CN114166849A - 一种湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法 - Google Patents

Abstract

本发明涉及湿度传感器缺陷检测领域，具体涉及一种湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法，该发明通过采集湿度传感器清晰图像，图像经过阈值分割、形态学处理、边缘检测、倾斜矫正、ROI区域提取、累计直方图、小波变换等处理，然后提取处理后的图像特征数据分别训练BP神经网络和fisher线性分类器建立新的分类器，BP神经网络分类器对湿度传感器印刷碳线缺陷和缺角分类，fisher线性分类器对湿度传感器感湿膜缺陷进行分类。本发明能够快速、检测精度高、稳定的检测湿度传感器陶瓷基片印刷碳线缺陷和高分子感湿薄膜成膜缺陷并进行分类。

Description

一种湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法

技术领域

本发明涉及湿度传感器缺陷检测领域，具体涉及一种湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法。

背景技术

湿度传感器是用于测试空气中水分含量的常用工具，在生活中被广泛应用于各行各业，其中高分子电阻型湿度传感器是目前应用最广泛的湿度传感器之一。在湿度传感器的生产制造中，由于碳线线路是在一整块陶瓷基片上对多个湿度传感器基片统一进行印刷，所以需要将印刷有碳线的陶瓷基片进行切割，然后是对陶瓷片进行清洗并将引脚焊接在焊盘上，后面是采用高分子溶液对湿度传感器陶瓷片进行浸涂处理并进行烘干，形成高分子感湿薄膜。

在电阻型高分子湿度传感器的生产过程中，由于原材料的不均匀，生产车间温湿度的差异等原因会造成产品存在陶瓷基片上的印刷碳线存在短路、断路等情况，在生产的切割过程中，由于陶瓷基片硬而较脆，有可能会出现断裂缺角的情况。在陶瓷基片浸涂高分子溶液并烘干形成高分子感湿薄膜之后，由于溶液、环境等原因会出现高分子薄膜缺失或过度浸涂的情况，需要对产品进行检测。目前，在高分子湿度传感器的生产中对印刷线路和高分子膜成膜缺陷的检测主要有两个方面，一是性能检测，需要检验传感器的电气特性，这种方法比较耗时，二则是外观检测，依靠工人对生产线下来的产品进行外观检查来判断其是否存在缺陷。而这种人工检测存在很大的局限性，不仅效率低，检测精度和良品率也不高。

发明内容

本发明目的公开一种湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法，实现对高分子湿度传感器的印刷线路和高分子膜成膜缺陷的快速检测。该方法检测精度高，且能够提高生产效率和良品率。

为解决上述问题，本发明采用技术方案如下：

一种湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法，包括陶瓷基片印刷碳线缺陷检测和高分子感湿薄膜成膜缺陷检测，其特征在于：所述陶瓷基片印刷碳线缺陷检测包括如下步骤：

S1、陶瓷基片印刷碳线图像获取：通过摄像机获取湿度传感器的清晰图像；

S2、陶瓷基片印刷碳线图像处理：对S1中的图像进行阈值分割后再依次进行形态学处理、边缘检测、倾斜矫正、ROI区域提取；

S3、陶瓷基片印刷碳线特征提取：提取S2处理后的图像几何形状特征训练BP神经网络，建立分类器；

S4、陶瓷基片印刷碳线缺陷分类：分类器根据图像几何形状特征对印刷碳线缺陷分类；

所述高分子感湿薄膜成膜缺陷检测包括如下步骤：

S21、感湿膜图像获取：通过摄像机获取湿度传感器的清晰图像；

S22、感湿膜图像处理：对S21中的图像进行阈值分割再进行依次进行形态学处理、累计直方图、小波分解；

S23、感湿膜缺陷特征提取：提取S22处理后的图像特征数据训练fisher线性分类器，建立新的fisher线性分类器；

S24、感湿膜缺陷分类：新的fisher线性分类器对感湿膜缺陷分类。

所述步骤S1采用前向照明方式，所述步骤S21采用同轴照明方式，所述步骤S1和步骤S21获取的湿度传感器图像均采用黑色背景。

所述步骤S2中的阈值分割采用Otsu算法，通过阈值T将S1中的图像分割为湿度传感器图像和背景，其确定阈值T步骤如下：

1)计算输入图像的归一化直方图，设MxN图像的灰度范围为{0,1,2,…,L-1}，那么对应灰度值为i的像素出现的概率

其中，L为整数灰度级个数，n_i为灰度级i的像素总数；

2)设初始阈值T为最小灰度值g，将图像进行分割，计算出这两类的像素点数占图像比例W₁和W₂，以及前背景的平均灰度U₁和U₂；

3)计算整个图像的平均灰度U：

4)计算出类间方差σ_(k)：

σ_(k)＝W₁*(U₁-U)²+W₂*(U₂-U)²；

5)遍历图像中所有灰度值k，重复步骤2)到步骤4)，比较所有类间方差，当σ_(k)取得最大值时，k即为分割的最佳阈值，所述Otsu算法阈值分割后得到的湿度传感器图像为二值图。

所述步骤S2中采用边长为12的方形结构元进行开运算操作对阈值分割后的二值图进行形态学处理，并使用matlab函数E＝bwareaopen(E,n)去除湿度传感器图像中的碳线区域，所述边缘检测采用Canny算法提取形态学处理后图像中的湿度传感器的轮廓，所述倾斜矫正采用基于Radon变换和仿射变换的算法对湿度传感器图像角度和畸变的矫正。

所述Canny边缘检测算子提取湿度传感器轮廓，基本步骤如下：

6)高斯滤波，

7)计算梯度图像和角度图像，

8)非极大值抑制，

9)双阈值进行边缘连接。

所述Radon变换通过提取的湿度传感器轮廓找到靠近水平方向的直线，得到倾斜角度，接着对湿度传感器图像进行水平矫正；再通过仿射变换的水平方向的偏移变换对湿度传感器图形进行竖直方向的矫正；

所述仿射变换的水平方向的偏移变换，变换矩阵为：

其中Sh表示靠近竖直方向直线与水平方向直线夹角的正切值，通过Radon变换可得到该角。

所述ROI区域提取具体步骤为：

10)纵向截取，计算矫正后湿度传感器图像中每一列的像素累加值，得到统计直方图，然后通过算法自动选取边界值对湿度传感器图像进行截取；

11)横向截取，将纵向截取得到的图像做一个90度的旋转变换，再计算图像中每一列的像素累加值，得到统计直方图，通过算法自动选取边界值对湿度传感器图像进行截取，再做一个-90度的旋转变换，得到完整的湿度传感器图像。

所述陶瓷基片印刷碳线缺陷检测中对缺角缺陷通过提取图像形状复杂度训练BP神经网络建立分类器分类。

所述步骤S22中的小波分解采用db8基函数对累计直方图曲线进行图像降噪处理得到近似分量累计直方图。

提取近似分量累计直方图的特征数据训练fisher线性分类器,确定确定投影向量w^*和阈值权w₀建立新的Fisher线性分类器，其步骤如下：

12)求类内离散度矩阵S_i

其中m_i表示类均值向量；

类内总离散度矩阵S_w

S_w＝S₁+S₂

13)求类间离散度矩阵S_b

S_b＝(m₁-m₂)(m₁-m₂)^T

14)确定投影向量w^*

为保证投影后的类间差异最大，准则函数的定义为：

w^T表示垂直于超平面的法向量，w为投影方向；

为使上式最大，则投影方向为：

15)确定阈值权w₀

其中

表示投影后的两类均值；

Fisher线性判别函数一般表达式为

g(x)＝w^Tx+w₀

式中x表示d维的特征向量，w^T表示垂直于超平面的法向量，w₀是一个常数，也称为阈值权。

有益效果：

1.本发明对印刷碳线检测分类采用前向照明方式突出湿度传感器表面上的印刷碳线进而获取图像，图像依次进行阈值分割、形态学处理、边缘检测、倾斜矫正、ROI区域提取处理有效的突出湿度传感器图像的几何形状特征，提高了对印刷碳线检测精度，且BP神经网络具有较好的容错率和自适应能力，在面对复杂的图像仍能对印刷碳线缺陷准确分类。

2.在对高分子感湿膜缺陷检测时，对累计直方图曲线进行3次小波分解对图像降噪处理，突出不同高分子感湿膜缺陷图像的特征，有利于fisher线性分类器对缺陷分类，提高对高分子感湿膜缺陷检测精度。

3.缺角检测不与其他缺陷一起参与建立分类器，而是通过提取阈值分割二值化和形态学处理之后得到的图像的形状复杂度来实现分类，不需要对缺角图像进行后续处理如倾斜矫正等处理，进而简化算法，减少检测运行时间，提高检测效率。同时本发明检测过程稳定且无需人工参与，提高了湿度传感器生产效率和良品率，降低企业生产成本。

附图说明

图1为湿度传感器陶瓷基片印刷线路缺陷检测方法流程框图。

图2为湿度传感器高分子感湿薄膜成膜缺陷检测方法流程框图。

图3为湿度传感器陶瓷基片印刷线路缺陷图，从左到右依次为正常、断路、短路、大面积短路。

图4为形态学处理前后示意图，左是处理前，右是处理后。

图5为去除碳线前后的图像，左图为去除碳线区域前，右图为去除碳线区域后。

图6为Canny算子提取的湿度传感器轮廓示意图。

图7为基于Radon变换和仿射变换的倾斜矫正算法处理流程。

图8为湿度传感器图像水平矫正示意图。

图9为湿度传感器图像竖直矫正示意图。

图10为ROI区域提取湿度传感器前后示意图，左为提取前，右为提取后。

图11为湿度传感器图像最终处理效果图。

图12为BP神经网络分类识别算法流程图。

图13为BP神经网络结构示意图。

图14为缺角图像与非缺角图像示意图。

图15为缺角图像与非缺角图像分类流程示意图。

图16为高分子薄膜图像及其累计直方图。

图17从左到右依次为高分子薄膜涂层过大、正常、涂层残缺图像及其近似分量累计直方图。

图18为BP神经网络测试结果。

具体实施方式

本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，一种湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法，包括陶瓷基片印刷碳线缺陷检测和高分子感湿薄膜成膜缺陷检测，所述陶瓷基片印刷碳线缺陷检测包括如下步骤：

S1、陶瓷基片印刷碳线图像获取：使用黑色背景以及使用寿命长、响应速度快的LED光源，通过LED光源和相机位于被拍物体的同侧的前向照明方式，进而通过摄像机获取湿度传感器表面清晰图像。

前向照明方式能够有效的突出湿度传感器表面印刷碳线轮廓。

S2、陶瓷基片印刷碳线图像处理：对S1中的图像先采用Otsu(大津法)阈值分割算法，通过算法得到一个阈值T，将图像分割为湿度传感器图像和背景图像两个部分，其确定阈值T的算法步骤具体如下：

1)计算输入图像的归一化直方图，设MxN图像的灰度范围为{0,1,2,…,L-1}，那么对应灰度值为i的像素出现的概率Pi：

其中，L为整数灰度级个数，n_i为灰度级i的像素总数。

2)设初始阈值T为最小灰度值g，将图像进行分割，计算出这两类的像素点数占图像比例W₁和W₂，以及前背景的平均灰度U₁和U₂

3)计算整个图像的平均灰度U：

其中U₁和U₂为前背景的平均灰度，W₁和W₂为像素点数占图像比例。

4)计算出类间方差σ_(k)：

σ_(k)＝W₁*(U₁-U)²+W₂*(U₂-U)²

5)遍历图像中所有灰度值k，重复步骤2)到步骤4)，比较所有类间方差，当σ_(k)取得最大值时，k即为分割的最佳阈值。

具体的阈值分割后得到了湿度传感器图像为二值图。

如图4所示，形态学处理：通过边长为12的方形结构元进行开运算操作的形态学处理削弱湿度传感器图像边界边缘的锯齿状，变得较为平滑。

长为12的方形结构元进行开运算操作在平滑边界的同时对面积影响小。

在下一步边缘检测提取轮廓时，并不需要用到印刷碳线图像，所以提前将其去除，只留下最外面的湿度传感器图像边框，使用matlab自带的函数E＝bwareaopen(E,n)；即可实现，处理结果如图5所示。

边缘检测：通过Canny边缘检测算子提取湿度传感器轮廓，基本步骤如下：

6)高斯滤波，

7)计算梯度图像和角度图像，

8)非极大值抑制，

9)双阈值进行边缘连接。

Canny边缘提取算子能很好地提取如图6所示湿度传感器的轮廓。

如图7-9所示，倾斜矫正：提取的湿度传感器轮廓图像，利用Radon变换找到靠近水平方向的直线，得到倾斜角度，接着对图像进行旋转进行水平方向的矫正，旋转后的图像是平行四边形，

再通过仿射变换将湿度传感器图形进行竖直方向的矫正，其矫正为矩形图像。

仿射变换中的水平方向的偏移变换，变换矩阵为：

其中Sh为靠近竖直方向直线与水平方向直线夹角的正切值。

采用Radon变换和仿射变换的倾斜矫正算法能够减少程序运行时间，进而加快了缺陷检测方法的运行速度。

如图10所示，ROI区域提取：湿度传感器图像在矩形图像中占比较小，对倾斜矫正处理后的矩形图像先是纵向截取，计算图像中每一列的像素累加值，可以达到一个统计直方图，通过算法自动选取边界值对图像进行截取。

再通过横向截取，将纵向截取得到的图像做一个90度的旋转变换，再执行和纵向截取同样的算法，最后再做一个-90度的旋转变换，将矩形图像中的湿度传感器图像提取出来。

提取的湿度传感器图像对四周进行简单的填充即可消除四周黑色区域，得到如图11所示碳线缺陷检测图像最终处理效果图。

具体步骤为，求取图像的尺寸，对图像的从左上角第一个像素点，横向截止到第15个像素点，从上到下扫描每一行15个像素点的值，若为0，则赋予新值1，去除左侧黑色区域，以此类推即可对去除图像四周黑色区域。经过去除四周的黑色区域，并对图像做一个非处理得到碳线缺陷检测图像最终处理效果图。

如图12所示，S3、陶瓷基片印刷碳线特征提取：提取湿度传感器图像连通域数量、面积、平均面积、周长、形状复杂度几何特征输入训练BP神经网络建立分类器。

缺陷图像的连通域数量N

提取特征的缺陷图像中，断路缺陷图像，其连通域数量为3，而对于短路缺陷图像，其连通域数量为1。

缺陷图像的面积S

其中，D表示缺陷区域，I(x,y)表示经过分割后的缺陷图像，由于该图像经过了二值化，所以缺陷区域的像素点的数值为1，背景区域像素点的值为0，通过求和可以得到缺陷图像的面积。

缺陷图像的平均面积MS：

MS＝S/N

其中S为面积，N为连通域数量。

缺陷图像的轮廓周长L：

M,N表示并列或倾斜连接的轮廓的像素点数目。

缺陷图像的形状复杂度F：

F＝L²/S L

L轮廓周长，S缺陷区域的面积。

S4、陶瓷基片印刷碳线缺陷分类：分类器根据图像几何形状特征数据对湿度传感器图像的印刷碳线正常、断路、短路、大面积短路分类。

如图13所示，具体BP神经网络参数设置，输出层节点数为4，隐含层设置1层，隐含层节点数为4，BP神经网络具有较好的容错率和自适应能力，同时对缺陷识别精度高。

如图14-15所示，湿度传感器缺角缺陷并未与印刷碳线正常、断路、短路、大面积短路一起建立分类器，通过提取正常湿度传感器正常和缺角图像的形状复杂度特征输入训练BP神经网络建立分类器，实现正常、断路、短路、大面积短路与缺角的湿度传感器分类，不需要对缺角图像进行后续处理如倾斜矫正等处理，简化了算法，减少程序运行时间，进而加快识别速度。

以下为正常和缺角两种图像形状复杂度F的统计数据：

缺角图像形状复杂度

非缺角图像形状复杂度

具体地，当形状复杂度F>60时为缺角缺陷，反之为正常、短路、断路、大面积短路其中一种。

高分子感湿薄膜成膜缺陷检测包括如下步骤：

S21、感湿膜图像获取：使用黑色背景和LED光源，采用同轴照明方式和分光镜设计，摄像机获取湿度传感器的清晰图像；

采用同轴照明方式和分光镜设计能够有效的检测湿度传感器表面上反射率高的高分子感湿薄膜。

S22、感湿膜图像处理：S21中获取的图像的灰度直方图中灰度主要分布在四个范围，最低灰度范围是黑色背景，次低灰度范围表示的是光圈区域，较高灰度范围为湿度传感器大部分区域，由于高分子薄膜具有反射率高的特点，剩下的最高灰度则表示高分子薄膜区域。利用这一特点，进行Otsu阈值分割，提取湿度传感器区域，再进行形态学处理去除湿度传感器图像中干扰区域图像得到包含陶瓷基片印刷碳线和高分子薄膜的湿度传感器图像，对图像中的湿度传感器边框构造一个矩形框，将矩形框范围内的图像从原始灰度图像中截取出来，最后提取灰度最高的区域，可得到图7所示的高分子薄膜图像。

S23、感湿膜缺陷特征提取：对步骤S22中高分子薄膜图将框内图像放大显示，并固定尺寸，图像经过处理之后为尺寸大小为700x700的二值图像，将其逆时针旋转90度，求每一列的累计直方图，累计直方图的曲线通过小波变换对曲线信号分解，进行图像降噪处理，增加图像特征提取精度，并选取第三次分解的低频分量a₃作为特征提取载体，得到如图16所示的高分子薄膜的近似分量累计直方图。

小波变换的原理和傅里叶变换的原理类似，只是把全局性基函数三角波函数替换成了小波基函数，

式中：a为尺度，τ平移量。

所述小波基函数采用db8基函数对图像分解得到近似分量累计直方图。

如图17所示，提取正常涂层和涂层残缺的高分子薄膜的近似分量累计直方图中的1到300范围内的峰值、峰值位置、累加值，三个特征训练Fisher线性分类器，建立新的Fisher线性分类器。

提取正常涂层和涂层过度的高分子薄膜近似分量累计直方图中1到100范围的峰值、峰值位置、累加值、从1开始第一个值超过5的横坐标，四个特征训练Fisher线性分类器，建立新的Fisher线性分类器。

通过提取的特征数据训练Fisher线性分类器，确定投影向量w_*和阈值权w₀，建立新的Fisher线性分类器，其步骤如下：

10)求类内离散度矩阵S_i

其中m_i表示类均值向量。

类内总离散度矩阵S_w

S_w＝S₁+S₂

11)求类间离散度矩阵S_b

S_b＝(m₁-m₂)(m₁-m₂)^T

12)确定投影向量w^*

为保证投影后的类间差异最大，准则函数的定义为：

w^T表示垂直于超平面的法向量，w为投影方向。

为使上式最大，则投影方向为：

13)确定阈值权w₀

其中

表示投影后的两类均值。

Fisher线性判别函数一般表达式为

g(x)＝w^Tx+w₀

式中x表示d维的特征向量，w^T表示垂直于超平面的法向量，w₀是一个常数，也称为阈值权。

S24、感湿膜缺陷分类：新的fisher线性分类器对感湿膜缺陷进行分类，具体的步骤如下：

14)将高分子薄膜图像分为训练样本集和测试样本集，

15)分别提取图像特征，并将样本图像特征数据保存在表格中，

16)使用训练样本集对分类器进行训练，确定投影向量和阈值权，

17)使用测试样本集对分类器进行测试，实现对高分子薄膜缺陷的分类。

具体实施例：

湿度传感器印刷碳线缺陷检测分类：本实施例选择720张陶瓷基片印刷碳线图像进行训练和测试，其中一部分来自相机拍摄所得图像，另一部分则是通过根据采集的样本和具体环境模拟生成的，通过BP神经网络实现对陶瓷基片印刷碳线缺陷图像的分类，将480张样本图像作为训练样本用于提取特征训练BP神经网络，其中480张样本图像中短路，断路，大面积短路，正常样本都是180张，剩下240张为测试样本用于测试该分类器，可得到如图18所示测试结果。

湿度传感器缺角缺陷检测分类：本实施例使用60张图像用于缺角检测，分成两组，其中20张缺角图像和20张非缺角图像用于训练分类器，寻找分类阈值，剩余10张缺角图像和10张非缺角图像用于测试，得到测试结果如下：

缺角检测测试结果

可看到分类器能准确识别该湿度传感器图像是否为湿度传感器缺角图像。

最终BP神经网络分类器测试分类印刷碳线缺陷和缺角缺陷准识别精度均为100％，同时BP神经网络具有较好的容错率和自适应能力，使得在应对复杂的湿度传感器图像仍能准确分类缺陷。

湿度传感器高分子感湿膜缺陷检测分类：本实施例采集了120张高分子薄膜图像进行训练和测试，其中一部分来自相机拍摄所得图像，另一部分则是通过根据采集的样本和具体环境模拟生成的。使用交叉验证法对分类器性能进行测试，将全部样本分成4等份，进行4倍交叉验证。测试结果如下表：

交叉验证法测试结果

由上表可知Fisher线性分类器识别湿度传感器高分子感湿膜缺陷分类达到96.67％的识别精度，识别效果良好。

本发明具有的有益效果：

1.本发明对印刷碳线检测分类采用前向照明方式突出湿度传感器表面上的印刷碳线进而获取图像，图像依次进行阈值分割、形态学处理、边缘检测、倾斜矫正、ROI区域提取处理有效的突出湿度传感器图像的几何形状特征，提高了检测精度，且BP神经网络具有较好的容错率和自适应能力，在面对复杂的图像仍能对印刷碳线缺陷准确分类。

2.在对高分子感湿膜缺陷检测时，对累计直方图曲线进行3次小波分解对图像降噪处理，突出不同高分子感湿膜缺陷图像的特征，有利于fisher线性分类器对缺陷分类，提高对高分子感湿膜缺陷检测精度。

3.缺角检测不与其他缺陷一起参与建立分类器，而是通过提取阈值分割二值化和形态学处理之后得到的图像的形状复杂度来实现分类，不需要对缺角图像进行后续处理如倾斜矫正等处理，进而简化算法，减少运行时间，提高检测速度和效率。同时本发明检测过程稳定且无需人工参与，提高了湿度传感器生产效率和良品率，降低企业生产成本。

以上所述仅为本发明的优选并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变形在内。

Claims (10)

1.一种湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法，包括陶瓷基片印刷碳线缺陷检测和高分子感湿薄膜成膜缺陷检测，其特征在于：所述陶瓷基片印刷碳线缺陷检测包括如下步骤：

S1、陶瓷基片印刷碳线图像获取：通过摄像机获取湿度传感器的清晰图像；

S2、陶瓷基片印刷碳线图像处理：对S1中的图像进行阈值分割后再依次进行形态学处理、边缘检测、倾斜矫正、ROI区域提取；

S3、陶瓷基片印刷碳线特征提取：提取S2处理后图像的几何形状特征训练BP神经网络，建立分类器；

S4、陶瓷基片印刷碳线缺陷分类：分类器根据图像几何形状特征对印刷碳线缺陷分类；

所述高分子感湿薄膜成膜缺陷检测包括如下步骤：

S21、感湿膜图像获取：通过摄像机获取湿度传感器的清晰图像；

S22、感湿膜图像处理：对S21中的图像进行阈值分割再进行依次进行形态学处理、累计直方图、小波分解；

S23、感湿膜缺陷特征提取：提取S22处理后的图像特征数据训练fisher线性分类器，建立新的fisher线性分类器；

S24、感湿膜缺陷分类：新的fisher线性分类器对感湿膜缺陷分类。

2.根据权利要求1所述的湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法，其特征在于：所述步骤S1采用前向照明方式，所述步骤S21采用同轴照明方式，所述步骤S1和步骤S21获取的湿度传感器图像均采用黑色背景。

3.根据权利要求1所述的湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法，其特征在于：所述步骤S2中的阈值分割采用Otsu算法，通过阈值T将S1中的图像分割为湿度传感器图像和背景，其确定阈值T步骤如下：

1)计算输入图像的归一化直方图，设MxN图像的灰度范围为{0,1,2,…,L-1}，那么对应灰度值为i的像素出现的概率

其中，L为整数灰度级个数，n_i为灰度级i的像素总数；

2)设初始阈值T为最小灰度值g，将图像进行分割，计算出这两类的像素点数占图像比例W₁和W₂，以及前背景的平均灰度U₁和U₂；

3)计算整个图像的平均灰度U：

4)计算出类间方差σ_(k)：

σ_(k)＝W₁*(U₁-U)²+W₂*(U₂-U)²；

5)遍历图像中所有灰度值k，重复步骤2)到步骤4)，比较所有类间方差，当σ_(k)取得最大值时，k即为分割的最佳阈值，所述Otsu算法阈值分割后得到的湿度传感器图像为二值图。

4.根据权利要求1所述的湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法，其特征在于：所述步骤S2中采用边长为12的方形结构元进行开运算操作对阈值分割后的二值图进行形态学处理，并使用matlab函数E＝bwareaopen(E,n)去除湿度传感器图像中的碳线区域，所述边缘检测采用Canny算法提取形态学处理后图像中的湿度传感器的轮廓，所述倾斜矫正采用基于Radon变换和仿射变换的算法对湿度传感器图像角度和畸变的矫正。

5.根据权利要求4所述的湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法，其特征在于：所述Canny边缘检测算子提取湿度传感器轮廓，基本步骤如下：

6)高斯滤波，

7)计算梯度图像和角度图像，

8)非极大值抑制，

9)双阈值进行边缘连接。

6.根据权利要求4所述的湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法，其特征在于：所述Radon变换通过提取的湿度传感器轮廓找到靠近水平方向的直线，得到倾斜角度，接着对湿度传感器图像进行水平矫正；再通过仿射变换的水平方向的偏移变换对湿度传感器图形进行竖直方向的矫正；

所述仿射变换的水平方向的偏移变换，变换矩阵为：

其中Sh表示靠近竖直方向直线与水平方向直线夹角的正切值，通过Radon变换可得到该角。

7.根据权利要求1所述的湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法，其特征在于：所述ROI区域提取具体步骤为：

10)纵向截取，计算矫正后湿度传感器图像中每一列的像素累加值，得到统计直方图，然后通过算法自动选取边界值对湿度传感器图像进行截取；

11)横向截取，将纵向截取得到的图像做一个90度的旋转变换，再计算图像中每一列的像素累加值，得到统计直方图，通过算法自动选取边界值对湿度传感器图像进行截取，再做一个-90度的旋转变换，得到完整的湿度传感器图像。

8.根据权利要求1所述的湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法，其特征在于：所述陶瓷基片印刷碳线缺陷检测中对缺角缺陷通过提取图像形状复杂度训练BP神经网络建立分类器分类。

9.根据权利要求1所述的湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法，其特征在于：所述步骤S22中的小波分解采用db8基函数对累计直方图曲线进行图像降噪处理得到近似分量累计直方图。

10.根据权利要求9所述的湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法，其特征在于：提取近似分量累计直方图的特征数据训练fisher线性分类器,确定确定投影向量w^*和阈值权w₀建立新的Fisher线性分类器，其步骤如下：

12)求类内离散度矩阵S_i

其中m_i表示类均值向量；

类内总离散度矩阵S_w

S_w＝S₁+S₂

13)求类间离散度矩阵S_b

S_b＝(m₁-m₂)(m₁-m₂)^T

14)确定投影向量w^*

为保证投影后的类间差异最大，准则函数的定义为：

w^T表示垂直于超平面的法向量，w为投影方向；

为使上式最大，则投影方向为：

15)确定阈值权w₀

其中

表示投影后的两类均值；

Fisher线性判别函数一般表达式为

g(x)＝w^Tx+w₀

式中x表示d维的特征向量，w^T表示垂直于超平面的法向量，w₀是一个常数，也称为阈值权。

Images