CN105427335A - 一种连续带状多孔金属材料漏镀缺陷的检测并定位的方法 - Google Patents

Abstract

本发明提供了一种连续带状多孔金属材料漏镀缺陷的检测并定位的方法，首先判定漏镀缺陷——判定后再定位漏镀缺陷的区域，每个过程均包括训练分类器－测试－输出结果，判定漏镀缺陷时，采用产品图像的灰度均值、方差、同质值及45°和135°两个方向上的惯性矩作为特征向量，而定位漏镀缺陷时，则采用灰度均值、灰度方差、RGB联合向量以及在0°、45°、90°和135°四个方向上的相关性，构成特征向量。本发明针对多孔金属材料能在线自动检测并定位漏镀缺陷区域，不仅准确率高，可实现产品的无损检测，而且还可提高多孔金属材料产品的质量和合格率，降低生产成本，提高生产效率。

Description

一种连续带状多孔金属材料漏镀缺陷的检测并定位的方法

技术领域

本发明涉及一种多孔金属材料在生产过程中产生的一种缺陷区域的检测并定位的方法，特别涉及一种连续带状多孔金属材料生产过程中产生的漏镀缺陷区域的检测并定位的方法。

背景技术

多孔金属材料是一种由金属基体和大量孔隙组成的结构功能一体化的新型金属基复合材料。它因密度低、表面积大而具有独特的优势，在高新技术领域得到了广泛的应用。但在连续化的工业生产过程中，产品的漏镀缺陷(即未镀覆金属)严重影响产品质量。目前判定及定位材料中有这种缺陷的方法一般是在光线充足条件下，用人工目测法。这种方法效率低、准确度差、成本高，严重依赖操作员工的经验，与连续化生产不相适应。

发明内容

本发明旨在提供一种多孔金属材料漏镀缺陷区域的检测并定位缺陷区域的方法，可实现在线自动无损检测并定位，无需人工参与，准确率和效率都大大提高。本发明通过以下方案实现：

一种连续带状多孔金属材料漏镀缺陷的检测并定位的方法，首先判定漏镀缺陷；判定后再定位漏镀缺陷的区域；按以下步骤判定漏镀缺陷：

(1-I)使用相同的可采集图像数据装置，在相同的光照条件和相同拍摄距离条件下，拍摄同一规格的带状多孔金属产品图像，从拍摄的图像中选取N张正常产品图像和P张包含漏镀缺陷的产品图像，其中N≥500，P≥100，选取的图像大小相同，并输入至具有数据处理功能的设备中；

(1-II)采用所述具有数据处理功能的设备，计算每张图像的灰度均值、方差、同质值及45°和135°两个方向上的惯性矩共5个特征值；同质值通过公式(1)计算得到：

$H_{(d,\mathrm{\θ})}={\mathrm{\Σ}}_m{\mathrm{\Σ}}_n\frac{P_{(d,\mathrm{\θ})}(m,n)}{1+|m-n|}---\left(1\right)$

其中，d表示距离，θ表示角度，P_(d,θ)(m,n)表示距离为d、角度为θ的灰度共生矩阵的元素值；

(1-III)将正常产品图像按步骤(1-II)计算得到的5个特征值作为正样本特征向量FP_A:

FP_A＝[μ_A,σ_A,H_A(d,θ),I_A(45°)，I_A(135°)](2)

其中，μ_A为正常产品图像的灰度均值，σ_A为灰度方差，H_A(d,θ)为同质值，I_A(45°)为在45°方向上的惯性矩，I_A(135°)为在135°方向上的惯性矩；

将包含漏镀缺陷的产品图像按步骤(1-II)计算得到的5个特征值作为负样本特征向量FN_B:

FN_B＝[μ_B,σ_B,H_B(d,θ),I_B(45°),I_B(135°)](3)

其中，μ_B为包含漏镀缺陷的产品图像的灰度均值，σ_B为灰度方差，H_B(d,θ)为同质值，I_B(45°)为在45°方向上的惯性矩，I_B(135°)为在135°方向上的惯性矩；

(1-IV)分别对正样本特征向量和负样本特征向量给出不同的标识，输入具有数据处理功能的分类器，完成训练；

完成判定漏镀缺陷的分类器训练后，采用与训练分类器完全相同的图像数据采集条件实时采集待测产品的图像，图像大小也与训练分类器时选取的图像大小相同；按所述训练分类器的步骤(1-II)分别计算每张待测产品图像的灰度均值、方差、同质值及45°和135°两个方向上的惯性矩构成测试特征向量，并输入到已经训练好的分类器中进行测试，若测试结果为正样本类别时，该图像被判定为无漏镀缺陷产品图像，若测试结果为负样本类别时，该图像被判定为含漏镀缺陷产品图像。

按以下步骤定位漏镀缺陷的区域：

(2-Ⅰ)在具有数据处理功能的设备中将包含有漏镀缺陷的彩色图像分成大小为n×n的区域块，大小不足n×n的区域块被剔除，再将所分好的区域块分为C、D两组，其中C组的区域块是完全不包含漏镀缺陷的区域块，D组是全部包含漏镀缺陷的区域块；n为64～256的自然数；

(2-Ⅱ)采用所述具有数据处理功能的设备计算C、D两组每个区域块图像的RGB联合向量，再将C、D两组每个区域块图像转化为灰度图像，计算每个区域块图像的灰度均值、灰度方差以及在0°、45°、90°和135°四个方向上的相关性，将C、D两组区域块图像的上述特征分别构成正、负样本特征向量，并对正样本特征向量和负样本特征向量给出不同的标识，输入具有数据处理功能的分类器，完成训练；其中所述的RGB联合向量按公式(4)和公式(5)计算：

$\left\{\begin{array}{c}rgb=\mathrm{\α}R+\mathrm{\β}G+\mathrm{\χ}B\\ rbg=\mathrm{\α}R+\mathrm{\β}B+\mathrm{\χ}G\\ gbr=\mathrm{\α}G+\mathrm{\β}B+\mathrm{\χ}R\\ brb=\mathrm{\α}G+\mathrm{\β}R+\mathrm{\χ}B\\ bgr=\mathrm{\α}B+\mathrm{\β}G+\mathrm{\χ}R\\ brg=\mathrm{\α}B+\mathrm{\β}R+\mathrm{\χ}G\end{array}\right.---\left(4\right)$

FC＝[rgb,rbg,gbr,grb,bgr,brg](5)

其中，α、β和χ为比例系数，R是指所述彩色图像中红色通道的像素值，G是指所述彩色图像中绿色通道的像素值，B是指所述彩色图像中蓝色通道的像素值，FC为RGB联合向量；

在完成定位的分类器训练后，将已经判定被确认有漏镀缺陷存在的图像作为待定位漏镀区域的图像，将图像分成大小为n×n的区域块，大小不足n×n的区域块被剔除；按所述训练分类器的步骤(2-Ⅱ)分别计算每张图像的每个区域块的RGB联合向量、以及区域块图像转化为灰度图像后的灰度均值、灰度方差和在0°、45°、90°和135°四个方向上的相关性，将计算得到的区域块图像特征构成待定位漏镀区域图像的特征向量，将之输入已完成训练的定位分类器中，输出待定位漏镀区域图像中漏镀区域的识别结果。

实验发现，选取的图像大小不小于1024×1024像素，选取N≥1000，P≥300时，判定的准确率更高。

在定位漏镀缺陷区域的步骤中，按公式(6)构成所述正样本特征向量：

FP_c＝[FC_C,μ_C,σ_C,R_(C,0°),R_(C,45°),R_(C,90°),R_(C,135°)](6)

其中，FC_C是C组图像RGB联合向量，μ_C是C组图像转化为灰度图像后的灰度均值，σ_C是C组图像转化为灰度图像后的灰度方差，R_(C,0°)、R_(C,45°)、R_(C,90°)和R_(C,135°)是C组图像转化为灰度图像后在0°、45°、90°和135°四个方向上的相关性。

在定位漏镀缺陷区域的步骤中，按公式(7)构成所述负样本特征向量：

FN_D＝[FC_D,μ_D,σ_D,R_(D,0°),R_(D,45°),R_(D,90°),R_(D,135°)](7)

其中，FC_D是D组图像RGB联合向量，μ_D是D组图像转化为灰度图像后的灰度均值，σ_D是D组图像转化为灰度图像后的灰度方差，R_(D,0°)、R_(D,45°)、R_(D,90°)和R_(D,135°)是D组图像转化为灰度图像后在0°、45°、90°和135°四个方向上的相关性。

在定位漏镀缺陷区域的步骤中，按公式(8)构成所述测试特征向量：

FN_x＝[FC_x,μ_x,σ_x,R_(x,0°),R_(x,45°),R_(x,90°),R_(x,135°)](8)

其中，FCx是待定位漏镀区域图像的RGB联合向量，μ_x是待定位漏镀区域图像转化为灰度图像后的灰度均值，σ_x是待定位漏镀区域图像转化为灰度图像后的灰度方差，R_(x,0°)、R_(x,45°)、R_(x,90°)和R_(x,135°)是待定位漏镀区域图像转化为灰度图像后在0°、45°、90°和135°四个方向上的相关性。

与现有技术相比，本发明针对多孔金属材料能在线自动检测其中的漏镀缺陷，并且还能定位缺陷区域，不仅准确率高，可实现产品的无损检测，而且还可提高多孔金属材料产品的质量和合格率，降低生产成本，提高生产效率。

具体实施方式

实施例1

一种连续带状多孔金属镍材料漏镀缺陷的检测并定位缺陷区域的方法，首先判定漏镀缺陷；判定后再定位漏镀缺陷的区域。

按以下步骤判定漏镀缺陷：

(1-I)采用分辨率为2448×2056的VieworksVH-4M高清相机，在同一光照下垂直拍摄95PPI、面密度350克/平米、厚度1.0mm规格的带状多孔镍产品图像，从拍摄的图像中选取900张正常产品图像和350张包含漏镀缺陷的产品图像，选取图像的大小为1024×1024像素，全部输入电脑设备；

(1-II)在电脑设备中，计算每张图像的灰度均值、方差、同质值及45°和135°两个方向上的惯性矩共5个特征值；同质值通过公式(1)计算得到：

$H_{(d,\mathrm{\θ})}={\mathrm{\Σ}}_m{\mathrm{\Σ}}_n\frac{P_{(d,\mathrm{\θ})}(m,n)}{1+|m-n|}---\left(1\right)$

其中，d表示距离，θ表示角度，P_(d,θ)(m,n)表示距离为d、角度为θ的灰度共生矩阵的每个元素值；

(1-III)将正常产品图像按步骤(II)计算得到的5个特征值作为正样本特征向量FP_A:

FP_A＝[μ_A,σ_A,H_A(d,θ),I_A(45°)，I_A(135°)](2)

其中，μ_A为正常产品图像的灰度均值，σ_A为灰度方差，H_A(d,θ)为同质值，I_A(45°)为在45°方向上的惯性矩，I_A(135°)为在135°方向上的惯性矩；

将包含漏镀缺陷的产品图像按步骤(II)计算得到的5个特征值作为负样本特征向量FN_B:

FN_B＝[μ_B,σ_B,H_B(d,θ),I_B(45°),I_B(135°)](3)

其中，μ_B为包含漏镀缺陷的产品图像的灰度均值，σ_B为灰度方差，H_B(d,θ)为同质值，I_B(45°)为在45°方向上的惯性矩，I_B(135°)为在135°方向上的惯性矩；

(1-IV)分别对正样本特征向量和负样本特征向量给出不同的标识，使得所述具有数据处理功能的设备具有分类功能，完成训练，成为分类器；

(1-Ⅴ)完成分类器训练后，采用与训练分类器完全相同的数据图像采集条件实时采集待测产品的图像，图像大小也与训练分类器时选取图像的大小相同，即：1024×1024像素；按上述训练分类器的步骤(II)分别计算每张待测产品图像的灰度均值、方差、同质值及45°和135°两个方向上的惯性矩构成测试特征向量，并输入到训练好的SVM分类器中进行测试，若测试结果为正样本类别，该图像被判定为无漏镀缺陷产品图像，若测试结果为负样本类别，该图像被判定为含漏镀缺陷产品图像。

按以下步骤定位漏镀缺陷的区域：

(2-Ⅰ)在电脑设备中将350张包含漏镀缺陷的产品彩色图像分成大小为200×200的区域块，大小不足n×n的区域块被剔除，再将所分好的区域块分为C、D两组，其中C组的区域块是完全不包含漏镀缺陷的区域块，D组是全部包含漏镀缺陷的区域块；

(2-Ⅱ)采用电脑设备计算C、D两组每个区域块图像的RGB联合向量，再将C、D两组区域块图像转化为灰度图像，计算每个区域块图像的灰度均值、灰度方差、以及在0°、45°、90°和135°四个方向上的相关性，RGB联合向量按公式(4)和公式(5)计算：

$\left\{\begin{array}{c}rgb=\mathrm{\α}R+\mathrm{\β}G+\mathrm{\χ}B\\ rbg=\mathrm{\α}R+\mathrm{\β}B+\mathrm{\χ}G\\ gbr=\mathrm{\α}G+\mathrm{\β}B+\mathrm{\χ}R\\ brb=\mathrm{\α}G+\mathrm{\β}R+\mathrm{\χ}B\\ bgr=\mathrm{\α}B+\mathrm{\β}G+\mathrm{\χ}R\\ brg=\mathrm{\α}B+\mathrm{\β}R+\mathrm{\χ}G\end{array}\right.---\left(4\right)$

FC＝[rgb,rbg,gbr,grb,bgr,brg](5)

其中，α、β和χ为比例系数，R是指所述彩色图像中红色通道的像素值，G是指所述彩色图像中绿色通道的像素值，B是指所述彩色图像中蓝色通道的像素值，FC为RGB联合向量；

按公式(6)构成所述正样本特征向量：

FP_c＝[FC_C,μ_C,σ_C,R_(C,0°),R_(C,45°),R_(C,90°),R_(C,135°)](6)

其中，FC_C是C组图像RGB联合向量，μ_C是C组图像转化为灰度图像后的灰度均值，σ_C是C组图像转化为灰度图像后的灰度方差，R_(C,0°)、R_(C,45°)、R_(C,90°)和R_(C,135°)是C组图像转化为灰度图像后在0°、45°、90°和135°四个方向上的相关性。

按公式(7)构成所述负样本特征向量：

FN_D＝[FC_D,μ_D,σ_D,R_(D,0°),R_(D,45°),R_(D,90°),R_(D,135°)](7)

其中，FC_D是D组图像RGB联合向量，μ_D是D组图像转化为灰度图像后的灰度均值，σ_D是D组图像转化为灰度图像后的灰度方差，R_(D,0°)、R_(D,45°)、R_(D,90°)和R_(D,135°)是D组图像转化为灰度图像后在0°、45°、90°和135°四个方向上的相关性。

在完成上述定位的分类器训练后，将已经判定被确认有漏镀缺陷存在的图像作为待定位漏镀区域的图像，在已完成所述训练的分类器中，将每张待定位漏镀区域的图像分成大小为200×200的区域块，大小不足n×n的区域块被剔除；按所述训练分类器的步骤(2-Ⅱ)分别计算每张图像的每个区域块的RGB联合向量、以及区域块图像转化为灰度图像后的灰度均值、灰度方差和在0°、45°、90°和135°四个方向上的相关性，按公式(8)构成所述测试特征向量：

FN_x＝[FC_x,μ_x,σ_x,R_(x,0°),R_(x,45°),R_(x,90°),R_(x,135°)](8)

其中，FCx是待定位漏镀区域图像的RGB联合向量，μ_x是待定位漏镀区域图像转化为灰度图像后的灰度均值，σ_x是待定位漏镀区域图像转化为灰度图像后的灰度方差，R_(x,0°)、R_(x,45°)、R_(x,90°)和R_(x,135°)是待定位漏镀区域图像转化为灰度图像后在0°、45°、90°和135°四个方向上的相关性。

将测试特征向量输入已完成训练识别定位的分类器中，输出待定位漏镀区域图像中漏镀区域的定位结果。

Claims (6)

1.一种连续带状多孔金属材料漏镀缺陷的检测并定位的方法，首先判定漏镀缺陷；判定后再定位漏镀缺陷的区域；其特征在于：按以下步骤判定漏镀缺陷，

(1-I)使用相同的可采集图像数据装置，在相同的光照条件和相同拍摄距离条件下，拍摄同一规格的带状多孔金属产品图像，从拍摄的图像中选取N张正常产品图像和P张包含漏镀缺陷的产品图像，其中N≥500，P≥100，选取的图像大小相同，并输入至具有数据处理功能的设备中；

(1-II)采用所述具有数据处理功能的设备，计算每张图像的灰度均值、方差、同质值及45°和135°两个方向上的惯性矩共5个特征值；同质值通过公式(1)计算得到：

$H_{(d,\mathrm{\θ})}={\mathrm{\Σ}}_m{\mathrm{\Σ}}_n\frac{P_{(d,\mathrm{\θ})}(m,n)}{1+\left|m-n\right|}---\left(1\right)$

其中，d表示距离，θ表示角度，P_(d,θ)(m,n)表示距离为d、角度为θ的灰度共生矩阵的元素值；

(1-III)将正常产品图像按步骤(1-II)计算得到的5个特征值作为正样本特征向量FP_A:

FP_A＝[μ_A,σ_A,H_A(d,θ),I_A(45°)，I_A(135°)](2)

其中，μ_A为正常产品图像的灰度均值，σ_A为灰度方差，H_A(d,θ)为同质值，I_A(45°)为在45°方向上的惯性矩，I_A(135°)为在135°方向上的惯性矩；

将包含漏镀缺陷的产品图像按步骤(1-II)计算得到的5个特征值作为负样本特征向量FN_B:

FN_B＝[μ_B,σ_B,H_B(d,θ),I_B(45°),I_B(135°)](3)

其中，μ_B为包含漏镀缺陷的产品图像的灰度均值，σ_B为灰度方差，H_B(d,θ)为同质值，I_B(45°)为在45°方向上的惯性矩，I_B(135°)为在135°方向上的惯性矩；

(1-IV)分别对正样本特征向量和负样本特征向量给出不同的标识，输入具有数据处理功能的分类器，完成训练；

完成判定漏镀缺陷的分类器训练后，采用与训练分类器完全相同的图像数据采集条件实时采集待测产品的图像，图像大小也与训练分类器时选取的图像大小相同；按所述训练分类器的步骤(1-II)分别计算每张待测产品图像的灰度均值、方差、同质值及45°和135°两个方向上的惯性矩构成测试特征向量，并输入到已经训练好的分类器中进行测试，若测试结果为正样本类别时，该图像被判定为无漏镀缺陷产品图像，若测试结果为负样本类别时，该图像被判定为含漏镀缺陷产品图像；

按以下步骤定位漏镀缺陷的区域：

(2-Ⅰ)在具有数据处理功能的设备中将包含有漏镀缺陷的彩色图像分成大小为n×n的区域块，大小不足n×n的区域块被剔除，再将所分好的区域块分为C、D两组，其中C组的区域块是完全不包含漏镀缺陷的区域块，D组是全部包含漏镀缺陷的区域块；n为64～256的自然数；

(2-Ⅱ)采用所述具有数据处理功能的设备计算C、D两组每个区域块图像的RGB联合向量，再将C、D两组每个区域块图像转化为灰度图像，计算每个区域块图像的灰度均值、灰度方差以及在0°、45°、90°和135°四个方向上的相关性，将C、D两组区域块图像的上述特征分别构成正、负样本特征向量，并对正样本特征向量和负样本特征向量给出不同的标识，输入具有数据处理功能的分类器，完成训练；其中所述的RGB联合向量按公式(4)和公式(5)计算：

$\left\{\begin{array}{c}rgb=\mathrm{\α}R+\mathrm{\β}G+\mathrm{\χ}B\\ rbg=\mathrm{\α}R+\mathrm{\β}B+\mathrm{\χ}G\\ gbr=\mathrm{\α}G+\mathrm{\β}B+\mathrm{\χ}R\\ grb=\mathrm{\α}G+\mathrm{\β}R+\mathrm{\χ}B\\ bgr=\mathrm{\α}B+\mathrm{\β}G+\mathrm{\χ}R\\ brg=\mathrm{\α}B+\mathrm{\β}R+\mathrm{\χ}G\end{array}\right.---\left(4\right)$

FC＝[rgb,rbg,gbr,grb,bgr,brg](5)

其中，α、β和χ为比例系数，R是指所述彩色图像中红色通道的像素值，G是指所述彩色图像中绿色通道的像素值，B是指所述彩色图像中蓝色通道的像素值，FC为RGB联合向量；

在完成定位的分类器训练后，将已经判定被确认有漏镀缺陷存在的图像作为待定位漏镀区域的图像，将图像分成大小为n×n的区域块，大小不足n×n的区域块被剔除；按所述训练分类器的步骤(2-Ⅱ)分别计算每张图像每个区域块的RGB联合向量，以及区域块图像转化为灰度图像后的灰度均值、灰度方差和在0°、45°、90°和135°四个方向上的相关性，将计算得到的区域块图像特征构成待定位漏镀区域图像的特征向量，将之输入已完成训练的定位分类器中，输出待定位漏镀区域图像中漏镀区域的识别结果。

2.如权利要求1所述的连续带状多孔金属材料漏镀缺陷的检测并定位的方法，选取的图像大小不小于1024×1024像素。

3.如权利要求1所述的连续带状多孔金属材料漏镀缺陷的检测并定位的方法，其特征在于：所述选取N≥500，P≥100。

4.如权利要求1～3之一所述的连续带状多孔金属材料漏镀缺陷的检测并定位的方法，其特征在于：在所述的步骤(2-Ⅱ)中，按公式(6)构成所述正样本特征向量，

FP_c＝[FC_C,μ_C,σ_C,R_(C,0°),R_(C,45°),R_(C,90°),R_(C,135°)](6)

其中，FC_C是C组图像RGB联合向量，μ_C是C组图像转化为灰度图像后的灰度均值，σ_C是C组图像转化为灰度图像后的灰度方差，R_(C,0°)、R_(C,45°)、R_(C,90°)和R_(C,135°)是C组图像转化为灰度图像后在0°、45°、90°和135°四个方向上的相关性。

5.如权利要求4所述的连续带状多孔金属材料漏镀缺陷的检测并定位的方法，其特征在于：在所述的步骤(2-Ⅱ)中，按公式(7)构成所述负样本特征向量，

FN_D＝[FC_D,μ_D,σ_D,R_(D,0°),R_(D,45°),R_(D,90°),R_(D,135°)](7)

其中，FC_D是D组图像RGB联合向量，μ_D是D组图像转化为灰度图像后的灰度均值，σ_D是D组图像转化为灰度图像后的灰度方差，R_(D,0°)、R_(D,45°)、R_(D,90°)和R_(D,135°)是D组图像转化为灰度图像后在0°、45°、90°和135°四个方向上的相关性。

6.如权利要求5所述的连续带状多孔金属材料漏镀缺陷的检测并定位的方法，其特征在于：在所述的完成定位的分类器训练后，按公式(8)构成所述测试特征向量，

FN_x＝[FC_x,μ_x,σ_x,R_(x,0°),R_(x,45°),R_(x,90°),R_(x,135°)](8)

其中，FCx是待定位漏镀区域图像的RGB联合向量，μ_x是待定位漏镀区域图像转化为灰度图像后的灰度均值，σ_x是待定位漏镀区域图像转化为灰度图像后的灰度方差，R_(x,0°)、R_(x,45°)、R_(x,90°)和R_(x,135°)是待定位漏镀区域图像转化为灰度图像后在0°、45°、90°和135°四个方向上的相关性。