[發明專利]基于顯著活動輪廓模型的硅鋼板表面微小缺陷檢測方法

有效

• 申請號: 201310548696.7
• 申請日: 2013-11-07
• 公開（公告）號: CN103544709A
• 公開（公告）日: 2014-01-29
• 發明（設計）人: 宋克臣;顏云輝;李駿;胡少鵬
• 申請（專利權）人: 東北大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G01N21/88
• 代理公司: 沈陽優普達知識產權代理事務所(特殊普通合伙) 21234
• 代理人: 張志偉

1.一種基于顯著活動輪廓模型的硅鋼板表面微小缺陷檢測方法，其特征在于：包括如下步驟：

步驟1、采用面陣工業相機采集硅鋼板表面圖像；

步驟2、采用視覺顯著方法對采集的硅鋼板表面圖像進行檢測，判斷是否為缺陷圖像，若是，則執行步驟3，否則將圖像刪除；

步驟3、采用顯著活動輪廓模型對缺陷圖像進行定位檢測。

2.根據權利1所述的基于顯著活動輪廓模型的硅鋼板表面微小缺陷檢測方法，其特征在于，步驟2所述的采用視覺顯著方法對采集的硅鋼板表面圖像進行檢測的特征，具體步驟如下：

步驟2-1、使用5×5高斯濾波窗口對采集的硅鋼板表面圖像進行濾波處理；

步驟2-2、將濾波后的硅鋼板表面圖像和未濾波的硅鋼板表面圖像進行顏色空間轉換，即從RGB顏色空間轉換到Lab顏色空間；

步驟2-3、在Lab顏色空間下，分別計算未濾波的硅鋼板表面圖像的平均向量I_μ(x,y)和濾波后的硅鋼板表面圖像的向量I_f(x,y)；

步驟2-4、將步驟2-3中獲得的I_μ(x,y)和I_f(x,y)代入以下公式中計算得到顯著值S(x,y)，進一步根據顯著值繪制顯著圖；

S(x,y)=||I_μ(x,y)-I_f(x,y)||???????(1)

步驟2-5、計算顯著圖中的平均灰度并與初始設置的閾值大小進行比較判斷該圖像是否為缺陷圖像。

3.根據權利1所述的基于顯著活動輪廓模型的硅鋼板表面微小缺陷檢測方法，其特征在于：步驟3所述的采用顯著活動輪廓模型對缺陷圖像進行定位檢測的特征，具體步驟如下：

步驟3-1、構建硅鋼板表面缺陷圖像的最小化能量函數：

minCE(m1,m2,C)=∫CL(s,C)ds+λ∫inside(C)|S(x)-m1|2dx+λ∫outside(C)|S(x)-m2|2dx---(2)]]>

其中，E(m₁,m₂,C)表示最小化的能量函數；而L(s,C)是關于曲線長度C的函數，s為曲線長度C的積分變量；式中的第二項和第三項合稱為數據保真項，λ為權重系數，S(x)表示在圖像x位置處的像素數據，m₁和m₂分別表示曲線內、外的像素灰度均值；

步驟3-2、引入水平集思想和方法，將演化曲線C用水平集函數來代替，同時使用正則化的海氏函數，將步驟3-1中的最小化能量函數改寫成如下形式：

minφE(m1,m2,φ)=∫|▿H(φ)|+λ·∫|S(x)-m1|2H(φ)dx+λ·∫|S(x)-m2|2(1-H(φ))dx---(3)]]>

其中，φ為水平集函數，H(φ)表示海氏函數；λ為權重系數；

步驟3-3、運用凸優化技術將步驟3-2中的最小化能量函數轉為凸優化的泛函形式：

minφ∈{0,1}E(m1,m2,φ)=∫|▿φ|+λ·∫|S(x)-m1|2φdx+λ·∫|S(x)-m2|2(1-φ)dx]]>

步驟3-4、使用處在凸集中的隸屬度函數u來代替φ，并限定隸屬度函數處在一個凸集[0,1]中，將步驟3-3中的泛函形式轉為如下形式：

minu∈[0,1]E(m1,m2,u)=∫|▿u|+λ·∫|S(x)-m1|2udx+λ·∫|S(x)-m2|2(1-u)dx]]>

其中，u為隸屬度函數；

步驟3-5、將步驟3-4中的泛函形式進一步改寫得到凸優化的最小化能量泛函模型：

minu∈[0,1]E(m1,m2,u)=∫|▿u|dx+λ·∫r·udx]]>

其中，是u的全變差，r為數據保真項函數；

步驟3-6、引入新的向量變量將步驟3-5中的泛函模型改寫成：

minu∈[0,1],d→E(m1,m2,u)=∫|d→|+λ·r·udx]]>

其中，為輔助變量；

步驟3-7、采用Bregman迭代方法，并引入迭代參數得到如下式：

(uk+1,d→k+1)=minu∈[0,1],d→∫|d→|+λ·r·u+μ2|d→-▿u-b→k|dx,k≥0b→k+1=b→k+▿uk+1-d→k+1]]>

式中，k為迭代次數，為迭代參數，μ為調整項；

步驟3-8、由變分法原理，得到最優解滿足如下表達式：

μΔu=λ·r+μ·div(d→k-b→k),u∈[0,1]]]>

步驟3-9、采用Gauss-Seidel迭代方法求解u^k+1：

αi,j=d→i-1,jx,k-d→i,jx,k-b→i-1,jx,k+b→i,jx,k+d→i,j-1y,k-d→i,jy,k-b→i,j-1y,k+b→i,jy,kβi,j=14(ui-1,jk,n+ui+1,jk,n+ui,j-1k,n+ui,j+1k,n-λμr+αi,j)ui,jk+1,n+1=max{min{βi,j,1},0}]]>

其中，α_i,j和β_i,j分別表示在圖像位置(i,j)處的調整參數；步驟3-10、通過軟閾值得到的最優解：

d→k+1=▿uk+1+b→k|▿uk+1+b→k|max(|▿uk+1+b→k|-μ-1,0).]]>