一種檢測與識別金屬網(wǎng)柵缺陷的方法
【專利摘要】一種檢測與識別金屬網(wǎng)柵缺陷的方法屬于模式識別【技術(shù)領(lǐng)域】；該方法首先得到金屬網(wǎng)柵設(shè)計信息，再基于先驗(yàn)信息進(jìn)行缺陷模擬，得到多組缺陷圖樣，然后提取缺陷圖樣的圖像特征，建立缺陷特征庫，訓(xùn)練支持向量機(jī)，得到金屬網(wǎng)柵的缺陷分類器；對待檢測金屬網(wǎng)柵圖像進(jìn)行預(yù)處理和特征提取，并利用得到的缺陷分類器對金屬網(wǎng)柵進(jìn)行分類；本發(fā)明檢測與識別金屬網(wǎng)柵缺陷的方法，可以實(shí)時、自動檢測金屬網(wǎng)柵的缺陷。
【專利說明】—種檢測與識別金屬網(wǎng)柵缺陷的方法
【技術(shù)領(lǐng)域】
[0001]一種檢測與識別金屬網(wǎng)柵缺陷的方法屬于模式識別【技術(shù)領(lǐng)域】，具體涉及一種基于機(jī)器視覺的金屬網(wǎng)柵缺陷檢測與識別算法。
【背景技術(shù)】
[0002]隨著電磁環(huán)境的日益復(fù)雜及光學(xué)技術(shù)的不斷發(fā)展，金屬網(wǎng)柵被更廣泛地用于特殊光學(xué)系統(tǒng)的制備，如天線的反射器、光學(xué)耦合器、準(zhǔn)光學(xué)系統(tǒng)分束器、電磁屏蔽器等。然而，受限于加工水平，得到的金屬網(wǎng)柵往往與預(yù)期有一定誤差，造成整個光學(xué)系統(tǒng)的性能下降。為了準(zhǔn)確獲知實(shí)際加工得到的金屬網(wǎng)柵與預(yù)期的差距，需要對金屬網(wǎng)柵樣品進(jìn)行嚴(yán)格檢測。
[0003]目前金屬網(wǎng)柵的檢測主要依賴人工鏡下觀察，費(fèi)時費(fèi)力且對實(shí)驗(yàn)人員的經(jīng)驗(yàn)和精力有較高依賴，水平不同的檢測人員可能給出不同的結(jié)論。肉眼也難以發(fā)現(xiàn)金屬網(wǎng)柵的細(xì)微變化，無法精確評估成品與設(shè)計值的差異。隨著金屬網(wǎng)柵的大批量生產(chǎn)，對其微結(jié)構(gòu)的缺陷進(jìn)行人工檢測的方法已經(jīng)不再適用。
[0004]為保證金屬網(wǎng)柵的成品質(zhì)量，需要對其進(jìn)行缺陷的自動檢測、辨識與表征。由于缺陷的隨機(jī)性、多樣性以及不規(guī)則性使得它無法像功能特征參數(shù)一樣來精確計算。因此，金屬網(wǎng)柵的產(chǎn)品檢測需要一個自動化、高效、準(zhǔn)確快速的樣品缺陷檢測系統(tǒng)，它可以快速進(jìn)行樣品缺陷檢測、表征和分類，對樣品質(zhì)量進(jìn)行評估，以滿足隨著精密光電儀器探測水平的不斷提高而對金屬網(wǎng)柵的精密加工提出的更高要求。然而，遺憾的是，還沒有查閱到相關(guān)的金屬網(wǎng)柵檢測方法。

【發(fā)明內(nèi)容】

[0005]為了解決上述問題，本發(fā)明設(shè)計了一種檢測與識別金屬網(wǎng)柵缺陷的方法，該方法可以實(shí)時、自動檢測金屬網(wǎng)柵的缺陷。
[0006]本發(fā)明的目的是這樣實(shí)現(xiàn)的:
[0007]—種檢測與識別金屬網(wǎng)柵缺陷的方法，由以下步驟組成:
[0008]步驟a、解析⑶S II文件，分析⑶S II文件中的金屬網(wǎng)柵結(jié)構(gòu)，得到金屬網(wǎng)柵設(shè)計
信息；
[0009]步驟b、根據(jù)步驟a得到的金屬網(wǎng)柵設(shè)計信息，基于先驗(yàn)信息進(jìn)行缺陷模擬，得到多組缺陷圖樣；
[0010]步驟C、提取步驟b得到的缺陷圖樣的圖像特征，建立缺陷特征庫；
[0011]步驟d、用步驟c得到的缺陷特征庫訓(xùn)練支持向量機(jī)，得到金屬網(wǎng)柵的缺陷分類器；
[0012]步驟e、對待檢測金屬網(wǎng)柵圖像進(jìn)行預(yù)處理和特征提??；
[0013]步驟f、用步驟d得到的缺陷分類器對金屬網(wǎng)柵進(jìn)行分類。
[0014]上述檢測與識別金屬網(wǎng)柵缺陷的方法，步驟b所述的缺陷模擬，包括斷線模擬、區(qū)域密閉模擬和劃痕模擬。
[0015]所述的斷線模擬，斷線的步間隔角度為5°，長度從網(wǎng)柵單元周長的5%遞增直至
100% O
[0016]所述的區(qū)域密閉模擬，區(qū)域密閉的位置隨機(jī)，面積以網(wǎng)柵單元面積的5%遞增直至
100% O
[0017]所述的劃痕模擬，劃痕的寬度以網(wǎng)柵線寬0.5倍遞增直至達(dá)到網(wǎng)柵單元外接圓半徑；長度由網(wǎng)柵單元周長的20%，逐像素貫穿至整個網(wǎng)柵區(qū)域，角度為-180°至180°，起始點(diǎn)隨機(jī)。
[0018]上述檢測與識別金屬網(wǎng)柵缺陷的方法，步驟c所述的缺陷圖樣的圖像特征，包括網(wǎng)柵面積、周長、擬合橢圓離心率、區(qū)域方向角和鄰域重心偏移。
[0019]上述檢測與識別金屬網(wǎng)柵缺陷的方法，步驟d所述的訓(xùn)練支持向量機(jī)，是對金屬網(wǎng)柵特征樣本歸一化，用PCA降維，并用3:1的訓(xùn)練樣本測試樣本，使用遺傳算法進(jìn)行參數(shù)尋優(yōu)。
[0020]上述檢測與識別金屬網(wǎng)柵缺陷的方法，步驟e所述的預(yù)處理，包括以下兩項(xiàng)工作:
[0021]第一、根據(jù)圖像的灰度特征和CCD特性，使噪點(diǎn)最低，類間方差最大，去除孤立噪點(diǎn)和不完整的圓；
[0022]第二、通過形態(tài)學(xué)分析，將圖像分為若干鄰域，通過分析鄰域特征，將圖像分為背景和單獨(dú)的金屬網(wǎng)柵兩部分。
[0023]上述檢測與識別金屬網(wǎng)柵缺陷的方法，步驟e所述的特征提取方法，以網(wǎng)柵面積、周長、擬合橢圓離心率、區(qū)域方向角和鄰域重心偏移等作為待提取的特征。
[0024]有益效果:本發(fā)明檢測與識別金屬網(wǎng)柵缺陷的方法，首先得到金屬網(wǎng)柵設(shè)計信息，再基于先驗(yàn)信息進(jìn)行缺陷模擬，得到多組缺陷圖樣，然后提取缺陷圖樣的圖像特征，建立缺陷特征庫，訓(xùn)練支持向量機(jī)，得到金屬網(wǎng)柵的缺陷分類器；對待檢測金屬網(wǎng)柵圖像進(jìn)行預(yù)處理和特征提取，并利用得到的缺陷分類器對金屬網(wǎng)柵進(jìn)行分類；這種方案設(shè)計，使得本發(fā)明檢測與識別金屬網(wǎng)柵缺陷的方法可以實(shí)時、自動檢測金屬網(wǎng)柵的缺陷。
【專利附圖】

【附圖說明】
[0025]圖1是本發(fā)明檢測與識別金屬網(wǎng)柵缺陷的方法流程圖。
[0026]圖2是具體實(shí)施例中圖像庫示意圖。
[0027]圖3是提取橢圓特征示意圖。
【具體實(shí)施方式】
[0028]下面結(jié)合附圖對本發(fā)明【具體實(shí)施方式】作進(jìn)一步詳細(xì)描述。
[0029]本實(shí)施例的檢測與識別金屬網(wǎng)柵缺陷的方法，流程圖如圖1所示。該方法由以下步驟組成:
[0030]步驟a、解析⑶S II文件，分析⑶S II文件中的金屬網(wǎng)柵結(jié)構(gòu)，得到金屬網(wǎng)柵設(shè)計
信息；
[0031]金屬網(wǎng)柵的設(shè)計文件通常為⑶S II格式，該文件為二進(jìn)制流式文件，由不同的小結(jié)構(gòu)單元嵌套組成，解析該文件可以獲得金屬網(wǎng)柵的尺寸、形態(tài)、單元層次等信息，作為模擬網(wǎng)柵缺陷的基準(zhǔn)；
[0032]解析⑶S II文件，生成網(wǎng)柵基本單元及其相鄰單元的二值化圖像，加入不同程度的高斯噪聲并保存為圖像庫，如圖2所示；
[0033]步驟b、根據(jù)步驟a得到的金屬網(wǎng)柵設(shè)計信息，基于先驗(yàn)信息進(jìn)行缺陷模擬，得到多組缺陷圖樣；
[0034]其中，缺陷模擬，包括斷線模擬、區(qū)域密閉模擬和劃痕模擬；
[0035]所述的斷線模擬，斷線的步間隔角度為5°，長度從網(wǎng)柵單元周長的5%遞增直至100% ；
[0036]所述的區(qū)域密閉模擬，區(qū)域密閉的位置隨機(jī)，面積以網(wǎng)柵單元面積的5%遞增直至100% ；
[0037]所述的劃痕模擬，劃痕的寬度以網(wǎng)柵線寬0.5倍遞增直至達(dá)到網(wǎng)柵單元外接圓半徑；長度由網(wǎng)柵單元周長的20%，逐像素貫穿至整個網(wǎng)柵區(qū)域，角度為-180°至180°，起始點(diǎn)隨機(jī)；
[0038]受諸多條件限制，網(wǎng)柵制作中會出現(xiàn)過曝、殘膠和刮擦等問題，對應(yīng)著成品金屬網(wǎng)柵的缺陷有斷線、區(qū)域密閉和劃痕。通過對大量網(wǎng)柵成品的分析，可以定量的模擬不同的缺陷；
[0039]步驟C、提取步驟b得到的缺陷圖樣的圖像特征，建立缺陷特征庫；其中，缺陷圖樣的圖像特征，包括網(wǎng)柵面積、周長、擬合橢圓離心率、區(qū)域方向角和鄰域重心偏移；
[0040]考慮到處理的實(shí)時性，選擇面積、周長、擬合橢圓離心率、區(qū)域方向角和鄰域重心偏移等作為特征，提取這些特征，形成特征庫用來訓(xùn)練支持向量機(jī)；
[0041]這里以橢圓為例，其中擬合橢圓為圍繞某個區(qū)域的最小外接橢圓，該橢圓長軸與X軸夾角為區(qū)域方向角，如圖3所示，鄰域重心偏移為某網(wǎng)柵單元鄰域重心與標(biāo)準(zhǔn)相比的位移量；提取圖像庫a、b、c中的特征生成特征庫A、B、C ;
[0042]步驟d、用步驟c得到的缺陷特征庫訓(xùn)練支持向量機(jī)，得到金屬網(wǎng)柵的缺陷分類器；其中，訓(xùn)練支持向量機(jī)，是對金屬網(wǎng)柵特征樣本歸一化，用PCA降維，并用3:1的訓(xùn)練樣本測試樣本，使用遺傳算法進(jìn)行參數(shù)尋優(yōu)；
[0043]經(jīng)過提取的特征庫里包含了正常的樣本和錯誤的樣本，正確的樣本標(biāo)記為O ;錯誤分為三類，分別標(biāo)記為1，2，3，訓(xùn)練樣本與測試樣本(一幀畫面)的比例約為3:1時，結(jié)果較好；
[0044]為了加快訓(xùn)練速度，先用PCA進(jìn)行降維，對于結(jié)構(gòu)簡單的網(wǎng)柵，如矩形陣列，維數(shù)?？山档鸵槐叮瑓?shù)尋優(yōu)使用遺傳算法，當(dāng)達(dá)到指定的進(jìn)化代數(shù)或識別精度時，訓(xùn)練完成；
[0045]本實(shí)施例所采用的參數(shù)為:將歸一化范圍設(shè)定為[-1，1]，以消除尺度和角度的影響；
[0046]對數(shù)據(jù)進(jìn)行主成分分析，以便降低訓(xùn)練維度，降維方法選擇主成分分析(PCA)，主成分百分比為95% ；
[0047]以3:1訓(xùn)練樣本測試樣本訓(xùn)練支持向量機(jī)，使用遺傳算法進(jìn)行參數(shù)尋優(yōu)。SVM分類目標(biāo)函數(shù)為:
【權(quán)利要求】
1.一種檢測與識別金屬網(wǎng)柵缺陷的方法，其特征在于，由以下步驟組成: 步驟a、解析GDS II文件，分析GDS II文件中的金屬網(wǎng)柵結(jié)構(gòu)，得到金屬網(wǎng)柵設(shè)計信息； 步驟b、根據(jù)步驟a得到的金屬網(wǎng)柵設(shè)計信息，基于先驗(yàn)信息進(jìn)行缺陷模擬，得到多組缺陷圖樣； 步驟C、提取步驟b得到的缺陷圖樣的圖像特征，建立缺陷特征庫； 步驟d、用步驟c得到的缺陷特征庫訓(xùn)練支持向量機(jī)，得到金屬網(wǎng)柵的缺陷分類器； 步驟e、對待檢測金屬網(wǎng)柵圖像進(jìn)行預(yù)處理和特征提取； 步驟f、用步驟d得到的缺陷分類器對金屬網(wǎng)柵進(jìn)行分類。
2.根據(jù)權(quán)利要求1所述的檢測與識別金屬網(wǎng)柵缺陷的方法，其特征在于，步驟b所述的缺陷模擬，包括斷線模擬、區(qū)域密閉模擬和劃痕模擬。
3.根據(jù)權(quán)利要求2所述的檢測與識別金屬網(wǎng)柵缺陷的方法，其特征在于，所述的斷線模擬，斷線的步間隔角度為5°，長度從網(wǎng)柵單元周長的5%遞增直至100%。
4.根據(jù)權(quán)利要求2所述的檢測與識別金屬網(wǎng)柵缺陷的方法，其特征在于，所述的區(qū)域密閉模擬，區(qū)域密閉的位置隨機(jī)，面積以網(wǎng)柵單元面積的5%遞增直至100%。
5.根據(jù)權(quán)利要求2所述的檢測與識別金屬網(wǎng)柵缺陷的方法，其特征在于，所述的劃痕模擬，劃痕的寬度以網(wǎng)柵線寬0.5倍遞增直至達(dá)到網(wǎng)柵單元外接圓半徑；長度由網(wǎng)柵單元周長的20%，逐像素貫穿至整個網(wǎng)柵區(qū)域，角度為-180°至180°，起始點(diǎn)隨機(jī)。
6.根據(jù)權(quán)利要求1所述的檢測與識別金屬網(wǎng)柵缺陷的方法，其特征在于，步驟c所述的缺陷圖樣的圖像特征，包括網(wǎng)柵面積、周長、擬合橢圓離心率、區(qū)域方向角和鄰域重心偏移。
7.根據(jù)權(quán)利要求1所述的檢測與識別金屬網(wǎng)柵缺陷的方法，其特征在于，步驟d所述的訓(xùn)練支持向量機(jī)，是對金屬網(wǎng)柵特征樣本歸一化，用PCA降維，并用3:1的訓(xùn)練樣本測試樣本，使用遺傳算法進(jìn)行參數(shù)尋優(yōu)。
8.根據(jù)權(quán)利要求1所述的檢測與識別金屬網(wǎng)柵缺陷的方法，其特征在于，步驟e所述的預(yù)處理，包括以下兩項(xiàng)工作: 第一、根據(jù)圖像的灰度特征和CCD特性，使噪點(diǎn)最低，類間方差最大，去除孤立噪點(diǎn)和不完整的圓； 第二、通過形態(tài)學(xué)分析，將圖像分為若干鄰域，通過分析鄰域特征，將圖像分為背景和單獨(dú)的金屬網(wǎng)柵兩部分。
9.根據(jù)權(quán)利要求1所述的檢測與識別金屬網(wǎng)柵缺陷的方法，其特征在于，步驟e所述的特征提取方法，以網(wǎng)柵面積、周長、擬合橢圓離心率、區(qū)域方向角和鄰域重心偏移等作為待提取的特征。
【文檔編號】G06K9/62GK103886332SQ201410131635
【公開日】2014年6月25日 申請日期:2014年4月2日 優(yōu)先權(quán)日:2014年4月2日
【發(fā)明者】金鵬, 朱非甲, 林杰, 譚久彬 申請人:哈爾濱工業(yè)大學(xué)