基于目標特征顯著圖構(gòu)建的工業(yè)產(chǎn)品表面缺陷檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于工業(yè)產(chǎn)品質(zhì)量檢測方法技術(shù)領(lǐng)域，具體涉及一種基于目標特征顯著圖 構(gòu)建的工業(yè)產(chǎn)品表面缺陷檢測方法。
【背景技術(shù)】
[0002] 制造過程中的工業(yè)產(chǎn)品表面缺陷監(jiān)測是質(zhì)量在線檢測的重要一部分，能夠及時發(fā) 現(xiàn)制造過程中的質(zhì)量問題，從而為及時改進生產(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)品表面缺陷檢測通常是屬于大背景條件下小目標檢測問題，傳統(tǒng)的人工檢測很 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的需要。
[0003] 為了解決人工檢測不能滿足在線檢測的要求，基于機器視覺的檢測算法已逐 漸應(yīng)用到工業(yè)產(chǎn)品表面質(zhì)量檢測中（參考文獻[l]:XuK.，XuJ.，ChenY. =On-Iine surfacedefectinspectionsystemforcoldrolledstrips[J].BeijingUniver. Sci.Technol. ,2002,24(3):329-332?參考文獻[2]:LiG.，SuZ.，XiaX.:Algorithm forimspectionofwhiteforeignfibersincottobymachinevisionwith irregularimagingfunction[J] ?Trans.Chin.Soc.Agric. 2010,43(5):164-167.)〇 然 而，基于高斯隨機場模型、脈沖耦合神經(jīng)網(wǎng)絡(luò)、字典學習等檢測算法依賴于參數(shù)眾多、計 算量大計算復(fù)雜、對噪聲敏感，不適合在線檢測的需要（參考文獻[3]:CohenFS，F(xiàn)an Z,Attalis.AutomatedInspectionofTextileFabricUsingTextileModels[J].IEEE TransactionsonPatternAnalysisandMachineIntelligence, 1991, 13(8):803-808. 參考文獻[4]:祝雙武，郝重陽.一種基于改進型PCNN的織物疵點圖像自適應(yīng)分割方法 [J]?電子學報，2012, 40(3):611-616?參考文獻[5]:JianZhouandJunWang.Fabric defectdetectionusingadaptivedictionaries[J] ? 2013,83 (17):1846-1859.)?；?于小波變換的檢測算法雖然適合表面缺陷檢測，但小波的選取、分解層數(shù)仍然依賴人工 檢驗；另外，小波變換對于特性與背景接近的缺陷的檢測也表現(xiàn)的無能為力（參考文 獻[6]:管聲啟，石秀華.基于小波提升格式的織物疵點檢測[J].計算機工程與應(yīng) 用，2008, 44(25) :219-221.)?；诳臻g域顯著圖構(gòu)建的檢測算法能夠提高缺陷與背景對比 度，但其圖像分塊大小依賴人工經(jīng)驗，并且計算量大，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[8]:劉 洲峰，趙全軍，李春雷等.基于局部統(tǒng)計與整體顯著性的缺陷檢測算法[J].紡織學報， 2014, 35 (11) :62-67.)?；谛〔ㄓ蝻@著圖構(gòu)建的缺陷檢測算法，雖然增大缺陷的顯著度， 但當有視覺搜索任務(wù)時，搜索效率往往不高（文獻[9]:ShengqiGuanandZhaoyuanGao. Fabricdefectimagesegmentationbasedonthevisualattentionmechanismofthe waveletdomain[J].TextileResearchJournal, 2014,84(10):1018-1033.)〇
[0004] 通過上面分析可知，現(xiàn)有的工業(yè)產(chǎn)品表面缺陷在線檢測算法都是從圖像本身數(shù)據(jù) 特點出發(fā)，沒有考慮檢測目標的特點。因此，在廣寬的背景中檢測小缺陷必然會導(dǎo)致檢測準 確率不高，分割不準確，適應(yīng)性不強，抗噪性差，不能滿足實際動態(tài)檢測需要。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是提供一種基于目標特征顯著圖構(gòu)建的工業(yè)產(chǎn)品表面缺陷檢測方 法，解決了現(xiàn)有技術(shù)對工業(yè)表面缺陷的檢測準確率不高的問題。
[0006] 本發(fā)明所采用的技術(shù)方案是，基于目標特征顯著圖構(gòu)建的工業(yè)產(chǎn)品表面缺陷檢測 方法，具體按照以下步驟實施：
[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面積特征顯著圖和數(shù)目特征顯著圖進行分割 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)前景目標面積，確定濾波閾值， 濾除小于濾波閾值的噪聲和偽目標，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)平均進行灰度化，轉(zhuǎn)換過 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)曲線提高前景目標區(qū)域的顯著 度；
[0018] 具體按照以下步驟實施：
[0019] 前景目標面積權(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，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個灰度級所有的像素個數(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')為極大和極小時所對應(yīng)的灰度值，則前景目標面積特征函數(shù)分別如公式（4)、（5)和 (6)所示：
[0033] 其中，當tG[1，tj時，!T1 (X，y)值越大，f(X，y)為缺陷的可能性越高；當 tG(Lt2)時，r2(x，y)值越小，f(x，y)為背景的可能性越高；當tG[t2,255]時，r3(x，y) 值越大，f(x,y)為缺陷的可能性越高；
[0034] d)前景目標面積特征權(quán)重函數(shù)：
[0035] 圖像f(x，y)前景目標面積特征函數(shù)分別如公式（7)、⑶和（9)所示：
[0039] 其中，當tG[1，tj時，Irr1 (X，y)值越小，f(X，y)為缺陷的可能性越高；當 tG(tut2)時，rr2(x,y)值越小，f(X，y)為背景的可能性越高；當tG[t2, 255]時，rr3(x,y) 值越大，f(x,y)為缺陷的可能性