一种条状物体表面缺陷在线视觉注意力检测方法
【专利摘要】本发明涉及一种条状物体表面缺陷在线视觉注意力检测方法，本发明充分利用图像预处理技术和视觉注意力模型。首先，利用基于背景估计的图像处理技术，降低或消除文字、商标等特征对药卷裂痕缺陷的影响，突出表面缺陷信息；然后，利用视觉注意力模型，得到缺陷特征显著性图。该模型以提取图像低层视觉特征为基础，然后分析目标图像强度、边缘和方向等特征，建立金字塔特征模型；通过中心围绕算子合成三者特征图，利用区分度融合算子，将三者融合，得到显著性图，突出裂痕信息并有效识别定位，达到提取缺陷药卷特征的目的。本发明能对条状物体表面缺陷在线检测，具有检测速度快、抗干扰强、实时性好、检测准确率高的特点。
【专利说明】一种条状物体表面缺陷在线视觉注意力检测方法
【技术领域】
[0001]本发明是一种条状物体表面缺陷在线视觉注意力检测方法，属于机器视觉、包装工程等交叉领域。
技术背景
[0002]条状物体，例如:火腿肠、工业炸药等，的包装是产品生产最后一道工序，包装质量的好坏直接影响产品的质量。由于诸多原因，在包装过程中会导致条状物体包装表面出现缺陷。这些包装质量有缺陷的物体一旦漏检进入用户环节，将会给用户和企业带来严重的经济损失以及负面影响。因此，条状物体的缺陷检测是包装过程的重要环节。
[0003]目前人工检测是主要手段，通过人眼观察条状物体外表面等部位，实现对工业炸药的全面检测与质量控制。但存在以下问题:1)人工检测产品，难以满足生产效率的需求；
2)检测工作需要大量工人,极大的增加了生产成本；3)人工检测劳动强度大，容易疲劳，检测标准不一致，容易误漏检。为此，采用机器视觉技术实现工业炸药的缺陷检测可以减少劳动成本，提高产品检测的质量。
[0004]条状物体表面缺陷表现为物体轮廓无异常，但物体表面出现裂痕，表面缺陷产生原因在于侧端热封不牢固或者运动过程的摩擦。实际生产过程中，此种缺陷的药卷数量相对较少，但是，表面缺陷仍然是影响产品质量的一个重要原因，而且该类缺陷的在线检测相对较困难。原因在于:条状物体表面缺陷不规则、位置随机分布，无法事先预知，且表面有文字，文字位置也不确定；该类缺陷只占全部目标检测区域的很少部分，通常不多于5%;在包装过程中，条状物体呈现快速运动的特点。因此，传统的全部目标区域检测的方法，不适用于条状物体包装过程的快速检测要求。
【发明内容】
[0005]针对上述问题，本发明提出一种检测速度快、抗干扰强、实时性好、检测准确率高的条状物体表面缺陷在线视觉注意力检测方法。本发明可用于条状物体表面缺陷在线检测，实时高效地对目标对象的表面裂痕识别与检测。
[0006]为解决条状物体的表面缺陷自动检测问题，本发明的技术方案如下:
[0007]本发明的条状物体表面缺陷在线视觉注意力检测方法，包括如下步骤:
[0008]I)缺陷图像预处理；
[0009]2)对预处理得到图像G按照边缘、亮度、方向三个指标进行特征建模，亮度金字塔I利用多尺度空间法生成九层尺度图，每一层分别是图G的1/2，1/4，1/8，…….，并且下一层图像在长度和宽度减半，
[0010]10 = G
[0011]I1 = S(Ih) (I)
[0012]其中I表示金字塔的层级，边缘特征金字塔E利用Gabor算子，方向特征金字塔O利用Roberts算子生成；
[0013]3)利用中心围绕算子O计算特征图，通过计算细尺度和粗尺度之间的差值实现，其中尺度c e {2,3,4}中的像素，s = c+d，d e {3,4}中相关位置的像素，公式(4)、(5)、
(6)分别用于计算亮度、方向与边缘的特征图；
【权利要求】
1.一种条状物体表面缺陷在线视觉注意力检测方法，其特征在于包括如下步骤: 1)缺陷图像预处理； 2)对预处理得到图像G按照边缘、亮度、方向三个指标进行特征建模，亮度金字塔I利用多尺度空间法生成九层尺度图，每一层分别是图G的1/2，1/4，1/8，…….，并且下一层图像在长度和宽度减半，
10= G 11= S(Iw) (I) 其中I表示金字塔的层级，边缘特征金字塔E利用Gabor算子，方向特征金字塔O利用Roberts算子生成； 3)利用中心围绕算子Θ计算特征图，通过计算细尺度和粗尺度之间的差值实现，其中尺度ce {2,3,4}中的像素，s = c+d，d e {3,4}中相关位置的像素，公式(4)、(5)、(6)分别用于计算亮度、方向与边缘的特征图；
I (c, s) = 11 (c) Θ I (s) I (4) 0(c，s，Θ ) = 0(c, θ ) 0O(s, θ)|，Θ e [0° ,45° ,90° ,135。] (5)
E (c, s) = IE (c) Θ E (s) I (6) 获得的特征图进行归一化，图像取值规范化为[0，Μ]，计算图中最大值M和其他局部最大值的平均值兩，再将整幅图像乘以(M-历)2; 4)将每种特征图运用跨尺度结合算子在醒目度图第4层融合，利用公式(7)、(8)、(9)计算，最终得到每种特征的醒目度图；
5)区分度融合算子和显著性图， 利用区分度融合算子Cmob，结合公式(10)、(11)将步骤4)得到的醒目度图结合，形成一个显著性图SM，
其中ξ 1，ξ2’ €3是缺陷的区分度，计算方法如式(12):
其中 Zmax = max[zi0], zi0 e Ω i7 i = I, 2, 3,..., t,将图像按照亮度划分为 Qt(t e N)个区域集，区域QiQ = 1,2,3,..., t)的轮廓是随机形成的闭区域，对Qi求导，获得局部极小值Zitl ; 6)搜索显著性区域，输出检测结果。
2.根据权利要求1所述的基于时间加权K-近邻法的无线传感器网络故障诊断方法，其特征在于上述步骤I)缺陷图像预处理是通过对背景信息的估计，使裂痕缺陷与背景信息分割，并利用图像变换突出裂痕缺陷部分像素亮度，具体过程如下: 1)采用开运算，选用三种结构元，分别为:菱形，圆形，线形，对目标图像先腐蚀处理，再膨胀操作，获得背景估计图像； 2)将源图像与背景估计图像进行差分运算； 3)采用亮度变换方法，通过gamma变化，增强或者减少图像亮度，达到突出裂痕缺陷目的。
【文档编号】G06T7/00GK104166986SQ201410321579
【公开日】2014年11月26日 申请日期:2014年7月7日 优先权日:2014年7月7日
【发明者】许亮, 徐海波, 何小敏, 刘学福 申请人:广东工业大学