一种金属工件表面结构误检结果的排除方法技术

本发明专利技术公开了一种金属工件表面结构误检结果的排除方法，包括步骤：采用传统缺陷识别方法检测得到初始缺陷图像集；计算当前缺陷图像的信息熵Hp；计算当前缺陷图像四个方0°、45°、90°和135°的灰度共生矩阵G；计算能量ASM、图像局部相关度COR、反差CON、边缘比率Re；计算图像的复杂度CP，通过实验获取经验阈值，在当前检测的图像复杂度大于阈值时，则认为当前图像为正常图像，从初始缺陷图像集中排除。本发明专利技术可以在R‑CNN检测缺陷后，排除掉误检的结构区域，提高缺陷检测的准确率，使在线缺陷检测可以高效和高质量地进行。

【技术实现步骤摘要】
一种金属工件表面结构误检结果的排除方法
本专利技术涉及目标识别研究领域，特别涉及一种金属工件表面结构误检结果的排除方法。
技术介绍
金属工件弧形表面在生产阶段不可避免地会出现表面缺陷，这些缺陷会严重影响设备的外观，甚至影响设备的使用寿命，需要进行重新加工或报废处理。以往金属工件弧形表面在加工完成后基本上是经过人工检测，合格后才进入后续的加工或装配环节。目前的人工检测存在以下的缺点：(1)检测标准受人主观影响较大，不同的工人对同一缺陷的判断不一定相同；(2)检测的准确率不稳定，金属工件弧形表面上的缺陷尺寸小且不明显，人眼长期观察极易出现视觉疲劳，影响判断的准确度；(3)检测效率低，工人需要手动调整金属工件表面的位置来观察工件的每个角落，同时检测时间的长短还受熟练程度的影响。随着计算机性能的不断提升，计算机视觉技术凭借着高效率和智能化的优点，已经在众多领域取代了人工操作。卷积神经网络(ConvolutionalNeuralNetwork,CNN)相比于传统图像处理算法有检测时间短、无需人为设计特征以及要求用户输入的参数少等优点，而基于区域的CNN模型(RegionswithCNNfeature,R-CNN)更是在目标检测问题上取得了突破。但是卷积神经网络检测金属工件表面的效果与训练样本的数量和质量有着直接关系，实际应用中需要为每种型号的金属工件表面采集足够多的含缺陷的样本图像，这一过程所需时间周期过长，同时缺陷形态多样，导致样本收集困难。另外，该方法对于图1中的C类和D类区域有较好的识别效果，但是对于A类、B类区域，由于这类区域中存在金属工件表面固有的花纹、硬件等信息，采用该检测方法时往往被误判为是缺陷图像，造成误检。为此，研究一种能够解决现有的缺陷识别方法尤其是R-CNN方法存在的误判多检问题，具有重要的实用价值。
技术实现思路
为了克服R-CNN检测金属弧形表面时存在误检的问题，本专利技术的目的在于提供一种金属工件表面结构误检结果的排除方法，在R-CNN检测缺陷后，利用该方法可以排除掉误检的结构区域，提高缺陷检测的准确率，使在线缺陷检测可以高效和高质量地进行。本专利技术的目的通过以下的技术方案实现：一种金属工件表面结构误检结果的排除方法，包括步骤：(1)采用R-CNN缺陷识别方法检测得到初始缺陷图像集；(2)计算当前缺陷图像的信息熵Hp；(3)计算当前缺陷图像四个方向0°、45°、90°和135°的灰度共生矩阵G，定义当前灰度级为R；根据灰度共生矩阵计算能量ASM、图像局部相关度COR、反差CON、边缘比率Re；(4)计算图像的复杂度Cp＝Hp-ASM-COR+CON+Re；(5)通过实验获取经验阈值thc，当检测的图像复杂度大于thc时，则认为当前图像为工件结构的正常图像，将其从R-CNN检测出来的初始缺陷图像集中排除。优选的，所述步骤(2)中，信息熵Hp的计算公式是：其中，gray-levelrange表示图像的灰度范围，mi表示灰度值i对应的像素点个数，rows和cols分别表示图像的行数和列数。优选的，所述步骤(3)中，能量ASM的计算公式是：R表示灰度共生矩阵的阶，即当前图像的灰度级。优选的，所述步骤(3)中，图像局部相关度COR的计算公式是：其中，μx，μy，σx，σy计算方法为：优选的，所述步骤(3)中，图像的反差CON的计算公式是：优选的，所述步骤(3)中，图像的边缘比率Re的计算公式是：其中，Ne表示图像边缘点的数量，Npixels表示像素点总数。更进一步的，所述图像边缘点通过Canny算子求出。本专利技术与现有技术相比，具有如下优点和有益效果：本专利技术针对R-CNN存在的误判多检问题，提出了基于复杂度的金属工件表面结构误检区域排除方法，通过统计一系列与图像复杂程度有关的信息，计算出图像的复杂度，最后根据图像复杂度的高低用阈值将R-CNN检测中的金属工件表面结构误检区域排除，以提高金属工件表面检测准确。附图说明图1为现有技术中金属工件表面不同区域的示例图。图2为本实施例方法的流程图。图3为检测结果示意图。具体实施方式下面结合实施例及附图对本专利技术作进一步详细的描述，但本专利技术的实施方式不限于此。实施例1如图1所示，本专利技术将A类、B类区域统称为金属工件表面结构误检区域，而C类、D类区域统称为金属工件表面的表面区域。如图2所示，本实施例金属工件表面结构误检结果的排除方法，包括以下步骤：(1)根据R-CNN检测的图像结果，获取区域图像并存储至内存。(2)计算当前图像的信息熵gray-levelrange表示图像的灰度范围，mi表示灰度值i对应的像素点数，rows和cols分别表示图像的行数和列数。(3)计算当前灰度级为R的图像的四个方向0°、45°、90°和135°的灰度共生矩阵G。(4)根据灰度共生矩阵计算能量R表示灰度共生矩阵的阶，即当前图像的灰度级。(5)根据灰度共生矩阵G计算图像局部相关度：其中μx，μy，σx，σy计算方法为：(6)根据灰度共生矩阵G计算图像的反差(7)计算图像的边缘比率Ne表示图像边缘点的数量，Npixels表示像素点总数，图像边缘点通过常用的Canny算子求出。(8)根据图像信息熵Hp，能量ASM，相关度COR，反差CON，边缘比率Re，计算图像的复杂度Cp＝Hp-ASM-COR+CON+Re。(9)如图3所示，图a)到图p)为实际金属工件表面，方框为检测结果，每个区域计算得到的复杂度如表1。表1图3中每个区域计算得到的复杂度通过实验，将thc设置为3.63，可以有效排除误检为缺陷区域的图g)到图p)。上述实施例为本专利技术较佳的实施方式，但本专利技术的实施方式并不受上述实施例的限制，其他的任何未背离本专利技术的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
一种金属工件表面结构误检结果的排除方法，其特征在于，包括步骤：(1)采用传统缺陷识别方法检测得到初始缺陷图像集；(2)计算当前缺陷图像的信息熵Hp；(3)计算当前缺陷图像四个方向0°、45°、90°和135°的灰度共生矩阵G，定义当前灰度级为R；根据灰度共生矩阵计算能量ASM、图像局部相关度COR、反差CON、边缘比率Re；(4)计算图像的复杂度Cp＝Hp‑ASM‑COR+CON+Re；(5)通过实验获取经验阈值thc，当检测的图像复杂度大于thc时，则认为当前图像为工件结构的正常图像，将其从R‑CNN检测出来的初始缺陷图像集中排除。

【技术特征摘要】
1.一种金属工件表面结构误检结果的排除方法，其特征在于，包括步骤：(1)采用传统缺陷识别方法检测得到初始缺陷图像集；(2)计算当前缺陷图像的信息熵Hp；(3)计算当前缺陷图像四个方向0°、45°、90°和135°的灰度共生矩阵G，定义当前灰度级为R；根据灰度共生矩阵计算能量ASM、图像局部相关度COR、反差CON、边缘比率Re；(4)计算图像的复杂度Cp＝Hp-ASM-COR+CON+Re；(5)通过实验获取经验阈值thc，当检测的图像复杂度大于thc时，则认为当前图像为工件结构的正常图像，将其从R-CNN检测出来的初始缺陷图像集中排除。2.根据权利要求1所述的金属工件表面结构误检结果的排除方法，其特征在于，所述步骤(2)中，信息熵Hp的计算公式是：其中，gray-levelrange表示图像的灰度范围，mi表示灰度值i对应的像素点个数，rows和cols分别表示图像的行数和列数。3.根据权利要求1所述的金属工件表面结构误检结果的排除方法，其特征在于，所述步骤(3)中，能量ASM的计算公式是：R表示灰度共生矩阵的阶，即当前图像的灰度级。4.根据权利要求1所述的金属工件表面结构误检结果的排除方法，其特征在于，所述步骤(3)中，图像局部相关度COR的计算公式是：

【专利技术属性】
技术研发人员：黄茜，严科，胡志辉，
申请(专利权)人：华南理工大学，广东盈嘉科技工程发展股份有限公司，
类型：发明
国别省市：广东,44