一种基于字典学习的缺陷检测方法与流程

本发明涉及缺陷检测技术领域，尤其是涉及一种基于字典学习的缺陷检测方法。

背景技术：

随着人们生活水平的不断提高以及电子设备不断普及，电子设备的生产出货量十分巨大，如何实现电子设备产品生产过程中缺陷的自动化检测，成为了各大厂商关注的问题之一。

其中电子设备玻璃盖板的生产工艺步骤多，存在很多问题，改进空间较大，主要存在的问题有：

目前常用的印刷缺陷检测方法通常采用的多是基于玻璃盖板图像的边缘提取算法，再分析轮廓及边缘的平整性和凹凸区域，但现有的技术还无法检出细微的缺陷，因为在细微的缺陷附近，常用的边缘提取算法无法准确的提取出边缘。

另外，现有的工艺是采用终检时人工目检，无法有效的预防因机器故障或破损导致的玻璃盖板破损，从破损第一次发生到终检时人工查出，已生产出一系列的破损件，无法及时调整，造成了厂商的损失和浪费。

技术实现要素：

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于字典学习的缺陷检测方法，能够实现破损件的自动化检测。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于字典学习的缺陷检测方法，包括以下步骤：

步骤1)采集标准的面板图像，提取面板图像的边缘信息特征，成为特征图像一；

步骤2)将特征图像一重叠划分为大小相同的小块，组成特征图像训练库；

步骤3)对特征图像训练库中的小块进行字典学习，得到特征图像字典和相应的表示系数矩阵；

步骤4)采集一幅待检测的面板图像，提取面板图像的边缘信息特征，变换为特征图像二；

步骤5)将特征图像二重叠划分为与特征图像训练库中的小块大小相同的小块；

步骤6)对每一个特征图像二所得的小块在特征图像字典下稀疏表示，得到相应的稀疏表示系数；

步骤7)对稀疏表示系数进行分析，如果其稀疏表示系数的l1范数远大于零，则认为该小块上没有缺陷，如果其稀疏表示系数的l1范数接近于零，则认为该小块上存在缺陷，进而该待检测面板存在缺陷。

优选的：所述小块的大小为16*16像素。

优选的：所述重叠划分的重叠为8像素，即本行的小块之间重叠长为8像素，本行与上一行的小块之间重叠宽也为8像素。

优选的：所述字典学习的方法采用k-svd。

优选的：所述稀疏表示的稀疏性度量采用l1范数，求解采用迭代阈值收缩法。

优选的：所述提取边缘信息特征的方法采用梯度法，即求水平梯度和垂直梯度两个梯度，之后将两梯度的平方和开方，可得待求特征图像。

优选的：将与当前图像相差一列的图像最右一列补零列，得参考图像一，则所述水平梯度即将当前图像像素值减去参考图像一的像素值。

优选的：将与当前图像相差一行的图像最下一行补零行，得参考图像二，则所述垂直梯度即将当前图像像素值减去参考图像二的像素值。

本发明相比现有技术，具有以下有益效果：

1.能够实现自动化检测，避免了人工终检带来的检验不及时的缺点。

2.采用字典学习的算法，只需要对重叠划分好的特征图像训练库进行一次学习，得到特征图像字典和相应的表示系数矩阵，随后对特征图像字典重复利用，进行稀疏表示，即可分辨出哪些面板是存在缺陷的面板。

3.采用梯度法来计算待求特征图像，则细微的缺陷处的水平梯度或者垂直梯度不为零，平方和再开方之后仍然不为零，可以很好的保留细微缺陷处的边缘，利于接下来的稀疏表示。

附图说明

图1为本发明一种基于字典学习的缺陷检测方法的算法流程图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本技术所附权利要求所限定的范围。

如图1所示为一种基于字典学习的缺陷检测方法的算法流程，包括以下步骤：

步骤1)采集标准的面板图像，提取面板图像的边缘信息特征，成为特征图像一；

步骤2)将特征图像一重叠划分为大小相同的小块，组成特征图像训练库；

步骤3)对特征图像训练库中的小块进行字典学习，得到特征图像字典和相应的表示系数矩阵；

步骤4)采集一幅待检测的面板图像，提取面板图像的边缘信息特征，变换为特征图像二；

步骤5)将特征图像二重叠划分为与特征图像训练库中的小块大小相同的小块；

步骤6)对每一个特征图像二所得的小块在特征图像字典下稀疏表示，得到相应的稀疏表示系数；

步骤7)对稀疏表示系数进行分析，如果其稀疏表示系数的l1范数远大于零，则认为该小块上没有缺陷，如果其稀疏表示系数的l1范数接近于零，则认为该小块上存在缺陷，进而该待检测面板存在缺陷。

所述小块的大小为16*16像素。

所述重叠划分的重叠为8像素，即本行的小块之间重叠长为8像素，本行与上一行的小块之间重叠宽也为8像素。

所述字典学习的方法采用k-svd。

所述稀疏表示的稀疏性度量采用l1范数，求解采用迭代阈值收缩法。

所述提取边缘信息特征的方法采用梯度法，即求水平梯度和垂直梯度两个梯度，之后将两梯度的平方和开方，可得待求特征图像。

将与当前图像相差一列的图像最右一列补零列，得参考图像一，则所述水平梯度即将当前图像像素值减去参考图像一的像素值。

将与当前图像相差一行的图像最下一行补零行，得参考图像二，则所述垂直梯度即将当前图像像素值减去参考图像二的像素值。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：

技术总结
本发明公开了一种基于字典学习的缺陷检测方法，包括以下步骤：采集标准的面板图像，提取面板图像的边缘信息特征，成为特征图像一；将特征图像一重叠划分为大小相同的小块，组成特征图像训练库；对特征图像训练库中的小块进行字典学习，得到特征图像字典和相应的表示系数矩阵；采集一幅待检测的面板图像，提取面板图像的边缘信息特征，变换为特征图像二；将特征图像二重叠划分为大小相同的小块；对每一个特征图像二所得的小块在特征图像字典下稀疏表示，得到相应的稀疏表示系数；如果其稀疏表示系数的L1范数远大于零，则认为该小块上没有缺陷，如果其稀疏表示系数的L1范数接近于零，则认为该小块上存在缺陷，进而该待检测面板存在缺陷。

技术研发人员：欧阳光;池敏
受保护的技术使用者：南京敏光视觉智能科技有限公司
技术研发日：2017.09.28
技术公布日：2019.04.09