基于图像处理和人工智能的小样本缺陷检测方法技术

本发明专利技术涉及图像处理缺陷检测技术领域，且公开了基于图像处理和人工智能的小样本缺陷检测方法，包括如下步骤：S1.图像获取，安装多位相机，获取待处理工件各个位面的图像；S2.图像预处理检测缺陷，一、不具备明显纹理特征的图像检测；二、纹理缺陷检测。该基于图像处理和人工智能的小样本缺陷检测方法，具备极大地减少了权重的数目，同样减少了网络所需的训练参数，降低了网络的复杂性，更加便于实际使用，能够更加有效的对工件的良率进行快速检测的优点。

Small sample defect detection method based on image processing and artificial intelligence

【技术实现步骤摘要】
基于图像处理和人工智能的小样本缺陷检测方法
本专利技术涉及图像处理缺陷检测
，具体为基于图像处理和人工智能的小样本缺陷检测方法。
技术介绍
一些小的电子器件像电容电阻磁芯这些有些表面缺陷需要检测出来，并且分开良品和不良品，目前仅仅通过图像处理检测不出细小的裂纹，通过图像处理和人工智能的结合，可以达到检测大部分缺陷，像一些工件表面的裂纹、凹坑、划痕、缺角等缺陷，但整体耗时较长，为了达到跑料和自动分拣，检测耗时也要严格控制，所以为了减少耗时，需要改进了图像处理工具和算法。卷积神经网络是多层感知机(MLP)的变种，由生物学家休博尔和维瑟尔在早期关于猫视觉皮层的研究发展而来，视觉皮层的细胞存在一个复杂的构造，这些细胞对视觉输入空间的子区域非常敏感，称之为感受野。CNN由纽约大学的YannLecun于1998年提出，其本质是一个多层感知机，成功的原因在于其所采用的局部连接和权值共享的方式：一方面减少了权值的数量使得网络易于优化；另一方面降低了模型的复杂度，也就是减小了过拟合的风险该优点在网络的输入是图像时表现的更为明显，使得本文档来自技高网...

【技术保护点】
1.基于图像处理和人工智能的小样本缺陷检测方法，其特征在于：包括如下步骤：/nS1.图像获取/n安装多位相机，获取待处理工件各个位面的图像；/nS2.图像预处理检测缺陷/n一、不具备明显纹理特征的图像检测/n先用边缘检测算子提取缺陷区域边缘，再将其从目标图像中分割出来，提取其特征参数面积，周长，质心，从而进行缺陷检测和分类，再采用数学形态学方法对瑕疵边界缺损补偿,填充细小空洞、链接邻近物体、在不明显改变物体面积和现状的情况下平滑边界,也方便瑕疵区域像素覆盖的面积、周长、圆形度等特征参数的计算；/n二、纹理缺陷检测/n通过灰度直方图特征提取灰度均值灰度方差扭曲度、峰度、能量、嫡六维灰度直方图统计...

【技术特征摘要】
1.基于图像处理和人工智能的小样本缺陷检测方法，其特征在于：包括如下步骤：
S1.图像获取
安装多位相机，获取待处理工件各个位面的图像；
S2.图像预处理检测缺陷
一、不具备明显纹理特征的图像检测
先用边缘检测算子提取缺陷区域边缘，再将其从目标图像中分割出来，提取其特征参数面积，周长，质心，从而进行缺陷检测和分类，再采用数学形态学方法对瑕疵边界缺损补偿,填充细小空洞、链接邻近物体、在不明显改变物体面积和现状的情况下平滑边界,也方便瑕疵区域像素覆盖的面积、周长、圆形度等特征参数的计算；
二、纹理缺陷检测
通过灰度直方图特征提取灰度均值灰度方差扭曲度、峰度、能量、嫡六维灰度直方图统计特征，确定纹理图像中灰度或空间分布与背景纹理显著不同的像素位置和幅度；
S3.神经网络智能检测
建立包括输入层、卷积计算层、激励层、池化层、全连接层和输出层的卷积神经网络，卷积计算层、激励层、池化层进行特征提取，全连接层起到分类器的作用，卷积核覆盖在输入图上，对应位置求积再求和得到一个值并赋给输出图对应的位置。每次卷积核在输入图上移动一个位置，从上到下从左到右交叠覆盖一遍之后得到输出矩阵输出图，如果卷积核的输入图输入图为Mx*Nx大小，卷积核为Mw*Nw大小，那么输出图Y为(Mx-Mw+1)*(Nx-Nw+1)大小；
在错误信号反向传播过程中，先按照神经网络的错误反传方式得到尾部分类器中各神经元的错误信号，然后错误信号由分类器向前面的特征抽取器传播，错误信号从子采样层的特征图往前面卷积层的特征图传播要通过一次full卷积过程来完成，如果卷积核kernalW的长度为Mw*Mw的方阵，那么子采样层的特征图的错误信号矩阵Qerr需要上下左右各拓展Mw-1行或列，与此同时卷积核自身旋转180度，子采样层的特征图的错误信号矩阵Perr等于子采样...

【专利技术属性】
技术研发人员：朱金伟，
申请(专利权)人：东莞西尼自动化科技有限公司，
类型：发明
国别省市：广东;44