CN105551051A - 一种连续带状多孔金属材料漏镀缺陷区域的定位方法 - 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区域的定位方法，包括训练分类器－测试－输出结果。训练分类器时，将有漏镀缺陷产品图像分块后，分成不包含漏镀缺陷的区域块和包含漏镀缺陷的区域块，并计算灰度均值、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，将构建好的特征向量输入分类器，完成训练。再将待测产品图像分块并提取灰度均值、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测试特征向量，输入SVM分类器输出识别结果。本发明针对多孔金属材料能在线自动定位其中的漏镀缺陷区域，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区域的定位方法

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定位方法，特别涉及一种连续带状多孔金属材料在生产过程中产生的漏镀缺陷区域的定位方法。

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定位方法，可实现在线自动无损识别，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区域的定位方法，包括训练分类器－测试－输出结果，训练分类器按以下步骤进行：

(I)向具有数据处理功能的设备中输入N≥300张已知包含有漏镀缺陷的彩色图像，将每一张图像分成大小为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组是完全不包含漏镀缺陷的区域块，D组是全部都包含漏镀缺陷的区域块；所述n为不小于64且不大于256的自然数；

(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(1)和公式(2)计算：

$\left\{\begin{array}{c}rgb=\mathrm{\α}R+\mathrm{\β}G+\mathrm{\χ}B\\ rbg=\mathrm{\α}R+\mathrm{\β}B+\mathrm{\χ}G\\ gbr=\mathrm{\α}G+\mathrm{\β}B+\mathrm{\χ}R\\ grb=\mathrm{\α}G+\mathrm{\β}R+\mathrm{\χ}B\\ bgr=\mathrm{\α}B+\mathrm{\β}G+\mathrm{\χ}R\\ brg=\mathrm{\α}B+\mathrm{\β}R+\mathrm{\χ}G\end{array}\right.---\left(1\right)$

FC＝[rgb,rbg,gbr,grb,bgr,brg](2)

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；

在完成训练后，采用相同的图像数据采集装置采集待测产品的图像，选取包含有漏镀缺陷的图像作为待定位漏镀区域图像，在具有数据处理功能的设备中，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(Ⅱ)分别计算每个区域块的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。

步骤(II)中的正样本特征向量如公式(3)：

FP_c＝[FC_C,μ_C,σ_C,R_(C,0°),R_(C,45°),R_(C,90°),R_(C,135°)](3)

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。

负样本特征向量如公式(4)：

FN_D＝[FC_D,μ_D,σ_D,R_(D,0°),R_(D,45°),R_(D,90°),R_(D,135°)](4)

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。

待定位漏镀区域图像的特征向量如公式(5)：

FN_x＝[FC_x,μ_x,σ_x,R_(x,0°),R_(x,45°),R_(x,90°),R_(x,135°)](5)

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。

实验发现，当选取的图像不小于1024×1024像素，n为64～256之间的自然数时，识别的准确率更高。

与现有技术相比，本发明针对多孔金属材料能在线自动定位其中的漏镀缺陷区域，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。

具体实施方式

实施例1

步骤一：采用分辨率为2448×2056的VieworksVH-4M高清相机，在同一光照条件下垂直拍摄350张人工检查出包含漏镀的泡沫镍图像(规格为厚度1.0mm，90PPI，面密度350g/m²)，拍摄距离为10cm。

步骤二：将步骤一拍得的彩色图像输入电脑设备，将每一张图像分成大小为200×200像素的区域块，大小不足n×n的区域块被剔除，将这些区域块分成C、D两组，其中C组是完全不包含漏镀的区域块，D组是全部包含漏镀的区域块。

步骤三：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(1)和公式(2)计算：

$\left\{\begin{array}{c}rgb=\mathrm{\α}R+\mathrm{\β}G+\mathrm{\χ}B\\ rbg=\mathrm{\α}R+\mathrm{\β}B+\mathrm{\χ}G\\ gbr=\mathrm{\α}G+\mathrm{\β}B+\mathrm{\χ}R\\ grb=\mathrm{\α}G+\mathrm{\β}R+\mathrm{\χ}B\\ bgr=\mathrm{\α}B+\mathrm{\β}G+\mathrm{\χ}R\\ brg=\mathrm{\α}B+\mathrm{\β}R+\mathrm{\χ}G\end{array}\right.---\left(1\right)$

FC＝[rgb,rbg,gbr,grb,bgr,brg](2)

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。将C组图像的上述特征向量按公式(3)构成正样本特征向量，

FP_c＝[FC_C,μ_C,σ_C,R_(C,0°),R_(C,45°),R_(C,90°),R_(C,135°)](3)

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。

将D组图像的上述特征向量按公式(4)构成负样本特征向量，

FN_D＝[FC_D,μ_D,σ_D,R_(D,0°),R_(D,45°),R_(D,90°),R_(D,135°)](4)

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。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，输入分类器，完成训练。

步骤四：在完成训练后，采用分辨率为2448×2056的VieworksVH-4M高清相机，拍摄距离为10cm，采集待测产品的图像，选取包含有漏镀缺陷存在的图像作为待定位漏镀区域图像，在已完成所述训练的电脑设备中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(5)构成待定位样本特征向量：

FN_x＝[FC_x,μ_x,σ_x,R_(x,0°),R_(x,45°),R_(x,90°),R_(x,135°)](5)

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。之后由已完成上述训练的分类器输出待定位图像中漏镀区域的识别结果。

Claims (4)

1.一种连续带状多孔金属材料漏镀缺陷区域的定位方法，包括训练分类器－测试－输出结果，其特征在于：按以下步骤训练分类器，

(Ⅰ)向具有数据处理功能的设备中输入N≥300张已知包含有漏镀缺陷的彩色图像，将它们分成大小为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组是完全不包含漏镀缺陷的区域块，D组是全部都包含漏镀缺陷的区域块；所述的n为不小于64且不大于256的自然数；

(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(1)和公式(2)计算：

$\left\{\begin{array}{c}rgb=\mathrm{\α}R+\mathrm{\β}G+\mathrm{\χ}B\\ rbg=\mathrm{\α}R+\mathrm{\β}B+\mathrm{\χ}G\\ gbr=\mathrm{\α}G+\mathrm{\β}B+\mathrm{\χ}R\\ grb=\mathrm{\α}G+\mathrm{\β}R+\mathrm{\χ}B\\ bgr=\mathrm{\α}B+\mathrm{\β}G+\mathrm{\χ}R\\ brg=\mathrm{\α}B+\mathrm{\β}R+\mathrm{\χ}G\end{array}\right.---\left(1\right)$

FC＝[rgb,rbg,gbr,grb,bgr,brg](2)

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；

在完成训练后，采用相同的图像数据采集装置采集待测产品的图像，选取包含有漏镀缺陷的图像作为待定位漏镀区域图像，在具有数据处理功能的设备中，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(Ⅱ)分别计算每个区域块的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，将计算得到的区域图像的以上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区域的定位方法，其特征在于：按公式(3)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°)](3)

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。

3.如权利要求1或2所述的连续带状多孔金属材料漏镀缺陷区域的定位方法，其特征在于：所述选取的图像不小于1024×1024像素。

4.如权利要求1或2所述的连续带状多孔金属材料漏镀缺陷区域的定位方法，其特征在于：所述n为64～256之间的自然数。