[发明专利]基于无监督学习的缺陷检测系统及方法

权利要求书

1.一种基于无监督学习的缺陷检测系统，其特征在于，包括：

基于PCA滤波卷积的特征提取单元，用于对待处理图像的纹理特征进行提取；其包括级联在一起的至少两层PCA滤波卷积层和位于最后一层PCA滤波卷积层后的自适应特征融合模块；PCA滤波卷积层由一个以上的PCA滤波器构成，前一层PCA滤波卷积层的各PCA滤波器输出分别作为后一层PCA滤波卷积层各PCA滤波器的输入；自适应特征融合模块用于将最后一层PCA滤波卷积层输出的各特征图像进行融合；

图像强度分布处理单元，用于获取融合后图像的灰度强度分布图，并依据灰度强度分布图，将融合图像中低于灰度阈值的图像块作为背景区域，不低于灰度阈值的图像块的灰度值进行重置作为缺陷区域，将融合图像划分出缺陷区域和背景区域；

缺陷提取单元，用于通过距离变换获得检测缺陷结果。

2.根据权利要求1所述基于无监督学习的缺陷检测系统，其特征在于，所述基于PCA滤波卷积的特征提取单元中，对于任一PCA滤波卷积层，设PCA滤波卷积层的卷积核大小为k×k，假设输入图像O的大小为W×H，收集经卷积核大小k×k卷积提取输入图像的所有图像块，即P₁，P₂，P₃，...，P_i，...∈R^kk，其中P_i表示第i个图像块，从每个图像块中去除均值获得

其中，并且是一个去均值后的图像块；是一个大小的新矩阵；那么的协方差矩阵∑表示为：

其中，c_ij表示和的协方差，因此得到了矩阵的主成分分量；

假设存在正交矩阵通过正交变换得到进而推断出通过最大化可以求取每个维度的方差之和；因此将问题转为求取：

s.t.AA^T＝I^n×n其中I^n×n是一个大小为n×n的单位矩阵；

根据拉格朗日乘子法，求解特征向量和特征值，并将特征值按照从大到小顺序排列，取前n个特征值对应的特征向量作为的前n维主特征向量因此PCA滤波器可以表达为：

其中，F_l表示第l个滤波器，mat_k，k(ν)表示将ν∈R^kk映射至矩阵l(·)代表的n维主特征向量；

利用n个PCA滤波器来获取输入图像的特征，得到各滤波器的输出为

O^l＝O*F_l，l＝1，2，...，n

其中，*表示卷积。

3.根据权利要求1或2所述基于无监督学习的缺陷检测系统，其特征在于，所述基于PCA滤波卷积的特征提取单元包括两层PCA滤波卷积层；每层PCA卷积层包括2～9个PCA滤波器。

4.根据权利要求1或2所述基于无监督学习的缺陷检测系统，其特征在于，所述自适应特征融合模块按照以下公式对最后一层PCA滤波卷积层的输出图像进行融合：

其中，O^m表示最后一层PCA滤波卷积层的第m张输出图像，w_m表示O^m的方差。

5.根据权利要求4所述基于无监督学习的缺陷检测系统，其特征在于，将融合后的图像Ω进一步归一化至[0,255]。

6.根据权利要求1所述基于无监督学习的缺陷检测系统，其特征在于，所述缺陷提取单元，首先将经图像强度分布处理单元处理后的融合图像进行二值化处理，即将图像强度分布处理单元得到的融合图像中缺陷区域像素点灰度值置1，背景区域像素点灰度值置0，得到二值化图像Z，再按照以下公式进行距离变换得到距离特征图：

其中，(x_p，y_p)表示前景像素p在二值化图像中的位置，(x_q，y_q)表示背景像素q在二值化图像中的位置。