[發(fā)明專利]基于線陣CCD的物件表面缺陷檢測方法及裝置有效
| 申請?zhí)枺?/td> | 201210334643.0 | 申請日： | 2012-09-11 |
| 公開（公告）號： | CN102854194A | 公開（公告）日： | 2013-01-02 |
| 發(fā)明（設計）人： | 鄒潤民;王勛志;郭述帆 | 申請（專利權）人： | 中南大學 |
| 主分類號： | G01N21/88 | 分類號： | G01N21/88 |
| 代理公司： | 長沙市融智專利事務所 43114 | 代理人： | 黃美成 |
| 地址： | 410083 湖南*** | 國省代碼： | 湖南;43 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 ccd 物件 表面 缺陷 檢測 方法 裝置 | ||
1.一種基于線陣CCD的物體表面缺陷檢測方法，其特征在于，光源發(fā)出的光照射在物體表面上，物體表面的圖像成像到線陣CCD器件的像元陣列表面，使得線陣CCD器件輸出用于表征光強的模擬電壓信號S(t)；線陣CCD器件中的每一個像數對應一個模擬電壓信號S(t)；
采用BP神經網絡對模擬電壓信號S(t)進行分類處理，從而識別出物體表面缺陷；
所述的BP神經網絡的輸入層為一個神經元，輸入信號為模擬電壓信號S(t)；
所述的BP神經網絡的隱含層為一層，包含3個神經元；
所述的BP神經網絡的輸出層為一個神經元，輸出0或1信號分別表示當前像素點對應的物體表面區(qū)域為缺陷或正常；由于像素點在線陣CCD中的位置與物體表面區(qū)域具有一一對應關系，因此，根據輸出信號為0的像素點在線陣CCD器件中的位置即能確定物體的缺陷位置所在。
2.根據權利要求1所述的基于線陣CCD的物體表面缺陷檢測方法，其特征在于，在使用BP神經網絡前，先對BP神經網絡進行數據預處理和訓練；
所述的數據預處理的過程為：先用樣本中的模擬電壓信號S(t)的值除以該列的最大模擬電壓信號S(t)的值，以使其輸入值限定在區(qū)間[0,1]上；并且，用0表示“缺陷”，用1表示“正常”，作為BP神經網絡的預期輸出；
所述的訓練過程為：
（1）初始化該網絡的權值和偏差：網絡的初始化權值和偏差取用隨機函數生成的介于[-1,1]的小數；
（2）進行訓練及掃描過程的迭代：
輸出神經元的實際值>0.9時就認為此時的輸出的布爾量是1，輸出<0.1時認為此時的輸出的布爾量是0；
將學習率η設為0.9，根據指定的終止條件神經網絡的輸出值和實際輸出值的誤差小
于0.1，采用多個樣本，對權值和偏差采用實例更新的方法進行訓練及迭代；
①相對于前一層i，計算神經元j的凈輸入Ij為Ij＝∑(Wij·Oi)+θj；
②計算神經元輸出：使用對數型的單極性Sigmoid函數將各神經元j的輸出映射到區(qū)間[0,1]；
③計算反向傳播誤差ERRj：對輸出層的各神經元j，ERRj=Oj*(1-Oj)*(Tj-Oj)，其中，Tj為訓練樣本的已知類標號實際輸出；
④計算隱藏層神經元j的誤差ERRj：從最后一個到第一個隱藏層的各神經元j，ERRj=Oj*(1-Oj)*∑(ERRk*Wjk),K為輸出層的節(jié)點編號；
⑤更新權值：對網絡中的中各權值Wij，使用下面兩式來計算，ΔWij=η*ERRj*Oj；
Wij=Wij+ΔWij；
⑥更新偏差：對網絡中的各偏差θj，使用下面兩式來計算
Δθj=η*ERRj；
θj=θj+Δθj；
訓練完成后，從BP神經網絡提取關于輸入和輸出類的關聯(lián)規(guī)則。
3.一種基于線陣CCD的物體表面缺陷檢測裝置，其特征在于，采用權利要求1或2所述的基于線陣CCD的物體表面缺陷檢測方法，包括光學圖像采集模塊、可編程邏輯器件、驅動模塊、信號調理模塊和A/D轉換模塊；
可編程邏輯器件通驅動模塊驅動光學圖像采集模塊工作；光學圖像采集模塊的輸出信號依次經信號調理模塊和A/D轉換模塊輸入到可編程邏輯器件進行處理；
光學圖像采集模塊包括光源、光學鏡頭和圖像傳感器。
4.根據權利要求1所述的基于線陣CCD的物體表面缺陷檢測裝置，其特征在于，還包括與可編程邏輯器件連接的顯示屏和報警音箱。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于中南大學，未經中南大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業(yè)授權和技術合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201210334643.0/1.html，轉載請聲明來源鉆瓜專利網。
