【技术实现步骤摘要】
本专利技术涉及工业视觉检测，尤其是一种自动分割缺陷的方法。
技术介绍
1、在深度学习兴起之前，是由人为设计传统算法，将缺陷分割出来，并将分割出的缺陷再次设计算法进行判断，判断出缺陷的类别；
2、在深度学习分类网络兴起后，将上述分类环节交由分类网络来完成，即训练环节对有人工手动截取出的小图进行分类标注，用于训练分类网络；测试环节将由传统算法分割出的缺陷进行小图截取，将截取的小图送入分类网络进行分类；
3、而深度学习分割网络兴起后，又将上述分割环节交由分割网络来完成，即先对大图样本进行分割标注，即像素级标注，并且按照一定的切图策略对在大图上截取正负样本小图(即大图上标注了以及未标注的区域)，用于训练分割网络；在测试环节按照一定的切图策略(可能与训练阶段的切图策略不同)，由分割网络对切下来的小图进行分割，将有像素被分割为缺陷内容的小图送入训练好的分类网络进行缺陷分类。
4、但是，上述的分割阶段都由人为设计算法，需要投入人力以及较长的时间成本，且只能针对特定的应用场景设计的算法，无法做到对多数应用场景通用；而使用深度学习分割网络来进行分割，需要事先对训练样本进行标注，分割任务的逐标注操作麻烦且比较耗时，标注成本较高。
技术实现思路
1、本专利技术要解决的技术问题是：提供一种自动分割缺陷的方法，解决基于机器视觉的工业检测项目中，在算法环节需设计算法或者训练分割网络，需要人为参与的问题。
2、本专利技术解决其技术问题所采用的技术方案是：一种自动分
3、s1、将所有正样本图像进行图像对齐，得到对齐后的样本图像，以及它们各自对应的mask图像；
4、s2、选择能够描述局部信息的特征，对每一幅对齐后的样本图像进行特征提取，构造特征图；
5、s3、对特征图采用混合高斯背景建模得到混合高斯背景模型；
6、s4、使用步骤s3中构建好的混合高斯背景模型对待分割图像进行缺陷分割；
7、s5、将训练集的缺陷分割结果进行分类标注，用于训练分类网络，将测试数据的分割结果送入分类网络，进行进一步分类。
8、进一步的说，本专利技术所述的步骤s1中，在所有正样本图像中选择一张具有代表性的图像，并在图像上通过设定的窗口大小抠出部分图像作为模板图像；将模板图像在待匹配图像上滑动，在滑动的过程中计算待匹配图像上的每一处匹配相似度；计算相似度得分完成后，设最高相似度得分对应的模板为rd，坐标为c,r，rd对应的旋转角度为angle,按照平移向量为(-c,-r),旋转向量为angle，对当前待匹配图像进行仿射变换，得到对齐后的样本图像。
9、进一步的说，本专利技术所述的步骤s3中，
10、对所有特征的每一个通道上的每一个像素进行直方图统计，即一共有nhist个v维直方图，其中，nhist＝w*h，w,h为特征图的宽高，v为特征图通道数,每个直方图的每一维负责统计n个数据，n为特征图数量；
11、将所有直方图进行高斯平滑，高斯平滑的核函数尺度为5，参数sigma为1.5，将平滑后的每一个特征图做波峰统计，每个直方图波峰的个数分别为nt_1,nt_2...nt_nhist,以每个波峰为中心，相邻的波谷为界，将每个直方图的数据分别划分为nt_1,nt_2...nt_nhist份，将每一份数据使用最小二乘法进行高斯拟合，计算该份数据的期望与方差，进而得到了在当前坐标位置(i,j)处当前高斯模型的期望向量与方差矩阵n_g表示第n_g个高斯模型。
12、进一步的说，本专利技术所述的步骤s4中，缺陷分割方式为，
13、高斯背景计算前景的概率为：
14、
15、n_g表示第n_g个高斯模型，设当前点坐标处一共有k个高斯模型，k∈(nt_1,nt_2...nt_nhist)，n_g＝1,2,3....k；
16、xi,j表示特征图在坐标i,j处的像素特征向量；
17、表示第n_g个高斯模型在坐标i,j处的期望向量，可表示为：
18、向量中的每个元素表示：特征图的当前通道，在坐标位置i,j处灰度的期望值，v为特征图的通道数；
19、表示第n_g个高斯模型在坐标i,j处的协方差矩阵，表示为：
20、
21、其中，表示第n_g个高斯模型对应的拟合数据，在所有坐标位置为(i,j)点处，第1个通道的灰度值的方差，对角线上其他的元素的表示意义与其类似；
22、η表示高斯密度函数：
23、
24、设定阈值t，取t＝3σ，其中σ为p(xi,j)对应的高斯分布对应的方差向量的模，前景概率大于t的像素点为分割的前景，反之则为背景。
25、本专利技术的有益效果是，解决了
技术介绍
中存在的缺陷，通过收集大量的正样本进行背景建模，实现了自动分割出缺陷的功能，省略了在分割缺陷过程中人为的参与，节省了人力以及时间成本。
【技术保护点】
1.一种自动分割缺陷的方法，其特征在于：包括以下步骤，
2.如权利要求1所述的一种自动分割缺陷的方法，其特征在于：所述的步骤S1中，在所有正样本图像中选择一张具有代表性的图像，并在图像上通过设定的窗口大小抠出部分图像作为模板图像；将模板图像在待匹配图像上滑动，在滑动的过程中计算待匹配图像上的每一处匹配相似度；计算相似度得分完成后，设最高相似度得分对应的模板为Rd，坐标为c,r，Rd对应的旋转角度为angle,按照平移向量为(-c,-r),旋转向量为angle，对当前待匹配图像进行仿射变换，得到对齐后的样本图像。
3.如权利要求1所述的一种自动分割缺陷的方法，其特征在于：所述的步骤S3中，
4.如权利要求1所述的一种自动分割缺陷的方法，其特征在于：所述的步骤S4中，缺陷分割方式为，
【技术特征摘要】
1.一种自动分割缺陷的方法，其特征在于：包括以下步骤，
2.如权利要求1所述的一种自动分割缺陷的方法，其特征在于：所述的步骤s1中，在所有正样本图像中选择一张具有代表性的图像，并在图像上通过设定的窗口大小抠出部分图像作为模板图像；将模板图像在待匹配图像上滑动，在滑动的过程中计算待匹配图像上的每一处匹配相似度；计算相似度得分完成后，设最高相似度得分对...
【专利技术属性】
技术研发人员：都卫东，和江镇，王岩松，王天翔，吴健雄，
申请(专利权)人：征图新视江苏科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。