WEV)的多缺陷检测方法。本专利技术适用于条状物体或者类似物体的表面多缺陷在线检 测，属于机器视觉、包装工程等交叉领域，属于本专利技术是一种基于图像分块方差-加权特征 值的多缺陷检测方法的创新技术。 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，并且图像中存在多处表面裂痕缺陷。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，条状物体的表面多缺陷 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，提尚广品检测的质量。 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，此种缺陷的条状物体数 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 的基于图像分块方差-加权特征值多缺陷在线检测方法。本专利技术可用于条状物体表面多缺 陷在线检测，实时高效地对目标对象的表面缺陷识别与定位。 为解决条状物体的表面多缺陷在线检测问题，本专利技术的技术方案如下： 本专利技术的基于图像分块方差-加权特征值的多缺陷在线检测方法，包括如下步 骤： 1)缺陷图像预处理； 2)图像分块，先将预处理的一副mXn显著性图SM分成pXq块子图像，即： 其中S表示显著性图SM，每个子图像Sk^ m kXn^阵形式，其中 3)提取包含潜在缺陷的子图像，由于显著性图像SM中缺陷处像素与非缺陷位置 像素特征不同，包含缺陷的图像方差明显要比没有缺陷图像的方差大；因此，通过计算子图 像方差，与整幅图像均方差对比，确定包含潜在缺陷的子图像位置； 4)构建加权协方差矩阵，利用PCA的思想，通过构建加权协方差矩阵，基于每个像 素点灰度值而计算加权特征值，从而确定显著性图SM缺陷位置； 5)加权特征值λ λ 2计算； 6)识别与定位缺陷位置，通过判断λ1; λ2的值确定子图像是否包含缺陷：若 λ u λ 2的值相近，则该子图像块中无缺陷；若λ i远远大于λ 2，则该子图像块中存在缺陷。 上述步骤3)中，确定包含潜在缺陷的子图像的具体算法描述如下： 21)计算全幅显著性图像SM的均值和方差： 式中E(k，1)、〇2(k，1)分别为显著性图像SM的均值，方差。 22)计算分块子图像Skl均值和方差： 式中（2ω+1) X (2ω+1)为图像分块大小，ω为整数，（A，/)、σ: (A%/)分别为子 矩阵Skl的均值、方差； 23)对于整副图像，图像个体（单个像素点灰度值）偏离总体（整幅图像的灰度 值）波动不大，也就是方差不是很大；而对于分块的子图像，如果不包含缺陷，其方差小于 整幅图像均方差；如果包含缺陷，则子图像的方差必定大于整幅图像均方差，因此判别函数 可定义为： 上述步骤4)中，确定显著性图SM缺陷位置的具体步骤描述如下： 31)定义子图像的中心像素点(H)为： 32)子图像的加权协方差矩阵Μ定义为，:其中 上述步骤5)中，加权特征值λ λ2计算，根据式Μ-λ · I = 〇计算λ λ2，其中 h，12分别为： 上述步骤23)中，图像个体是指单个像素点灰度值，偏离总体是指整幅图像的灰 度值。 本专利技术充分利用图像预处理技术和视觉注意力模型。首先采用图像预处理运算， 进行背景估计与差分，利用改进视觉注意力模型（Itti/Koch模型），对条状物体进行图像 增强，得到显著性图像；其次该图像进行图像分块方差计算，确定缺陷子图像；最后采用加 权特征值计算缺陷子图像的特征值，判断并确定最终缺陷位置。相比现有技术，本专利技术具有 以下有益效果： 1)提取潜在缺陷子图像速度快，具有自适应能力。首先对图像进行分块处理，根 据图像方差与分块子图像方差进行比较，提取潜在缺陷的子图像；然后对缺陷子图像构建 加权协方差矩阵，通过计算加权特征值从而将多缺陷目标检测出来。由于缺陷只占检测对 象很小部分区域，而该算法关注缺陷的显性特征区域，减少了处理区域，因此提高了检测速 度。 2)检测准确率高，该算法受外界环境（例如：光照、震动等）影响小，检测漏检率 和误检率低，适合条状物体表面缺陷在线检测。 3)该算法只需要计算分块子图像方差，根据分块子图像方差与整幅图像均方差作 比较，利用方差作为判别函数，就可以一次将图像中多处缺陷检测出来，不需要逐个像素点 进行搜索或者"充电"，所以在检测时间上该算法远优于其它WTA模型算法和区域生长等算 法。【附图说明】 图1为本专利技术基于图像分块方差-加权特征值的多缺陷检测方法流程图；【具体实施方式】 本专利技术采用基于图像分块方差-加权特征值的多缺陷在线检测方法，是一种改进 性和综合性方法。其目的是同时将图像中所有缺陷目标检测出来。该方法首先对预处理后 的图像进行分块处理，通过比较图像方差与分块子图像方差，提取出潜在缺陷位置子图像； 然后对于缺陷子图像进行加权处理，构建多维加权协方差矩阵，然后计算加权协方差矩阵 特征值，最后判断加权特征值λ λ 2的值确定子图像是否包含缺陷： Stepl :若加权特征值λ \2的值相近，则该子图当前第1页1 2 本文档来自技高网...

【技术保护点】
一种基于图像分块方差‑加权特征值的多缺陷检测方法，其特征在于包括如下步骤：1)缺陷图像预处理；2)图像分块，先将预处理的一副m×n显著性图SM分成p×q块子图像，即：S=S11S12...S1qS21S22...S2q............Sp1Sp2...Spq,k=1,2,...,p;l=1,2,...,q---(1)]]>其中S表示显著性图SM，每个子图像Skl是mk×nl矩阵形式，其中Σk=1k=pmk=m,Σl=1l=qnl=n;]]>3)提取包含潜在缺陷的子图像,由于显著性图像SM中缺陷处像素与非缺陷位置像素特征不同，包含缺陷的图像方差明显要比没有缺陷图像的方差大；因此，通过计算子图像方差，与整幅图像均方差对比，确定包含潜在缺陷的子图像位置；4)构建加权协方差矩阵，利用PCA的思想，通过构建加权协方差矩阵，基于每个像素点灰度值而计算加权特征值，从而确定显著性图SM缺陷位置；5)加权特征值λ1,λ2计算；6)识别与定位缺陷位置，通过判断λ1,λ2的值确定子图像是否包含缺陷：若λ1,λ2的值相近，则该子图像块中无缺陷；若λ1远远大于λ2，则该子图像块中存在缺陷。...

【技术特征摘要】

【专利技术属性】
技术研发人员：许亮，苏培权，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