一種基于機(jī)器視覺(jué)的表面瑕疵檢測(cè)的紋理特征降維方法
【專(zhuān)利摘要】一種基于機(jī)器視覺(jué)的表面瑕疵檢測(cè)的紋理特征降維方法，去除訓(xùn)練樣本中的噪聲樣本和安全樣本，以邊界樣本代替隨機(jī)選取樣本作為特征權(quán)值迭代時(shí)所用的樣本集合，特征權(quán)值計(jì)算時(shí)，根據(jù)重要程度的差異賦予三個(gè)最近鄰樣本不同的樣本權(quán)值，增強(qiáng)了對(duì)類(lèi)別相關(guān)性強(qiáng)的特征選擇的針對(duì)性，降低噪聲的干擾程度，具有更強(qiáng)的適應(yīng)性；求取相關(guān)系數(shù)矩陣，設(shè)定自適應(yīng)閾值，剔除冗余特征，提取了與類(lèi)別相關(guān)性強(qiáng)的特征，在保證分類(lèi)識(shí)別準(zhǔn)確率的同時(shí)，降低了特征維數(shù)，大大提高了在線特征提取及分類(lèi)識(shí)別的速度，解決了高維特征可能含有冗余特征，甚至是噪聲特征，從而導(dǎo)致的在線特征提取時(shí)間長(zhǎng)、預(yù)測(cè)準(zhǔn)確率降低的問(wèn)題。
【專(zhuān)利說(shuō)明】—種基于機(jī)器視覺(jué)的表面瑕疵檢測(cè)的紋理特征降維方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及基于機(jī)器視覺(jué)的工業(yè)圖像識(shí)別分類(lèi)方法，具體是指一種工業(yè)產(chǎn)品圖像的紋理特征降維方法，屬于機(jī)器視覺(jué)表面瑕疵自動(dòng)檢測(cè)研究【技術(shù)領(lǐng)域】。
【背景技術(shù)】
[0002]基于機(jī)器視覺(jué)的自動(dòng)檢測(cè)技術(shù)與人工視覺(jué)相比，具有速度快、精度高、永不疲勞的優(yōu)點(diǎn)，在工業(yè)生產(chǎn)流水線上，正逐步代替人工視覺(jué)檢測(cè)，這不僅降低人力成本而且可實(shí)現(xiàn)對(duì)產(chǎn)品質(zhì)量的嚴(yán)格控制。
[0003]特征選取是工件瑕疵識(shí)別分類(lèi)的關(guān)鍵步驟之一，所選取特征的好壞在很大程度上影響著最終識(shí)別分類(lèi)的效果。為了對(duì)樣本進(jìn)行較為全面的描述，通常采用多維的復(fù)合特征而不是單一的特征來(lái)表示。高維的特征數(shù)據(jù)可能存在一定相關(guān)性，含有許多冗余特征，甚至是噪聲特征，對(duì)識(shí)別正確率產(chǎn)生負(fù)面影響。此外，工業(yè)現(xiàn)場(chǎng)對(duì)實(shí)時(shí)性要求較高，特征維數(shù)過(guò)大，會(huì)導(dǎo)致運(yùn)算量變大，學(xué)習(xí)時(shí)間變長(zhǎng)，不利于對(duì)工件快速識(shí)別分類(lèi)。如何選取與類(lèi)別相關(guān)性強(qiáng)的特征，同時(shí)又能盡可能得降低圖像特征的維數(shù)，減少在線預(yù)測(cè)時(shí)間，顯得至關(guān)重要。
[0004]特征降維技術(shù)可以降低特征維數(shù)，提高分類(lèi)器分類(lèi)性能。特征降維可以分為特征提取和特征選擇。近年來(lái)有不少經(jīng)典的特征提取方法被提出，如主成分分析(PCA)、獨(dú)立成分分析(ICA)、核主成分分析(KPCA)等。經(jīng)過(guò)這些方法處理后，雖然特征維數(shù)下降了，但是新的特征失去了原有的物理意義，由此帶來(lái)的一個(gè)問(wèn)題是:在線檢測(cè)時(shí)仍然需要計(jì)算降維前的所有特征值，從而使得在線預(yù)測(cè)計(jì)算量大大提高，時(shí)間消耗大。有研究者提出用于兩類(lèi)樣本特征降維的Re I i ef算法和與之對(duì)應(yīng)的多類(lèi)樣本特征降維的Re I i efF方法，這類(lèi)算法雖然能找到與類(lèi)別相關(guān)性強(qiáng)的特征子集且不改變特征的原有物理意義，但是仍然存在一些不足之處，如:未考慮不同樣本的差異性、無(wú)法去除冗余特征、容易受到噪聲的干擾適應(yīng)性能較差等。

【發(fā)明內(nèi)容】

[0005]本發(fā)明為了解決高維特征可能含有的冗余特征，甚至是噪聲特征，從而導(dǎo)致的在線特征提取時(shí)間長(zhǎng)、預(yù)測(cè)準(zhǔn)確率降低的問(wèn)題，提供一種適用于紋理工件表面瑕疵檢測(cè)的離線特征降維方法。
[0006]為達(dá)此目的，本發(fā)明通過(guò)如下技術(shù)方案實(shí)現(xiàn):整個(gè)流程可分為離線訓(xùn)練和在線預(yù)測(cè)兩個(gè)過(guò)程，具體如下:
[0007]離線訓(xùn)練過(guò)程:
[0008](I)構(gòu)造Gabor濾波器組，對(duì)每個(gè)訓(xùn)練圖像利用Gabor濾波器組進(jìn)行卷積變換獲得Gabor子圖，并對(duì)相同尺度不同方向的子圖進(jìn)行融合。存儲(chǔ)Gabor濾波器組G，用于在線特征提取過(guò)程。
[0009](2)提取融合后不同尺度的圖像的灰度均值、方差和灰度共生矩陣的對(duì)比度、相關(guān)性、信息熵等統(tǒng)計(jì)量作為特征，組成訓(xùn)練樣本特征數(shù)據(jù)矩陣。[0010](3)對(duì)提取特征進(jìn)行降維。
[0011](3.1)找出與類(lèi)別相關(guān)性強(qiáng)的特征。去除噪聲點(diǎn)，尋找所有訓(xùn)練樣本中的邊界樣本，根據(jù)所得邊界樣本數(shù)據(jù)對(duì)每一維特征權(quán)值進(jìn)行迭代，權(quán)值越大表示其對(duì)應(yīng)的特征與類(lèi)別相關(guān)性越強(qiáng)。比較每一維特征權(quán)值與閾值THl的大小:若權(quán)值小于THl，則將該維特征所對(duì)應(yīng)的狀態(tài)標(biāo)志位置O,否則置I。由此得到所有特征狀態(tài)標(biāo)志向量markl。
[0012](3.2)去除冗余特征。將訓(xùn)練樣本特征數(shù)據(jù)矩陣按照權(quán)值大小降序排列，計(jì)算相關(guān)系數(shù)矩陣RH0，并根據(jù)相關(guān)系數(shù)矩陣計(jì)算閾值TH2。找出與最大權(quán)值特征相關(guān)系數(shù)最大的特征，并比較該相關(guān)系數(shù)與TH2的大小。若大于TH2，則將該維特征刪除，并將其對(duì)應(yīng)狀態(tài)標(biāo)志位置O;否則置I。再找出與次最大特征相關(guān)系數(shù)最大的特征，比較與TH2的大小。以此類(lèi)推，直到把權(quán)值最小的冗余特征去除。由此得到所有特征狀態(tài)標(biāo)志向量mark2。
[0013](3.3)將markl和mark2按位與運(yùn)算得到mark即為最終所有特征的狀態(tài)標(biāo)志向量。將mark中狀態(tài)標(biāo)志為O對(duì)應(yīng)的特征刪除，保留標(biāo)志位為I的特征。存儲(chǔ)特征狀態(tài)標(biāo)志向量mark，用于在線特征提取過(guò)程。
[0014](4)根據(jù)降維后所得的訓(xùn)練樣本特征矩陣，訓(xùn)練分類(lèi)器模型，并存儲(chǔ)分類(lèi)器模型系數(shù)model。本發(fā)明采用分類(lèi)精度高、實(shí)時(shí)性能好、推廣能力強(qiáng)的最小二乘支持向量機(jī)作為分類(lèi)器。
[0015]在線預(yù)測(cè)過(guò)程:
[0016](I)下載Gabor濾波器組G，對(duì)預(yù)測(cè)圖像進(jìn)行卷積變換獲得Gabor子圖，并對(duì)相同尺度不同方向的子圖進(jìn)行融合。
[0017](2)下載特征狀態(tài)標(biāo)志向量mark并判斷每一維特征的標(biāo)志位是O或1:如果是0，則不進(jìn)行該維特征值的計(jì)算，否則計(jì)算該維特征值。
[0018](3)下載離線訓(xùn)練所得分類(lèi)器模型model，利用所提取的預(yù)測(cè)圖像特征，對(duì)表面缺陷進(jìn)行識(shí)別分類(lèi)。
[0019]本發(fā)明的有益效果是:本發(fā)明提供了 一種基于機(jī)器視覺(jué)的表面瑕疵檢測(cè)的紋理特征降維方法，去除訓(xùn)練樣本噪聲點(diǎn)和安全樣本點(diǎn)，以邊界樣本代替隨機(jī)選取樣本作為特征權(quán)值迭代時(shí)所用的樣本集合，特征權(quán)值計(jì)算時(shí)，以k(k取3)個(gè)最近鄰代替一個(gè)最近鄰且根據(jù)三個(gè)最近鄰的重要程度賦予不同的樣本權(quán)值，增強(qiáng)樣本選擇的針對(duì)性，減少所受噪聲的干擾，適應(yīng)性更好；此外彌補(bǔ)了 Relief等算法無(wú)法剔除冗余特征的不足，提取了與類(lèi)別相關(guān)性強(qiáng)的特征，在保證分類(lèi)識(shí)別準(zhǔn)確率的同時(shí)，降低了特征維數(shù)，大大提高了在線特征提取及分類(lèi)識(shí)別的速度，解決了高維特征可能含有許多冗余特征，甚至是噪聲特征，從而導(dǎo)致的在線特征提取時(shí)間長(zhǎng)、預(yù)測(cè)準(zhǔn)確率降低的問(wèn)題。
【專(zhuān)利附圖】

【附圖說(shuō)明】
[0020]圖1是本發(fā)明整體流程。
[0021]圖2是離線訓(xùn)練紋理特征降維流程圖
【具體實(shí)施方式】
[0022]為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，下面結(jié)合具體實(shí)施例，并參照附圖，對(duì)本發(fā)明作進(jìn)一步詳細(xì)說(shuō)明。[0023]本發(fā)明一種基于機(jī)器視覺(jué)的表面瑕疵檢測(cè)的紋理特征降維方法，整個(gè)流程可分為離線訓(xùn)練和在線預(yù)測(cè)兩個(gè)過(guò)程。如圖1所示，離線訓(xùn)練部分主要由Gabor小波變換、圖像融合、特征提取和特征降維和分類(lèi)器學(xué)習(xí)5個(gè)子部分組成；在線預(yù)測(cè)過(guò)程與離線過(guò)程基本相同，但只需要下載并利用離線訓(xùn)練時(shí)所得的Gabor濾波器組系數(shù)G、每維特征狀態(tài)標(biāo)志向量mark和分類(lèi)器模型model。
[0024]進(jìn)一步的，離線訓(xùn)練過(guò)程具體實(shí)現(xiàn)步驟為:
[0025]步驟一、對(duì)圖像進(jìn)行Gabor變換。
[0026](I)讀取工業(yè)智能相機(jī)拍照所得工件表面圖像η張，其中有瑕疵工件和合格工件圖像數(shù)量大致相等。
[0027](2)構(gòu)造二維Gabor濾波器組。Gabor小波變換是一種非常規(guī)范的圖像處理算法。采用具有 4 個(gè)方向(Θ = [O。，45°，90° ,135° ])和 5 個(gè)尺度(λ = [0,1,2,3,4])的Gabor濾波器組。存儲(chǔ)Gabor濾波器組G，用于在線特征提取過(guò)程。分別用不同方向不同尺度的Gabor濾波器與圖像進(jìn)行卷積，獲得20副Gabor分量子圖。
[0028](3)圖像融合。以f (v，u)表示原圖像經(jīng)過(guò)Gabor小波變換后獲得的20副分量子圖，其中ve {0,1,2,3,4}表示5個(gè)不同尺度，u e {1,2,3,4}表示4個(gè)不同方向。將相同尺度不同方向的子圖按照下式進(jìn)行融合:
【權(quán)利要求】
1.一種基于機(jī)器視覺(jué)的表面瑕疵檢測(cè)的紋理特征降維方法，其特征是，提取出與類(lèi)別相關(guān)性強(qiáng)的特征，去除冗余特征，在保證分類(lèi)識(shí)別準(zhǔn)確率的同時(shí)，降低了特征維數(shù)，大大提高了在線特征提取及分類(lèi)識(shí)別的速度，解決了高維特征可能含有冗余特征，甚至是噪聲特征導(dǎo)致的在線特征提取時(shí)間長(zhǎng)、預(yù)測(cè)準(zhǔn)確率降低的問(wèn)題；包含如下幾個(gè)步驟: (1)找出與類(lèi)別相關(guān)性強(qiáng)的特征，得到所有特征狀態(tài)標(biāo)志向量markl； (2)去除冗余特征，計(jì)算相關(guān)系數(shù)矩陣RHO，進(jìn)一步得到所有特征狀態(tài)標(biāo)志向量mark2； (3)將markl和mark2按位與運(yùn)算得到mark即為最終所有特征的狀態(tài)標(biāo)志向量mark,存儲(chǔ)狀態(tài)標(biāo)志向量mark，用于在線特征提取過(guò)程。
2.根據(jù)權(quán)利要求1所述基于機(jī)器視覺(jué)的表面瑕疵檢測(cè)的紋理特征降維方法，其特征是:所述步驟(1)中找出與類(lèi)別相關(guān)性強(qiáng)的特征，包含如下步驟: 第一步、剔除安全樣本和噪聲樣本；對(duì)于n*m維的訓(xùn)練樣本特征矩陣X中的每一個(gè)樣本Xn，計(jì)算出它與其余樣本之間的歐式距離；找出與Xn距離最小的5個(gè)樣本訓(xùn)練，判斷這5個(gè)訓(xùn)練樣本類(lèi)別標(biāo)簽是否與Xn的類(lèi)別標(biāo)簽一致，如果5個(gè)最近鄰樣本的類(lèi)別均與xn的類(lèi)別相同或者均與Xn不同，則將Xn視為安全樣本或者噪聲樣本剔除；由此獲得只含邊界樣本的特征矩陣Xnew ； 第二步、計(jì)算模糊差異度量；對(duì)于Xnrat中的每個(gè)樣本Xn，分別找出其k(k = 3)個(gè)最近鄰?fù)?lèi)、異類(lèi)樣本 :每一維特征對(duì)應(yīng)初始權(quán)值
3.根據(jù)權(quán)利要求1所述基于機(jī)器視覺(jué)的表面瑕疵檢測(cè)的紋理特征降維方法，其特征是:所述步驟(2)中去除冗余特征，包含如下步驟: 第一步、將訓(xùn)練樣本Xm的所有特征按照特征權(quán)值大小降序排列，計(jì)算相關(guān)系數(shù)矩陣L:RHO
4.根據(jù)權(quán)利要求1所述基于機(jī)器視覺(jué)的表面瑕疵檢測(cè)的紋理特征降維方法，其特征是:所述步驟(3),將markl和mark2按位與運(yùn)算得到mark即為最終所有特征的狀態(tài)標(biāo)志向量，將mark中狀態(tài)標(biāo)志為O對(duì)應(yīng)的特征刪除,保留標(biāo)志位為I的特征,存儲(chǔ)狀態(tài)標(biāo)志向量mark,用于在線特征提取過(guò)程。
【文檔編號(hào)】G06K9/46GK103544499SQ201310485150
【公開(kāi)日】2014年1月29日 申請(qǐng)日期:2013年10月12日 優(yōu)先權(quán)日:2013年10月12日
【發(fā)明者】白瑞林, 張振堯, 姜利杰, 李新 申請(qǐng)人:江南大學(xué), 無(wú)錫信捷電氣股份有限公司