基于目標(biāo)特征顯著圖構(gòu)建的工業(yè)產(chǎn)品表面缺陷檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于工業(yè)產(chǎn)品質(zhì)量檢測(cè)方法技術(shù)領(lǐng)域，具體涉及一種基于目標(biāo)特征顯著圖 構(gòu)建的工業(yè)產(chǎn)品表面缺陷檢測(cè)方法。
【背景技術(shù)】
[0002] 制造過(guò)程中的工業(yè)產(chǎn)品表面缺陷監(jiān)測(cè)是質(zhì)量在線檢測(cè)的重要一部分，能夠及時(shí)發(fā) 現(xiàn)制造過(guò)程中的質(zhì)量問(wèn)題，從而為及時(shí)改進(jìn)生產(chǎn)工藝，降低生產(chǎn)成本提供了一種可能性。然 而，工業(yè)產(chǎn)品表面缺陷檢測(cè)通常是屬于大背景條件下小目標(biāo)檢測(cè)問(wèn)題，傳統(tǒng)的人工檢測(cè)很 容易在生理和心理產(chǎn)生疲勞，從而造成漏檢和誤檢，因此不能滿足在線檢測(cè)的需要。
[0003] 為了解決人工檢測(cè)不能滿足在線檢測(cè)的要求，基于機(jī)器視覺(jué)的檢測(cè)算法已逐 漸應(yīng)用到工業(yè)產(chǎn)品表面質(zhì)量檢測(cè)中（參考文獻(xiàn)[l]:XuK.，XuJ.，ChenY. =On-Iine surfacedefectinspectionsystemforcoldrolledstrips[J].BeijingUniver. Sci.Technol. ,2002,24(3):329-332?參考文獻(xiàn)[2]:LiG.，SuZ.，XiaX.:Algorithm forimspectionofwhiteforeignfibersincottobymachinevisionwith irregularimagingfunction[J] ?Trans.Chin.Soc.Agric. 2010,43(5):164-167.)〇 然 而，基于高斯隨機(jī)場(chǎng)模型、脈沖耦合神經(jīng)網(wǎng)絡(luò)、字典學(xué)習(xí)等檢測(cè)算法依賴于參數(shù)眾多、計(jì) 算量大計(jì)算復(fù)雜、對(duì)噪聲敏感，不適合在線檢測(cè)的需要（參考文獻(xiàn)[3]:CohenFS，F(xiàn)an Z,Attalis.AutomatedInspectionofTextileFabricUsingTextileModels[J].IEEE TransactionsonPatternAnalysisandMachineIntelligence, 1991, 13(8):803-808. 參考文獻(xiàn)[4]:祝雙武，郝重陽(yáng).一種基于改進(jìn)型PCNN的織物疵點(diǎn)圖像自適應(yīng)分割方法 [J]?電子學(xué)報(bào)，2012, 40(3):611-616?參考文獻(xiàn)[5]:JianZhouandJunWang.Fabric defectdetectionusingadaptivedictionaries[J] ? 2013,83 (17):1846-1859.)?；?于小波變換的檢測(cè)算法雖然適合表面缺陷檢測(cè)，但小波的選取、分解層數(shù)仍然依賴人工 檢驗(yàn)；另外，小波變換對(duì)于特性與背景接近的缺陷的檢測(cè)也表現(xiàn)的無(wú)能為力（參考文 獻(xiàn)[6]:管聲啟，石秀華.基于小波提升格式的織物疵點(diǎn)檢測(cè)[J].計(jì)算機(jī)工程與應(yīng) 用，2008, 44(25) :219-221.)。基于空間域顯著圖構(gòu)建的檢測(cè)算法能夠提高缺陷與背景對(duì)比 度，但其圖像分塊大小依賴人工經(jīng)驗(yàn)，并且計(jì)算量大，難易擺脫空間域傳統(tǒng)算法的固有缺陷 (參考文南犬[7] :GuohuiLi,JingfangShi,HongsenLuo,MiangangTang.Acomputational modelofvisionattentionforinspectionofsurfacequalityinproduction line[J].MachineVisionandApplications, 2013,24(11):835-844?參考文獻(xiàn)[8]:劉 洲峰，趙全軍，李春雷等.基于局部統(tǒng)計(jì)與整體顯著性的缺陷檢測(cè)算法[J].紡織學(xué)報(bào)， 2014, 35 (11) :62-67.)。基于小波域顯著圖構(gòu)建的缺陷檢測(cè)算法，雖然增大缺陷的顯著度， 但當(dāng)有視覺(jué)搜索任務(wù)時(shí)，搜索效率往往不高（文獻(xiàn)[9]:ShengqiGuanandZhaoyuanGao. Fabricdefectimagesegmentationbasedonthevisualattentionmechanismofthe waveletdomain[J].TextileResearchJournal, 2014,84(10):1018-1033.)〇
[0004] 通過(guò)上面分析可知，現(xiàn)有的工業(yè)產(chǎn)品表面缺陷在線檢測(cè)算法都是從圖像本身數(shù)據(jù) 特點(diǎn)出發(fā)，沒(méi)有考慮檢測(cè)目標(biāo)的特點(diǎn)。因此，在廣寬的背景中檢測(cè)小缺陷必然會(huì)導(dǎo)致檢測(cè)準(zhǔn) 確率不高，分割不準(zhǔn)確，適應(yīng)性不強(qiáng)，抗噪性差，不能滿足實(shí)際動(dòng)態(tài)檢測(cè)需要。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是提供一種基于目標(biāo)特征顯著圖構(gòu)建的工業(yè)產(chǎn)品表面缺陷檢測(cè)方 法，解決了現(xiàn)有技術(shù)對(duì)工業(yè)表面缺陷的檢測(cè)準(zhǔn)確率不高的問(wèn)題。
[0006] 本發(fā)明所采用的技術(shù)方案是，基于目標(biāo)特征顯著圖構(gòu)建的工業(yè)產(chǎn)品表面缺陷檢測(cè) 方法，具體按照以下步驟實(shí)施：
[0007] 步驟1、將采集到的彩色圖像轉(zhuǎn)換為灰度圖像f(x，y);
[0008] 步驟2、根據(jù)步驟1得到的灰度圖像f(x，y)的表面缺陷面積特征和數(shù)目特征分別 構(gòu)建前景目標(biāo)面積特征顯著圖fi(X，y)和數(shù)目特征顯著圖f2 (X，y);
[0009] 步驟3、在步驟2得到的面積特征顯著圖匕〇^)和數(shù)目特征顯著圖f2(x，y)上， 分別確定閾值，然后根據(jù)所確定的閾值分別對(duì)面積特征顯著圖和數(shù)目特征顯著圖進(jìn)行分割 分別獲得面積特征二值圖[fiO^y)]和數(shù)目特征二值圖[f2(x，y)];
[0010] 步驟4、將步驟3得到的面積特征二值圖B1(Iy)]和數(shù)目特征二值圖[f2(x，y)] 融合成為整體二值圖F(x，y);
[0011] 步驟5、在步驟4獲得的整體二值圖F(x，y)中，根據(jù)前景目標(biāo)面積，確定濾波閾值， 濾除小于濾波閾值的噪聲和偽目標(biāo)，大于濾波閾值的即為工業(yè)產(chǎn)品表面缺陷。
[0012] 本發(fā)明的特點(diǎn)還在于：
[0013] 步驟1具體為：
[0014] 將彩色圖像轉(zhuǎn)換為灰度圖像，采用各顏色通道分量加權(quán)平均進(jìn)行灰度化，轉(zhuǎn)換過(guò) 程如公式（1)所示；
[0015] f(x,y) = 0. 03R(x,y) +0. 59G(x,y) +0.IIB(x,y) (I)
[0016] 其中，R(x,y)為彩色圖像在（x,y)處紅色分量，G(x,y)為彩色圖像在（x,y)處綠 色分量，B(x，y)為彩色圖像在（x，y)處藍(lán)色分量，f(x，y)為灰度圖像在（x，y)處灰度值。
[0017] 步驟2中構(gòu)建前景目標(biāo)面積特征顯著圖具體為：首先根據(jù)灰度圖像的表面缺陷面 積特征構(gòu)建前景目標(biāo)面積權(quán)重函數(shù)，然后根據(jù)面積權(quán)重函數(shù)曲線提高前景目標(biāo)區(qū)域的顯著 度；
[0018] 具體按照以下步驟實(shí)施：
[0019] 前景目標(biāo)面積權(quán)重函數(shù)構(gòu)建 [0020]a)構(gòu)建圖像灰度密度函數(shù)：
[0021] 設(shè)采集圖像的尺寸為MXN，i表示圖像灰度級(jí)，那么圖像的灰度密度函數(shù)p(i)構(gòu) 建如公式（2)所示：
[0023]其中，iG[0, 255]，m(i)表示在第i個(gè)灰度級(jí)所有的像素個(gè)數(shù)；
[0024] b)構(gòu)建圖像灰度密度函數(shù)梯度：
[0025] 圖像的灰度密度函數(shù)一階梯度▽/.々')構(gòu)建如公式（3)所示；
[0026]Vp{i)=p(l)-/)(1-I) C 3)
[0027]其中，tG[1,255];
[0028] c)前景目標(biāo)面積特征函數(shù)：
[0029] 設(shè)圖像f(X，y)在（X，y)處的灰度值為t，tp1:2分別為灰度密度函數(shù)一階梯度 ▽/心')為極大和極小時(shí)所對(duì)應(yīng)的灰度值，則前景目標(biāo)面積特征函數(shù)分別如公式（4)、（5)和 (6)所示：
[0033] 其中，當(dāng)tG[1，tj時(shí)，!T1 (X，y)值越大，f(X，y)為缺陷的可能性越高；當(dāng) tG(Lt2)時(shí)，r2(x，y)值越小，f(x，y)為背景的可能性越高；當(dāng)tG[t2,255]時(shí)，r3(x，y) 值越大，f(x,y)為缺陷的可能性越高；
[0034] d)前景目標(biāo)面積特征權(quán)重函數(shù)：
[0035] 圖像f(x，y)前景目標(biāo)面積特征函數(shù)分別如公式（7)、⑶和（9)所示：
[0039] 其中，當(dāng)tG[1，tj時(shí)，Irr1 (X，y)值越小，f(X，y)為缺陷的可能性越高；當(dāng) tG(tut2)時(shí)，rr2(x,y)值越小，f(X，y)為背景的可能性越高；當(dāng)tG[t2, 255]時(shí)，rr3(x,y) 值越大，f(x,y)為缺陷的可能性