[发明专利]一种基于图像分析的金属板材表面异常检测方法

摘要

本发明公开了一种基于图像分析的金属板材表面异常检测方法，先利用图像的均值与方差进行粗检，得到疑似异常集合与正常集合；再利用压缩感知的原理对正常集合进行特征的学习，之后运用Bayes思想对异常集合进行分析判定，从而实现对表面异常的细检，这样通过粗检和细检相结合的方法来对表面缺陷进行快速检测，提高了检测的准确率以及实时性。

主权项

1.一种基于图像分析的金属板材表面异常检测方法，其特征在于，包括以下步骤：(1)、计算整幅待检测图像的积分图其中，I(x,y)表示坐标(x,y)处像素值，I′(x,y)表示待检测图像在坐标(x,y)处左下角像素值之和，即有：(2)、对待检测图像进行分块设置大小为m*n的滑动窗口，m为滑动窗口的长，n为滑动窗口的宽；设置滑动步长step；从待检测图像的左上角顶点出发，以步长step滑动，每滑动一次得到一图像块，用符号I_p表示，p＝1,2,…,L，L表示图像块的个数；(3)、根据积分图计算图像块I_p的像素值之和设x₁＜x₂,y₁＜y₂，(x₁,y₁)为I_p左上角顶点坐标，(x₂,y₂)为I_p右下角顶点坐标，则图像块I_p内所有像素值之和为：I′(x₁,y₁；x₂,y₂)＝I′(x₂,y₂)+I′(x₁,y₁)‑I′(x₁,y₂)‑I′(x₂,y₁)(4)、对待检测图像进行基于均值与方差的粗检测(4.1)、计算图像块I_p的均值μ；(4.2)、计算图像块I_p的方差σ；(4.3)、按照方差σ对待检测图像进行粗搜索；将L个图像块的方差进行升序排列，得到σ₁,σ₂,…,σ_L；设置阈值thro，thro＝times×(σ_L‑σ_L/2)/(L/2)，其中，times为常数；从排序后的方差中取出方差较大的L/3的σ，再依次计算相邻两方差的差值Δσ：Δσ＝σ_p‑σ_p‑1，2L/3≤p≤L判断相邻两方差的差值σ是否大于预设的阈值thro，如果大于阈值thro，则以当前σ_p对应的第p个图像块为界限，将方差大于等于σ_p的图像块划分为疑似异常图像块，用集合F＝{σ_p,σ_p+1,...σ_L}表示，将方差小于σ_p的图像块划分为正常图像块，用集合P＝{σ₁,σ₂,...σ_p‑1}表示；(4.4)、按照均值μ对待检测图像进行防漏搜索；将L个图像块的均值进行升序排列，得到μ₁,μ₂,…,μ_L；从排序后的均值中取出均值最大的l个图像块和均值最小的q个图像块均判为疑似异常图像块，并加入到集合F中，如果加入到集合F中的l个图像块和q个图像块有在集合P中的，则在集合P中删除对应的图像块；(5)、对待检测图像进行基于压缩感知特征的Bayes似然分类细检测(5.1)、求取所有图像块的特征向量(5.1.1)、从L个图像块中随机选取一个图像块，并将该图像块划分为多个子图像块，各子图像块之间可以有重叠，再从中随机选取J个子图像块，并记录下这J个子图像块在该图像块中位置；(5.1.2)、对J个子图像块求取加权和v_i'；其中，r_i'j'表示第i'次迭代时第j'个子图像块的权系数，其正负号随机，其绝对值满足w表示重复迭代的次数；I′_i′j'表示第i'次迭代时第j'个子图像块的像素值之和；(5.1.3)、在同一图像块中，重新随机选择J个子图像块，并按照步骤(5.1.2)所述方法计算加权和，并重复迭代w次，得到该图像块的一个w维的特征向量V；(5.1.4)、按照步骤(5.1.1)‑(5.1.3)所述方法，依次计算剩余图像块的特征向量；(5.2)、集合P中的正常图像块的特征学习；第k个图像块的第i'次迭代时的加权和为v_i'k；则正常图像块第i'次迭代时的加权和v_i'k所属分布的均值μ_i'和方差σ_i'为：集合P中正常图像块w次迭代后的加权和的分布为：(5.3)、对集合F中的疑似异常图像块进行Bayes似然分类；(5.3.1)、设集合F中的疑似异常图像块的个数为N_F，第f个疑似异常图像块在w次迭代后，得到w维的特征向量V_f为：(5.3.2)、计算第i'次迭代时，第f个疑似异常图像块的特征分量属于正常图像块相应分量的高斯分布概率p(v_i'f)：同理，可以计算出w次迭代后对应的高斯分布概率，即得到w个高斯分布概率p(v_1f)～p(v_wf)；(5.3.3)、利用高斯分布概率p(v_1f)～p(v_wf)计算疑似异常图像块的似然得分：(5.3.4)、将所求得分score与设定阈值thro2进行比较，如果score＞thro2，则判定该疑似异常图像块为疑似异常，否则判定该疑似异常图像块为正常；(5.3.5)、按照步骤(5.3.1)～(5.3.4)所述方法，继续判断集合F中剩余疑似异常图像块，直到得到每个疑似异常图像块的最终状态。