一种基于贝叶斯分类器的复杂曲面缺陷分类方法技术

本发明专利技术涉及一种基于贝叶斯分类器的复杂曲面缺陷分类方法，包括以下步骤:S1、采集曲面图像；S2、对采集到的图像进行预处理；S3、提取图像中包含缺陷部分的ROI区域，得到图像

A method of complex surface defect classification based on Bias classifier

The invention relates to a complex surface defect classification method based on Bias classifier, which comprises the following steps: S1, collecting surface images, S2, preprocessing the collected images, S3, and extracting ROI regions containing defective parts, and obtaining images.

【技术实现步骤摘要】
一种基于贝叶斯分类器的复杂曲面缺陷分类方法
本专利技术涉及缺陷检测的
，尤其涉及到一种基于贝叶斯分类器的复杂曲面缺陷分类方法。
技术介绍
视觉检测技术在表面缺陷自动检测领域得到了广泛应用。但传统的表面缺陷检测方法主要针对于规则平面无纹理的物体，而对于复杂曲面缺陷检测则涉及的不多。复杂曲面缺陷检测由于其复杂的几何形状特性，导致图像处理存在较大难度。之前已有相关文章研究过计算机视觉在曲面方面的应用，如文献Automatedsurfaceinspectionfordirectionaltextures[J].Image&VisionComputing和文献Anovelinternalthreaddefectauto-inspectionsystem[J].InternationalJournalofAdvancedManufacturingTechnology。但是不足的是，上述文献所述方法的检测效果均受限于待检表面的复杂程度，不适合复杂几何曲面的缺陷检测。如何在考虑工件表面复杂性的基础上，完成复杂几何曲面缺陷的检测并分类，成为生产复杂几何曲面物件(如皮革、曲面工件、塑料瓶、汽车引擎盖等)的厂家亟待解决的问题。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种能有效检测出复杂几何曲面缺陷且检测精度高、实用性好的基于贝叶斯分类器的复杂曲面缺陷分类方法。为实现上述目的，本专利技术所提供的技术方案为：包括以下步骤：S1、采集曲面图像；S2、对采集到的图像进行预处理；S3、提取图像中包含缺陷部分的ROI区域，得到图像S4、对图像进行曲面拟合，得到拟合图S5、将图像与拟合图作差分处理，得到ROI区域中存在的缺陷信息；S6、突出缺陷部分；S7、构建贝叶斯分类器；S8、在线检测并分类。进一步地，步骤S2图像预处理包括图像灰度化与中值滤波。进一步地，步骤S3提取图像中包含缺陷部分的ROI区域的步骤如下：S3-1、采用迭代法计算评价阈值T',具体为：S3-1-1、由灰度直方图求取图像灰度均值T，记为初始阈值；S3-1-2、使用T分割图像；将图像分为灰度值大于T的所有像素集合G1和灰度值小于T的所有像素集合G2；S3-1-3、计算G1和G2集合内的像素的平均灰度值μ1和μ2；S3-1-4、将1/2(μ1+μ2)作为一个新的阈值T'；S3-1-5、重复步骤S3-1-2～S3-1-4，直到连续迭代中两个T'的差值比预先给定的参数值小为止；S3-2、利用评价阈值T'提取包含缺陷部分的ROI区域：分析图像中的所有像素点，若待检图像中像素点灰度值小于阈值T'，视其为背景点或非检测区域点，剔除该像素点；反之，视为检测对象上检测区域中的点，保留该像素点；待检测图像A(Xi,Yi,Zi)提取ROI后得到只含待检测区域的新图像其中，Xi,Yi为像素点坐标，Zi表示该像素点灰度值。进一步地，步骤S4曲面拟合具体为：采用最小二乘法构建拟合函数Z＝F(X,Y)；将图像中像素点的坐标Xi,Yi与灰度值Zi作为拟合函数Zi＝f(Xi,Yi)的样本数据,得到拟合函数Z＝F(X,Y)与待检测区域拟合图最小二乘法拟合的解法为：对于待测图像上的样本点(Xi,Yi,Zi),在函数空间找一个函数Z＝F*(X,Y)，使误差平方和最小，即拟合结果与样本数据的误差最小，达到最优拟合；其中，采用Euclid范数||δ||2作为误差度量标准。进一步地，步骤S6中，通过对步骤S5的差分结果采用边缘检测和形态学运算去除图像边缘和细小瑕疵部分，突出缺陷部分。进一步地，步骤S7构建贝叶斯分类器的具体步骤如下：S7-1、构建数据库模型：包括正样本和负样本，正样本即是无缺陷图像，负样本为各种类型的缺陷图像。S7-2、样本特征提取：样本特征主要包括灰度特征和几何特征；由于正样本的灰度特征、几何特征具有很强的规律性，与负样本差异明显，很容易辨别；具体包括以下几个步骤：S7-2-1：由灰度直方图得到正样本和负样本的灰度特征信息，具体包括灰度均值、灰度中值、最小或最大灰度级、大于或小于规定值的像素数；其中，灰度均值是指区域中所有像素的平均值；灰度中值是指区域中所有像素的排序中值；将这些特征值组成一个灰度特征向量组，记为H,作为灰度特征的评价标准；S7-2-2：由Blob分析得到正样本和负样本的几何特征信息，具体包括面积、圆形度、矩形度、周长和长宽比。将这些特征值组成一个几何特征向量组，记为G,作为几何特征的评价标准。S7-3、构建贝叶斯分类器，具体步骤如下：S7-3-1、准备训练样本：将具有同一特征属性，同一类别的正负样本划分为同一个集合；其中，特征属性为步骤S7-2得出的灰度特征向量组H和几何特征向量组G；S7-3-2、训练分类器：计算三个先验概率，分别为P(D)、P(f|D)、P(D|f)，生成分类器；进而由贝叶斯定理计算出各类正负样本的后验概率，实现分类。贝叶斯定理计算公式为：其中，P(f)表示假设缺陷f的先验概率，f为假设集合的一个划分；P(D)表示正负训练样本的先验概率；P(D|f)表示每一类缺陷样本中各特征值的概率分布，P(f|D)表示经贝叶斯分类器计算得到的假设各类缺陷的后验概率；S7-3-3、测试分类性能：使用步骤S7-3-2训练得到的分类器计算各类缺陷的后验概率，最大后验概率对应的分类作为分类结果输出，将输出结果与标准结果对比验证，判断分类是否准确。与现有技术相比，本方案优点如下：本方案能在考虑工件表面复杂性的基础上，完成复杂几何曲面缺陷的检测并分类；在分类器的选择上，相较于支持向量机非常难以训练和难以解释其内部规律的缺点，多层感知器需要大量数据进行训练训练要求很高的硬件配置模型处于「黑箱状态」，难以理解内部机制元参数与网络拓扑选择困难的缺点，贝叶斯分类器具有快速、易于训练、训练效果良好，识别率高的优势；同时，检测精度高，具有较好实用性。附图说明图1为本专利技术一种基于贝叶斯分类器的复杂曲面缺陷分类方法的流程图。具体实施方式下面结合具体实施例对本专利技术作进一步说明：参见附图1所示，本实施例所述的一种基于贝叶斯分类器的复杂曲面缺陷分类方法，包括以下步骤：S1、采集曲面图像；S2、对采集到的图像进行图像灰度化与中值滤波；S3、提取图像中包含缺陷部分的ROI区域，得到图像具体过程为：S3-1、采用迭代法计算评价阈值T'：S3-1-1、由灰度直方图求取图像灰度均值T，记为初始阈值；S3-1-2、使用T分割图像；将图像分为灰度值大于T的所有像素集合G1和灰度值小于T的所有像素集合G2；S3-1-3、计算G1和G2集合内的像素的平均灰度值μ1和μ2；S3-1-4、将1/2(μ1+μ2)作为一个新的阈值T'；S3-1-5、重复步骤S3-1-2～S3-1-4，直到连续迭代中两个T'的差值比预先给定的参数值小为止；S3-2、利用评价阈值T'提取包含缺陷部分的ROI区域：分析图像中的所有像素点，若待检图像中像素点灰度值小于阈值T'，视其为背景点或非检测区域点，剔除该像素点；反之，视为检测对象上检测区域中的点，保留该像素点；待检测图像A(Xi,Yi,Zi)提取ROI后得到只含待检测区域的新图像其中，Xi,Yi为像素点坐标，Zi表示该像素点灰度值。S4、对图像进行曲面拟合，得到拟合本文档来自技高网...

【技术保护点】
一种基于贝叶斯分类器的复杂曲面缺陷分类方法，其特征在于：包括以下步骤：S1、采集曲面图像；S2、对采集到的图像进行预处理；S3、提取图像中包含缺陷部分的ROI区域，得到图像

【技术特征摘要】
1.一种基于贝叶斯分类器的复杂曲面缺陷分类方法，其特征在于：包括以下步骤：S1、采集曲面图像；S2、对采集到的图像进行预处理；S3、提取图像中包含缺陷部分的ROI区域，得到图像S4、对图像进行曲面拟合，得到拟合图B；S5、将图像与拟合图作差分处理，得到ROI区域中存在的缺陷信息；S6、突出缺陷部分；S7、构建贝叶斯分类器；S8、在线检测并分类。2.根据权利要求1所述的一种基于贝叶斯分类器的复杂曲面缺陷分类方法，其特征在于：所述步骤S2图像预处理包括图像灰度化与中值滤波。3.根据权利要求1所述的一种基于贝叶斯分类器的复杂曲面缺陷分类方法，其特征在于：所述步骤S3提取图像中包含缺陷部分的ROI区域的步骤如下：S3-1、采用迭代法计算评价阈值T',具体为：S3-1-1、由灰度直方图求取图像灰度均值T，记为初始阈值；S3-1-2、使用T分割图像；将图像分为灰度值大于T的所有像素集合G1和灰度值小于T的所有像素集合G2；S3-1-3、计算G1和G2集合内的像素的平均灰度值μ1和μ2；S3-1-4、将1/2(μ1+μ2)作为一个新的阈值T'；S3-1-5、重复步骤S3-1-2～S3-1-4，直到连续迭代中两个T'的差值比预先给定的参数值小为止；S3-2、利用评价阈值T'提取包含缺陷部分的ROI区域：分析图像中的所有像素点，若待检图像中像素点灰度值小于阈值T'，视其为背景点或非检测区域点，剔除该像素点；反之，视为检测对象上检测区域中的点，保留该像素点；待检测图像A(Xi,Yi,Zi)提取ROI后得到只含待检测区域的新图像其中，Xi,Yi为像素点坐标，Zi表示该像素点灰度值。4.根据权利要求1所述的一种基于贝叶斯分类器的复杂曲面缺陷分类方法，其特征在于：所述步骤S4曲面拟合具体为：采用最小二乘法构建拟合函数Z＝F(X,Y)；将图像中像素点的坐标Xi,Yi与灰度值Zi作为拟合函数Zi＝f(Xi,Yi)的样本数据,得到拟合函数Z＝F(X,Y)与待检测区域拟合图最小二乘法拟合的解法为：对于待测图像上的样本点(Xi,Yi,Zi),在函数空间找一个函...

【专利技术属性】
技术研发人员：陈振州，张平，张美杰，尹志锋，汪南辉，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44