基于自适应参数模型粒子滤波的非线性系统缺陷检测与定位算法技术方案

在本文中，提出了一种没有先验知识的基于PF的一个新的智能缺陷检测算法。我们制定了视觉缺陷的检测问题，使用PF估计隐状态，并由卡方检验判断缺陷的发生或缺陷在2-D图像中的位置。在我们的方法中，二维图像在每一行或列的亮度是假定时间序列或一个随机过程为了检测图像(系统)中的故障/缺陷，首先对粒子滤波提出合理的状态和测量模型。然后，根据提出的模型，粒子过滤器实现沿行和列来估计状态和测量新息(残差)。最后，通过卡方检验，突变的测量新息用于定位缺陷在检测图像中的位置。通过对真正数据库的测试证明该算法的有效性。

【技术实现步骤摘要】


本专利技术涉及的是一种图像处理
的方法，具体是一种基于自适应参数模型粒子滤波的非线性系统缺陷检测和定位方法。

技术介绍

故障检测，是控制工程的一个分支，它监控一个随机系统并且识别在故障发生时，故障的类型和位置等信息。故障检测方法在各种行业改进生产过程和应用过程中发挥着基础性的作用，如在过程监控，质量控制，产品制造，介质恢复和设施维护等。近年来，缺陷检测技术低成本、高自动化和高质量的优势带来越来越多的收益。故障/缺陷检测对质量的检验包括使用相机、涡流、超声波、x射线传感器和其他传感器提供的测量信息来分析提取故障信息。随着相机在工业质量控制的高需求，视觉检测系统近年来吸引了更多的关注。不管线性或非线性系统的故障检测，基于视觉检测系统的缺陷检测都可以通过相机来监测测量值的变化。
现有缺陷检测方法可大致分为两类，即：基于信号处理和基于模型的方法。信号处理算法通过对量测运用数理统计方法分析工具来提取缺陷。在非线性系统中，成熟的方法如Gabor滤波和小波变换等方法已被证明是在少量先验信息条件下有效的缺陷检测方法。近年来，基于Gabor滤波和小波变换的缺陷检测对寻找网格面和稳定重复纹理具有良好的效果，因为在频域更容易找到缺陷。信号处理技术也涉及大量的计算智能方法如模糊逻辑和神经网络，它为各种工业故障检测问题提供了一些有效的解决方案。但是，数据驱动方法受到计算负载和存储空间的制约。
在过去几十年中，学者们提出了各种基于模型的缺陷/故障检测方法。基于模型的算法的本质是从传感器量测中估计出系统状态。贝叶斯方法是其中最流行的一种基于模型的算法，它产生包含隐藏状态的后验系统状态分布，如缺陷的产生和类型等。贝叶斯滤波及其变形算法是检测材料表面缺陷和具有可靠性要求的过程控制系统的故障检测的有效的视觉解决方案，例如：化工过程监测。对于线性高斯系统，卡尔曼滤波器已经运用在表面缺陷视觉检测系统。粒子滤波(Particlefilter，PF)，即贝叶斯滤波的非线性非高斯实现算法，已经被用于化学过程的故障检测。然而，在实际视觉检测场景下，由于缺乏合适的视觉系统，状态估计和故障检测仍然是一个挑战。当背景像素呈现复杂的灰度概率分布时，线性高斯模型在实际的视觉检测系统无法满足缺陷检测和定位的要求。

技术实现思路

本专利技术针对现有技术存在的上述不足，提出一种基于PF的非线性系统故障/缺陷自动检测的新方法。本专利技术可以有效地减轻被检对象图像灰度分布不均匀，以及由于被检对象本身的几何结构引起灰度分布规则变化等干扰的问题；此外，本专利技术的粒子滤波算法不需要先验信息，具有较强的鲁棒性。
本专利技术是通过以下技术方案实现的，本专利技术包括以下步骤：
第一步，建立视觉系统的状态模型和测量模型。
所述的状态模型，具体是：
xk＝Fkxk-1+vk(1)
其中xk是在时间序列的状态，Fk是该状态转移模型，vk是零均值白高斯噪声方差序列对于本文缺陷检测的问题，该动态模型采用Fk＝1时的随机游走模型。在高斯序列中每个状态也可写为
其中代表一个高斯分布的期望A和方差B。
所述时间序列的状态xk，具体是一个高斯白噪声状态序列。当被检查的目标无缺陷，沿每条扫描线的像素的亮度呈现小的变化。因此，在一个无缺陷的图像中，灰度级沿着扫描线可以被定义为一个高斯白噪声状态序列或所述测量模型，具体是：
zk＝gk(xk)+wk(3)
其中gk(·)表示从状态估计xk到测量值zk的转移函数，wk是零均值白高斯噪声方差序列所述测量值zk是数字图像中是像素的灰度值或亮度。假定在一幅M×N的图像中，任意一行或者一列像素的灰度可作为一个时间序列或者随机过程或其中k是有关像素的扫描线的一维坐标。
第二步，对于每个像素，贝叶斯滤波可由以下递归公式沿着图像的扫描线产生的状态估计。
pk|k-1(xk|z1：k-1)＝∫fk|k-1(xk|x)pk-1(x|z1：k-1)dx(4)
p k ( x k | z 1 : k ) = g k ( z k | x k ) p k | k - 1 ( x k | z 1 : k - 1 ) ∫ g k ( z k | x ) p k | k - 1 ( x k | z 1 : k - 1 ) d x - - - ( 5 ) ]]>其中，fk|k-1(·|·)是由(1)或(2)定义的转移密度，gk(·|·)是由(3)所定义的似然函数。后验密度pk(xk|z1：k)在时刻k包括所有状态信息和通过最大后验本文档来自技高网...

【技术保护点】
一种基于自适应参数模型粒子滤波的非线性系统缺陷检测和定位方法，其特征在于，包括以下步骤：第一步，建立视觉系统的状态模型和测量模型。第二步，对于每个像素，贝叶斯滤波可由递归贝叶斯沿着图像的扫描线产生的状态估计。第三步，由新息来表示预估值zk|k‑1和实际测量值zk之间的差异。第四步，当测量值zk是高斯变量，可以建立卡方检验统计量。第五步，通过卡方检验检测缺陷并定位。

【技术特征摘要】
1.一种基于自适应参数模型粒子滤波的非线性系统缺陷检测和定位方法，其特征在于，
包括以下步骤：
第一步，建立视觉系统的状态模型和测量模型。
第二步，对于每个像素，贝叶斯滤波可由递归贝叶斯沿着图像的扫描线产生的状态估
计。
第三步，由新息来表示预估值zk|k-1和实际测量值zk之间的差异。
第四步，当测量值zk是高斯变量，可以建立卡方检验统计量。
第五步，通过卡方检验检测缺陷并定位。
2.根据权利要求1所述的基于自适应参数模型粒子滤波的非线性系统缺陷检测和定位方
法，其特征是，所述的状态模型，具体是
xk＝Fkxk-1+vk其中xk是在时间序列的状态，Fk是该状态转移模型，并且vk是零均值白高斯噪声方差序列
对于本文缺陷检测的问题，该动态模型采用Fk＝1时的随机游走模型。在高斯序列中每
个状态也可写为
其中代表一个高斯分布的期望A和方差B。
所述时间序列的状态xk，具体是一个高斯白噪声状态序列。当被检查的目标无缺陷，沿
每条扫描线的像素的亮度呈现小的变化。因此，在一个无缺陷的图像中，灰度级沿着扫描线
可以被定义为一个高斯白噪声状态序列或3.根据权利要求1所述的基于自适应参数模型粒子滤波的非线性系统缺陷检测和定位方
法，其特征是，所述的测量模型，具体是
zk＝gk(xk)+wk其中gk(·)表示从状态估计xk到测量值zk的转移函数，wk是零均值白高斯噪声方差序列所述测量值zk是数字图像中是像素的灰度值或亮度。假定在一幅M×N的图像中，任意
一行或者一列像素的灰度可作为一个时间序列或者随机过程或其中k是有关像
素的扫描线的一维坐标。
4.根据权利要求1所述的基于自适应参数模型粒子滤波的非线性系统缺陷检测和定位方
法，其特征是，所述的的状态估计采用递归贝叶斯方法产生，具体是
pk|k-1(xk|z1.k-1)＝∫fk|k-1(xk|x)pk-1(x|z1：k-1)dx
p k ( x k | z 1 : k ) = g k ( z k | x k ) p k | k - 1 ( x k | z 1 : k - 1 ) ∫ g k ( z k | x ) p k | k - 1 ( x k | z 1 : k - 1 ) d x ]]>其中，fk|k-1(·|·)是由权利要求2中的状态模型定义的转移密度，gk(·|·)是由权利要求2中的测
量模型所...

【专利技术属性】
技术研发人员：吴静静，秦煜，宋淑娟，安伟，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏;32