一種基于圖像分塊方差-加權特征值的多缺陷檢測方法
【技術領域】
[0001] 本發(fā)明針對條狀物體表面存在多個缺陷，提出基于圖像分塊方差-加權特征值 (IPV-WEV)的多缺陷檢測方法。本發(fā)明適用于條狀物體或者類似物體的表面多缺陷在線檢 測，屬于機器視覺、包裝工程等交叉領域，屬于本發(fā)明是一種基于圖像分塊方差-加權特征 值的多缺陷檢測方法的創(chuàng)新技術。 技術背景
[0002] 條狀物體，例如：火腿腸、工業(yè)炸藥等，的包裝是產(chǎn)品生產(chǎn)最后一道工序，包裝質(zhì)量 的好壞直接影響產(chǎn)品的質(zhì)量。由于諸多原因，在包裝過程中會導致條狀物體包裝表面出現(xiàn) 缺陷，并且圖像中存在多處表面裂痕缺陷。這些包裝質(zhì)量有缺陷的物體一旦漏檢進入用戶 環(huán)節(jié)，將會給用戶和企業(yè)帶來嚴重的經(jīng)濟損失以及負面影響。因此，條狀物體的表面多缺陷 檢測是包裝過程的重要環(huán)節(jié)。
[0003] 目前人工檢測是主要手段，通過人眼觀察條狀物體外表面等部位，實現(xiàn)對工業(yè)炸 藥的全面檢測與質(zhì)量控制。但存在以下問題：1)人工檢測產(chǎn)品，難以滿足生產(chǎn)效率的需求； 2)檢測工作需要大量工人，極大的增加了生產(chǎn)成本；3)人工檢測勞動強度大，容易疲勞，檢 測標準不一致，容易誤漏檢。為此，采用機器視覺技術實現(xiàn)工業(yè)炸藥的缺陷檢測可以減少勞 動成本，提尚廣品檢測的質(zhì)量。
[0004] 條狀物體表面缺陷表現(xiàn)為物體輪廓無異常，但物體表面出現(xiàn)裂痕，表面缺陷產(chǎn)生 原因在于側端熱封不牢固或者運動過程的摩擦。實際生產(chǎn)過程中，此種缺陷的條狀物體數(shù) 量相對較少，但是，表面缺陷仍然是影響產(chǎn)品質(zhì)量的一個重要原因，而且該類缺陷的在線檢 測相對較困難。原因在于：條狀物體表面缺陷不規(guī)則、位置隨機分布，無法事先預知，且表面 有文字，文字位置也不確定；該類缺陷只占全部目標檢測區(qū)域的很少部分，通常不多于5% ; 在包裝過程中，條狀物體呈現(xiàn)快速運動的特點。因此，傳統(tǒng)的全部目標區(qū)域檢測的方法，不 適用于條狀物體包裝過程的快速檢測要求。

【發(fā)明內(nèi)容】

[0005] 針對上述問題，本發(fā)明提出一種檢測速度快、抗干擾強、實時性好、檢測準確率高 的基于圖像分塊方差-加權特征值多缺陷在線檢測方法。本發(fā)明可用于條狀物體表面多缺 陷在線檢測，實時高效地對目標對象的表面缺陷識別與定位。
[0006] 為解決條狀物體的表面多缺陷在線檢測問題，本發(fā)明的技術方案如下：
[0007] 本發(fā)明的基于圖像分塊方差-加權特征值的多缺陷在線檢測方法，包括如下步 驟：
[0008] 1)缺陷圖像預處理；
[0009] 2)圖像分塊，先將預處理的一副mXn顯著性圖SM分成pXq塊子圖像，即：
[0011] 其中S表示顯著性圖SM，每個子圖像Sk^ m kXn^陣形式，其中
[0012] 3)提取包含潛在缺陷的子圖像，由于顯著性圖像SM中缺陷處像素與非缺陷位置 像素特征不同，包含缺陷的圖像方差明顯要比沒有缺陷圖像的方差大；因此，通過計算子圖 像方差，與整幅圖像均方差對比，確定包含潛在缺陷的子圖像位置；
[0013] 4)構建加權協(xié)方差矩陣，利用PCA的思想，通過構建加權協(xié)方差矩陣，基于每個像 素點灰度值而計算加權特征值，從而確定顯著性圖SM缺陷位置；
[0014] 5)加權特征值λ λ 2計算；
[0015] 6)識別與定位缺陷位置，通過判斷λ1; λ2的值確定子圖像是否包含缺陷：若 λ u λ 2的值相近，則該子圖像塊中無缺陷；若λ i遠遠大于λ 2，則該子圖像塊中存在缺陷。
[0016] 上述步驟3)中，確定包含潛在缺陷的子圖像的具體算法描述如下：
[0017] 21)計算全幅顯著性圖像SM的均值和方差：
[0020] 式中E(k，1)、〇2(k，1)分別為顯著性圖像SM的均值，方差。
[0021] 22)計算分塊子圖像Skl均值和方差：
[0024] 式中（2ω+1) X (2ω+1)為圖像分塊大小，ω為整數(shù)，（A，/)、σ: (A%/)分別為子 矩陣Skl的均值、方差；
[0025] 23)對于整副圖像，圖像個體（單個像素點灰度值）偏離總體（整幅圖像的灰度 值）波動不大，也就是方差不是很大；而對于分塊的子圖像，如果不包含缺陷，其方差小于 整幅圖像均方差；如果包含缺陷，則子圖像的方差必定大于整幅圖像均方差，因此判別函數(shù) 可定義為：
[0027] 上述步驟4)中，確定顯著性圖SM缺陷位置的具體步驟描述如下：
[0028] 31)定義子圖像的中心像素點(H)為：
[0031] 32)子圖像的加權協(xié)方差矩陣Μ定義為
，:其中
[0035] 上述步驟5)中，加權特征值λ λ2計算，根據(jù)式Μ-λ · I = 〇計算λ λ2，其中 h，12分別為：
[0038] 上述步驟23)中，圖像個體是指單個像素點灰度值，偏離總體是指整幅圖像的灰 度值。
[0039] 本發(fā)明充分利用圖像預處理技術和視覺注意力模型。首先采用圖像預處理運算， 進行背景估計與差分，利用改進視覺注意力模型（Itti/Koch模型），對條狀物體進行圖像 增強，得到顯著性圖像；其次該圖像進行圖像分塊方差計算，確定缺陷子圖像；最后采用加 權特征值計算缺陷子圖像的特征值，判斷并確定最終缺陷位置。相比現(xiàn)有技術，本發(fā)明具有 以下有益效果：
[0040] 1)提取潛在缺陷子圖像速度快，具有自適應能力。首先對圖像進行分塊處理，根 據(jù)圖像方差與分塊子圖像方差進行比較，提取潛在缺陷的子圖像；然后對缺陷子圖像構建 加權協(xié)方差矩陣，通過計算加權特征值從而將多缺陷目標檢測出來。由于缺陷只占檢測對 象很小部分區(qū)域，而該算法關注缺陷的顯性特征區(qū)域，減少了處理區(qū)域，因此提高了檢測速 度。
[0041] 2)檢測準確率高，該算法受外界環(huán)境（例如：光照、震動等）影響小，檢測漏檢率 和誤檢率低，適合條狀物體表面缺陷在線檢測。
[0042] 3)該算法只需要計算分塊子圖像方差，根據(jù)分塊子圖像方差與整幅圖像均方差作 比較，利用方差作為判別函數(shù)，就可以一次將圖像中多處缺陷檢測出來，不需要逐個像素點 進行搜索或者"充電"，所以在檢測時間上該算法遠優(yōu)于其它WTA模型算法和區(qū)域生長等算 法。
【附圖說明】
[0043] 圖1為本發(fā)明基于圖像分塊方差-加權特征值的多缺陷檢測方法流程圖；
【具體實施方式】
[0044] 本發(fā)明采用基于圖像分塊方差-加權特征值的多缺陷在線檢測方法，是一種改進 性和綜合性方法。其目的是同時將圖像中所有缺陷目標檢測出來。該方法首先對預處理后 的圖像進行分塊處理，通過比較圖像方差與分塊子圖像方差，提取出潛在缺陷位置子圖像； 然后對于缺陷子圖像進行加權處理，構建多維加權協(xié)方差矩陣，然后計算加權協(xié)方差矩陣 特征值，最后判斷加權特征值λ λ 2的值確定子圖像是否包含缺陷：
[0045] Stepl :若加權特征值λ \2的值相近，則該子圖