一种图像缺陷识别方法、电子设备、存储介质及系统与流程

本发明涉及图像处理技术领域，特别涉及一种图像缺陷识别方法、电子设备、存储介质及系统。

背景技术：

缺陷检测在工业自动化中有着重要作用，传统的检测方法多是通过物理测量手段来检测缺陷，图像缺陷检测是通过图像来达到检测目的，相比于传统的方法，能够更加直观的看到缺陷。现有的图像缺陷检测方法存在以下问题：忽视了同种类型的缺陷在表面图像中的相似性，导致检测效率低下。

技术实现要素：

针对现有技术的不足，本发明目的之一在于提供一种图像缺陷识别方法，所述方法包括以下步骤：

将图像中的每行像素和每列像素分别作为混沌时间序列，运算获得各个混沌时间序列的混沌特征；

对所述各个混沌时间序列的混沌特征分别建立混沌特征向量，得到混沌特征向量矩阵；

利用聚类算法对训练样本的特征向量矩阵进行聚类，得到代码本；

根据所述代码本用词袋模型计算每个训练图像的直方图，接着计算测试图像的直方图；

通过多任务学习方法对所述训练图像和测试图像的直方图建立组稀疏模型；

利用交替方向乘子算法计算所述组稀疏模型；

利用重构误差对缺陷图像进行分类。

作为本发明的进一步改进，所述利用重构误差对缺陷图像进行分类，具体包括：比较测试样本和训练样本之间的误差，采用最近邻原则，将误差最小的作为同类。

作为本发明的进一步改进，所述混沌时间序列的混沌特征包括：嵌入维数，嵌入时间延迟，盒维数，信息维数，像素序列平均值和像素序列标准差。

作为本发明的进一步改进，所述混沌特征向量为f＝[τ，m，di，db，mean，std]；其中di是信息维数，db是盒维数，τ和m分别是嵌入延迟和嵌入维数，mean代表像素序列的平均值，std代表像素序列的标准差。

本发明的目的之二在于提供一种电子设备，包括：处理器；存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行以上任意一项所述的方法。

本发明的目的之三在于提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以上任意一项所述的方法。

本发明的目的之四在于提供一种图像缺陷识别系统，所述系统包括以下模块：

混沌时间序列运算模块，将图像中的每行像素和每列像素分别作为混沌时间序列，运算获得各个混沌时间序列的混沌特征；

混沌特征向量建立模块，对所述各个混沌时间序列的混沌特征分别建立混沌特征向量，得到混沌特征向量矩阵；

特征向量矩阵聚类模块，利用聚类算法对训练样本的特征向量矩阵进行聚类，得到代码本；

直方图计算模块，根据所述代码本用词袋模型计算每个训练图像的直方图，接着计算测试图像的直方图；

组稀疏模型建立模块，通过多任务学习方法对所述训练图像和测试图像的直方图建立组稀疏模型；

组稀疏模型计算模块，利用交替方向乘子算法计算所述组稀疏模型；

缺陷图像分类模块，利用重构误差对缺陷图像进行分类。

作为本发明的进一步改进，所述利用重构误差对缺陷图像进行分类，具体包括：比较测试样本和训练样本之间的误差，采用最近邻原则，将误差最小的作为同类。

作为本发明的进一步改进，所述混沌时间序列的混沌特征包括：嵌入维数，嵌入时间延迟，盒维数，信息维数，像素序列平均值和像素序列标准差。

作为本发明的进一步改进，所述混沌特征向量为f＝[τ，m，di，db，mean，std]；其中di是信息维数，db是盒维数，τ和m分别是嵌入延迟和嵌入维数，mean代表像素序列的平均值，std代表像素序列的标准差。

相比于现有技术，本发明的有益效果在于：本发明提出了一种具有鲁棒性的表面缺陷识别方法，本发明用混沌时间序列来模拟随时间变化的像素值，通过词袋法得到的直方图来比较不同的图像，并且用多任务学习模型来挖掘各个训练数据之间的关系，最后用优化方法来计算这个模型。本发明能够较好的对表面缺陷进行识别，相比以往的的方法更加准确，可应用于人脸识别、军事目标跟踪识别系统等各类民用及军用系统中，具有广阔的市场前景和应用价值。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。

附图说明

图1是本发明实施例中图像缺陷识别方法的示意图；

图2是本发明实施例中图像缺陷识别系统的示意图。

图中：210、混沌时间序列运算模块；220、混沌特征向量建立模块；230、特征向量矩阵聚类模块；240、直方图计算模块；250、组稀疏模型建立模块；260、组稀疏模型计算模块；270、缺陷图像分类模块。

具体实施方式

下面，结合附图以及具体实施方式，对本发明做进一步描述：

如图1所示，为本发明实施例中图像识别方法的示意图，所述方法包括以下步骤：

步骤110、将图像中的每行像素和每列像素分别作为混沌时间序列，运算获得各个混沌时间序列的混沌特征；

步骤120、对所述各个混沌时间序列的混沌特征分别建立混沌特征向量，得到混沌特征向量矩阵；

步骤130、利用聚类算法对训练样本的特征向量矩阵进行聚类，得到代码本；

步骤140、根据所述代码本用词袋模型计算每个训练图像的直方图，接着计算测试图像的直方图；

步骤150、通过多任务学习方法对所述训练图像和测试图像的直方图特征建立模型；

步骤160、利用交替方向乘子算法计算所述模型。

如图2所示，为本发明实施例中图像识别系统的示意图，所述系统包括以下模块：

混沌时间序列运算模块210，将图像中的每行像素和每列像素分别作为混沌时间序列，运算获得各个混沌时间序列的混沌特征；

混沌特征向量建立模块220，对所述各个混沌时间序列的混沌特征分别建立混沌特征向量，得到混沌特征向量矩阵；

特征向量矩阵聚类模块230，利用聚类算法对训练样本的特征向量矩阵进行聚类，得到代码本；

直方图计算模块240，根据所述代码本用词袋模型计算每个训练图像的直方图，接着计算测试图像的直方图；

模型建立模块250，通过多任务学习方法对所述训练图像和测试图像的直方图特征建立模型；

模型计算模块260，利用交替方向乘子算法计算所述模型。

相比于现有技术，本发明的有益效果在于：本发明提出了一种具有鲁棒性的表面缺陷识别方法，本发明用混沌时间序列来模拟随时间变化的像素值，通过词袋法得到的直方图来比较不同的图像，并且用多任务学习模型来挖掘各个训练数据之间的关系，最后用优化方法来计算这个模型。本发明能够较好的对表面缺陷进行识别，相比以往的的方法更加准确，可应用于人脸识别、军事目标跟踪识别系统等各类民用及军用系统中，具有广阔的市场前景和应用价值。

上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。