[發明專利]基于特征融合和核化RPCA的工業表面缺陷檢測方法

在審

• 申請號: 202011522021.1
• 申請日: 2020-12-18
• 公開（公告）號: CN112508934A
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 王珺璞;徐貴力;王穎;周維虎;程月華;董文德
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/136;G06K9/46;G06K9/62;G06F17/16
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 王素琴

本發明公開了一種基于特征融合和核化RPCA的工業表面缺陷檢測方法，其步驟包括：首先，將待檢測圖像劃分為大小一致的圖像塊；然后，分別用兩種特征描述子提取圖像塊的特征向量組成兩個特征矩陣，并采用典型相關分析方法將兩種特征矩陣進行融合；其次，將核方法引入RPCA模型中構造核化RPCA模型，采用交替方向乘子法將融合特征矩陣分解為低秩矩陣和稀疏矩陣；最后，通過閾值分割算法將由稀疏矩陣生成的顯著圖進行分割，定位出表面缺陷的位置。本發明融合了兩種不同特征描述子構建的特征矩陣，提升對工業表面圖像中復雜紋理信息的表征能力；采用核化RPCA模型，實現表面疵點和復雜背景的有效分離，有更高的檢測精度和更強的泛化能力。

技術領域

本發明屬于工業表面缺陷檢測技術領域，特別涉及一種基于特征融合和核化RPCA的工業表面缺陷檢測方法。

背景技術

表面缺陷會對工業產品的質量和性能產生不利影響，所以準確地檢測出缺陷位置在工業制造中起著至關重要的作用。目前，在大多企業的生產線中，表面缺陷的檢測仍然主要由人工進行，這種過程繁瑣且需要專業知識，效率低且不可靠。隨著人們對高質量自動檢測需求的不斷增長，基于機器視覺的缺陷檢測技術因其客觀、穩定的性能而得到廣泛研究，已逐步應用于各種工業檢測任務中。

當前常用的缺陷檢測技術主要包括基于統計的方法、基于頻譜的方法和基于模型的方法。基于統計的方法將缺陷定義為與圖像背景統計紋理特征不同的圖像塊，典型的方法包括閾值分割、邊緣檢測、數學形態學等。基于頻譜的方法通過在圖像的光譜域計算濾波器響應的能量來判定缺陷位置，主要方法有傅立葉變換、小波變換、Gabor變換等。基于模型的方法通過恰當的模型來建模圖像紋理特征，方法包括Elo評分、主動輪廓模型、馬爾可夫隨機場模型等。然而，對于紋理復雜多變、缺陷形態各異的工業表面圖像來說，這些方法只適應于特定場景，且檢測效果極依賴于合理的參數選擇，缺乏適應性和魯棒性。

魯棒主成分分析RPCA，又稱低秩矩陣分解模型，可以將一個矩陣分解為低秩矩陣和稀疏矩陣，常用于目標檢測和背景恢復。對于工業表面圖像，盡管它的紋理復雜多變，但背景一般較為規整，具有低秩性，缺陷形態多樣，但一般僅占據整個圖像的小部分區域，具有稀疏性。所以，表面缺陷檢測問題很好地符合了RPCA模型，被認為是一種高效的表面缺陷檢測方法。然而，基于RPCA模型的表面缺陷檢測技術仍存在兩個問題：1)由于工業環境的限制，采集的黑白圖像中可用特征不足，單一特征描述子難以全面地表征工業表面圖像中復雜紋理和多樣缺陷。2)由于生產環境的干擾，不均衡光照等不利因素會打破圖像背景的低秩假設，導致基于RPCA模型的缺陷檢測方法性能不高。

發明內容

針對現有工業表面缺陷檢測技術魯棒性和檢測精度不高的問題，本發明提出了一種基于特征融合和核化RPCA的工業表面缺陷檢測方法，采用典型相關分析融合兩種特征描述子來提高圖像表征能力，將核方法引入RPCA模型來減弱圖像背景的強低秩假設，以提高檢測精度和魯棒性。

本發明的實現了如下所述的技術方案。

一種基于特征融合和核化RPCA的工業表面缺陷檢測方法，其步驟如下：

步驟一：圖像分塊：將待檢測表面圖像無重疊地分成大小相同的圖像塊；

步驟二：特征提取及融合：采用兩種特征描述子，分別提取每個圖像塊的特征向量，進行堆疊后組成兩個特征矩陣，再采用典型相關分析方法將兩個特征矩陣進行融合；

步驟三：模型構造及求解：將核方法引入低秩分解模型中，構造核化RPCA模型，并采用交替方向乘子法(ADMM)交替迭代求解出最優的稀疏矩陣和低秩矩陣；

步驟四：顯著圖生成及分割：根據步驟三中的最優稀疏矩陣得到缺陷顯著圖，再進行閾值分割定位出缺陷位置。

所述步驟一中對待檢測圖像進行無重疊、均勻分塊的方法是：將大小為M×M的待測圖像無重疊地分為大小為n×n的均勻圖像塊{P_i|i＝1,2,…,N}，其中，是圖像塊的數量。