基于显著性标签信息传播模型的板带钢表面缺陷检测方法技术

本发明专利技术涉及工业表面缺陷检测技术领域，提供一种基于显著性标签信息传播模型的板带钢表面缺陷检测方法。首先，获取板带钢表面图像I；然后，从图像I中提取边界框，并执行边界框选择策略；接着，对图像I进行超像素分割，并从每个超像素中提取特征向量；然后，构建显著性标签信息传播模型，基于多示例学习框架构建训练集来训练基于KISVM的分类模型，用训练后的模型对测试集分类，得到类别标签矩阵，并计算平滑约束项、高层先验约束项，优化求解扩散函数；最后，计算多尺度下的单尺度显著图，通过多尺度融合获取最终的缺陷显著图。本发明专利技术能够高效、精确且自适应地检测板带钢表面缺陷，能够均匀高亮完整的缺陷目标并有效抑制非显著的背景区域。

Detection method of surface defects of steel strip based on the propagation model of saliency label information

【技术实现步骤摘要】
基于显著性标签信息传播模型的板带钢表面缺陷检测方法
本专利技术涉及工业表面缺陷检测
，特别是涉及一种基于显著性标签信息传播模型的板带钢表面缺陷检测方法。
技术介绍
表面缺陷检测是控制工业产品质量关键的一环，尤其是对于我国蓬勃发展的钢铁行业。然而，目前不少企业仍然主要利用人工检测技术，该技术严重依赖于工人的主观经验，容易产生高的误检率，并且效率低下。近年来，基于视觉显著性的自动检测模型因其高效性和检测精度高而受到人们的广泛关注。视觉显著性检测方法能够模拟人类的视觉注意机制，该注意机制能够解决大脑处理能力有限的问题，在接收场景信息时会选择重要的视觉信息进行优先处理。而将这一视觉显著性检测方法引入到工业上的表面缺陷检测能够大大提高检测效率。它可将有限的计算资源分配给图像中更重要的信息，而且引入视觉显著性的结果更符合人的视觉认知需求。显著性检测的结果被称为显著图(saliencymap)，图上亮度越大的区域表明越容易吸引人的注意。视觉显著性检测技术研究始于上世纪90年代，其处理对象为图像或者视频。1998年Itti等人提出了公认的第一个显本文档来自技高网...

【技术保护点】
1.一种基于显著性标签信息传播模型的板带钢表面缺陷检测方法，其特征在于，包括下述步骤：/n步骤1：采集待检测板带钢的表面图像，形成原始板带钢表面图像I

【技术特征摘要】
1.一种基于显著性标签信息传播模型的板带钢表面缺陷检测方法，其特征在于，包括下述步骤：
步骤1：采集待检测板带钢的表面图像，形成原始板带钢表面图像I0，对原始板带钢表面图像I0进行预处理，得到预处理后的板带钢表面图像I；
步骤2：利用EdgeBoxes方法从板带钢表面图像I中提取多个边界框，得到初始边界框集合Γ0及每个边界框的包含缺陷目标的概率值，通过边界框选择策略筛选出初始边界框集合Γ0中可能包含缺陷的边界框，得到筛选后的边界框集合Γ；
步骤3：利用基于谱聚类的超像素分割方法，将板带钢表面图像I分割成K个不重叠的子区域其中，每个子区域为一个超像素；
步骤4：从每个超像素中提取D维鲁棒纹理特征向量K个D维鲁棒纹理特征向量构成板带钢表面图像I的矩阵为
步骤5：构建显著性标签信息传播模型为



其中，S为板带钢表面图像I的显著图，si为超像素Pi的显著值；Θ(S,L)为交互正则项，L为标签矩阵，Ψ(·)为平滑约束项，M(·)为高层先验约束项，μ为正的权衡参数；
步骤6：以超像素的D维鲁棒纹理特征向量为输入、超像素对应的类别标记为输出，构建基于KISVM的分类模型；基于多示例学习框架，对边界框集合Γ进行处理，构建正袋和负袋，正袋、负袋对应的超像素的类别标签分别为1、-1，由正袋和负袋组合构成训练集，由K个D维鲁棒纹理特征向量构成测试集；利用训练集对基于KISVM的分类模型进行训练，将测试集输入训练后的基于KISVM的分类模型，得到测试集中每一个超像素的类别标签，构成类别标签矩阵Y＝[y1,y2,...,yi,...,yK]T，令标签矩阵L＝Y，计算交互正则项其中，yi为超像素Pi的类别标签，yi∈{-1,+1}，yi＝1表示超像素Pi为对应缺陷目标的感兴趣区域、yi＝-1表示超像素Pi为对应非显著的背景的冗余信息部分；
步骤7：计算平滑约束项为



其中，vi,j为超像素Pi与Pj之间的特征相似性程度，LM为拉普拉斯矩阵，LM＝DV-V，V＝(vi,j)K×K，Dv＝diag{d11,d22,…,dKK}为度矩阵，dii＝∑jvi,j，
步骤8：计算高层先验约束项为
M(S)＝γMbg+θMoj+λMf
其中，γ,θ,λ均为正的惩罚因子；Mbg为背景约束项，qi为由超像素Pi的边界连通值BC(Pi)映射得到的背景概率，σBC为预设的参数，Dq＝diag{q1,q2,...,qi,...,qK}；Moj为目标约束项，ui为超像素Pi的背景加权对比度，Du＝diag{u1,u2,...,ui,...,uK}，Mf为中层特征约束项，hi为超像素Pi的中层特征线索，Dh＝diag{h1,h2,...,hi,...,hK}；
步骤9：融合标签矩阵和高层先验约束项，得到显著性标签信息传播模型的扩散函数为



对扩散函数进行优化求解，得到封闭形式的最优解也即尺度K下的单尺度显著图为S*＝(I+μLM+γDq+θDu+λDh)-1(Y+θU+λH)；其中，U＝[u1,u2,…,uK]T，H＝[h1,h2,…,hK]T，I为单位向量；
步骤10：改变尺度K的取值，重复上述步骤3至步骤9，得到不同尺度下的单尺度显著图，通过多尺度融合策略，获取待检测板带钢的缺陷显著图。


2.根据权利要求1所述的基于显著性标签信息传播模型的板带钢表面缺陷检测方法，其特征在于，所述步骤1中，对原始板带钢表面图像I0进行预处理包括：利用降噪方法DAMF对原始板带钢表面图像I0进行降噪处理，再将降噪处理后的图像转化成3通道的RGB图像，得到预处理后的板带钢表面图像I。


3.根据权利要求1所述的基于显著性标签信息传播模型的板带钢表面缺陷检测方法，其特征在于，所述步骤2中，通过边界框选择策略筛选出初始边界框集合Γ0中可能包含缺陷的边界框，包括：计算初始边界框集合中每个边界框κ包含的像素个数pκ，若0.2N≤pκ≤0.7N，则边界框κ为可能包含缺陷的边界框，保留边界框κ；若pκ＜0.2N或pκ＞0.7N，则边界框κ为冗余无效的边界框，剔除边界框κ；其中，N为板带钢表面图像I的像素总数。
<...

【专利技术属性】
技术研发人员：宋克臣，宋国荣，颜云辉，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21