CN109829906A

CN109829906A - 一种基于方向场与纹理特征的工件缺陷检测与分类方法

Info

Publication number: CN109829906A
Application number: CN201910095715.2A
Authority: CN
Inventors: 熊显名; 张文涛; 王伟; 张丽娟; 石红强
Original assignee: Guilin University of Electronic Technology
Current assignee: Guilin University of Electronic Technology
Priority date: 2019-01-31
Filing date: 2019-01-31
Publication date: 2019-05-31

Abstract

本发明公开了一种基于方向场与纹理特征的工件缺陷检测与分类方法，包括先利用采集的工件样本数据建立SVM检测模型，将采集的待测工件表面图像进行预处理自动得获取工件的ROI区域，将ROI区域划分为w×w大小的待测样本图像，并按照位置坐标将待测样本图像坐标加入标签，最后用SVM检测模型对待测样本图像进行分类，得到分类结果与缺陷样本，通过标签进一步索引缺陷位置。本发明计算图像的方向场与纹理特征中对比度、能量、熵的特征向量，通过归一化进行尺度转化，从而建立SVM模型，计算的模型不仅反应了不同缺陷的特征，同时能降低环境光照对***的影响，增加了***的稳定性与抗干扰能力。

Description

一种基于方向场与纹理特征的工件缺陷检测与分类方法

技术领域

本发明涉及工件缺陷检测技术领域，尤其涉及一种基于方向场与纹理特征的工件缺陷检测与分类方法。

背景技术

工件缺陷检测一直是制造业领域重要的研究课题，能带来直接的经济效益，极大的解放生产力。近年来，机器视觉技术发展迅速，但是表面缺陷检测一直是制造业的难点。主要原因是由于工件表面光反射特性不一，不同的打光方式采集的图像特点不同，需要设计不同的缺陷检测算法，因此表面缺陷检测一直是行业痛点。对于高反射特性工件表面的缺陷检测尤其困难，主要原因是由于高反射特性导致的镜面尖峰反光会造成采集图像产生眩光，给图像算法造成困难。

采用条纹反射来实现缺陷检测的原理是基于相位偏折技术，采用正弦调制的光源，多次采集不同相位的图像，解相位实现三维表面建模，从而判断缺陷，此种方法适用于理想镜面或者光学元件，在高反射工件缺陷检测场合受灰尘，反射光线强度等干扰难以达到理想精度和实时检测分类

发明内容

有鉴于此，本发明的目的是提供一种基于方向场与纹理特征的工件缺陷检测与分类方法，采用显示条纹图像的显示屏作为面光源，利用条纹图像进高反射面反射成像能携带被检测面缺陷信息的特性来实现图像采集。

本发明通过以下技术手段解决上述技术问题：

一种基于方向场与纹理特征的工件缺陷检测与分类方法，包括：

S1:搭建图像采集***，采集待测工件表面图像，对所述表面图像进行预处理以获取待测工件的ROI区域；

S2:获取待测工件的ROI区域对应缺陷样本图像的特征参数，建立基于方向场向量和纹理特征向量的SVM检测模型；

S3:将待测样本的ROI区域划分为w×w大小的待测样本图像，并按照位置坐标将所述待测样本图像坐标加入标签，其中，w为待测样本图像的宽度尺寸；

S4:用所述SVM检测模型对所述待测样本图像进行分类，得到分类结果与缺陷样本；

S5:获取所述分类结果与所述缺陷样本的标签中的坐标信息，存储所述分类结果与所述缺陷样本的坐标信息；

S6:判断所述待测工件是否检测完成，如果检测完成则输出所述分类结果并控制执行机构执行相应动作；如果检测未完成则执行步骤S2-S6，直至检测完成。

进一步，所述获取工件对应缺陷图像的特征参数，建立基于方向场向量和纹理特征向量的SVM检测模型的方法包括：

准备工件对应缺陷样本图像的数据集，并将所述数据集划分为训练集与测试集；

根据所述训练集中的所述工件对应缺陷样本图像的方向场向量特征参数和纹理特征向量特征参数建立初始SVM检测模型；

根据所述训练集中的所述工件对应缺陷样本图像分析选择核函数；

进行交叉验证，选择所述初始SVM检测模型的惩罚参数C和核函数的参数g；

使用所述测试集测试所述初始SVM检测模型并调整优化所述惩罚参数C和核函数的参数g，建立所述SVM检测模型。

进一步，所述对所述表面图像进行预处理自动得获取工件的ROI区域的步骤包括：

对所述表面图像进行灰度化，得到灰度图像；

计算所述灰度图像的直方图，基于最大熵进行自动全局阈值分割，将所述灰度图像分割为分块样本图像，通过最大最小面积自动获取所述分块样本图像的ROI区域。

将所述ROI区域在频域使用高斯变换并转换到空域，与所述分块样本图像进行差分运算，通过直方图均衡化实现所述分块样本图像的缺陷特征增强，得到增强图像。

进一步，所述方向场特征向量的建立方法包括：

采用最小均方方向估计算法估计所述增强图像的方向场，以提取所述增强图像的方向场特征向量；

计算所述增强图像的纹理特征，建立方向场特征向量集合。

进一步，所述纹理特征向量的建立方法包括：

计算所述分块样本图像的灰度共生矩阵；

使用灰度共生矩阵的对比度、能量和熵作为纹理特征向量。

进一步，获取所述方向场特征向量与所述纹理特征向量后，对所述方向场特征向量与所述纹理特征向量进行归一化处理。

进一步，所述缺陷样本图像的类别分为砂眼、凹坑、砂带痕、脏污和标准无缺陷。

本发明的有益效果：

本发明计算图像的方向场与纹理特征中对比度、能量、熵的特征向量，通过归一化进行尺度转化，从而建立SVM模型，选取不仅反应了不同缺陷的特征，同时能降低环境光照对***的影响，增加了***的稳定性与抗干扰能力。

在对工件原始图像进行处理时，由于原始图像过大，不利于算法处理。本发明将原始图像有规律的划分成块，并进行编号，建立编号索引。通过编号即可获取图像的位置。在得到分类结果后，利用其编号可以得到缺陷的位置，避免了使用大量的算法去定位缺陷，定位精度与划分图片大小有关，满足工业检测需求，但是极大的提高了***的实时性。

附图说明

图1是本发明一种基于方向场与纹理特征的工件缺陷检测与分类方法的流程图；

图2是本发明建立SVM检测模型的流程图。

具体实施方式

以下将结合附图和具体实施例对本发明进行详细说明：

如图1所示，本发明的一种基于方向场与纹理特征的工件缺陷检测与分类方法，包括：

具体的，如图2所示，所述获取工件对应缺陷图像的特征参数，建立基于方向场向量和纹理特征向量的SVM检测模型的方法包括：

可选的，所述对所述表面图像进行预处理自动得获取工件的ROI区域的步骤包括：

对所述表面图像进行灰度化，得到灰度图像；

具体的，采集的RGB彩色图像转化为灰度图像g(x,y)＝0.299*R+0.587*G+0.114B，待测工件在光照下将比背景明亮，因此对图像的灰度进行统计，统计的公式为：

在式中，n是图像中像素的总数，n_x是灰度级为x的像素数量，L是图像可能的灰度级总数,0≤L≤255。计算灰度图像的信息熵：

H_x＝-p(x)log p(x)dx

对于被测图像，待测工件处于目标区域，检测台则为背景区域，图像的最大灰度值等级为L。则求出目标区域得熵为：

背景区域得熵为

求解每个灰度级t，w(t)＝H₀+H₁,最大熵值向量t*满足：

W(t^*)＝max(W(t))

将图像分割成不同得区域后，采用面积特征值进行特征检测，可以自动得获取工件得ROI区域。

将所述ROI区域在频域使用高斯变换并转换到空域，与所述分块样本图像进行差分运算，通过实现图像的背景亮度估计，并差分运算后可以减弱条纹背景对缺陷信息造成的干扰，通过直方图均衡化实现所述分块样本图像的缺陷特征增强，得到增强图像。

进一步，所述方向场特征向量的建立方法包括：

计算所述增强图像的纹理特征，建立方向场特征向量集合。

具体的，方向场描述了图像中纹线方向和相应位置的一个二维平面场，图像方向场大小是梯度场正交分解参数θ的值，方向按右手定理垂直于梯度方向。假设进过步骤二后图像为G,按相等的大小对图像进行分块成w×w块。按照像素点计算图像的梯度和依据点方向计算上一步得到的方向。计算公式如下所示：

其中θ(i，j)为局部块方向的最小均方估计，为步骤二中图像f(x,y)在像素点(x,y)处对x的偏导。为步骤二中图像f(x,y)在像素点(x,y)处对y的偏导。

由于当前块的方向与整体区域方向比会比较慢，因此采用一个低通滤波器可以使不正确的方向有一定的调整。将方向图转换到一个连续的向量场。转换公式如下：

φ_x(i,j)＝cos(2θ(i,j))，φ_y(i,j)＝sin(2θ(i,j))

其中φ_x和φ_y分别是向量场的x和y分量。低通滤波计算公式如下：

其中W为窗口大小为W_φ×W_φ的二维低通滤波器，计算后得到方向场计算结果：

得到了计算的方向场向量后，作为一种特征向量样本。

进一步，所述纹理特征向量的建立方法包括：

计算分块样本的灰度共生矩阵作为附加特征向量，灰度共生矩阵包括了对比度、能量、熵、逆方差、相关性特征，在本实施例中使用了前三个特征作为有用特征。计算公式分别如下：

对比度特征度量矩阵的值是如何分布和图像中局部变化的多少，反应了图像的清晰度和纹理的沟纹深浅，其计算公式如下：

能量变换反映了图像灰度分布均匀程度和纹理粗细度。若灰度共生矩阵的元素值相近，则能量较小，表示纹理细致；若其中一些值大，而其它值小，则能量值较大。能量值大表明一种较均一和规则变化的纹理模式。其计算公式如下：

图像包含信息量的随机性度量。当共生矩阵中所有值均相等或者像素值表现出最大的随机性时，熵最大；因此熵值表明了图像灰度分布的复杂程度，熵值越大，图像越复杂。其计算公式如下：

进一步，获取所述方向场特征向量与所述纹理特征向量后，由于不同的特征向量的物理意义不同，因此其取值范围也各不相同，因此对向量进行归一化处理，使特征向量的值都落在0和1之间。通过归一化处理，可以增强整体模型的抗干扰能力。

具体的，所述缺陷样本图像的类别分为砂眼、凹坑、砂带痕、脏污和标准无缺陷。

以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。本发明未详细描述的技术、形状、构造部分均为公知技术。

Claims

1.一种基于方向场与纹理特征的工件缺陷检测与分类方法，其特征在于，包括：

2.根据权利要求1所述的一种基于方向场与纹理特征的工件缺陷检测与分类方法，其特征在于，所述获取待测工件对应缺陷样本图像的特征参数，建立基于方向场向量和纹理特征向量的SVM检测模型的方法包括：

根据所述训练集中的工件对应缺陷样本图像的方向场向量特征参数和纹理特征向量特征参数建立初始SVM检测模型；

根据所述训练集中的工件对应缺陷样本图像分析选择核函数；

3.根据权利要求2所述的一种基于方向场与纹理特征的工件缺陷检测与分类方法，其特征在于，所述对所述表面图像进行预处理自动得获取工件的ROI区域的步骤包括：

对所述表面图像进行灰度化，得到灰度图像；

计算所述灰度图像的直方图，基于最大熵进行自动全局阈值分割，将所述灰度图像分割为分块样本图像，通过最大最小面积自动获取所述分块样本图像的ROI区域；

4.根据权利要求3所述的一种基于方向场与纹理特征的工件缺陷检测与分类方法，其特征在于，所述方向场特征向量的建立方法包括：

计算所述增强图像的纹理特征，建立方向场特征向量集合。

5.根据权利要求4所述的一种基于方向场与纹理特征的工件缺陷检测与分类方法，其特征在于，所述纹理特征向量的建立方法包括：

计算所述分块样本图像的灰度共生矩阵；

使用灰度共生矩阵的对比度、能量和熵作为纹理特征向量。

6.根据权利要求5所述的一种基于方向场与纹理特征的工件缺陷检测与分类方法，其特征在于：获取所述方向场特征向量与所述纹理特征向量后，对所述方向场特征向量与所述纹理特征向量进行归一化处理。

7.根据权利要求6所述的一种基于方向场与纹理特征的工件缺陷检测与分类方法，其特征在于：所述缺陷样本图像的类别分为砂眼、凹坑、砂带痕、脏污和标准无缺陷。