[发明专利]一种表面缺陷检测方法

说明书

一种表面缺陷检测方法，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，本发明主要是针对在缺陷图像训练样本不够的情况下，采用Adaboost和DCNN融合的方式进行检测和分类，显著提高表面缺陷的识别精度，为复杂不规则物体表面缺陷检测提供依据。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种表面缺陷检测方法。

背景技术

机器视觉技术已经代替人眼深入到了社会的方方面面，彻底改变了人们的生活环境。机器视觉检测综合了机器视觉和自动化技术，广泛应用于制造行业的产品缺陷检测，例如产品的装配过程检测与定位、产品的包装检测、产品的外观质量检测、物流行业的货物分拣或水果分拣等，机器视觉能够代替人工快速、准确地完成各项工作。

本发明主要针对大型工件表面裂纹检测、飞机蒙皮缺陷检测、螺钉腐蚀表面检测等表面缺陷检测不易的问题，传统的人工检测方法在实际使用中具有很大的局限性。人工检测依赖于人的主观评价，受人的心情、思维以及照明灯主客观因素的影响而具有很大的不稳定性、不可靠性和非量化性。给产品的质量控制带来了很多不稳定和不可靠的因素。

申请号201910264717.X采用图像预处理和PixelNet网络对缺陷图像进行分割，未对缺陷表面进行缺陷识别；申请号201810820348.3把注意力模块引入卷积模块中，提高检测精度，但增加了训练难度，因此，本发明主要是针对在裂纹图像训练样本不够的情况下，提出了一种表面缺陷检测方法，有效的提高表面缺陷的识别精度，为复杂不规则物体表面裂纹检测提供依据。

发明内容

本发明的目的在于提供一种表面缺陷检测方法，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。

作为上述方案的进一步改进：

优选地，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。

优选地，对采集到的图像进行分割的步骤为：

S1由于目标表面缺陷一般较为明显，因此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。

优选地，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。

优选地，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。