[發明專利]一種面向白玻璃蓋板表面微弱缺陷的檢測與測量方法

有效

• 申請號: 202110068116.9
• 申請日: 2021-01-19
• 公開（公告）號: CN112750119B
• 公開（公告）日: 2022-11-01
• 發明（設計）人: 姜銳;蘇虎
• 申請（專利權）人: 上海海事大學;中國科學院自動化研究所
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/762;G06V10/764;G06V10/774
• 代理公司: 上海互順專利代理事務所(普通合伙) 31332
• 代理人: 成秋麗

1.一種面向白玻璃蓋板表面微弱缺陷的檢測與測量方法，其特征在于，包括：

采集玻璃蓋板圖像，計算蓋板圖像的顯著性圖；

對顯著性圖進行快速二值化，利用密度聚類方法對屬于同一缺陷的非連續前景像素進行聚類，其中，對顯著性圖進行快速二值化，包括：

計算顯著性圖的積分圖，積分圖上像素點的值為所述像素點對應原圖左上方所有像素值的總和；

對圖像中的每個點選取其固定大小的鄰域，并求取鄰域內像素的均值作為閾值，對原圖進行二值化；

所述密度聚類方法包括以下步驟：

S21、初始化核心點集合初始化聚類簇數k＝0，初始化未訪問點集Γ＝D，簇劃分

S22、對于j＝1,2,…,m，首先通過距離度量方式，找到樣本x_j的ε-鄰域子集N_ε(x_j)，之后當子集點數滿足|N_ε(x_j)|≥MinPts時，將樣本x_j加入核心點集：Ω＝Ω∪x_j，MinPts描述了某一樣本的距離為ε的鄰域中樣本個數的閾值，ε描述了某一樣本的鄰域距離閾值；

S23、如果核心點集合則算法結束，否則轉入步驟S24；

S24、在核心點集合Ω中，隨機選擇一個點o，初始化當前簇核心點集Ω_cur＝{o}，初始化類別序號k＝k+1，初始化當前簇點集C_k＝{o}，更新未訪問點集Γ＝Γ/{o}；

S25、如果當前簇核心點集則當前聚類簇C_k生成完畢，更新簇劃分C＝{C₁,C₂,…C_k}，更新核心點集合Ω＝Ω/C_k，轉入步驟S23；

S26、在當前簇核心點集Ω_cur中取出一個核心點o’，通過鄰域距離閾值ε找出所有的ε-鄰域點集N_ε(o’)，令Δ＝N_ε(o’)∩Γ，更新當前簇點集C_k＝C_k∪Γ，更新未訪問點集Γ＝Γ/Δ，更新Ω_cur＝Ω_cur∪(N_ε(o’)∩Ω)，轉入步驟S25；

S27、輸出簇劃分C＝{C₁,C₂,…C_k}；

提取前景目標的高維形態及密度特征；

構建缺陷的正負樣本庫，正樣本庫里包含了所有劃痕的形態，負樣本庫里包含了實際生產環境下出現的臟污、灰塵形態，利用樣本庫中的樣本，提取特征向量，采用支持向量機算法作為分類器，進行訓練，并在驗證集上進行測試：對真實缺陷及干擾進行分類，長寬比為第1維特征，表征樣本形狀，后8維特征為全局密度特征，統計樣本中所有點到中心點的距離，并按預先設定分成8等分，最后64維為局部密度特征，將樣本中每個點的密度預分為R1,…,R8八個等級，對每個等級中的點分別統計個數；形態學特征計算：缺陷最小外接矩形的長邊與短邊的比值：F₀＝L/W，其中，L和W分別為缺陷的長和寬，全局密度特征計算：F_i＝|A|,點集A＝{p|‖p-c‖₂＝R_i},i＝{1,2,…,8}，其中，F_i為第i維全局特征，|·|表示集合中元素個數，c為該樣本所有點的中心，R_i為預先設定的距離參數；局部密度特征計算：B集合中元素個數F(j,k)＝|B|,點集B＝{p’|D(p)∈L_j,‖p-p’‖₂＝R_k},p’表示滿足條件D(p)∈L_j和‖p-p’‖₂＝R_k的每個點，j＝{1,2,…,8},k＝{1,2,…,8}，R_k表示i＝k時的預先設定的距離參數，D(p)表示點p的像素密度，L_j為第j個密度等級。

2.如權利要求1所述的面向白玻璃蓋板表面微弱缺陷的檢測與測量方法，其特征在于，圖像像素點(i,j)在尺度s上的顯著性值c^s_i,j計算如下式所示

其中，N₁、N₂分別是矩形R₁和R₂中像素的個數，v_p和v_q分別是R₁和R₂中像素點處CIELab顏色空間中的三維向量[L,a,b]，D[·]表示取兩個向量之間的歐式距離，令圖像的寬和高分別為w和h，R₁和R₂表示圖像上兩個矩形窗口，p、q分別是矩形R₁和R₂中像素的序號，當R₁的寬度為1時，表示取原圖中的一個像素點，R₂的寬度w_R2的取值范圍為圖像上某點最終的顯著性值為該點處的多個尺度下的顯著性值之和，

其中S為所有的尺度，m_i,j為最終的顯著性值，由每個點的顯著性值組成的圖像成為原圖像的顯著性圖。