[发明专利]一种表面缺陷检测方法

权利要求书

1.一种表面缺陷检测方法，其特征在于，通过摄像机采集缺陷处的图像；然后对采集到的图像进行分割，把分割后的子图像分别输入到DCNN网络和Adaboost网络中，通过DCNN网络和Adaboost网络分别输出DCNN特征和Adaboost特征，最后对其特征进行归一化融合并采用分类器对其进行分类，输出表面缺陷的类型和属于该类型的概率；对采集到的图像进行分割的步骤为：

S1首先采用边缘算子对图像进行预处理，检测疑似缺陷部分的边缘，其中边缘算子为Canny边缘检测、拉普拉斯算子、Prewitt算子和Sobel算子中的一种或多种；

S2然后对图像进行形态学操作，通过对像素的添加或减少从而扩大或减小图像中的边缘区域，形态学操作包括膨胀操作和腐蚀操作；

S3最后对图像进行分块处理，对图像采用外接矩形拟合的方式进行图像分块处理；Adaboost网络采用矩阵特征集Harr-Like作为弱分类器构成的强分类器，输入图像与每个Harr-Like弱分类器进行与运算，输入图像与128个Harr-Like弱分类器的运算获得128维的特征向量β；对于每一维，属于1有多种类型，如1为正常表面、裂纹表面，0为其它；由128维0，1向量就构成了特定的一类，通过训练形成正常表面β¹、裂纹表面β²、腐蚀表面β³和意外损失表面β⁴向量；待检测图像获取的特征向量为β，将β与βⁱ进行欧式距离计算，当阈值小于T_i时认为是i类；Harr-Like特征模板中的一个特征矩形由一个数组表示，一个特定的Harr-Like特征模板可以表示为：

其中x，y表示特征矩阵黑色区域左上顶点的坐标，w，h分别表示特征矩形的宽度和高度，为特征矩阵中的像素值在计算中所占的权重；

待检测图像与Harr-Like特征模板进行与运算，然后对处理后的图像进行积分操作，位于图像坐标(x,y)处的积分图像值I_int(x,y)等于原始图像中(x,y)左上角矩形内的所有像素的和，即构建Harr-Like弱分类器集的运算获得128维的特征向量β，

其中为对应Harr-Like特征模板的积分阈值；对其特征进行归一化融合并采用分类器对其进行分类，输出表面缺陷的类型和属于该类型的概率；首先对DCNN网络的特征向量α和Adaboost网络的特征向量β分别进行归一化为α'和β'，归一化后|α'|＝1和|β'|＝1，融合后的特征向量为C＝{α',β'}，然后对融合后的特征向量C进行分类，判断是哪种类型的缺陷以及对应缺陷的概率，采用支持向量机SVM或概率神经网络进行分类。

2.根据权利要求1所述的一种表面缺陷检测方法，其特征在于，所述摄像机固定在物体正上方，所述摄像机向下与垂直方向呈30°角。

3.根据权利要求1所述的一种表面缺陷检测方法，其特征在于，DCNN网络采用六层卷积网络结构；其中每层卷积网络结构均包括卷积核大小、卷积核个数、激活函数、池化层。

4.根据权利要求3所述的一种表面缺陷检测方法，其特征在于，所述卷积网络结构中各层的具体结构为：输入图像为128*48*1，第一层输出为124*44*32，第二层输出为62*22*32，第三层输出为58*18*32，第四层输出为29*9*32，第五层输出为27*7*32，第六层输出为13*3*32，最后采用全连接层输出128维特征向量α。

5.根据权利要求1-4任意一项所述的一种表面缺陷检测方法，其特征在于，在训练过程中，缺陷检测的训练样本不够时，对缺陷图像进行缩放、图像旋转和倾斜得到新的缺陷图形，每次测试完的样本当做训练集的样本以解决图像训练样本不够的情况。