一种基于图像分析的金属板材表面异常检测方法技术

本发明专利技术公开了一种基于图像分析的金属板材表面异常检测方法，先利用图像的均值与方差进行粗检，得到疑似异常集合与正常集合；再利用压缩感知的原理对正常集合进行特征的学习，之后运用Bayes思想对异常集合进行分析判定，从而实现对表面异常的细检，这样通过粗检和细检相结合的方法来对表面缺陷进行快速检测，提高了检测的准确率以及实时性。

An anomaly detection method for metal plate surface based on image analysis

The invention discloses a method for anomaly detection of metal plate surface based on image analysis, the mean and variance of the image of coarse detection, has been suspected abnormal and normal collection set; then feature of normal set using the principle of compressed sensing study, after using Bayes analysis to determine the abnormal collection, in order to achieve the detailed detection of abnormal surface, this method through the coarse detection and fine detection is carried out with the rapid detection of surface defects, improve the detection accuracy and real-time.

【技术实现步骤摘要】
一种基于图像分析的金属板材表面异常检测方法
本专利技术属于图像处理及检测
，更为具体地讲，涉及一种基于图像分析的金属板材表面异常检测方法。
技术介绍
金属板材表面异常(或缺陷)检测是其生产过程的一个重要环节，对金属板材制成品(或建筑体)的表面异常检测也是相关领域日常巡检或维护的必要手段。金属板材及其建筑体表面有无异常以及异常部分的大小，将对相关产品的质量或安全性等有着很重要的影响。因此，为确保产品质量和相关应用的安全性，需要对相关产品进行表面异常的检测，以便能够及时的发现其表面的污迹、划痕、疤痕、磨损、裂纹、锈蚀等异常，以确保产品质量或做出安全预警处理。在上述相关检测需求中，人工检测已很难满足，其存在着检测不全面，置信度低，缺乏量化，劳动强度大等缺点。目前，随着机器视觉技术的发展，利用机器视觉的图像分析技术进行在线实时自动检测，可有效克服人工检测的诸多不足。基于此，本专利技术根据现场实时获取的被测物的表面图像，进行实时分析处理，得到相应的表面异常检测结果。综上所述，本专利技术设计了一种具有较好普适性的金属板材表面异常快速检测的方法，能够解决实际应用中金属板材表面异常检测中的相关本文档来自技高网...

【技术保护点】
一种基于图像分析的金属板材表面异常检测方法，其特征在于，包括以下步骤：(1)、计算整幅待检测图像的积分图

【技术特征摘要】
1.一种基于图像分析的金属板材表面异常检测方法，其特征在于，包括以下步骤：(1)、计算整幅待检测图像的积分图其中，I(x,y)表示坐标(x,y)处像素值，I′(x,y)表示待检测图像在坐标(x,y)处左下角像素值之和，即有：(2)、对待检测图像进行分块设置大小为m*n的滑动窗口，m为滑动窗口的长，n为滑动窗口的宽；设置滑动步长step；从待检测图像的左上角顶点出发，以步长step滑动，每滑动一次得到一图像块，用符号Ip表示，p＝1,2,…,L，L表示图像块的个数；(3)、根据积分图计算图像块Ip的像素值之和设x1＜x2,y1＜y2，(x1,y1)为Ip左上角顶点坐标，(x2,y2)为Ip右下角顶点坐标，则图像块Ip内所有像素值之和为：I′(x1,y1；x2,y2)＝I′(x2,y2)+I′(x1,y1)-I′(x1,y2)-I′(x2,y1)(4)、对待检测图像进行基于均值与方差的粗检测(4.1)、计算图像块Ip的均值μ；(4.2)、计算图像块Ip的方差σ；(4.3)、按照方差σ对待检测图像进行粗搜索；将L个图像块的方差进行升序排列，得到σ1,σ2,…,σL；设置阈值thro，thro＝times×(σL-σL/2)/(L/2)，其中，times为常数；从排序后的方差中取出方差较大的L/3的σ，再依次计算相邻两方差的差值Δσ：Δσ＝σp-σp-1，2L/3≤p≤L判断相邻两方差的差值σ是否大大于预设的阈值thro，如果大于阈值thro，则以当前σp对应的第p个图像块为界限，将方差大于等于σp的图像块划分为疑似异常图像块，用集合F＝{σp,σp+1,...σL}表示，将方差小于σp的图像块划分为正常图像块，用集合P＝{σ1,σ2,...σp-1}表示；(4.4)、按照均值μ对待检测图像进行防漏搜索；将L个图像块的均值进行升序排列，得到μ1,μ2,…,μL；从排序后的均值中取出均值最大的l个图像块和均值最小的q个图像块均判为疑似异常图像块，并加入到集合F中，如果加入到集合F中的l个图像块和q个图像块有在集合P中的，则在集合P中删除对应的图像块；(5)、对待检测图像进行基于压缩感知特征的Bayes似然分类细检测(5.1)、求取所有图像块的特征向量(5.1.1)、从L个图像块中随机选取一个图像块，并将该图像...

【专利技术属性】
技术研发人员：康波，陈亮，李云霞，唐诗，甘君，钱志敏，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51