[發明專利]零件表面瑕疵檢測中神經網絡的訓練樣本的合成方法

有效

• 申請號: 201811221719.2
• 申請日: 2018-10-19
• 公開（公告）號: CN109584206B
• 公開（公告）日: 2021-07-06
• 發明（設計）人: 孫佳;王鵬
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/136;G06T7/11;G06T7/62
• 代理公司: 北京市恒有知識產權代理事務所(普通合伙) 11576
• 代理人: 郭文浩

1.一種零件表面瑕疵檢測中神經網絡的訓練樣本的合成方法，其特征在于，所述合成方法包括：

步驟S1：獲取帶瑕疵零件樣本的圖像；

步驟S2：從帶瑕疵零件樣本的圖像中獲取瑕疵圖像；

步驟S3：提取所述瑕疵圖像的圖像特征并將擾動加入所述圖像特征來生成訓練樣本；

步驟S3具體包括：

步驟S31：提取所述瑕疵圖像的圖像特征并將擾動加入所述圖像特征生成合成瑕疵；

步驟S32：將所述合成瑕疵與合格零件樣本的圖像進行拼接生成所述訓練樣本；

所述圖像特征包括瑕疵面積，步驟S31具體包括：

按照以下公式(2)計算瑕疵面積S：

其中，x、y分別為所述瑕疵圖像中的像素點的橫坐標和縱坐標，R為瑕疵圖像中的像素點的點集；

給定瑕疵的擾動面積；

按照以下公式(3)計算合成瑕疵的面積S'：

S'＝S+ΔS (3)

其中，S為瑕疵面積，S′為合成瑕疵的面積，ΔS為瑕疵的擾動面積；

所述圖像特征包括瑕疵矩形度，步驟S31具體包括：

按照以下公式(4)計算瑕疵矩形度R_l：

其中，R_l為瑕疵矩形度，L₁為瑕疵的最小外接矩形的短邊邊長，L₂為瑕疵的最小外接矩形的長邊邊長；

給定瑕疵的最小外接矩形的短邊擾動長度和長邊擾動長度；

按照以下公式(5)計算合成瑕疵的最小外接矩形的參數：

其中，L₁、L₂分別為瑕疵的最小外接矩形的短邊邊長和長邊邊長，L₁'、L₂'分別為合成瑕疵的最小外接矩形的短邊邊長和長邊邊長，ΔL₁、ΔL₂分別為瑕疵的最小外接矩形的短邊擾動長度和長邊擾動長度；

所述圖像特征包括瑕疵平均灰度，步驟S31具體包括：

按照以下公式(6)計算瑕疵平均灰度M：

其中，f(x,y)為圖像灰度函數，S為瑕疵面積，x、y分別為瑕疵圖像中的像素點的橫坐標和縱坐標；

給定瑕疵的擾動灰度；

按照以下公式(7)計算合成瑕疵的平均灰度M'：

M'＝M+ΔM (7)

其中，M為瑕疵平均灰度，M'為合成瑕疵的平均灰度，ΔM為瑕疵的擾動灰度；

所述圖像特征包括瑕疵角度，步驟S31具體包括：

按照以下公式(8)確定合成瑕疵的角度分布：

其中，θ′為合成瑕疵的角度，f(θ′)為合成瑕疵的角度的分布概率密度函數；

將瑕疵按照角度分布生成合成瑕疵；

步驟S2具體為：

利用全局閾值法對所述帶瑕疵零件樣本的圖像進行分割以獲取所述瑕疵圖像；

其中，按照以下公式(1)計算全局閾值法中的全局閾值TH：

其中，P₀(t)(u₀(t))²為瑕疵圖像的方差，P₁(t)(u₁(t))²為背景的方差，L為帶瑕疵零件樣本的圖像中灰度級的數量，ω為瑕疵圖像的方差權重，取值范圍為[0,1]。

2.根據權利要求1所述的合成方法，其特征在于，步驟S32具體為：

S321：確定合成瑕疵的重心坐標；

S322：確定合成瑕疵的重心在合格零件樣本圖像中的隨機坐標分布；

S323：計算所述重心坐標指向所述隨機坐標的向量；

S324：合成瑕疵的所有像素點相對于合格零件樣本圖像按照所述向量移動生成訓練樣本。

3.根據權利要求2所述的合成方法，其特征在于，步驟S321中的合成瑕疵的重心坐標按照以下公式(9)計算：

其中，x_c,y_c分別為合成瑕疵的重心的橫縱坐標，S′表示合成瑕疵的面積，x、y分別為合成瑕疵圖像中像素點的橫縱坐標，R′為合成瑕疵圖像中的像素點的點集。

4.根據權利要求3所述的合成方法，其特征在于，步驟S322中的隨機坐標分布按照以下公式(10)計算：

其中，(x_c′，y_c′)為合成瑕疵的重心在合格零件樣本的圖像上的坐標，D為零件的表面面積，f(x′_c,y′_c)為合成瑕疵的重心坐標的分布概率密度函數。