[发明专利]一种基于机器视觉的表面瑕疵检测的纹理特征降维方法

说明书

技术领域

本发明涉及基于机器视觉的工业图像识别分类方法，具体是指一种工业产品图像的纹理特征降维方法，属于机器视觉表面瑕疵自动检测研究技术领域。

背景技术

基于机器视觉的自动检测技术与人工视觉相比，具有速度快、精度高、永不疲劳的优点，在工业生产流水线上，正逐步代替人工视觉检测，这不仅降低人力成本而且可实现对产品质量的严格控制。

特征选取是工件瑕疵识别分类的关键步骤之一，所选取特征的好坏在很大程度上影响着最终识别分类的效果。为了对样本进行较为全面的描述，通常采用多维的复合特征而不是单一的特征来表示。高维的特征数据可能存在一定相关性，含有许多冗余特征，甚至是噪声特征，对识别正确率产生负面影响。此外，工业现场对实时性要求较高，特征维数过大，会导致运算量变大，学习时间变长，不利于对工件快速识别分类。如何选取与类别相关性强的特征，同时又能尽可能得降低图像特征的维数，减少在线预测时间，显得至关重要。

特征降维技术可以降低特征维数，提高分类器分类性能。特征降维可以分为特征提取和特征选择。近年来有不少经典的特征提取方法被提出，如主成分分析(PCA)、独立成分分析(ICA)、核主成分分析(KPCA)等。经过这些方法处理后，虽然特征维数下降了，但是新的特征失去了原有的物理意义，由此带来的一个问题是：在线检测时仍然需要计算降维前的所有特征值，从而使得在线预测计算量大大提高，时间消耗大。有研究者提出用于两类样本特征降维的Relief算法和与之对应的多类样本特征降维的ReliefF方法，这类算法虽然能找到与类别相关性强的特征子集且不改变特征的原有物理意义，但是仍然存在一些不足之处，如：未考虑不同样本的差异性、无法去除冗余特征、容易受到噪声的干扰适应性能较差等。

发明内容

本发明为了解决高维特征可能含有的冗余特征，甚至是噪声特征，从而导致的在线特征提取时间长、预测准确率降低的问题，提供一种适用于纹理工件表面瑕疵检测的离线特征降维方法。

为达此目的，本发明通过如下技术方案实现：整个流程可分为离线训练和在线预测两个过程，具体如下：

离线训练过程：

(1)构造Gabor滤波器组，对每个训练图像利用Gabor滤波器组进行卷积变换获得Gabor子图，并对相同尺度不同方向的子图进行融合。存储Gabor滤波器组G，用于在线特征提取过程。

(2)提取融合后不同尺度的图像的灰度均值、方差和灰度共生矩阵的对比度、相关性、信息熵等统计量作为特征，组成训练样本特征数据矩阵。

(3)对提取特征进行降维。

(3.1)找出与类别相关性强的特征。去除噪声点，寻找所有训练样本中的边界样本，根据所得边界样本数据对每一维特征权值进行迭代，权值越大表示其对应的特征与类别相关性越强。比较每一维特征权值与阈值TH1的大小：若权值小于TH1，则将该维特征所对应的状态标志位置0，否则置1。由此得到所有特征状态标志向量mark1。

(3.2)去除冗余特征。将训练样本特征数据矩阵按照权值大小降序排列，计算相关系数矩阵RHO，并根据相关系数矩阵计算阈值TH2。找出与最大权值特征相关系数最大的特征，并比较该相关系数与TH2的大小。若大于TH2，则将该维特征删除，并将其对应状态标志位置0；否则置1。再找出与次最大特征相关系数最大的特征，比较与TH2的大小。以此类推，直到把权值最小的冗余特征去除。由此得到所有特征状态标志向量mark2。

(3.3)将mark1和mark2按位与运算得到mark即为最终所有特征的状态标志向量。将mark中状态标志为0对应的特征删除，保留标志位为1的特征。存储特征状态标志向量mark，用于在线特征提取过程。

(4)根据降维后所得的训练样本特征矩阵，训练分类器模型，并存储分类器模型系数model。本发明采用分类精度高、实时性能好、推广能力强的最小二乘支持向量机作为分类器。

在线预测过程：

(1)下载Gabor滤波器组G，对预测图像进行卷积变换获得Gabor子图，并对相同尺度不同方向的子图进行融合。

(2)下载特征状态标志向量mark并判断每一维特征的标志位是0或1：如果是0，则不进行该维特征值的计算，否则计算该维特征值。

(3)下载离线训练所得分类器模型model，利用所提取的预测图像特征，对表面缺陷进行识别分类。