基于卷积自编码器的陶瓷瓦表面裂纹检测方法技术

基于卷积自编码器的陶瓷瓦表面裂纹检测方法，包括以下步骤：步骤1：提取陶瓷瓦彩色图像的红色通道图像并增强其对比度，再进行裁剪以便进行分块；步骤2：使用经过完好陶瓷瓦图像块训练过的卷积自编码器，对裂纹陶瓷瓦图像块进行重构，获得重构图像块后将其合成为整张图像；步骤3：将步骤2的重构图像与原图像进行差分，得到裂纹明显的残差图；步骤4：采用二值化和形态学方法，得到最终裂纹图像；步骤5：对提取到的裂纹进行连通域提取和分析，得到裂纹的长度

【技术实现步骤摘要】
基于卷积自编码器的陶瓷瓦表面裂纹检测方法


[0001]本专利技术涉及陶瓷瓦缺陷检测
，具体涉及一种基于卷积自编码器的陶瓷瓦表面裂纹检测方法
。

技术介绍

[0002]陶瓷瓦表面中有裂纹
、
缺釉
、
鼓包
、
色差和缺角等各种缺陷，其中裂纹出现的频率最高
。
裂纹在陶瓷瓦表面的各类缺陷中出现的频率最高，判别出有缺陷的陶瓷瓦对其产品分级有着关键作用
。
目前的陶瓷瓦表面缺陷检测仍需要人工现场检测，耗时费力并且主观性强
。
因此，实现陶瓷瓦表面缺陷的自动化检测有助于其产业的发展，并将人们从其繁重的体力劳动中解放出来
。
[0003]在陶瓷瓦表面裂纹检测方面，文献
[1]:
李小磊
,
曾曙光
,
郑胜
,
等
,
基于滑动滤波和自动区域生长的陶瓷瓦表面裂纹检测
[J].
激光与光电子学进展
,2019,56(21):211003.
将陶瓷瓦分成瓦头
、
纹理两个区域，分别使用滑动滤波和自动区域生长来检测裂纹，但该方法对同时涉及这两个区域的裂纹检测效果较不理想，同时检测速度也比较慢
。
文献
[2]:
李强
,
曾曙光
,
郑胜
,
等
,
基于机器视觉的陶瓷瓦表面裂纹检测方法<br/>[J].
激光与光电子学进展
,2020,57(08):51
‑
57.
采用主成分分析法
(PCA)
，其主要通过对图像的协方差矩阵进行奇异特征值分解，求解出特征值对应的特征向量，即主成分，然后根据主成分重构原图像，再进行差分
、
二值化和形态学操作，提取裂纹信息，但该方法对陶瓷瓦瓦头区域的微小浅层裂纹检测率不高，且易受陶瓷瓦表面的鼓包
、
釉裂等其他表面缺陷的干扰
。
文献
[3]：周飘
,
李强
,
曾曙光
,
等
,
基于多尺度
Hessian
矩阵滤波的陶瓷瓦表面裂纹检测方法
[J].
激光与光电子学进展
,2020,57(10):222
‑
228.
等基于多尺度
Hessian
矩阵滤波对陶瓷瓦表面裂纹进行检测，将高斯函数的标准差作为空间尺度因子，通过改变其大小来实现对不同尺度的裂纹的检测，但该方法在面对不同尺度的裂纹时需要频繁改变空间尺度因子的大小，检测效率较低
。
[0004]以上，目前在陶瓷瓦表面裂纹检测问题上已有一些解决办法，但大都存在鲁棒性弱
、
计算速度较慢
、
效率低和步骤繁琐等缺点
。
由于陶瓷瓦表面有凸起和凹陷，背景也较为复杂，同时也可能有其它缺陷存在，这些都给裂纹的自动化检测带来了很大的干扰
。
因此，需要研究更优秀的陶瓷瓦表面裂纹检测方法，能够更通用
、
更准确
、
更快速地检测出裂纹
。

技术实现思路

[0005]本专利技术提供一种基于卷积自编码器的陶瓷瓦表面裂纹检测方法，该方法能根据少量样本快速有效地检测出陶瓷瓦裂纹，实现了陶瓷瓦表面缺陷的自动化检测，有助于其产业的自动化升级，具有较高的应用价值
。
[0006]本专利技术采取的技术方案为：
[0007]基于卷积自编码器的陶瓷瓦表面裂纹检测方法，包括以下步骤：
[0008]步骤1：提取陶瓷瓦彩色图像的红色通道图像并增强其对比度，再进行裁剪以便进行分块；
[0009]步骤2：使用经过完好陶瓷瓦图像块训练过的卷积自编码器，对裂纹陶瓷瓦图像块进行重构，获得重构图像块后将其合成为整张图像；
[0010]步骤3：将步骤2的重构图像与原图像进行差分，得到裂纹明显的残差图；
[0011]步骤4：采用二值化和形态学方法，得到最终裂纹图像；
[0012]步骤5：对提取到的裂纹进行连通域提取和分析，得到裂纹的长度
、
最大宽度
。
[0013]所述步骤1中，提取陶瓷瓦彩色图像的红色通道图像，以排除光照不均影响；使用对比度受限的自适应直方图均衡化算法
CLAHE
增强图像画质；
[0014]CLAHE
算法是一种简单快速的直方图均衡算法，其对图像区域对比度实行了限制，并使用了双线性插值来加快计算
。
它能有效的增强或改善图像的对比度，从而获取更多与图像相关的边缘信息，方便用户对图像进行分割
。
[0015]所述步骤2中，卷积自编码器的结构如图
1(a)
与图
1(b)
所示
。
图像经过裁剪和分块后传入输入层，输入层的大小设置为
64
×
64
×1，同时会对输入数据进行标准化操作；
[0016]多尺度卷积采用1×
1、3
×3和5×5三种卷积核获取图片的多尺度特征；
[0017]CAE
的编码器部分包含三个采用5×5卷积核的卷积模块和一个采用3×3卷积核的卷积模块，每个卷积模块都包含一个卷积层
、
批标准化层和
ReLU
层，采用5×5卷积核的卷积模块还包含一个最大池化层；
CAE
的解码器部分包含四个反卷积模块，与卷积模块相比其采用的是反卷积层，并且不含最大池化层，其它设定与卷积模块一致；多尺度反卷积采用反卷积层，其它设定与多尺度卷积一致；输出层采用回归层
(regression layer)
，损失函数采用均方误差
(MES
，
mean
‑
square
‑
error)
函数：
[0018][0019]其中
:n
表示输入的样本总数，
x
i
表示第
i
个输入样本，
y
i
表示与之对应的输出值，
λ
表示正则化惩罚因子，其取值在0到1之间，
W
表示网络中的权重矩阵的集合；
[0020]假设输入图像为
X
，卷积自编码器中第
k
个卷积核的权值矩阵为
W
k
，偏置项
b
k
，池化函数为
g(
·
)
，则
X
的第
k
个特征表示为：
[0021]h
k
＝
g(W
...

【技术保护点】

【技术特征摘要】
1.
基于卷积自编码器的陶瓷瓦表面裂纹检测方法，其特征在于包括以下步骤：步骤1：提取陶瓷瓦彩色图像的红色通道图像并增强其对比度，再进行裁剪以便进行分块；步骤2：使用经过完好陶瓷瓦图像块训练过的卷积自编码器，对裂纹陶瓷瓦图像块进行重构，获得重构图像块后将其合成为整张图像；步骤3：将步骤2的重构图像与原图像进行差分，得到裂纹明显的残差图；步骤4：采用二值化和形态学方法，得到最终裂纹图像；步骤5：对提取到的裂纹进行连通域提取和分析，得到裂纹的长度
、
最大宽度
。2.
根据权利要求1所述基于卷积自编码器的陶瓷瓦表面裂纹检测方法，其特征在于：所述步骤1中，使用对比度受限的自适应直方图均衡化算法
CLAHE
增强图像画质
。3.
根据权利要求1所述基于卷积自编码器的陶瓷瓦表面裂纹检测方法，其特征在于：所述步骤2中，卷积自编码器输出层损失函数采用均方误差
(MES
，
mean
‑
square
‑
error)
函数：其中
:n
表示输入的样本总数，
x
i
表示第
i
个输入样本，
y
i
表示与之对应的输出值，
λ
表示正则化惩罚因子，其取值在0到1之间，
W
表示网络中的权重矩阵的集合；设输入图像为
X
，卷积自编码器中第
k
个卷积核的权值矩阵为
W
k
，偏置项
b
k
，池化函数为
g(
·
)
，则
X
的第
k
个特征表示为：
h
k
＝
g(W
k
*X+b
k
)
；其中：
...

【专利技术属性】
技术研发人员：曾曙光，夏赛，郑胜，罗志会，
申请(专利权)人：三峡大学，
类型：发明
国别省市：