一種基于機器視覺的表面瑕疵檢測的紋理特征降維方法
【專利摘要】一種基于機器視覺的表面瑕疵檢測的紋理特征降維方法，去除訓(xùn)練樣本中的噪聲樣本和安全樣本，以邊界樣本代替隨機選取樣本作為特征權(quán)值迭代時所用的樣本集合，特征權(quán)值計算時，根據(jù)重要程度的差異賦予三個最近鄰樣本不同的樣本權(quán)值，增強了對類別相關(guān)性強的特征選擇的針對性，降低噪聲的干擾程度，具有更強的適應(yīng)性；求取相關(guān)系數(shù)矩陣，設(shè)定自適應(yīng)閾值，剔除冗余特征，提取了與類別相關(guān)性強的特征，在保證分類識別準確率的同時，降低了特征維數(shù)，大大提高了在線特征提取及分類識別的速度，解決了高維特征可能含有冗余特征，甚至是噪聲特征，從而導(dǎo)致的在線特征提取時間長、預(yù)測準確率降低的問題。
【專利說明】—種基于機器視覺的表面瑕疵檢測的紋理特征降維方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及基于機器視覺的工業(yè)圖像識別分類方法，具體是指一種工業(yè)產(chǎn)品圖像的紋理特征降維方法，屬于機器視覺表面瑕疵自動檢測研究【技術(shù)領(lǐng)域】。
【背景技術(shù)】
[0002]基于機器視覺的自動檢測技術(shù)與人工視覺相比，具有速度快、精度高、永不疲勞的優(yōu)點，在工業(yè)生產(chǎn)流水線上，正逐步代替人工視覺檢測，這不僅降低人力成本而且可實現(xiàn)對產(chǎn)品質(zhì)量的嚴格控制。
[0003]特征選取是工件瑕疵識別分類的關(guān)鍵步驟之一，所選取特征的好壞在很大程度上影響著最終識別分類的效果。為了對樣本進行較為全面的描述，通常采用多維的復(fù)合特征而不是單一的特征來表示。高維的特征數(shù)據(jù)可能存在一定相關(guān)性，含有許多冗余特征，甚至是噪聲特征，對識別正確率產(chǎn)生負面影響。此外，工業(yè)現(xiàn)場對實時性要求較高，特征維數(shù)過大，會導(dǎo)致運算量變大，學習時間變長，不利于對工件快速識別分類。如何選取與類別相關(guān)性強的特征，同時又能盡可能得降低圖像特征的維數(shù)，減少在線預(yù)測時間，顯得至關(guān)重要。
[0004]特征降維技術(shù)可以降低特征維數(shù)，提高分類器分類性能。特征降維可以分為特征提取和特征選擇。近年來有不少經(jīng)典的特征提取方法被提出，如主成分分析(PCA)、獨立成分分析(ICA)、核主成分分析(KPCA)等。經(jīng)過這些方法處理后，雖然特征維數(shù)下降了，但是新的特征失去了原有的物理意義，由此帶來的一個問題是:在線檢測時仍然需要計算降維前的所有特征值，從而使得在線預(yù)測計算量大大提高，時間消耗大。有研究者提出用于兩類樣本特征降維的Re I i ef算法和與之對應(yīng)的多類樣本特征降維的Re I i efF方法，這類算法雖然能找到與類別相關(guān)性強的特征子集且不改變特征的原有物理意義，但是仍然存在一些不足之處，如:未考慮不同樣本的差異性、無法去除冗余特征、容易受到噪聲的干擾適應(yīng)性能較差等。

【發(fā)明內(nèi)容】

[0005]本發(fā)明為了解決高維特征可能含有的冗余特征，甚至是噪聲特征，從而導(dǎo)致的在線特征提取時間長、預(yù)測準確率降低的問題，提供一種適用于紋理工件表面瑕疵檢測的離線特征降維方法。
[0006]為達此目的，本發(fā)明通過如下技術(shù)方案實現(xiàn):整個流程可分為離線訓(xùn)練和在線預(yù)測兩個過程，具體如下:
[0007]離線訓(xùn)練過程:
[0008](I)構(gòu)造Gabor濾波器組，對每個訓(xùn)練圖像利用Gabor濾波器組進行卷積變換獲得Gabor子圖，并對相同尺度不同方向的子圖進行融合。存儲Gabor濾波器組G，用于在線特征提取過程。
[0009](2)提取融合后不同尺度的圖像的灰度均值、方差和灰度共生矩陣的對比度、相關(guān)性、信息熵等統(tǒng)計量作為特征，組成訓(xùn)練樣本特征數(shù)據(jù)矩陣。[0010](3)對提取特征進行降維。
[0011](3.1)找出與類別相關(guān)性強的特征。去除噪聲點，尋找所有訓(xùn)練樣本中的邊界樣本，根據(jù)所得邊界樣本數(shù)據(jù)對每一維特征權(quán)值進行迭代，權(quán)值越大表示其對應(yīng)的特征與類別相關(guān)性越強。比較每一維特征權(quán)值與閾值THl的大小:若權(quán)值小于THl，則將該維特征所對應(yīng)的狀態(tài)標志位置O,否則置I。由此得到所有特征狀態(tài)標志向量markl。
[0012](3.2)去除冗余特征。將訓(xùn)練樣本特征數(shù)據(jù)矩陣按照權(quán)值大小降序排列，計算相關(guān)系數(shù)矩陣RH0，并根據(jù)相關(guān)系數(shù)矩陣計算閾值TH2。找出與最大權(quán)值特征相關(guān)系數(shù)最大的特征，并比較該相關(guān)系數(shù)與TH2的大小。若大于TH2，則將該維特征刪除，并將其對應(yīng)狀態(tài)標志位置O;否則置I。再找出與次最大特征相關(guān)系數(shù)最大的特征，比較與TH2的大小。以此類推，直到把權(quán)值最小的冗余特征去除。由此得到所有特征狀態(tài)標志向量mark2。
[0013](3.3)將markl和mark2按位與運算得到mark即為最終所有特征的狀態(tài)標志向量。將mark中狀態(tài)標志為O對應(yīng)的特征刪除，保留標志位為I的特征。存儲特征狀態(tài)標志向量mark，用于在線特征提取過程。
[0014](4)根據(jù)降維后所得的訓(xùn)練樣本特征矩陣，訓(xùn)練分類器模型，并存儲分類器模型系數(shù)model。本發(fā)明采用分類精度高、實時性能好、推廣能力強的最小二乘支持向量機作為分類器。
[0015]在線預(yù)測過程:
[0016](I)下載Gabor濾波器組G，對預(yù)測圖像進行卷積變換獲得Gabor子圖，并對相同尺度不同方向的子圖進行融合。
[0017](2)下載特征狀態(tài)標志向量mark并判斷每一維特征的標志位是O或1:如果是0，則不進行該維特征值的計算，否則計算該維特征值。
[0018](3)下載離線訓(xùn)練所得分類器模型model，利用所提取的預(yù)測圖像特征，對表面缺陷進行識別分類。
[0019]本發(fā)明的有益效果是:本發(fā)明提供了 一種基于機器視覺的表面瑕疵檢測的紋理特征降維方法，去除訓(xùn)練樣本噪聲點和安全樣本點，以邊界樣本代替隨機選取樣本作為特征權(quán)值迭代時所用的樣本集合，特征權(quán)值計算時，以k(k取3)個最近鄰代替一個最近鄰且根據(jù)三個最近鄰的重要程度賦予不同的樣本權(quán)值，增強樣本選擇的針對性，減少所受噪聲的干擾，適應(yīng)性更好；此外彌補了 Relief等算法無法剔除冗余特征的不足，提取了與類別相關(guān)性強的特征，在保證分類識別準確率的同時，降低了特征維數(shù)，大大提高了在線特征提取及分類識別的速度，解決了高維特征可能含有許多冗余特征，甚至是噪聲特征，從而導(dǎo)致的在線特征提取時間長、預(yù)測準確率降低的問題。
【專利附圖】

【附圖說明】
[0020]圖1是本發(fā)明整體流程。
[0021]圖2是離線訓(xùn)練紋理特征降維流程圖
【具體實施方式】
[0022]為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚明白，下面結(jié)合具體實施例，并參照附圖，對本發(fā)明作進一步詳細說明。[0023]本發(fā)明一種基于機器視覺的表面瑕疵檢測的紋理特征降維方法，整個流程可分為離線訓(xùn)練和在線預(yù)測兩個過程。如圖1所示，離線訓(xùn)練部分主要由Gabor小波變換、圖像融合、特征提取和特征降維和分類器學習5個子部分組成；在線預(yù)測過程與離線過程基本相同，但只需要下載并利用離線訓(xùn)練時所得的Gabor濾波器組系數(shù)G、每維特征狀態(tài)標志向量mark和分類器模型model。
[0024]進一步的，離線訓(xùn)練過程具體實現(xiàn)步驟為:
[0025]步驟一、對圖像進行Gabor變換。
[0026](I)讀取工業(yè)智能相機拍照所得工件表面圖像η張，其中有瑕疵工件和合格工件圖像數(shù)量大致相等。
[0027](2)構(gòu)造二維Gabor濾波器組。Gabor小波變換是一種非常規(guī)范的圖像處理算法。采用具有 4 個方向(Θ = [O。，45°，90° ,135° ])和 5 個尺度(λ = [0,1,2,3,4])的Gabor濾波器組。存儲Gabor濾波器組G，用于在線特征提取過程。分別用不同方向不同尺度的Gabor濾波器與圖像進行卷積，獲得20副Gabor分量子圖。
[0028](3)圖像融合。以f (v，u)表示原圖像經(jīng)過Gabor小波變換后獲得的20副分量子圖，其中ve {0,1,2,3,4}表示5個不同尺度，u e {1,2,3,4}表示4個不同方向。將相同尺度不同方向的子圖按照下式進行融合:
【權(quán)利要求】
1.一種基于機器視覺的表面瑕疵檢測的紋理特征降維方法，其特征是，提取出與類別相關(guān)性強的特征，去除冗余特征，在保證分類識別準確率的同時，降低了特征維數(shù)，大大提高了在線特征提取及分類識別的速度，解決了高維特征可能含有冗余特征，甚至是噪聲特征導(dǎo)致的在線特征提取時間長、預(yù)測準確率降低的問題；包含如下幾個步驟: (1)找出與類別相關(guān)性強的特征，得到所有特征狀態(tài)標志向量markl； (2)去除冗余特征，計算相關(guān)系數(shù)矩陣RHO，進一步得到所有特征狀態(tài)標志向量mark2； (3)將markl和mark2按位與運算得到mark即為最終所有特征的狀態(tài)標志向量mark,存儲狀態(tài)標志向量mark，用于在線特征提取過程。
2.根據(jù)權(quán)利要求1所述基于機器視覺的表面瑕疵檢測的紋理特征降維方法，其特征是:所述步驟(1)中找出與類別相關(guān)性強的特征，包含如下步驟: 第一步、剔除安全樣本和噪聲樣本；對于n*m維的訓(xùn)練樣本特征矩陣X中的每一個樣本Xn，計算出它與其余樣本之間的歐式距離；找出與Xn距離最小的5個樣本訓(xùn)練，判斷這5個訓(xùn)練樣本類別標簽是否與Xn的類別標簽一致，如果5個最近鄰樣本的類別均與xn的類別相同或者均與Xn不同，則將Xn視為安全樣本或者噪聲樣本剔除；由此獲得只含邊界樣本的特征矩陣Xnew ； 第二步、計算模糊差異度量；對于Xnrat中的每個樣本Xn，分別找出其k(k = 3)個最近鄰?fù)?、異類樣?:每一維特征對應(yīng)初始權(quán)值
3.根據(jù)權(quán)利要求1所述基于機器視覺的表面瑕疵檢測的紋理特征降維方法，其特征是:所述步驟(2)中去除冗余特征，包含如下步驟: 第一步、將訓(xùn)練樣本Xm的所有特征按照特征權(quán)值大小降序排列，計算相關(guān)系數(shù)矩陣L:RHO
4.根據(jù)權(quán)利要求1所述基于機器視覺的表面瑕疵檢測的紋理特征降維方法，其特征是:所述步驟(3),將markl和mark2按位與運算得到mark即為最終所有特征的狀態(tài)標志向量，將mark中狀態(tài)標志為O對應(yīng)的特征刪除,保留標志位為I的特征,存儲狀態(tài)標志向量mark,用于在線特征提取過程。
【文檔編號】G06K9/46GK103544499SQ201310485150
【公開日】2014年1月29日 申請日期:2013年10月12日 優(yōu)先權(quán)日:2013年10月12日
【發(fā)明者】白瑞林, 張振堯, 姜利杰, 李新 申請人:江南大學, 無錫信捷電氣股份有限公司