一种电容器外观缺陷识别方法及识别装置与流程

本发明涉及电容缺陷检测领域，尤其涉及一种电容器外观缺陷识别方法及识别装置。

背景技术：

电容缺陷检测是电容产生过程中的一个重要环节，以往通常采用人工对电容进行识别。随着图像识别技术的进步，出现了简单的图像识别缺陷的技术，数字图像经过图像分割后，根据人为设定的特征范围，作出ok或ng的判断，例如计算分割图像面积为100，而人为设定的合格特征范围为20-50，则面积超限，进而判定为ng。现有的方案依赖于调试人员的经验，对于随机出现的各类缺陷，其特征值并不能完全保证出现在某个特定范围内，并且选取的特种也不能保证区分所有种类的缺陷，因此容易出现漏报、误报等情况。例如假设人为设定面积范围在20-50，灰度范围在0-20的区间为ng，而当某种缺陷的面积为25，灰度为21时，算法就会因为灰度值不满足条件而判定为ok，然而实际上这仍然是ng的。现有方案中，特征、特征值范围完全由开发人员根据经验设定，因此，检测的准确率严重依赖于调试人员的经验，检测的准确率受到人为主观因素的影响比较大，其设定的参数往往不能直接与瑕疵的标准挂钩，需要反复调整，难以保证检测的稳定性。

技术实现要素：

为了解决现有技术的问题，本发明提供了一种电容器外观缺陷识别方法及识别装置，利用所述技术方案如下：

本发明提供了一种电容器外观缺陷识别方法，包括以下步骤：

s1、获取待识别的目标电容器的图像；

s2、对所述目标电容器的图像进行图像分割，得到目标电容器的分割区域图像，所述分割区域图像包括针脚区域图像、胶盖区域图像及胶管区域图像中的一种或多种；

s3、在预设的特征类型范围内，计算所述分割区域图像的特征值，并将计算得到的特征值合并为所述目标电容器的图像的特征向量；

s4、将所述分割区域图像的特征向量输入到预先完成训练的电容器外观缺陷识别神经网络模型中，得到缺陷识别判定结果。

进一步地，所述电容器外观缺陷识别神经网络模型通过以下步骤完成训练：

组建样本库，所述样本库中包括多个训练样本，每个训练样本包括电容器的样本图像及其对应的分类结果；

对每一个训练样本的样本图像进行图像分割，得到样本图像的一个或多个分割区域图像，并将所有的分割区域图像的特征值合并得到每个样本图像的特征向量；

将所述样本库中所有样本图像的特征向量组成初始矩阵特征向量，并对所述初始矩阵特征向量进行数据降维操作，得到降维特征向量；

将所述降维特征向量作为输入量，结合对应的样本图像的分类结果，采用反向传播算法对多层感知器模型进行训练至收敛，得到电容器外观缺陷识别神经网络模型。

进一步地，所述对所述初始矩阵特征向量进行数据降维操作包括以下步骤：

对所述初始矩阵特征向量中同一个特征向量类型求平均特征值；

将初始矩阵特征向量中特征向量类型的原始特征值减去对应的平均特征值，得到矩阵特征差值；

对所述矩阵特征差值求协方差矩阵，并求协方差矩阵的特征值和特征向量；

将协方差矩阵的特征值按照从大到小的顺序排序，选择排在前k个的特征值，然后将其对应的k个特征向量分别作为列向量组成特征向量降维矩阵；

将所述矩阵特征差值中的特征值投影到选取的k个特征向量上，得到降维矩阵特征向量。

进一步地，所述s3中预设的特征类型范围与所述降维特征向量包含的特征类型相同，所述特征类型包括面积、灰度、矩形度和圆度。

进一步地，步骤s2中图像分割包括以下步骤：

对目标电容器的图像进行一次固定阈值分割，得到电容表面区域图像；

对所述电容表面区域图像进行三次动态阈值分割，分别得到针脚区域图像、胶盖区域图像及胶管区域图像。

进一步地，所述电容器外观缺陷识别神经网络模型的训练过程还包括对收敛的电容器外观缺陷识别神经网络模型进行验证，验证过程包括以下步骤：

获取测试样本，每个测试样本包括电容器的测试图像及其对应的分类结果；

对所述测试图像进行图像分割，得到分割区域测试图像；

在降维特征向量包含的特征类型范围内，计算所述分割区域测试图像的特征值，并将计算得到的特征值合并为所述分割区域测试图像的特征向量；

将所述分割区域测试图像的特征向量输入到所述收敛的电容器外观缺陷识别神经网络模型中，得到缺陷识别测试结果；

统计所述缺陷识别测试结果与对应的分类结果一致的概率，若一致的概率达到预设的准确率阈值，则所述神经网络训练完成，否则重新对所述神经网络进行训练。

进一步地，步骤s1中目标电容器的图像通过全外观扫描方式获取，对所述电容器的拍摄方向包括拍摄底凸、拍摄胶盖凸和胶盖倾斜、拍摄极偏、拍摄极反，每次拍摄的曝光时间至少预留100ms。

另一方面，本发明提供了一种电容器外观缺陷识别装置，包括以下模块：

图像接收模块，用于获取待识别的目标电容器的图像；

图像分割模块，用于对所述目标电容器的图像进行图像分割，得到目标电容器的分割区域图像，所述分割区域图像包括针脚区域图像、胶盖区域图像及胶管区域图像中的一种或多种；

特征向量模块，用于在预设的特征类型范围内，计算所述分割区域图像的特征值，并将计算得到的特征值合并为所述目标电容器的图像的特征向量；

模型判定模块，用于将所述分割区域图像的特征向量输入到预先完成训练的电容器外观缺陷识别神经网络模型中，得到缺陷识别判定结果。

进一步地，所述缺陷识别装置还包括模型训练模块，所述模型训练模块包括以下单元：

训练样本单元，用于组建样本库，所述样本库中包括多个训练样本，每个训练样本包括电容器的样本图像及其对应的分类结果；

样本图像分割单元，用于对每一个训练样本的样本图像进行图像分割，得到样本图像的一个或多个分割区域图像，并将所有的分割区域图像的特征值合并得到每个样本图像的特征向量；

降维单元，用于将所述样本库中所有样本图像的特征向量组成初始矩阵特征向量，并对所述初始矩阵特征向量进行数据降维操作，得到降维特征向量；

模型收敛单元，用于将所述降维特征向量作为输入量，结合对应的样本图像的分类结果，采用反向传播算法对多层感知器模型进行训练至收敛，得到电容器外观缺陷识别神经网络模型。

进一步地，所述模型训练模块还包括模型验证单元，所述模型验证单元包括以下子单元：

测试样本子单元，用于获取测试样本，每个测试样本包括电容器的测试图像及其对应的分类结果；

测试图像分割子单元，用于对所述测试图像进行图像分割，得到分割区域测试图像；

特征向量子单元，用于在降维特征向量包含的特征类型范围内，计算所述分割区域测试图像的特征值，并将计算得到的特征值合并为所述分割区域测试图像的特征向量；

测试结果子单元，用于将所述分割区域测试图像的特征向量输入到所述收敛的电容器外观缺陷识别神经网络模型中，得到缺陷识别测试结果；

统计子单元，用于统计所述缺陷识别测试结果与对应的分类结果一致的概率，若一致的概率达到预设的准确率阈值，则所述神经网络训练完成，否则调用模型训练模块重新对所述神经网络进行训练。

本发明提供的技术方案带来的有益效果如下：

a.通过组合使用数据降维和神经网络算法，减少人为干预导致的算法不稳定；

b.数据降维的目的是让算法自主选择只对分类结果起作用的核心特征，舍弃那些对分类结果不起作用、甚至是有干扰的特征；

c.数据降维后得到的特征值，进入神经网络进行训练，可以让算法自动计算特征值和最终判定结果之间的联系，找到最优的数值设定；

d.人工只需要提前帮算法准备好带有ok/ng标签的数据，让算法自主进行模型训练即可，操作难度降低，调试成功率提高。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的基于神经网络的电容器外观缺陷识别方法流程图；

图2是本发明实施例提供的图像分割的方法流程图；

图3是本发明实施例提供的电容器外观缺陷识别神经网络模型的训练方法流程图；

图4是本发明实施例提供的对所述初始矩阵特征向量进行数据降维操作的方法流程图；

图5是本发明实施例提供的对收敛的电容器外观缺陷识别神经网络模型进行验证的方法流程图；

图6是本发明实施例提供的基于神经网络的电容器外观缺陷识别装置的模块框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他步骤或单元。

在本发明的一个实施例中，提供了一种基于神经网络的电容器外观缺陷识别方法，本发明的电容器外观缺陷识别方法从时间上划分主要包括以下几个步骤：

第一步为训练分类模型：对已经分类好的电容器图像中的可疑区域进行特征提取，然后进行神经网络训练；

第二步为验证模型准确率：对测试图片进行同样的提取特征操作，并放入模型中计算得到ok/ng的结果，与实际结果做对比。当模型准确率达到要求时(如≥98％)，则训练完成；

第三步为在模型训练完毕后，每次程序读取到电容器的图片后，就做同样的特征提取操作，然后将特征值传入神经网络模型进行计算，并在模型最后得到结果。

在现有技术中，深度学习是另一种自学习分类算法。深度学习的特点是从步骤1开始，无需对输入图片做任何操作，直接对原图进行深度神经网络学习。因此深度学习的网络训练速度很慢，并且需要大量(以万计)的样本图片进行训练。在工业环境中，往往无法在短期内提供大量的样本图片，因此很难适用。综上，本发明采用神经网络与降维算法结合的形式，对输入的电容器图片进行外观缺陷识别，如图1所示，所述识别方法包括以下步骤：

s1、获取待识别的目标电容器的图像。

具体地，所述目标电容器的图像通过全外观扫描方式获取，对所述电容器的拍摄方向包括拍摄底凸、拍摄胶盖凸和胶盖倾斜、拍摄极偏、拍摄极反，每次拍摄的曝光时间至少预留100ms。可针对不同的检测品项选择相应的拍摄方式，如下表所示：

电容全外观18项检测验证状况

其中，对于面阵拍摄，主要用于面阵瑕疵检测，包括胶管收缩不良、焊点外露、电解纸外露、铝壳底部脏、胶管切割不良、底部压伤、底部漏液等；面阵侧拍主要用于检测底凸、混料、胶盖倾斜、胶盖凸、极反等缺陷，线扫条光拍摄主要用于检测侧爆、胶管起泡、本体不良等缺陷。

s2、对所述目标电容器的图像进行图像分割，得到目标电容器的分割区域图像，所述分割区域图像包括针脚区域图像、胶盖区域图像及胶管区域图像中的一种或多种。

如图2所示，图像分割包括以下步骤：

s21、对目标电容器的图像进行一次固定阈值分割，得到电容表面区域图像。

s22、对所述电容表面区域图像进行三次动态阈值分割，分别得到针脚区域图像、胶盖区域图像及胶管区域图像。动态阈值是指在图像中寻找局部区域比周边区域灰度值明显高或低的区域，通常会设定一个周边区域的范围mean_size以及灰度值偏差阈值dyn_threshold，在本实施例中，mean_size优选设定为51，dyn_threshold优选设定为20，需要说明的是，这里优选的设定值并非唯一值，不作为限定本发明的保护范围。

s3、在预设的特征类型范围内，计算所述分割区域图像的特征值，并将计算得到的特征值合并为所述目标电容器的图像的特征向量。

这里所说的预设的特征类型范围，为经过筛减后的特征类型，比如面积、灰度、矩形度和圆度等，优选地，所述预设的特征类型范围是经过算法降维后得到的，降维方式在下文中详述。

计算特征值之后，将一目标电容器的图像分割得到的分割图像的预设的特征类型的特征值合并成一组值，即为该电容器图像的特征向量。

s4、将所述分割区域图像的特征向量输入到预先完成训练的电容器外观缺陷识别神经网络模型中，得到缺陷识别判定结果。

所述电容器外观缺陷识别神经网络模型预先完成了训练，针对该神经网络模型，以电容器图像为输入值，经过计算，输出电容器缺陷识别判定结果，比如输出00表示没有缺陷(ok)，输出01表示存在缺陷(ng)，更进一步地，输出10表示类型一的缺陷，输出11表示类型二的缺陷，等等。以下对神经网络模型的训练方法作出说明：

如图3所示，所述电容器外观缺陷识别神经网络模型通过以下步骤完成训练：

t1、组建样本库，所述样本库中包括多个训练样本，每个训练样本包括电容器的样本图像及其对应的分类结果。

具体地，需要人工提前帮算法准备好样本图像附带的ok或ng标签的数据。

t2、对每一个训练样本的样本图像进行图像分割，得到样本图像的一个或多个分割区域图像。

具体地，这里的图像分割方法参见步骤s21-s22，在此不再赘述。

t3、将所有的分割区域图像的特征值合并得到每个样本图像的特征向量。

这里的分割区域图像的特征值为所有的特征的特征值，针对得到的针脚区域图像、胶盖区域图像及胶管区域图像，将其所有的特征都计算一遍，数字图像经过图像分割后，得到感兴趣区域(roi)，然后针对感兴趣区域计算其特征值，通常特征值有几十到几百项，例如：灰度、面积、轮廓、梯度、二阶矩、三阶矩等等，所有特征会合并为特征向量1，进入下一轮的计算，所述所有的特征包括如下：

t4、将所述样本库中所有样本图像的特征向量组成初始矩阵特征向量，并对所述初始矩阵特征向量进行数据降维操作，得到降维特征向量。

如图4所示，对所述初始矩阵特征向量进行数据降维操作包括以下步骤：

t41、对所述初始矩阵特征向量中同一个特征向量类型求平均特征值；

以数据集x＝{x1,x2,x3,...,xn}需要由n维降到k维为例，首先求取n维上各自的平均值：

t42、将初始矩阵特征向量中特征向量类型的原始特征值减去对应的平均特征值，得到矩阵特征差值；

即计算得到矩阵特征差值如下：x'＝{x1',x2',x3',...,xn'}

t43、计算协方差矩阵，并求协方差矩阵的特征值和特征向量；

所述协方差矩阵的计算公式为：并通过svd计算其特征值和特征向量。

t44、将协方差矩阵的特征值按照从大到小的顺序排序，选择排在前k个的特征值，然后将其对应的k个特征向量分别作为列向量组成特征向量降维矩阵。

t45、将所述矩阵特征差值中的特征值投影到选取的k个特征向量上，得到降维矩阵特征向量，即将数据集转换到k个特征向量构建的新空间内。

上述步骤s3中所述预设的特征类型范围即优选采用上述步骤t34中排在前k个的特征值对应的k个特征类型。

t5、将所述降维特征向量作为输入量，结合对应的样本图像的分类结果，采用反向传播算法对多层感知器模型进行训练至收敛，得到电容器外观缺陷识别神经网络模型。

通过上述降维操作，可以排除训练阶段初期的大量无效特征，这些无效特征是指对最终分类结果不起作用的特征值，计算并处理这些无效特征值会占用大量计算机资源，因此，在训练阶段，需要对所有的特征值进行数据降维操作，即减少特征值数量，加快计算速度。数据降维后，得到所述降维矩阵特征向量作为新的特征向量，以随后软件加载所述神经网络模型时，对所述新的特征向量进行计算，得到判定结果。

在本发明中，优选多层感知器multi-layerperceptron(mlp)作为模型原型，采用反向传播算法对多层感知器模型进行训练至收敛，得到一个训练好的mlp模型，即为所述电容器外观缺陷识别神经网络模型。

在本发明实施例中，经过降维计算，步骤t34中得到的所述降维特征向量包含的特征类型包括面积、灰度、矩形度和圆度。

在执行步骤t4之后，还包括执行对收敛的电容器外观缺陷识别神经网络模型进行验证的操作，如图5所示，具体包括以下步骤：

t61、获取测试样本，每个测试样本包括电容器的测试图像及其对应的分类结果；优选地，所述测试样本可以选取步骤t1中组件的样本库中的部分(或全部)图像及其对应的分类结果(ok/ng)。

t62、对所述测试图像进行图像分割，得到分割区域测试图像；分割方法如上s21-s22所述，在此不再赘述。

t63、在降维特征向量包含的特征类型范围内，计算所述分割区域测试图像的特征值，并将计算得到的特征值合并为所述分割区域测试图像的特征向量；

t64、将所述分割区域测试图像的特征向量输入到所述收敛的电容器外观缺陷识别神经网络模型中，得到缺陷识别测试结果；

t65、统计所述缺陷识别测试结果与对应的分类结果一致的概率，若一致的概率达到预设的准确率阈值，则所述神经网络训练完成，否则重新对所述神经网络进行训练。

实际上，验证的过程与使用训练好的电容器外观缺陷识别神经网络模型进行缺陷判定的区别在于，在验证中，得到缺陷识别测试结果后，还需要与所述测试图像对应的分类结果比较是否一致，若一致，则表明模型的判定结果准确，否则错误，统计所述神经网络模型对所述测试样本的判定结果准确率，若准确率达到预设的阈值(比如说98％)，则训练完成，可以将训练得到的神经网络模型以文件的形式存储在计算机中，待算法需要时对其文件进行加载。

在本发明的一个实施例中，提供了一种电容器外观缺陷识别装置，参见图6，所述识别装置包括以下模块：

图像接收模块610，用于获取待识别的目标电容器的图像；

图像分割模块620，用于对所述目标电容器的图像进行图像分割，得到目标电容器的分割区域图像，所述分割区域图像包括针脚区域图像、胶盖区域图像及胶管区域图像中的一种或多种；

特征向量模块630，用于在预设的特征类型范围内，计算所述分割区域图像的特征值，并将计算得到的特征值合并为所述目标电容器的图像的特征向量；

模型判定模块640，用于将所述分割区域图像的特征向量输入到预先完成训练的电容器外观缺陷识别神经网络模型中，得到缺陷识别判定结果。

进一步地，所述缺陷识别装置还包括模型训练模块650，参见图6，所述模型训练模块650包括以下单元：

训练样本单651，用于组建样本库，所述样本库中包括多个训练样本，每个训练样本包括电容器的样本图像及其对应的分类结果；

样本图像分割单元652，用于对每一个训练样本的样本图像进行图像分割，得到样本图像的一个或多个分割区域图像，并将所有的分割区域图像的特征值合并得到每个样本图像的特征向量；

降维单元653，用于将所述样本库中所有样本图像的特征向量组成初始矩阵特征向量，并对所述初始矩阵特征向量进行数据降维操作，得到降维特征向量；

模型收敛单元654，用于将所述降维特征向量作为输入量，结合对应的样本图像的分类结果，采用反向传播算法对多层感知器模型进行训练至收敛，得到电容器外观缺陷识别神经网络模型。

进一步地，所述模型训练模块还包括模型验证单元655，参加图6，所述模型验证单元655包括以下子单元：

测试样本子单元6551，用于获取测试样本，每个测试样本包括电容器的测试图像及其对应的分类结果；

测试图像分割子单元6552，用于对所述测试图像进行图像分割，得到分割区域测试图像；

特征向量子单元6553，用于在降维特征向量包含的特征类型范围内，计算所述分割区域测试图像的特征值，并将计算得到的特征值合并为所述分割区域测试图像的特征向量；

测试结果子单元6554，用于将所述分割区域测试图像的特征向量输入到所述收敛的电容器外观缺陷识别神经网络模型中，得到缺陷识别测试结果；

统计子单元6555，用于统计所述缺陷识别测试结果与对应的分类结果一致的概率，若一致的概率达到预设的准确率阈值，则所述神经网络训练完成，否则调用模型训练模块重新对所述神经网络进行训练。

需要说明的是：上述实施例提供的电容器外观缺陷识别装置在进行电容器外观缺陷识别时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将电容器外观缺陷识别装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，本实施例提供的电容器外观缺陷识别装置实施例与上述实施例提供的电容器外观缺陷识别方法属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本发明通过数据降维自主选择只对分类结果起作用的核心特征，其特征值进入神经网络进行训练，让算法自动计算特征值和最终判定结果之间的联系，找到最优的数值设定，电容缺陷识别成功率提高。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。