一種基于機器視覺的工業(yè)品檢測方法
【專利摘要】本發(fā)明公開了一種基于機器視覺的工業(yè)品檢測方法，本發(fā)明為：1）對每種類型的工業(yè)產(chǎn)品進行采樣與統(tǒng)計，得出該類型工業(yè)產(chǎn)品自身色差分布的統(tǒng)計模型和紋理方差分布的統(tǒng)計模型；2）從色差分布的統(tǒng)計模型中提取工業(yè)產(chǎn)品的色差特征，從紋理方差分布的統(tǒng)計模型中提取工業(yè)產(chǎn)品的紋理特征，根據(jù)提取的色差特征和紋理特征建立特征空間；3）利用支持向量機SVM對該特征空間進行劃分，得到最優(yōu)超平面作為對待檢測物品進行檢測的決策分類器，即分類閾值；4）利用粒子濾波框架對待測物品的色差與紋理進行采樣，得到待檢樣本的統(tǒng)計向量；然后將該統(tǒng)計向量輸入所述決策分類器，得到待測物品的類別。本發(fā)明大大改善了現(xiàn)行工業(yè)化生產(chǎn)中檢測工序。
【專利說明】—種基于機器視覺的工業(yè)品檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于計算機視覺領(lǐng)域，具體涉及一種基于機器視覺的工業(yè)品檢測方法，可以對生產(chǎn)線上的工業(yè)產(chǎn)品進行分類檢測，可實現(xiàn)產(chǎn)品分類等功能。
【背景技術(shù)】
[0002]在現(xiàn)代工業(yè)生產(chǎn)過程中，產(chǎn)品質(zhì)量檢測是一道重要的工序，通常一個產(chǎn)品的質(zhì)量首先通過工業(yè)制品的外觀來進行初步判斷，例如，產(chǎn)品色差，尺寸，外觀。這種工業(yè)產(chǎn)品通常在流水線上生產(chǎn)，對生產(chǎn)的連續(xù)性與高速通過性有很高的要求。這類流水線的檢測工作通常具有很高的重復(fù)性與智能性，目前在國內(nèi)的絕大多數(shù)生產(chǎn)線上只能靠人工來識別。在現(xiàn)代化工業(yè)的今天，一個大型的工廠快速流水線的生產(chǎn)最末環(huán)節(jié)，往往需要數(shù)以百計的工人來執(zhí)行產(chǎn)品檢測這道工序。但是人工檢測在給企業(yè)帶來巨大的生產(chǎn)與人力成本的同時，卻仍然無法保證人工檢測的100%正確率。例如產(chǎn)品的色差與紋理檢測，微小尺寸工業(yè)制品的外觀檢測，都無法通過人眼快速連續(xù)的進行可靠、準(zhǔn)確的檢測。
[0003]因此，完全自動化的工業(yè)品檢測技術(shù)將是未來流水線工業(yè)生產(chǎn)的趨勢。但是國內(nèi)在工業(yè)產(chǎn)品質(zhì)量自動檢測方面的研究起步較晚，技術(shù)還不成熟。雖然最近幾年來，各大高校以及研究所投入了大量的人力物力開展這方面的研究，但是國內(nèi)對于工業(yè)產(chǎn)品質(zhì)量自動檢測技術(shù)的研究還處試驗階段，并沒有可靠而穩(wěn)定的產(chǎn)品推出。
[0004]此外機器視覺技術(shù)的快速發(fā)展已經(jīng)使自動化檢測實現(xiàn)成為可能，國內(nèi)現(xiàn)有一些工業(yè)品檢測系統(tǒng)，需要人工對產(chǎn)品的色差紋理合格的閾值進行人工設(shè)置。該類檢測系統(tǒng)在一定程度上提高了生產(chǎn)效率，但由于閾值設(shè)置不一定合理，且該檢測技術(shù)缺乏智能性與學(xué)習(xí)判斷能力，因此檢測的正確率依然無法達到要求。

【發(fā)明內(nèi)容】

[0005]針對現(xiàn)有技術(shù)中存在的技術(shù)問題，本發(fā)明目的在于提供一種基于機器視覺的工業(yè)品檢測方法，徹底改善現(xiàn)行工業(yè)化生產(chǎn)中檢測工序，克服了現(xiàn)行檢測技術(shù)需要人工設(shè)定閾值的弊端，可以徹底消除人為判斷誤差對檢測結(jié)果的影響。同時創(chuàng)新性的檢測過程中引入粒子濾波框架對工業(yè)產(chǎn)品表面進行采樣。
[0006]本發(fā)明的技術(shù)方案為:
[0007]一種基于機器視覺的工業(yè)品檢測方法，其步驟為:
[0008]I)對每種類型的工業(yè)產(chǎn)品進行采樣與統(tǒng)計，得出該類型工業(yè)產(chǎn)品自身色差分布的統(tǒng)計模型和紋理方差分布的統(tǒng)計模型；
[0009]2)從色差分布的統(tǒng)計模型中提取工業(yè)產(chǎn)品的色差特征，從紋理方差分布的統(tǒng)計模型中提取工業(yè)產(chǎn)品的紋理特征，根據(jù)提取的色差特征和紋理特征建立特征空間；
[0010]3)利用支持向量機SVM對該特征空間進行劃分，得到最優(yōu)超平面；將該最優(yōu)超平面作為對待檢測物品進行檢測的決策分類器，即分類閾值；
[0011]4)利用粒子濾波框架對待測物品的色差與紋理進行采樣，得到待檢樣本的統(tǒng)計向量；然后將該統(tǒng)計向量輸入所述決策分類器，得到待測物品的類別。
[0012]進一步的,所述支持向量機SVM為線性支持向量機；所述線性支持向量機將所提取的紋理特征與色差特征形成向量，并映射到一高維空間里，在該空間里建立有一最大間隔超平面；然后在分隔超平面的兩邊建有兩個互相平行的超平面；通過求解分隔超平面使兩個平行超平面的距離最大化，得到所述最優(yōu)超平面。
[0013]進一步的，得到所述最優(yōu)超平面的方法為:
[0014]31)將步驟2)所提取的紋理特征和色差特征隨機均分拆成η個組；
[0015]32)訓(xùn)練其中某一組數(shù)據(jù)并用其他組數(shù)據(jù)測試，得到第一組參數(shù)；
[0016]33)選取另外一組數(shù)據(jù)訓(xùn)練，用其他組數(shù)據(jù)測試得到第二組參數(shù)；以此類推進行交叉驗證，共得到η組參數(shù)，比較這η組數(shù)據(jù)的識別結(jié)果，選擇一組最優(yōu)的參數(shù)，即得到了所述最優(yōu)超平面。
[0017]進一步的，所述利用粒子濾波框架對待測物品的色差與紋理進行采樣的方法為:
[0018]41)從待檢物品的圖像色差與紋理特征結(jié)合隨機抽取m個樣本；
[0019]42)得到每一個樣本的方差統(tǒng)計信息；
[0020]43)針對方差統(tǒng)計信息，如果有差異大于設(shè)定閾值的樣本，對其臨近區(qū)域加大采樣權(quán)重，進行重新采樣，每個樣本被選中的概率正比于其權(quán)重，即進行重要性采樣；
[0021]44)當(dāng)樣本的重采樣的權(quán)值小于給定的門限值時，則重新進行重要性采樣。
[0022]本發(fā)明基于機器視覺領(lǐng)域的技術(shù)進行工業(yè)產(chǎn)品檢測分類，以下為本發(fā)明技術(shù)內(nèi)容:
[0023]本發(fā)明的核心部分由學(xué)習(xí)過程與檢測部分過程構(gòu)成，其中學(xué)習(xí)過程采取一種色差檢測與紋理分析結(jié)合的新型分類器訓(xùn)練方法；檢測部分基于粒子濾波采樣框架進行采樣。對于發(fā)明核心的兩種方法介紹如下:
[0024]一、色差檢測與紋理分析結(jié)合的雙特征分類器訓(xùn)練方法
[0025]本發(fā)明首先在工業(yè)產(chǎn)品檢測技術(shù)中創(chuàng)新性的提出訓(xùn)練模塊，首先通過大量工業(yè)產(chǎn)品樣本對系統(tǒng)中的分類模塊進行訓(xùn)練，對工業(yè)產(chǎn)品樣本通過隨機采樣，從而進行色差檢測，紋理判斷，接著利用得到的原始數(shù)據(jù)(即提取樣本的特征)，然后利用支持向量機(SVM)訓(xùn)練得出正負(fù)樣本的二分類閾值。對于每種類型的工業(yè)產(chǎn)品，通過大量采樣，進行統(tǒng)計學(xué)習(xí)，得出每類工業(yè)產(chǎn)品自身色差分布的統(tǒng)計模型和紋理方差分布的統(tǒng)計模型。
[0026]1.色差判斷與紋理判斷
[0027]色差判斷利用工業(yè)界通用的工業(yè)品色差檢測方法，其工作原理為首先選擇匹配的色彩空間，然后利用適合的色差計算公式計算色差。
[0028]顏色空間包括RGB顏色空間、XYZ顏色空間、LAB顏色空間3種。其中，RGB顏色空間是不均勻的，不能用來計算色差。XYZ顏色空間雖然消除了 r、g、b出現(xiàn)負(fù)數(shù)的情況，但也是不均勻的顏色空間，不能用于色差的計算。LAB色彩模型是由L (明度)、A (顏色)、B (顏色)3個要素組成。其中,A表示從紅色到綠色的范圍,B表示從黃色到藍色的范圍。LAB顏色空間是一個均勻的顏色空間，符合人的視覺感受。當(dāng)顏色的差異為人眼所識別并且這個差值又小于孟塞爾系統(tǒng)中相鄰兩級的色差值時，可反映觀察人員對產(chǎn)品的實際感受。
[0029]故先將RGB顏色空間轉(zhuǎn)換到XYZ顏色空間，我們主要利用如下兩個公式進行轉(zhuǎn)換:[0030]RGB顏色空間到XYZ顏色空間轉(zhuǎn)換公式為:
[0031]
【權(quán)利要求】
1.一種基于機器視覺的工業(yè)品檢測方法，其步驟為: .1)對每種類型的工業(yè)產(chǎn)品進行采樣與統(tǒng)計，得出該類型工業(yè)產(chǎn)品自身色差分布的統(tǒng)計模型和紋理方差分布的統(tǒng)計模型； .2)從色差分布的統(tǒng)計模型中提取工業(yè)產(chǎn)品的色差特征，從紋理方差分布的統(tǒng)計模型中提取工業(yè)產(chǎn)品的紋理特征，根據(jù)提取的色差特征和紋理特征建立特征空間； .3)利用支持向量機SVM對該特征空間進行劃分，得到最優(yōu)超平面；將該最優(yōu)超平面作為對待檢測物品進行檢測的決策分類器，即分類閾值； .4)利用粒子濾波框架對待測物品的色差與紋理進行采樣，得到待檢樣本的統(tǒng)計向量；然后將該統(tǒng)計向量輸入所述決策分類器，得到待測物品的類別。
2.如權(quán)利要求1所述的方法，其特征在于所述支持向量機SVM為線性支持向量機；所述線性支持向量機將所提取的紋理特征與色差特征形成向量，并映射到一高維空間里，在該空間里建立有一最大間隔超平面；然后在分隔超平面的兩邊建有兩個互相平行的超平面；通過求解分隔超平面使兩個平行超平面的距離最大化，得到所述最優(yōu)超平面。
3.如權(quán)利要求1或2所述的方法，其特征在于得到所述最優(yōu)超平面的方法為: .31)將步驟2)所提取的紋理特征和色差特征隨機均分拆成η個組； .32)訓(xùn)練其中某一組數(shù)據(jù)并用其他組數(shù)據(jù)測試，得到第一組參數(shù)； .33)選取另外一組數(shù)據(jù)訓(xùn)練，用其他組數(shù)據(jù)測試得到第二組參數(shù)；以此類推進行交叉驗證，共得到η組參數(shù)，比較這η組數(shù)據(jù)的識別結(jié)果，選擇一組最優(yōu)的參數(shù)，即得到了所述最優(yōu)超平面。
4.如權(quán)利要求1所述的方法，其特征在于所述利用粒子濾波框架對待測物品的色差與紋理進行采樣的方法為: .41)從待檢物品的圖像色差與紋理特征結(jié)合隨機抽取m個樣本； .42)得到每一個樣本的方差統(tǒng)計信息； .43)針對方差統(tǒng)計信息，如果有差異大于設(shè)定閾值的樣本，對其臨近區(qū)域加大采樣權(quán)重，進行重新采樣，每個樣本被選中的概率正比于其權(quán)重，即進行重要性采樣； .44 )當(dāng)樣本的重采樣的權(quán)值小于給定的門限值時，則重新進行重要性采樣。
【文檔編號】G06K9/62GK103903009SQ201410119481
【公開日】2014年7月2日 申請日期:2014年3月27日 優(yōu)先權(quán)日:2014年3月27日
【發(fā)明者】丁潤偉, 王燦, 翟森, 劉宏 申請人:北京大學(xué)深圳研究生院