[發(fā)明專利]一種基于貝葉斯小樣本學(xué)習(xí)的表面缺陷檢測方法

有效

• 申請?zhí)枺?/td>: 201710583489.3
• 申請日: 2017-07-17
• 公開（公告）號: CN107705284B
• 公開（公告）日: 2020-10-09
• 發(fā)明（設(shè)計）人: 何志勇;林嵩;張浩
• 申請（專利權(quán)）人: 蘇州佳賽特智能科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/00;G06K9/46;G06K9/62
• 代理公司: 蘇州市中南偉業(yè)知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 32257
• 代理人: 耿丹丹

一種基于貝葉斯小樣本學(xué)習(xí)的表面缺陷檢測方法，首先采用線陣工業(yè)相機(jī)對工業(yè)生產(chǎn)中的被檢物進(jìn)行圖像采集；將采集的被檢物圖像從RGB顏色空間轉(zhuǎn)成單通道的灰度圖像；將被檢物圖像進(jìn)行滑窗濾波將被檢物圖像中的噪聲點去除；用sobel算子對被檢物圖像中的缺陷進(jìn)行增強(qiáng)處理；在被檢物圖像中選取經(jīng)過增強(qiáng)的正常的訓(xùn)練樣本和有缺陷的訓(xùn)練樣本各一幅作為待檢測樣本，并計算出它們的梯度特征并進(jìn)行學(xué)習(xí)。再結(jié)合其他步驟就能利用貝葉斯算法，依據(jù)被檢物的梯度特征進(jìn)行運算處理，提高了檢測的性能和精確度，能夠有效節(jié)省勞力、降低勞動強(qiáng)度、改善了工作效率且檢測精度較高。

技術(shù)領(lǐng)域

本發(fā)明涉及缺陷檢測技術(shù)領(lǐng)域，具體涉及一種基于小樣本學(xué)習(xí)的表面缺陷檢測方法，尤其涉及一種基于貝葉斯小樣本學(xué)習(xí)的表面缺陷檢測方法。

背景技術(shù)

在現(xiàn)有的工業(yè)生產(chǎn)中，對產(chǎn)品進(jìn)行表面缺陷檢測成為保證產(chǎn)品質(zhì)量的一個重要環(huán)節(jié)。目前，表面缺陷檢測多以人工為主，但人眼分辨速度有限，易受主觀因素影響，易發(fā)生誤檢，錯檢等問題。以先進(jìn)的機(jī)器視覺技術(shù)代替人工檢測缺陷，是提高生產(chǎn)效率、減少勞動力、降低人工勞動強(qiáng)度和保證產(chǎn)品質(zhì)量的重要措施。但目前很多訓(xùn)練學(xué)習(xí)檢測方法都需要大量的缺陷訓(xùn)練樣本，而在實際的生產(chǎn)當(dāng)中，大量的缺陷樣本獲取困難。

目前國內(nèi)外進(jìn)行表面缺陷檢測的訓(xùn)練學(xué)習(xí)算法多是如下兩種：

一.SVM作為比較成熟的分類訓(xùn)練學(xué)習(xí)算法已經(jīng)在越來越多的領(lǐng)域得到應(yīng)用。通過國內(nèi)外學(xué)者的不斷完善，SVM在表面缺陷檢測中也能達(dá)到較高的準(zhǔn)確率。但是，基于SVM檢測表面缺陷的應(yīng)用中，一般需要數(shù)十幅以上的訓(xùn)練樣本，但在現(xiàn)實生產(chǎn)中，卻時常難以滿足。

二.CNN作為目前研究火熱的訓(xùn)練學(xué)習(xí)算法，也應(yīng)用到了表面缺陷檢測領(lǐng)域，且達(dá)到了很高檢測準(zhǔn)確率。但是這種方法的缺點也較明顯，也需要大量的訓(xùn)練樣本，而在實際生產(chǎn)過程當(dāng)中，產(chǎn)品缺陷樣本卻難以獲取。

發(fā)明內(nèi)容

為解決上述問題，本發(fā)明提供了一種基于貝葉斯小樣本學(xué)習(xí)的表面缺陷檢測方法，該方法利用貝葉斯算法，依據(jù)被檢物的梯度特征進(jìn)行運算處理，提高了檢測的性能和精確度，能夠有效節(jié)省勞力、降低勞動強(qiáng)度、改善了工作效率且檢測精度較高。

為了克服現(xiàn)有技術(shù)中的不足，本發(fā)明提供了一種基于貝葉斯小樣本學(xué)習(xí)的表面缺陷檢測方法的解決方案，具體如下：

一種基于貝葉斯小樣本學(xué)習(xí)的表面缺陷檢測方法，步驟如下:

步驟1：首先采用線陣工業(yè)相機(jī)對工業(yè)生產(chǎn)中的被檢物進(jìn)行圖像采集；

步驟2：將采集的被檢物圖像從RGB顏色空間轉(zhuǎn)成單通道的灰度圖像；

步驟3：將被檢物圖像進(jìn)行滑窗濾波將被檢物圖像中的噪聲點去除；

步驟4：用sobel算子對被檢物圖像中的缺陷進(jìn)行增強(qiáng)處理；

步驟5：在被檢物圖像中選取經(jīng)過增強(qiáng)的正常的訓(xùn)練樣本和有缺陷的訓(xùn)練樣本各一幅作為待訓(xùn)練樣本，并計算出它們的梯度特征并進(jìn)行學(xué)習(xí)；

步驟6：計算待檢測樣本的梯度特征，依據(jù)學(xué)習(xí)得到的梯度特征分別求取其屬于完好樣本和存在缺陷樣本的先驗概率；

步驟7：通過貝葉斯算法將待測樣本的先驗概率和樣本的總體分布相結(jié)合來求取待測樣本屬于完好樣本和存在缺陷樣本的后驗概率；

步驟8：比較待測樣本屬于完好樣本和存在缺陷樣本的后驗概率大小，后驗概率更大的那一類即為待測樣本所屬的類。

所述步驟1中的線陣工業(yè)相機(jī)在進(jìn)行圖像采集時，在線陣工業(yè)相機(jī)下方且平行于鏡頭的位置放置著線型光源。

所述步驟3中的滑窗濾波為最小值滑窗濾波。

所述步驟5和步驟6中的梯度特征計算方法如下：