[发明专利]一种基于贝叶斯小样本学习的表面缺陷检测方法

说明书

一种基于贝叶斯小样本学习的表面缺陷检测方法，首先采用线阵工业相机对工业生产中的被检物进行图像采集；将采集的被检物图像从RGB颜色空间转成单通道的灰度图像；将被检物图像进行滑窗滤波将被检物图像中的噪声点去除；用sobel算子对被检物图像中的缺陷进行增强处理；在被检物图像中选取经过增强的正常的训练样本和有缺陷的训练样本各一幅作为待检测样本，并计算出它们的梯度特征并进行学习。再结合其他步骤就能利用贝叶斯算法，依据被检物的梯度特征进行运算处理，提高了检测的性能和精确度，能够有效节省劳力、降低劳动强度、改善了工作效率且检测精度较高。

技术领域

本发明涉及缺陷检测技术领域，具体涉及一种基于小样本学习的表面缺陷检测方法，尤其涉及一种基于贝叶斯小样本学习的表面缺陷检测方法。

背景技术

在现有的工业生产中，对产品进行表面缺陷检测成为保证产品质量的一个重要环节。目前，表面缺陷检测多以人工为主，但人眼分辨速度有限，易受主观因素影响，易发生误检，错检等问题。以先进的机器视觉技术代替人工检测缺陷，是提高生产效率、减少劳动力、降低人工劳动强度和保证产品质量的重要措施。但目前很多训练学习检测方法都需要大量的缺陷训练样本，而在实际的生产当中，大量的缺陷样本获取困难。

目前国内外进行表面缺陷检测的训练学习算法多是如下两种：

一.SVM作为比较成熟的分类训练学习算法已经在越来越多的领域得到应用。通过国内外学者的不断完善，SVM在表面缺陷检测中也能达到较高的准确率。但是，基于SVM检测表面缺陷的应用中，一般需要数十幅以上的训练样本，但在现实生产中，却时常难以满足。

二.CNN作为目前研究火热的训练学习算法，也应用到了表面缺陷检测领域，且达到了很高检测准确率。但是这种方法的缺点也较明显，也需要大量的训练样本，而在实际生产过程当中，产品缺陷样本却难以获取。

发明内容

为解决上述问题，本发明提供了一种基于贝叶斯小样本学习的表面缺陷检测方法，该方法利用贝叶斯算法，依据被检物的梯度特征进行运算处理，提高了检测的性能和精确度，能够有效节省劳力、降低劳动强度、改善了工作效率且检测精度较高。

为了克服现有技术中的不足，本发明提供了一种基于贝叶斯小样本学习的表面缺陷检测方法的解决方案，具体如下：

一种基于贝叶斯小样本学习的表面缺陷检测方法，步骤如下:

步骤1：首先采用线阵工业相机对工业生产中的被检物进行图像采集；

步骤2：将采集的被检物图像从RGB颜色空间转成单通道的灰度图像；

步骤3：将被检物图像进行滑窗滤波将被检物图像中的噪声点去除；

步骤4：用sobel算子对被检物图像中的缺陷进行增强处理；

步骤5：在被检物图像中选取经过增强的正常的训练样本和有缺陷的训练样本各一幅作为待训练样本，并计算出它们的梯度特征并进行学习；

步骤6：计算待检测样本的梯度特征，依据学习得到的梯度特征分别求取其属于完好样本和存在缺陷样本的先验概率；

步骤7：通过贝叶斯算法将待测样本的先验概率和样本的总体分布相结合来求取待测样本属于完好样本和存在缺陷样本的后验概率；

步骤8：比较待测样本属于完好样本和存在缺陷样本的后验概率大小，后验概率更大的那一类即为待测样本所属的类。

所述步骤1中的线阵工业相机在进行图像采集时，在线阵工业相机下方且平行于镜头的位置放置着线型光源。

所述步骤3中的滑窗滤波为最小值滑窗滤波。

所述步骤5和步骤6中的梯度特征计算方法如下：