CN103886332A

CN103886332A - 一种检测与识别金属网栅缺陷的方法

Info

Publication number: CN103886332A
Application number: CN201410131635.5A
Authority: CN
Inventors: 金鹏; 朱非甲; 林杰; 谭久彬
Original assignee: Harbin Institute of Technology
Current assignee: Harbin Institute of Technology
Priority date: 2014-04-02
Filing date: 2014-04-02
Publication date: 2014-06-25

Abstract

一种检测与识别金属网栅缺陷的方法属于模式识别技术领域；该方法首先得到金属网栅设计信息，再基于先验信息进行缺陷模拟，得到多组缺陷图样，然后提取缺陷图样的图像特征，建立缺陷特征库，训练支持向量机，得到金属网栅的缺陷分类器；对待检测金属网栅图像进行预处理和特征提取，并利用得到的缺陷分类器对金属网栅进行分类；本发明检测与识别金属网栅缺陷的方法，可以实时、自动检测金属网栅的缺陷。

Description

一种检测与识别金属网栅缺陷的方法

技术领域

一种检测与识别金属网栅缺陷的方法属于模式识别技术领域，具体涉及一种基于机器视觉的金属网栅缺陷检测与识别算法。

背景技术

随着电磁环境的日益复杂及光学技术的不断发展，金属网栅被更广泛地用于特殊光学系统的制备，如天线的反射器、光学耦合器、准光学系统分束器、电磁屏蔽器等。然而，受限于加工水平，得到的金属网栅往往与预期有一定误差，造成整个光学系统的性能下降。为了准确获知实际加工得到的金属网栅与预期的差距，需要对金属网栅样品进行严格检测。

目前金属网栅的检测主要依赖人工镜下观察，费时费力且对实验人员的经验和精力有较高依赖，水平不同的检测人员可能给出不同的结论。肉眼也难以发现金属网栅的细微变化，无法精确评估成品与设计值的差异。随着金属网栅的大批量生产，对其微结构的缺陷进行人工检测的方法已经不再适用。

为保证金属网栅的成品质量，需要对其进行缺陷的自动检测、辨识与表征。由于缺陷的随机性、多样性以及不规则性使得它无法像功能特征参数一样来精确计算。因此，金属网栅的产品检测需要一个自动化、高效、准确快速的样品缺陷检测系统，它可以快速进行样品缺陷检测、表征和分类，对样品质量进行评估，以满足随着精密光电仪器探测水平的不断提高而对金属网栅的精密加工提出的更高要求。然而，遗憾的是，还没有查阅到相关的金属网栅检测方法。

发明内容

为了解决上述问题，本发明设计了一种检测与识别金属网栅缺陷的方法，该方法可以实时、自动检测金属网栅的缺陷。

本发明的目的是这样实现的：

一种检测与识别金属网栅缺陷的方法，由以下步骤组成：

步骤a、解析GDS II文件，分析GDS II文件中的金属网栅结构，得到金属网栅设计信息；

步骤b、根据步骤a得到的金属网栅设计信息，基于先验信息进行缺陷模拟，得到多组缺陷图样；

步骤c、提取步骤b得到的缺陷图样的图像特征，建立缺陷特征库；

步骤d、用步骤c得到的缺陷特征库训练支持向量机，得到金属网栅的缺陷分类器；

步骤e、对待检测金属网栅图像进行预处理和特征提取；

步骤f、用步骤d得到的缺陷分类器对金属网栅进行分类。

上述检测与识别金属网栅缺陷的方法，步骤b所述的缺陷模拟，包括断线模拟、区域密闭模拟和划痕模拟。

所述的断线模拟，断线的步间隔角度为5°，长度从网栅单元周长的5%递增直至100%。

所述的区域密闭模拟，区域密闭的位置随机，面积以网栅单元面积的5%递增直至100%。

所述的划痕模拟，划痕的宽度以网栅线宽0.5倍递增直至达到网栅单元外接圆半径；长度由网栅单元周长的20%，逐像素贯穿至整个网栅区域，角度为-180°至180°，起始点随机。

上述检测与识别金属网栅缺陷的方法，步骤c所述的缺陷图样的图像特征，包括网栅面积、周长、拟合椭圆离心率、区域方向角和邻域重心偏移。

上述检测与识别金属网栅缺陷的方法，步骤d所述的训练支持向量机，是对金属网栅特征样本归一化，用PCA降维，并用3:1的训练样本测试样本，使用遗传算法进行参数寻优。

上述检测与识别金属网栅缺陷的方法，步骤e所述的预处理，包括以下两项工作：

第一、根据图像的灰度特征和CCD特性，使噪点最低，类间方差最大，去除孤立噪点和不完整的圆；

第二、通过形态学分析，将图像分为若干邻域，通过分析邻域特征，将图像分为背景和单独的金属网栅两部分。

上述检测与识别金属网栅缺陷的方法，步骤e所述的特征提取方法，以网栅面积、周长、拟合椭圆离心率、区域方向角和邻域重心偏移等作为待提取的特征。

有益效果：本发明检测与识别金属网栅缺陷的方法，首先得到金属网栅设计信息，再基于先验信息进行缺陷模拟，得到多组缺陷图样，然后提取缺陷图样的图像特征，建立缺陷特征库，训练支持向量机，得到金属网栅的缺陷分类器；对待检测金属网栅图像进行预处理和特征提取，并利用得到的缺陷分类器对金属网栅进行分类；这种方案设计，使得本发明检测与识别金属网栅缺陷的方法可以实时、自动检测金属网栅的缺陷。

附图说明

图1是本发明检测与识别金属网栅缺陷的方法流程图。

图2是具体实施例中图像库示意图。

图3是提取椭圆特征示意图。

具体实施方式

下面结合附图对本发明具体实施方式作进一步详细描述。

本实施例的检测与识别金属网栅缺陷的方法，流程图如图1所示。该方法由以下步骤组成：

金属网栅的设计文件通常为GDS II格式，该文件为二进制流式文件，由不同的小结构单元嵌套组成，解析该文件可以获得金属网栅的尺寸、形态、单元层次等信息，作为模拟网栅缺陷的基准；

解析GDS II文件，生成网栅基本单元及其相邻单元的二值化图像，加入不同程度的高斯噪声并保存为图像库，如图2所示；

其中，缺陷模拟，包括断线模拟、区域密闭模拟和划痕模拟；

所述的断线模拟，断线的步间隔角度为5°，长度从网栅单元周长的5%递增直至100%；

所述的区域密闭模拟，区域密闭的位置随机，面积以网栅单元面积的5%递增直至100%；

所述的划痕模拟，划痕的宽度以网栅线宽0.5倍递增直至达到网栅单元外接圆半径；长度由网栅单元周长的20%，逐像素贯穿至整个网栅区域，角度为-180°至180°，起始点随机；

受诸多条件限制，网栅制作中会出现过曝、残胶和刮擦等问题，对应着成品金属网栅的缺陷有断线、区域密闭和划痕。通过对大量网栅成品的分析，可以定量的模拟不同的缺陷；

步骤c、提取步骤b得到的缺陷图样的图像特征，建立缺陷特征库；其中，缺陷图样的图像特征，包括网栅面积、周长、拟合椭圆离心率、区域方向角和邻域重心偏移；

考虑到处理的实时性，选择面积、周长、拟合椭圆离心率、区域方向角和邻域重心偏移等作为特征，提取这些特征，形成特征库用来训练支持向量机；

这里以椭圆为例，其中拟合椭圆为围绕某个区域的最小外接椭圆，该椭圆长轴与X轴夹角为区域方向角，如图3所示，邻域重心偏移为某网栅单元邻域重心与标准相比的位移量；提取图像库a、b、c中的特征生成特征库A、B、C；

步骤d、用步骤c得到的缺陷特征库训练支持向量机，得到金属网栅的缺陷分类器；其中，训练支持向量机，是对金属网栅特征样本归一化，用PCA降维，并用3：1的训练样本测试样本，使用遗传算法进行参数寻优；

经过提取的特征库里包含了正常的样本和错误的样本，正确的样本标记为0；错误分为三类，分别标记为1，2，3，训练样本与测试样本（一帧画面）的比例约为3：1时，结果较好；

为了加快训练速度，先用PCA进行降维，对于结构简单的网栅，如矩形阵列，维数常可降低一倍，参数寻优使用遗传算法，当达到指定的进化代数或识别精度时，训练完成；

本实施例所采用的参数为：将归一化范围设定为[-1,1]，以消除尺度和角度的影响；

对数据进行主成分分析，以便降低训练维度，降维方法选择主成分分析（PCA），主成分百分比为95%；

以3:1训练样本测试样本训练支持向量机，使用遗传算法进行参数寻优。SVM分类目标函数为：

L = Σ_{i = 1}^{l} α_{i} - \frac{1}{2} Σ_{i, j = 1}^{l} y_{i} y_{j} α_{i} α_{j} K (x_{i}, x_{j}) - \frac{1}{2 C} (α \cdot α)

其中C为惩罚系数，α为拉格朗日系数，K(·)为核函数，这里使用径向基函数（RBF）：

K(x，z)＝exp(-||x|-z||²/σ2)

使用遗传算法确定C和σ的值，在计算每个个体的适应度之前，首先需要根据个体编码串调整训练集和测试集，然后用二维网格法对SVM进行多次建模和预测，直到SVM对当前测试集的分类准确率达到最大为止，得到最高分类准确率后，再计算适应度值：

f (X) = f (x_{1} x_{2} . . . x_{N}) = acc (X) - λ \frac{Σ_{i}^{N} x_{i}}{P}

这里设置进化代数为100，种群数量为20，参数搜索上限为100，精度为98%。

步骤e、对待检测金属网栅图像进行预处理和特征提取；

所述的预处理，包括以下两项工作：

第二、通过形态学分析，将图像分为若干邻域，通过分析邻域特征，将图像分为背景和单独的金属网栅两部分；

所述的特征提取方法，以网栅面积、周长、拟合椭圆离心率、区域方向角和邻域重心偏移等作为待提取的特征；

步骤f、用步骤d得到的缺陷分类器对金属网栅进行分类；

缺陷检测是利用训练好的支持向量机对样品图片进行检测和定位，获取的图像首先进行滤波、灰度拉伸和二值化以去掉噪音和背景，因为网栅图像是灰度图，这里二值化使用局部阈值法进行处理，为了提取特征，同时减少计算量，处理后的图像应用形态学方法进行细化，然后进行特征提取，通过训练好的支持向量机对提取的特征进行分类，从而检测缺陷。

Claims

1.一种检测与识别金属网栅缺陷的方法，其特征在于，由以下步骤组成：

步骤e、对待检测金属网栅图像进行预处理和特征提取；

步骤f、用步骤d得到的缺陷分类器对金属网栅进行分类。

2.根据权利要求1所述的检测与识别金属网栅缺陷的方法，其特征在于，步骤b所述的缺陷模拟，包括断线模拟、区域密闭模拟和划痕模拟。

3.根据权利要求2所述的检测与识别金属网栅缺陷的方法，其特征在于，所述的断线模拟，断线的步间隔角度为5°，长度从网栅单元周长的5%递增直至100%。

4.根据权利要求2所述的检测与识别金属网栅缺陷的方法，其特征在于，所述的区域密闭模拟，区域密闭的位置随机，面积以网栅单元面积的5%递增直至100%。

5.根据权利要求2所述的检测与识别金属网栅缺陷的方法，其特征在于，所述的划痕模拟，划痕的宽度以网栅线宽0.5倍递增直至达到网栅单元外接圆半径；长度由网栅单元周长的20%，逐像素贯穿至整个网栅区域，角度为-180°至180°，起始点随机。

6.根据权利要求1所述的检测与识别金属网栅缺陷的方法，其特征在于，步骤c所述的缺陷图样的图像特征，包括网栅面积、周长、拟合椭圆离心率、区域方向角和邻域重心偏移。

7.根据权利要求1所述的检测与识别金属网栅缺陷的方法，其特征在于，步骤d所述的训练支持向量机，是对金属网栅特征样本归一化，用PCA降维，并用3:1的训练样本测试样本，使用遗传算法进行参数寻优。

8.根据权利要求1所述的检测与识别金属网栅缺陷的方法，其特征在于，步骤e所述的预处理，包括以下两项工作：

9.根据权利要求1所述的检测与识别金属网栅缺陷的方法，其特征在于，步骤e所述的特征提取方法，以网栅面积、周长、拟合椭圆离心率、区域方向角和邻域重心偏移等作为待提取的特征。