基于特征融合和核化RPCA的工业表面缺陷检测方法技术

本发明专利技术公开了一种基于特征融合和核化RPCA的工业表面缺陷检测方法，其步骤包括：首先，将待检测图像划分为大小一致的图像块；然后，分别用两种特征描述子提取图像块的特征向量组成两个特征矩阵，并采用典型相关分析方法将两种特征矩阵进行融合；其次，将核方法引入RPCA模型中构造核化RPCA模型，采用交替方向乘子法将融合特征矩阵分解为低秩矩阵和稀疏矩阵；最后，通过阈值分割算法将由稀疏矩阵生成的显著图进行分割，定位出表面缺陷的位置。本发明专利技术融合了两种不同特征描述子构建的特征矩阵，提升对工业表面图像中复杂纹理信息的表征能力；采用核化RPCA模型，实现表面疵点和复杂背景的有效分离，有更高的检测精度和更强的泛化能力。

【技术实现步骤摘要】
基于特征融合和核化RPCA的工业表面缺陷检测方法
本专利技术属于工业表面缺陷检测
，特别涉及一种基于特征融合和核化RPCA的工业表面缺陷检测方法。
技术介绍
表面缺陷会对工业产品的质量和性能产生不利影响，所以准确地检测出缺陷位置在工业制造中起着至关重要的作用。目前，在大多企业的生产线中，表面缺陷的检测仍然主要由人工进行，这种过程繁琐且需要专业知识，效率低且不可靠。随着人们对高质量自动检测需求的不断增长，基于机器视觉的缺陷检测技术因其客观、稳定的性能而得到广泛研究，已逐步应用于各种工业检测任务中。当前常用的缺陷检测技术主要包括基于统计的方法、基于频谱的方法和基于模型的方法。基于统计的方法将缺陷定义为与图像背景统计纹理特征不同的图像块，典型的方法包括阈值分割、边缘检测、数学形态学等。基于频谱的方法通过在图像的光谱域计算滤波器响应的能量来判定缺陷位置，主要方法有傅立叶变换、小波变换、Gabor变换等。基于模型的方法通过恰当的模型来建模图像纹理特征，方法包括Elo评分、主动轮廓模型、马尔可夫随机场模型等。然而，对于纹理复杂多变、缺陷形态各异的工业表面图像来说，这些方法只适应于特定场景，且检测效果极依赖于合理的参数选择，缺乏适应性和鲁棒性。鲁棒主成分分析RPCA，又称低秩矩阵分解模型，可以将一个矩阵分解为低秩矩阵和稀疏矩阵，常用于目标检测和背景恢复。对于工业表面图像，尽管它的纹理复杂多变，但背景一般较为规整，具有低秩性，缺陷形态多样，但一般仅占据整个图像的小部分区域，具有稀疏性。所以，表面缺陷检测问题很好地符合了RPCA模型，被认为是一种高效的表面缺陷检测方法。然而，基于RPCA模型的表面缺陷检测技术仍存在两个问题：1)由于工业环境的限制，采集的黑白图像中可用特征不足，单一特征描述子难以全面地表征工业表面图像中复杂纹理和多样缺陷。2)由于生产环境的干扰，不均衡光照等不利因素会打破图像背景的低秩假设，导致基于RPCA模型的缺陷检测方法性能不高。
技术实现思路
针对现有工业表面缺陷检测技术鲁棒性和检测精度不高的问题，本专利技术提出了一种基于特征融合和核化RPCA的工业表面缺陷检测方法，采用典型相关分析融合两种特征描述子来提高图像表征能力，将核方法引入RPCA模型来减弱图像背景的强低秩假设，以提高检测精度和鲁棒性。本专利技术的实现了如下所述的技术方案。一种基于特征融合和核化RPCA的工业表面缺陷检测方法，其步骤如下：步骤一：图像分块：将待检测表面图像无重叠地分成大小相同的图像块；步骤二：特征提取及融合：采用两种特征描述子，分别提取每个图像块的特征向量，进行堆叠后组成两个特征矩阵，再采用典型相关分析方法将两个特征矩阵进行融合；步骤三：模型构造及求解：将核方法引入低秩分解模型中，构造核化RPCA模型，并采用交替方向乘子法(ADMM)交替迭代求解出最优的稀疏矩阵和低秩矩阵；步骤四：显著图生成及分割：根据步骤三中的最优稀疏矩阵得到缺陷显著图，再进行阈值分割定位出缺陷位置。所述步骤一中对待检测图像进行无重叠、均匀分块的方法是：将大小为M×M的待测图像无重叠地分为大小为n×n的均匀图像块{Pi|i＝1,2,…,N}，其中，是图像块的数量。所述步骤二中两种特征矩阵的提取方法是：对于某一种特征描述子，图像块Pi的特征向量是该图像块中每个像素点特征向量的平均值其中，{fj|j＝1,2,…n×n}是该图像块中第j个像素点的特征向量。将待测图像中每一图像块Pi的特征向量堆叠起来，就得到了该图像的特征矩阵同理，另一种特征描述子对应的特征矩阵表示为F2。所述步骤二中采用典型相关分析方法将两个特征矩阵进行融合的方法是：通过寻找典型变量U和V，使得两组线性组合和之间的相关性最大，相关判别准则为其中S12是两个特征矩阵F1和F2的互协方差矩阵，S11是特征矩阵F1的协方差矩阵，S22是特征矩阵F2的协方差矩阵。并且，为了确保解的唯一性，令U'S11U＝V'S22V＝1。求解出最优的典型变量U和V后，融合特征表示为所述步骤三中将核方法引入RPCA模型的方法是：其中，F是融合特征，L和E分别为融合特征分解后的低秩矩阵和稀释矩阵，Ψ(L)为对低秩矩阵进行非线性变换Ψ，||Ψ(L)||*为Ψ(L)的核范数，||E||1为E的l1范数，λ为特征矩阵间的平衡因子。所述步骤三中采用ADMM求解核化RPCA模型的方法是：核化RPCA模型的增广拉格朗日函数为其中，Y是拉格朗日乘子，表示内积操作，||·||F表示F范数，η＞0表示惩罚项，通过交替迭代求解出上述函数的最小解。所述核化方法包括以下步骤：S1：初始化：L0＝S0＝0,Y0＝0,η0＝1.25/||F||2,ηmax＝η0106,ρ＝1.2,k＝0S2：更新低秩矩阵L：固定其他变量，第k+1次迭代中矩阵Lk+1为：此时，引入核函数KL＝Ψ(L)TΨ(L)后，优化函数为：S3：更新稀疏矩阵E：固定其他变量，第k+1次迭代中矩阵Ek+1为：S4：更新拉格朗日乘子项Y,惩罚项μ和迭代次数k：Yk+1＝Yk+ηk(F-Lk+1-Ek+1)ηk+1＝min(μmax,ρηk)k＝k+1S5：循环步骤S2-S4，直到满足收敛条件停止。所述步骤四中由稀疏矩阵得到缺陷显著图的方法是：对于一个表面图像的融合特征矩阵的最优稀疏矩阵Ek+1，图像块Pi的显著度为||Ek+1(:,i)||1，然后根据图像分块时的空间对应关系生成缺陷显著图Sa。所述步骤四中对缺陷显著图阈值分割的方法是：利用缺陷显著图中灰度值的均值μ和标准差σ，确定自适应阈值的下限T1＝μ-cσ和上限T2＝μ+cσ，进行阈值分割：其中，p和q是像素点坐标，c是常数，Se是缺陷分割图。本专利技术的有益效果：首先对待检测图像进行均匀分块处理，以减少计算量，；然后用两个特征描述子分别提取特征矩阵，并采用典型相关分析将两个特征矩阵进行融合；其次，将核方法引入RPCA模型中，并采用ADMM循环迭代出最优稀疏矩阵；最后，根据空间对应关系，由最优的稀疏矩阵得到对应的缺陷显著图，并对显著图进行阈值分割处理得到最终的缺陷分割图。本专利技术采用典型相关分析将两种不同特征描述子构建的特征矩阵进行融合，提升对工业表面图像中复杂纹理信息的表征能力；将核方法引入RPCA模型来减弱图像背景的强低秩假设，并采用ADMM方法进行有效地求解，实现对表面缺陷和复杂背景的有效分离，具有更高的检测精度和更强的泛化能力。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术的流程图。图2分别为本专利技术实施例中常见的工业表面缺陷图像本文档来自技高网...

【技术保护点】
1.一种基于特征融合和核化RPCA的工业表面缺陷检测方法，其特征在于，包括如下步骤：/n步骤一：图像分块，将待检测表面图像无重叠地分成大小相同的图像块；/n步骤二：特征提取及融合，采用两种特征描述子，分别提取每个图像块的特征向量，进行堆叠后组成两个特征矩阵，再采用典型相关分析方法将两个特征矩阵进行融合；/n步骤三：模型构造及求解，将核方法引入低秩分解模型中，构造核化RPCA模型，并采用交替方向乘子法交替迭代求解出最优的稀疏矩阵和低秩矩阵；/n步骤四：显著图生成及分割，根据步骤三中的最优稀疏矩阵得到缺陷显著图，再进行阈值分割定位出缺陷位置。/n

【技术特征摘要】
1.一种基于特征融合和核化RPCA的工业表面缺陷检测方法，其特征在于，包括如下步骤：
步骤一：图像分块，将待检测表面图像无重叠地分成大小相同的图像块；
步骤二：特征提取及融合，采用两种特征描述子，分别提取每个图像块的特征向量，进行堆叠后组成两个特征矩阵，再采用典型相关分析方法将两个特征矩阵进行融合；
步骤三：模型构造及求解，将核方法引入低秩分解模型中，构造核化RPCA模型，并采用交替方向乘子法交替迭代求解出最优的稀疏矩阵和低秩矩阵；
步骤四：显著图生成及分割，根据步骤三中的最优稀疏矩阵得到缺陷显著图，再进行阈值分割定位出缺陷位置。


2.根据权利要求1所述的基于特征融合和核化RPCA的工业表面缺陷检测方法，其特征在于，所述步骤一中对待检测图像进行无重叠地均匀分块的方法是，将大小为M×M的待测图像无重叠地分为大小为n×n的均匀图像块{Pi|i＝1,2,…,N}，其中，是图像块的数量。


3.根据权利要求2所述的基于特征融合和核化RPCA的工业表面缺陷检测方法，其特征在于，所述步骤二中两种特征矩阵的提取方法是，对于某一种特征描述子，图像块Pi的特征向量是该图像块中每个像素点特征向量的平均值其中，{fj|j＝1,2,…n×n}是该图像块中第j个像素点的特征向量，将待测图像中每一图像块Pi的特征向量堆叠起来，就得到了该图像的特征矩阵同理，另一种特征描述子对应的特征矩阵表示为F2。


4.根据权利要求3所述的基于特征融合和核化RPCA的工业表面缺陷检测方法，其特征在于，所述步骤二中两种特征矩阵的融合方法是，通过寻找典型变量U和V，使得两组线性组合F1*＝U'F1和之间的相关性最大，相关判别准则为其中S12是两个特征矩阵F1和F2的互协方差矩阵，S11是特征矩阵F1的协方差矩阵，S22是特征矩阵F2的协方差矩阵，并且，为了确保解的唯一性，令U'S11U＝V'S22V＝1，求解出最优的典型变量U和V后，融合特征表示为


5.根据权利要求4所述的基于特征融合和核化RPCA的工业表面缺陷检测方法，其特征在于，所述步骤三中将核方法引入RPCA模型的方法为：

【专利技术属性】
技术研发人员：王珺璞，徐贵力，王颖，周维虎，程月华，董文德，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32