品，只需 要进行一次离线学习。
[0045]对于一批准备检测的某型号产品，选取一合格产品做为标准样本，保证清晰成像 条件下，根据理论与成像实际确定该型号产品所需的X射线管电压与管电流并保存。由于 每种型号产品内部各个检测子目标均为先验已知，根据产品内部多个子目标中的最小待识 别结构尺寸确定产品的周向旋转最大采样步长n°，n取值能被360整除。对该产品实施完 备的全检测需要全周向方位的N= 360/n幅序列图像。一般地，为了达到快速识别，不同产 品的旋转采样步长不同。
[0046]在当前方位下成像，假定为i方位，该图像可表示为X:
[0047]
姐
[004引其中，矩阵中的元素Xki表示图像在第k行第1列的像素灰度值，图像大小为KXL。 假设产品内部有S个需要检测区域（即待识别子目标区域），按照子目标在产品中的重要性 与可能出错的概率依次排序为：1，2,…，S，且每个子目标区域子图像大小分别为K,XL,化， 行，Lj列，0 <j《巧。由对各种产品的实际检测可知，大多情况下，识别目标所在子区域的 像素个数远小于整幅图像，即有：
[0049]
巧）
[0050] 因此，本发明提出的识别方法，是对每个方位下的S个子区域图像的识别来代替 对整幅图像的识别，既提高了识别速度，也更好地保证了识别准确率。
[0051] 其中，对S个子区域图像的识别，本发明提出了一种数据重排方法。
[0052] 所述数据重排方法，就是剔除图像中不需要检测的无用区域（即产品图像中根本 不会出错的区域），而只对S个子目标区域图像矩阵的数据本身重排，重排方法既可W是对 像素灰度值重排，也可W对各个子区域图像提取某种特征或做某种特定变换法后的数据重 排。
[0053] 图4是一个简单的对子目标图像取灰度投影后数据重排的实施例。
[0054] 步骤401 :在当前方位下成像，假设为i方位，获得公式（1)所示图像。
[0055] 步骤402 :对上述i方位下图像的S个子目标图像取垂直投影，可分别得到 Li，L2,…，Ls维数的投影特征向量。
[0056]
(3)
[0057] 其中，F。，F。，…，F。分别表示在i方位下的S个子目标图像投影特征向量，各投影 特征向量的维数或长度分别为子目标图像区域宽度Li，L2,…，Ls。
[0058] 步骤403 :将公式（3)中的多个子目标区域数据首尾连接重排后可得i方位下的 投影识别特征：
[0059] Fi=[fii(l)，fii(2)，...，fii(Li)，fi2(l)，fi2(2)，...，fi2(L2)，...，fisa)，fis(2)，··· ，fiS化S)]
[0060] (4)
[0061] 对（4)式规范重写为：
[006引Fi=(f …，fiM) (日)
[0063] 其中，Fi代表该类型产品在i方位下的投影识别特征向量，Μ为识别特征向量的维 数，Μ=Li+L2+"'+Ls。
[0064] 保存公式巧）所代表的该类型产品在i方位下的识别特征Fi。
[0065] 步骤404 :提取公式（1)整幅图像中的一个特征明显且不会出现缺陷的子区域作 为周向第i方位的定位特征并保存。
[0066] 判断样本学习成像完毕与否，即是否获取N= 360/n幅周向方位序列图像，如是， 往下执行；否则，工作台旋转n°，返回到步骤401。
[0067] 保存全周向方位的N幅序列图像。
[006引建立并保存N幅序列图像的位置特征标准样本库，共N个位置特征信息。
[0069] 建立并保存N幅序列图像的识别特征标准样本库：
[0070]
(G)
[0071] 其中，Fi，F2,…，Fw分别表示产品图像在N个方位下的识别特征。
[0072] 图5为产品在线检测模块实施例的工作流程。
[0073]系统初始化，确定被检测产品型号，据此确定工作节拍，并确定与该型号样本离线 学习过程相同的X射线源管电压管电流，上料机构将被检测产品按照其节拍被送到检测工 作台。
[0074]X射线成像器件在当前随机方位下成像。
[0075] 提取与图4所述步骤中相同的位置特征与识别特征。
[0076] 捜索被检测产品位置特征在位置特征标准样本库中的最优解，确定产品成像的当 前方位，假设为i方位。
[0077] 将被检测产品在该方位所成图像后提取的识别特征与标准产品第i个方位下的 识别特征匹配。
[0078] 如果当前方位下匹配识别不合格，直接下料到废品区。
[0079] 如果当前方位识别合格，自动检测系统根据该产品型号自动确认是否复检，如果 不复检直接下料到合格区，如果需要复检，系统根据该产品型号自动将产品旋转kn°到某 一特定方位进行复检，返回到"X射线成像器件在当前随机方位下成像"步骤，其中，〇<k<N。
[0080] 判断该班组产品是否全部检测结束，如是检测结束，否则检测下一件产品。
【主权项】
1. 一种X射线快速自动检测方法，其特征在于，包括样本离线学习模块和产品在线检 测丰吴块： 所述样本离线学习模块包括：确定检测产品内部待识别子目标区域以及子目标区域个 数，并根据待识别子目标区域确定产品与检测工作台周向旋转的最大步长η°，η可被360 整除； 根据确定的最大旋转步长η°，对一标准的合格产品在全周向方位下采用X射线成像， 得到N = 360/η个图像序列；图像采集电路将获得的图像序列送给计算机处理单元进行检 测识别； 计算机处理单元根据确定的待识别子目标区域，提取每一方位下产品图像的待识别子 目标区域图像，进行图像数据重排，作为对每一方位下产品图像的检测识别特征，建立识别 特征标准样本库；所述图像数据重排，重排方法既可以是对像素灰度值重排，也可以对各子 区域图像提取某种特征或做某种变换法后的数据重排； 提取每一方位下产品图像中具有代表性的不变子区域作为位置特征，建立并保存Ν幅 序列图像的位置特征标准样本库； 所述产品在线检测模块包括：对送到检测工作台的当前产品成像，提取当前产品位于 某个随机方位的位置特征，确定当前产品在位置特征标准样本库中的最优解，即确定产品 成像的当前方位，也称确定周向方位；所述提取位置特征的方法与样本离线学习模块中的 方法相同； 确定周向方位后提取当前产品在该方位下的检测识别特征，进行数据重排后，与识别 特征标准样本库中同一周向方位下的最优解匹配；如果在当前方位下检测识别特征匹配成 功，则根据检测需要及确定的检测步长，转向下一特定方位，成像并提取检测识别特征后进 行最优解匹配，逐个完成当前产品在各特定方位的最优解匹配；如果在某一个方位下匹配 不成功，则直接将当前产品下料到废品区；进行下一个产品的在线检测；所述的提取检测 识别特征以及数据重排的方法与样本离线学习模块中的方法相同。2. 如权利要求1所述的一种X射线快速自动检测方法，其特征在于，对每一方位下产品 图像的待识别子目标区域图像进行图像数据重排时，先将任意方位i下的产品图像X表示 为：其中，矩阵中的元素 Xkl表示图像在第k行第1列的像素灰度值，图像大小为KXL ;假 设产品内部有S个待识别子目标区域，按照待识别子目标区域在产品中的重要性与可能出 错的概率依次排序为：1，2，···，S，且每个待识别子目标区域图像大小分别为Κ,ΧΙ^，其在图 像中占据的大小为Kj行，L j列，0 < j彡S ; 提取上述S个待识别子目标区域的特征，比如某方向的投影，可分别得到L L2，…，Ls维数的投影特征向量：其中，Fu，Fl2，…，FlS分别表示在i方位下的S个待识别子目标图像投影特征向量，各投 影特征向量的维数或长度分别为子目标图像区域宽度L L2，…，Ls; 将多个子目标区域数据首尾连接重排后可得投影识别特征：规范重写为：其中，R代表该类型产品在i方位下的投影识别特征向量，Μ为投影识别特征向量的维 数，Μ = 1^+1^+...+!^; 提取每一个方位下图像的投影识别特征向量，作为每一方位下图像的检测识别特征， 建立并保存Ν幅序列图像的识别特征标准样本库：其中，b F2，…，FN分别表示产品图像在Ν个方位下的检测识别特征。3. 如权利要求2所述的一种X射线快速自动检测方法，其特征在于，提取S个待识别子 目标区域的特征时，是提取S个待识别子目标区域的垂直投影。4. 如权利要求1~3任一项所述的一种X射线快速自动检测方法，其特征在于，在样本 离线学习模块和产品在线检测模块中，通过提取第i方位下整幅图像中的一个特征明显且 不会出现缺陷的子区域作为周向第i方位的位置特征并保存。
【专利摘要】本发明提供了一种X射线快速自动检测方法：根据产品内部最小待检测目标确定的最大旋转采样步长在全周向方位下成像；提取每个周向方位下产品内部各个待识别子目标区域图像数据或变换特征并进行有效数据重排作为产品的检测识别特征，提取图像中具有代表性的不变子区域作为位置特征，建立产品在全周向方位下的检测识别特征标准样本库与位置特征标准样本库；识别过程中，根据位置特征找到被检测产品在检测识别特征标准样本库中的最优解进行快速准确识别，并根据产品型号自动在特定方位下成像复检。应用本发明所述方案，能够快速、准确、高效地实现对产品内部结构与装配质量的快速自动检测。
【IPC分类】G06K9/66, G06K9/46
【公开号】CN105279516
【申请号】CN201510627890
【发明人】韩跃平, 李瑞红, 韩焱, 王黎明
【申请人】中北大学
【公开日】2016年1月27日
【申请日】2015年9月28日