[发明专利]一种基于局部PCA和BP神经网络的瓶口缺陷检测方法

摘要

本发明公开了一种基于局部PCA和BP神经网络的瓶口缺陷检测方法，通过利用高分辨率的工业相机获取瓶口图像，利用多幅图像相同区域内特征相似的特点，采用PCA对多幅图像相同局部范围进行特征降维处理，提取主成成分，对降维后PCA特征矩阵每一行分开进行归一化处理，得到归一化后的PCA特征矩阵，输入到BP神经网络中，获得训练好的BP神经网络；再利用待检测图像的主成成分特征输入BP神经网络进行检测，完全满足了高速高精度的要求。由于瓶口图像的相似性和瓶口在图像中相对位置变换不大的特点，该检测方法不需要对瓶口进行定位；采用基于BP神经网络和局部PCA的瓶口缺陷检测算法具有更高的精度，最高精度达到千分之一的误检率。

主权项

1.一种基于局部PCA和BP神经网络的瓶口缺陷检测方法，其特征在于，包括以下步骤：步骤1：构建多个样本瓶口图像集合；从已知有无瓶口缺陷的啤酒瓶瓶口图像中随机抽取多个大小相同的样本瓶口图像集合，每个样本瓶口图像集合中包含M个样本；步骤2：对样本瓶口图像集合中的每一张瓶口图像进行归一化处理；步骤3：构建样本瓶口图像集合中相同局部图像块的局部样本集合；按照设定的图像块大小F、水平步长以及垂直步长，按照从左至右，从上到下的顺序扫描归一化后的图像，依次提取局部图像块，以相同位置的局部图像块组建局部样本集合；获取每张瓶口图像有N个局部样本集合；步骤4：对局部样本集合进行PCA降维处理；将局部样本集合中每个局部样本均转化为一维行向量，获得局部样本集合的局部二维矩阵，并对局部二维矩阵进行PCA降维处理，获得局部样本集合PCA特征；步骤5：PCA特征融合；将样本瓶口图像集合中所有的局部样本集合PCA特征按照局部样本集合中局部样本在样本中的位置顺序进行拼合，得到样本瓶口图像集合PCA融合特征和每张瓶口图像的融合PCA特征；步骤6：以样本瓶口图像的PCA融合特征和对应的缺陷标记，训练BP神经网络模型；步骤7：将待检测的图像和随机抽取的M‑1个样本构建成一个样本瓶口图像，重复步骤2‑步骤5，获得待检测图像的融合PCA特征，并输入步骤6已训练好的BP神经网络模型，得到待检测图像的缺陷检测结果；对进行PCA降维处理后的二维矩阵进行归一化处理；所述PCA降维处理是指将二维矩阵降维处理为K列，K的取值为[4,23]。