[發明專利]基于圖像處理及神經網絡分類的高反光表面缺陷檢測方法

有效

• 申請號: 201810258749.4
• 申請日: 2018-03-27
• 公開（公告）號: CN108520274B
• 公開（公告）日: 2022-03-11
• 發明（設計）人: 王鵬;陳豐;孫長庫
• 申請（專利權）人: 天津大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/762;G06K9/62;G06N3/04;G06T7/00
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 劉玥

本發明公開了一種基于圖像處理及神經網絡分類的高反光表面缺陷檢測方法：將原始采集的圖像先進行背景減除、去噪等基本處理，通過特征提取初步確定可能存在瑕疵的零件部位并得到一系列對應部位的區域圖像，再將圖像序列輸入以局部特征區域圖塊作為訓練數據所得到的神經網絡分類器，進行是否為真缺陷的判斷，以分類器的輸出結果作為最終判定結果。本發明提出了一種運用前端二維數字圖像處理模塊進行缺陷特征搜索及提取、結合后端神經網絡分類器進行特征過濾增強搜索結果準確性的高反光被測件表面缺陷檢測方法，可在保證對被測件表面缺陷進行充分提取的前提下，降低傳統圖像處理檢測方法中錯漏檢的概率，同時可兼顧運算效率及通用性。

技術領域

本發明涉及模式分類技術，特別涉及機器視覺二維圖像處理技術及基于神經網絡深度學習的模式分類技術。

背景技術

在金屬等高反光表面零件的生產過程中，由于生產線環境下難免對零件表面造成磕碰及劃傷，產生了對殘次品及合格品進行快速有效的識別分類的需求?；跈C器視覺的非接觸式檢測方法，以圖像處理理論為核心，具有效率高、錯漏檢概率低、避免對被測件造成二次損傷的優點，已經被廣泛應用于無損檢測領域。

常見的機器視覺智能無損檢測方法之一是直接對采集到的被測件圖像進行基于數字圖像處理算法的特征提取及分析，進而做出合格與否的判斷，具有容易實現、模型簡單的優勢，但這種方法對采集圖像的質量(清晰度、對比度及亮度)及采集現場的環境要求較高，需要根據具體應用環境對檢測模型算法參數做精細的手工搭建及調試才能保證較高的魯棒性，但這也同時限制了該模型的應用場景；還有一種是基于激光三維掃描的表面檢測方法，通過激光掃描得到的表面點云數據對被測件表面進行特征分析，但這種方法在被測件表面特征細微的情況下,對點云掃描精度及處理算法的要求很高，且數據處理難度大，不易實現；基于機器學習的分類器檢測法，如支持向量機SVM(Support Vector Machine)、卷積神經網絡CNN(Convolutional Neural Network)等，也被應用于無損檢測領域，一般是直接將被測面圖像數據集作為訓練數據，但這種方法較適用于缺陷特征十分明顯或被測表面形貌信息較少(無過多的細節，如凹槽、凸起、紋路等)的情況，當被測面形態復雜或相較于被測件形貌目標特征過于細微時，神經網絡分類器的訓練通常具有更大的難度且需要更長的訓練和調整周期。

本發明的應用場景要求在生產線上實現對具有較復雜特征的金屬零件表面的劃痕、凹坑及磨削瑕疵等缺陷的檢測，因此就要求算法具有較強的魯棒性及保證可配合流水線生產的運算速度，在保證檢測準確率的前提下讓其盡可能具有更強的通用性和靈活性。

發明內容

本發明的目的是在生產線上實現對合格/非合格金屬高反光表面零件進行分類，需要通過檢測出金屬零件表面的劃痕、凹坑及磨削瑕疵等缺陷作為判斷依據。綜合考慮應用場景及被測件的特點，采用數字圖像處理與神經網絡分類器相結合的算法模型，在保證算法有效性的前提下，相比上述其他方法具有魯棒性強、運行速度快、易于實現的特點。

本發明所采用的技術方案是：一種基于圖像處理及神經網絡分類的高反光表面缺陷檢測方法，包括以下步驟：

步驟一，對采集的基礎圖像進行背景減除、降噪處理，剔除干擾；

步驟二，對剔除干擾后的圖像進行輪廓提取、篩選和聚類，得到一系列具有固定大小的矩形區塊；

步驟三，將步驟二得到的矩形區塊進行局部特征區域圖塊的截取，局部特征區域圖塊即為可能具有目標缺陷的圖像區域；

步驟四，將局部特征區域圖塊輸入神經網絡分類器進行逐個判定，輸出一個0/1序列，若判定結果中含有“1”則表明該局部特征區域圖塊對應的被測件是殘次品，反之則為合格。

進一步的，步驟一中，所述的背景減除具體為：利用多幅固定工件位置上的合格件圖像作為標準圖組制作背景減除的樣本，并根據被測件形貌特征制作掩膜，在后續處理各個樣本的過程中，通過以樣本圖像減除掩膜的方式，去除大部分由背景及光照條件所引入的圖像干擾。