專利名稱::基于視覺仿生的銅帶表面質(zhì)量智能檢測裝置及方法
技術(shù)領(lǐng)域:
:本發(fā)明涉及視覺仿生技術(shù)和金屬表面質(zhì)量檢測技術(shù),尤其涉及基于視覺仿生機(jī)理的銅帶表面質(zhì)量的檢測。
背景技術(shù):
:隨著銅在電氣、輕工、機(jī)械制造和建筑工業(yè)等領(lǐng)域的廣泛應(yīng)用,銅材料的質(zhì)量優(yōu)劣直接影響下游產(chǎn)品(如通信線纜、管材等)的質(zhì)量和性能,因此,如何解決銅帶表面質(zhì)量的高效、準(zhǔn)確檢測顯的至關(guān)重要。銅帶表面質(zhì)量檢測是一種簡單重復(fù)的、置信度低的工作。傳統(tǒng)的人工目視檢測和頻閃光檢測方法都存在實(shí)時(shí)性差、抽檢率低、檢測置信度低和檢測環(huán)境惡劣等弊端。目前的表面質(zhì)量檢測主要基于機(jī)器視覺。機(jī)器視覺是通過光學(xué)裝置和非接觸傳感器自動(dòng)接收和處理真實(shí)物體的圖像以獲取信息進(jìn)行控制的方法,獲取和感知信息量大且直觀,在表面缺陷檢測和識(shí)別中得到了廣泛的研究和應(yīng)用。表面質(zhì)量檢測的最大難點(diǎn)是缺陷特征提取和缺陷分類。傳統(tǒng)的機(jī)器視覺檢測方法一般采用灰度特征、幾何形狀特征和紋理特征來描述缺陷,同時(shí)貝葉斯分類器、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等被廣泛應(yīng)用于表面缺陷的檢測與識(shí)別。但是由于銅帶表面反光強(qiáng)烈,不同生產(chǎn)工藝造成不同種類的表面缺陷,部分缺陷面積小且與無缺陷銅帶表面灰度相近,使得銅帶的特征提取和分類面臨難題。因此,如何有效地提取缺陷特征并對(duì)缺陷進(jìn)行正確識(shí)別一直是銅帶制造業(yè)面臨的最大難點(diǎn)和急需解決的技術(shù)問題。人類能快速有效地識(shí)別出缺陷類型,無論反光強(qiáng)弱、缺陷形狀的細(xì)微變化、不同生產(chǎn)工藝造成同種缺陷的差別或機(jī)器難以識(shí)別的微小缺陷,都沒有對(duì)人類視覺感知造成太大的困難。人類擁有強(qiáng)大的圖像理解和模式識(shí)別能力,建立由生物學(xué)啟發(fā)的計(jì)算機(jī)視覺模型是圖像處理領(lǐng)域中的研究熱點(diǎn)。隨著神經(jīng)科學(xué)、計(jì)算神經(jīng)科學(xué)和解剖學(xué)的發(fā)展,人類視覺感知系統(tǒng)的研究不斷深入。神經(jīng)生理學(xué)和解剖學(xué)的研究表明,視覺信息在大腦中按照一定的通路進(jìn)行傳遞,具有強(qiáng)烈的層次結(jié)構(gòu)性。人類在感知外部世界時(shí),視覺系統(tǒng)分為兩個(gè)皮層視覺子系統(tǒng),即兩條視覺通路ihat通路和where通路。What通路傳輸?shù)男畔⑴c外部世界的目標(biāo)對(duì)象相關(guān),where通路用來傳輸對(duì)象的空間信息。結(jié)合注意機(jī)制,what信息可以用于驅(qū)動(dòng)自底向上的注意,形成感知和進(jìn)行目標(biāo)識(shí)別,where信息可以用來驅(qū)動(dòng)自頂向下的注意,處理空間信息。在視覺信息處理過程中,選擇注意思想扮演重要角色,它的主要思想并不是圖像的每一部分都提供信息,并且只需細(xì)節(jié)地分析圖像的相關(guān)部分就足以識(shí)別和分類。另外,選擇注意機(jī)制是視覺感知信息處理系統(tǒng)的一種主動(dòng)策略,具有選擇性、競爭性和定向性等特點(diǎn),它與學(xué)習(xí)、記憶、意識(shí)等其他視覺機(jī)制結(jié)合起來模擬視覺信息處理這一復(fù)雜功能,完成將注意目標(biāo)從背景中分離,注意焦點(diǎn)在多個(gè)目標(biāo)間轉(zhuǎn)移,注意目標(biāo)與記憶中的模式匹配等任務(wù)。人眼的生物結(jié)構(gòu)包括高分辨率的中央凹和低分辨率的周邊區(qū)域?yàn)樽R(shí)別提供數(shù)據(jù)。中央凹不是靜態(tài)的,其在視覺領(lǐng)域周邊區(qū)域不斷掃視。中央凹的這種尖銳的、直接的運(yùn)動(dòng)并不是隨機(jī)的。周邊區(qū)域提供低分辨率信息,這些信息被處理后作為中央凹揭示目標(biāo)的顯著3點(diǎn),而中央凹檢測這些信息。通過多年的研究,人們對(duì)于理解視皮層信息的基本原理已經(jīng)取得巨大的進(jìn)步,并成功地建立了多種注意模型。按照驅(qū)動(dòng)方式的不同,注意模型分為數(shù)據(jù)驅(qū)動(dòng)的注意模型和任務(wù)驅(qū)動(dòng)的注意模型。目前數(shù)據(jù)驅(qū)動(dòng)的注意機(jī)制研究較為完善,而任務(wù)驅(qū)動(dòng)的注意機(jī)制研究較少。任務(wù)驅(qū)動(dòng)的注意機(jī)制主要用于解決僅憑圖像本身的信息無法完成的復(fù)雜任務(wù),例如圖像目標(biāo)的不變識(shí)別和復(fù)雜背景的目標(biāo)檢測等。這時(shí)候需要利用先驗(yàn)知識(shí),先驗(yàn)知識(shí)可能是記憶中的模板,但是實(shí)際目標(biāo)與模板并不完全一致,可能發(fā)生了形變,或者背景的干擾程度不同。因此,就需要找到合適的度量標(biāo)準(zhǔn)和匹配算法,在任務(wù)的注意機(jī)制下實(shí)現(xiàn)不變識(shí)別和檢測。
發(fā)明內(nèi)容本發(fā)明的目的在于針對(duì)現(xiàn)有技術(shù)的不足,提供一種基于仿生視覺的銅帶表面質(zhì)量檢測裝置和方法,模擬人的視覺機(jī)理,提高檢測性能,滿足在線生產(chǎn)的實(shí)時(shí)檢測需要。本發(fā)明檢測裝置采用的技術(shù)方案EC5-1719CLDNA嵌入式工業(yè)主板分別連接工業(yè)相機(jī),工業(yè)相機(jī)連接攝像頭方向控制執(zhí)行機(jī)構(gòu);面光源分別連接光源方向控制執(zhí)行機(jī)構(gòu);圖像獲取控制器分別外接攝像頭方向控制執(zhí)行機(jī)構(gòu)、光源方向控制執(zhí)行機(jī)構(gòu)和EC5-1719CLDNA嵌入式工業(yè)主板;電源模塊分別外接攝像頭方向控制執(zhí)行機(jī)構(gòu)、光源方向控制執(zhí)行機(jī)構(gòu)、EC5-1719CLDNA嵌入式工業(yè)主板和圖像獲取控制器;顯示器、微型打印機(jī)、測速模塊、測寬模塊和通信模塊分別連接于EC5-1719CLDNA嵌入式工業(yè)主板;面光源輔助攝像頭獲取所需的銅帶表面的圖像信息;攝像頭方向控制執(zhí)行機(jī)構(gòu)控制攝像頭以最佳位置和姿態(tài)獲取銅帶表面圖像信息;光源方向控制執(zhí)行機(jī)構(gòu)調(diào)節(jié)和控制面光源以最佳位置和姿態(tài)輔助攝像頭獲取銅帶表面的圖像信息;圖像獲取控制器控制工業(yè)相機(jī)和光源的方向、位置和姿態(tài)控制命令;測速模塊測量銅帶的成巻速度;測寬模塊測量銅帶的寬度測量。本發(fā)明檢測方法按如下步驟先通過工業(yè)相機(jī)和面光源獲取銅帶上、下表面的圖像數(shù)據(jù),將圖像數(shù)據(jù)輸入EC5-1719CLDNA嵌入式工業(yè)主板,使用直方圖均衡化來對(duì)缺陷圖像進(jìn)行增強(qiáng),中值濾波進(jìn)行圖像降噪,RANSAC算法去抖動(dòng);使用高斯金字塔分解和Gabor金字塔分解,提取圖像的亮度I(。)、顏色R(o),G(o),B(o),Y(cO和朝向O(o,e)三類特征;對(duì)已提取圖像的亮度、顏色和朝向特征,通過計(jì)算中央精細(xì)尺度c和周邊粗糙尺度s間的中央周邊差分得到亮度特征顯著圖I(c,s)、顏色特征顯著圖Rg(c,s)和By(c,s)、朝向特征顯著圖0(c,s,e);再將各特征圖的特征值歸一化到同一個(gè)范圍內(nèi)后,用高斯差分(DoG)模擬人眼主視皮層的中央自激勵(lì)和鄰域范圍內(nèi)抑制的長程連接的組織方式,采用局部迭代法形成顯著圖S,當(dāng)特征圖中大多數(shù)位置的特征值收斂于0時(shí)停止迭代;分析視網(wǎng)膜中央凹的內(nèi)容以獲取what信息;再根據(jù)掃視仿真中訪問點(diǎn)的時(shí)間順序序列,即掃描路徑,組成"where"信息流;最后利用離散的可觀測馬爾可夫模型連接注意層和中間層信息流,從中間層獲取what信息,由注意層中的興趣圖產(chǎn)生where信息,根據(jù)這兩種信息調(diào)整單個(gè)馬爾可夫鏈的概率,最大化某個(gè)訓(xùn)練樣本形成的特定掃視路徑的似然值,實(shí)現(xiàn)目標(biāo)的正確分類。本發(fā)明從人眼視覺系統(tǒng)生理結(jié)構(gòu)入手,以獲取的銅帶圖像特征顯著圖為切入點(diǎn),并將馬爾可夫模型引入到模擬任務(wù)驅(qū)動(dòng)的注意機(jī)制,采用自頂向下的注意與自底向上的注意相結(jié)合的方法,同時(shí)考慮what信息和where信息,完成表面質(zhì)量檢測,提高了銅帶表面缺陷檢測系統(tǒng)對(duì)缺陷的識(shí)別和分類能力,滿足在線生產(chǎn)的實(shí)時(shí)性和精確性要求,并可廣泛應(yīng)用于其它材料表面缺陷質(zhì)量檢測中,具有廣闊的市場前景和應(yīng)用價(jià)值。圖1是本發(fā)明的現(xiàn)場銅帶表面缺陷智能檢測裝置結(jié)構(gòu)圖;圖中11、12、13U4.工業(yè)相機(jī);21.面光源;22.面光源;31.攝像頭方向控制執(zhí)行機(jī)構(gòu);41.光源方向控制執(zhí)行機(jī)構(gòu);51.EC5-1719CLDNA嵌入式工業(yè)主板;52.圖像獲取控制器;61.顯示器;62.微型打印機(jī);63.測速模塊;64.測寬模塊;65.通信模塊;66.電源模塊。圖2是本發(fā)明的現(xiàn)場銅帶表面缺陷智能檢測裝置聯(lián)網(wǎng)結(jié)構(gòu)示意圖;圖中l(wèi)'.現(xiàn)場銅帶表面缺陷智能檢測裝置;2'.現(xiàn)場銅帶表面缺陷智能檢測裝置;n'.現(xiàn)場銅帶表面缺陷智能檢測裝置;4'數(shù)據(jù)庫服務(wù)器;5',管理服務(wù)器;22'.交換機(jī);31'.客戶端監(jiān)測計(jì)算機(jī);32'客戶端監(jiān)測計(jì)算機(jī);33'.客戶端監(jiān)測計(jì)算機(jī)。圖3是本發(fā)明裝置使用時(shí)的照明結(jié)構(gòu)圖;圖中1#.工業(yè)相機(jī);2#.照明裝置;3#.銅帶的橫向側(cè)視示意。圖4是本發(fā)明的仿生視覺的銅帶表面缺陷檢測流程圖5(a)和5(b)是亮度、顏色和朝向空間顯著圖。圖6(a)和6(b)是空間顯著圖。圖7是注意焦點(diǎn)轉(zhuǎn)移圖。圖8為注意轉(zhuǎn)移平均次數(shù)和概率閾值t的關(guān)系圖。具體實(shí)施例方式如圖1所示,本發(fā)明的現(xiàn)場銅帶表面質(zhì)量智能檢測裝置結(jié)構(gòu)圖。EC5-1719CLDNA嵌入式工業(yè)主板51連接4個(gè)工業(yè)相機(jī),其中,工業(yè)相機(jī)11、工業(yè)相機(jī)12、工業(yè)相機(jī)13和工業(yè)相機(jī)14,主要用于在線實(shí)時(shí)獲取銅帶表面的圖像資料。面光源21和面光源22,主要用于輔助攝像頭獲取所需的銅帶表面的圖像信息。將攝像頭方向控制執(zhí)行機(jī)構(gòu)31分別連接工業(yè)相機(jī)11、工業(yè)相機(jī)12、工業(yè)相機(jī)13和工業(yè)相機(jī)14,攝像頭方向控制執(zhí)行機(jī)構(gòu)31主要完成控制攝像頭以最佳位置和姿態(tài)獲取銅帶表面的圖像信息。面光源21和面光源22分別連接光源方向控制執(zhí)行機(jī)構(gòu)41,光源方向控制執(zhí)行機(jī)構(gòu)41主要完成調(diào)節(jié)和控制面光源21和面光源22以最佳位置和姿態(tài)輔助攝像頭獲取銅帶表面的圖像信息。圖像獲取控制器52分別外接攝像頭方向控制執(zhí)行機(jī)構(gòu)31、光源方向控制執(zhí)行機(jī)構(gòu)41和EC5-1719CLDNA嵌入式工業(yè)主板51,主要產(chǎn)生協(xié)調(diào)控制工業(yè)相機(jī)和光源的方向、位置和姿態(tài)控制命令。顯示器61,主要用于人機(jī)交互。微型打印機(jī)62,主要用于打印檢測系統(tǒng)產(chǎn)生的各類報(bào)表。測速模塊63,主要用于測量銅帶的成巻的速度。測寬模塊64,主要用于測量銅帶的寬度測量。通信模塊65,主要用于檢測裝置的聯(lián)網(wǎng)。電源模塊66,主要用于給本裝置供電,電源模塊66分別外接攝像頭方向控制執(zhí)行機(jī)構(gòu)31、光源方向控制執(zhí)行機(jī)構(gòu)41、EC5-1719CLDNA嵌入式工業(yè)主板51和圖像獲取控制器52。將顯示器61、微型打印機(jī)62、測速模塊63、測寬模塊64和通信模塊65分別連接于EC5-1719CLDNA嵌入式工業(yè)主板51。所述EC5-1719CLDNA嵌入式工業(yè)主板51的程序存儲(chǔ)器采用4GCF卡,將EC5-1719CLDNA嵌入式工業(yè)主板51、面光源21、工業(yè)相機(jī)11、工業(yè)相機(jī)12組裝在一個(gè)機(jī)箱中,用于銅帶上表面的質(zhì)量檢測。工業(yè)相機(jī)13、工業(yè)相機(jī)14和面光源22集中安裝在另外一個(gè)機(jī)箱中,用于銅帶下表面的質(zhì)量檢測。工業(yè)相機(jī)11獲取銅帶上表面的圖像數(shù)據(jù),且依據(jù)與之配對(duì)的面光源21方向和位置,可連續(xù)獲取多幅圖像數(shù)據(jù),工業(yè)相機(jī)12作為銅帶表面質(zhì)量檢測的備份傳感器,兼有測量銅帶的寬度的功能,當(dāng)測量的寬度超過60CM時(shí),工業(yè)相機(jī)12和工業(yè)相機(jī)11同時(shí)作用于在線實(shí)時(shí)獲取銅帶上表面的圖像資料。工業(yè)相機(jī)11和工業(yè)相機(jī)12的受控于攝像頭方向控制執(zhí)行機(jī)構(gòu)31;同理,工業(yè)相機(jī)13、工業(yè)相機(jī)14和面光源22獲取銅帶下表面的圖像數(shù)據(jù),且依據(jù)與之配對(duì)的面光源22方向和位置,可連續(xù)獲取多幅圖像數(shù)據(jù),工業(yè)相機(jī)14作為銅帶下表面質(zhì)量檢測的備份傳感器,兼有測量銅帶的寬度的功能,當(dāng)測量的寬度超過60CM時(shí),工業(yè)相機(jī)14和工業(yè)相機(jī)13同時(shí)在線實(shí)時(shí)獲取銅帶下表面的圖像資料,工業(yè)相機(jī)13和工業(yè)相機(jī)14的受控于攝像頭方向控制執(zhí)行機(jī)構(gòu)31。攝像頭方向控制執(zhí)行機(jī)構(gòu)31從圖像獲取控制器52讀取控制命令,依據(jù)命令執(zhí)行攝像頭的垂直方向0-90°范圍自由運(yùn)動(dòng),運(yùn)動(dòng)步長為O.1°,且攝像頭方向控制執(zhí)行機(jī)構(gòu)31具有4路控制接口,依據(jù)命令要求,可執(zhí)行單個(gè)攝像頭在垂直方向0-90°范圍自由運(yùn)動(dòng),也可以任選2路攝像頭同步在垂直方向0-90°范圍自由運(yùn)動(dòng)。光源方向控制執(zhí)行機(jī)構(gòu)41從圖像獲取控制器52讀取控制命令,單獨(dú)或同步控制面光源21、22在垂直方向0-90°范圍自由運(yùn)動(dòng),運(yùn)動(dòng)步長為O.1°且與圖像獲取控制器52之間以RS485接口方式耦合連接。圖像獲取控制器52通過RS232接口從EC5-1719CLDNA嵌入式工業(yè)主板51讀取控制命令和指令,經(jīng)過對(duì)控制命令和指令處理形成決策命令,分別通過圖像獲取控制器52擴(kuò)展的RS485接口輸出給攝像頭方向控制執(zhí)行機(jī)構(gòu)31光源方向控制執(zhí)行機(jī)構(gòu)41;顯示器61]只要滿足工業(yè)標(biāo)準(zhǔn)和VGA接口即可。微型打印機(jī)62與EC5-1719CLDNA嵌入式工業(yè)主板51通過RS232接口連接。測速模塊63具有開關(guān)量速度調(diào)理信號(hào)的接口,輸出的速度值通過RS232信號(hào)方式輸出。測寬模塊64引導(dǎo)和配合攝像頭擇機(jī)實(shí)施銅帶的寬度測量。通信模塊65提供物理上采用8芯航空插座和協(xié)議層支持TCP/IP協(xié)議的聯(lián)網(wǎng)接口。如圖2所示,是本發(fā)明的現(xiàn)場銅帶表面缺陷智能檢測裝置聯(lián)網(wǎng)結(jié)構(gòu)示意圖,由圖1的若干個(gè)現(xiàn)場銅帶表面缺陷智能檢測裝置l'、現(xiàn)場銅帶表面缺陷智能檢測裝置2'、現(xiàn)場銅帶表面缺陷智能檢測裝置n'、交換機(jī)22'、客戶端監(jiān)測計(jì)算機(jī)31'、客戶端監(jiān)測計(jì)算機(jī)32'、客戶端監(jiān)測計(jì)算機(jī)33'、數(shù)據(jù)庫服務(wù)器4'、管理服務(wù)器5'組成。各現(xiàn)場銅帶表面缺陷智能檢測裝置的EC5-1719CLDNA嵌入式工業(yè)主板51通過5類雙絞線與交換機(jī)22'互連,互聯(lián)數(shù)量依據(jù)銅帶生產(chǎn)線的數(shù)量,每條銅帶生產(chǎn)線要求配置一套現(xiàn)場銅帶表面缺陷智能檢測裝置。交換機(jī)22'選用24口,且具有千兆位通信速率的工業(yè)級(jí)交換機(jī)即可??蛻舳吮O(jiān)測計(jì)算機(jī)31'、客戶端監(jiān)測計(jì)算機(jī)32'和客戶端監(jiān)測計(jì)算機(jī)33'與交換機(jī)22'連接,主要用于監(jiān)視銅帶生產(chǎn)現(xiàn)場,監(jiān)測錄像記錄和相關(guān)數(shù)據(jù)在本地存儲(chǔ),且通過網(wǎng)絡(luò)備份與數(shù)據(jù)庫服務(wù)器4';交換機(jī)22'分別連接數(shù)據(jù)庫服務(wù)器4'和管理服務(wù)器5',管理服務(wù)器5'主要用于整個(gè)系統(tǒng)的配置和管理。如圖3所示,是本發(fā)明的照明方式,由于銅帶生產(chǎn)現(xiàn)場環(huán)境特別復(fù)雜,特別是光照條件實(shí)時(shí)變化,一般情況下,晚上也要生產(chǎn),要獲取滿意的圖像比較困難,本發(fā)明采用紅外照明裝置,配合工業(yè)相機(jī)獲取銅帶表面的圖像,進(jìn)而執(zhí)行后續(xù)圖像處理的各個(gè)環(huán)節(jié)。對(duì)照?qǐng)D3所示,工業(yè)相機(jī)11、12、13、14組成的工業(yè)相機(jī)1#和面光源21、22組成的照明裝置2#安置在銅帶表面的上方或下方,兩者之間形成夾角為a,夾角a的大小隨著光照條件的變化和獲取圖像資料的方式而隨動(dòng),變化范圍為5°-175°;銅帶的橫向側(cè)視示意3ft,V表示銅帶的運(yùn)動(dòng)方向。如圖4所示,是本發(fā)明的視覺仿生的銅帶表面質(zhì)量檢測流程圖。首先是圖像采集,通過工業(yè)相機(jī)11、工業(yè)相機(jī)12和面光源21獲取銅帶上表面的圖像數(shù)據(jù),通過工業(yè)相機(jī)13、工業(yè)相機(jī)14和面光源22獲取銅帶下表面的圖像數(shù)據(jù),工業(yè)相機(jī)11、工業(yè)相機(jī)12、工業(yè)相機(jī)13和工業(yè)相機(jī)14以USB型號(hào)方式輸出至EC5-1719CLDNA嵌入式工業(yè)主板51的USB接口;然后對(duì)采集的圖像輸出至EC5-1719CLDNA嵌入式工業(yè)主板51中的預(yù)處理模塊,執(zhí)行對(duì)已獲取圖像的增強(qiáng)、降噪和去抖動(dòng);其次,在注意層中使用聯(lián)合高斯金字塔分解和Gabor金字塔分解的多通道多尺度濾波器組,分別提取亮度、顏色和朝向三個(gè)特征;再對(duì)已提取的亮度、顏色和朝向特征,通過計(jì)算中央精細(xì)尺度c和周邊粗糙尺度s間的中央周邊差得到特征顯著圖;采用局部迭代法形成亮度、顏色和朝向特征的顯著圖;從興趣圖中可以直接獲取各區(qū)域的顯著特征值即what信息,根據(jù)焦點(diǎn)轉(zhuǎn)移順序獲取"where"信息流;利用what和where信息,使用離散的可觀測馬爾可夫模型實(shí)現(xiàn)目標(biāo)的正確分類。各部分具體實(shí)施細(xì)節(jié)如下1、采集設(shè)備選取。為確保金屬表面質(zhì)量檢測的精確度,裝置中關(guān)鍵設(shè)備是工業(yè)相機(jī)及其光源的選擇。國內(nèi)銅帶寬度在200-1000mm之間,最常見規(guī)格是600-650mm,生產(chǎn)線銅帶運(yùn)行速度在40-100m/min。為確保同時(shí)檢測銅帶上下表面質(zhì)量,在生產(chǎn)線上銅帶上下表面各安裝一套檢測裝置??紤]到不同規(guī)格銅帶寬度,本檢測裝置在銅帶上下表面各安裝同種規(guī)格工業(yè)相機(jī)4個(gè)同步采集圖像,根據(jù)實(shí)際情況自主選擇相機(jī)個(gè)數(shù)。結(jié)合實(shí)際情況,本裝置選用大恒圖像號(hào)為DH-HV1303UC的工業(yè)相機(jī),最高分辨分辨率為1280X1024,像元尺寸為5.2ymX5.2ym,幀率為15幀/秒。理想狀態(tài)下,相鄰相機(jī)采集的圖像無重復(fù)、無間隙,確保銅帶表面缺陷無漏檢。以1000mm寬銅帶為例,上下表面各4臺(tái)工業(yè)相機(jī),每臺(tái)最大采集寬度為200mm,寬度方向檢測精度約為O.15mm,設(shè)定相機(jī)在橫向與縱向采集尺寸之比固定為4:3,縱向采集長度為150mm,檢測精度為0.14mm,計(jì)算裝置能檢測的最高運(yùn)行速度為130m/min,滿足銅帶生產(chǎn)線上實(shí)時(shí)檢測要求。2、光源及光照模式的選擇光源及光照模式的選擇直接影響采集到的銅帶圖像質(zhì)量,從而直接影響到銅帶表面質(zhì)量檢測的精度及后期缺陷分類及統(tǒng)計(jì)的準(zhǔn)確度。影響銅帶表面質(zhì)量的缺陷主要有劃痕、穿孔、毛邊、起皮、凹坑、缺口、油污等,較多缺陷在暗場照明中可采集到。本裝置選用海東冠科技公司散射型條型光源,光源與工業(yè)相機(jī)的相對(duì)位置如圖3所示,相機(jī)主要檢測散射光,所成圖像背景暗,缺陷信息明顯。3、缺陷圖像預(yù)處理。1)圖像增強(qiáng)圖像增強(qiáng)的目的是為了改善圖像的視覺效果,提高圖像的清晰度和工藝的適應(yīng)性,以便人和計(jì)算機(jī)的分析和處理。此處采用直方圖均衡化來對(duì)缺陷圖像進(jìn)行增強(qiáng)2)圖像降噪圖像在生成和傳輸過程中常受到各種噪聲的干擾和影B向,使圖像質(zhì)量下降。為了抑制噪聲改善圖像質(zhì)量,必須對(duì)圖像進(jìn)行平滑處理。一個(gè)較好的平滑處理方法應(yīng)該是既能消除圖像中的寄生效應(yīng)又不使圖像的邊緣輪廓和線條變得模糊。在中值濾波、均值濾波、3X3高斯濾波、5X5高斯濾波的實(shí)驗(yàn)比較后,發(fā)現(xiàn)中值濾波與5X5高斯濾波效果相當(dāng),系統(tǒng)采用計(jì)算簡潔的中值濾波。3)缺陷圖像去抖動(dòng)生產(chǎn)線上的銅帶不可避免會(huì)發(fā)生圖像的抖動(dòng)。本裝置采用RANSAC算法去抖動(dòng),原理是每得到一幀圖像,先把它和前一幀圖像做塊匹配,得到當(dāng)前圖像的一個(gè)比較稠密的運(yùn)動(dòng)向量場,然后用這個(gè)運(yùn)動(dòng)向量集估計(jì)當(dāng)前幀圖像的全局運(yùn)動(dòng)參數(shù),最后通過濾波可以去除抖動(dòng)的頻率分量,從而計(jì)算出比較平滑的運(yùn)動(dòng)軌跡和每一幀圖像要補(bǔ)償?shù)倪\(yùn)動(dòng)向量,再通過平移和旋轉(zhuǎn)等圖像變換就得到無抖動(dòng)的結(jié)果圖像。4、提取亮度、顏色和朝向三個(gè)特征(1)亮度特征輸入銅帶圖像包含r,g,b三個(gè)通道,則灰度圖像為I=(r+g+b)/3,使用I創(chuàng)建高斯金字塔I(o),其中oG是尺度因子。(2)顏色特征建立四個(gè)寬調(diào)諧的顏色通道紅色R=r-(g+b)/2,綠色G=g-(r+b)/2,藍(lán)色B=b-(r+g)/2和黃色Y=(r+g)/2_|r-g|/2-b。根據(jù)這些顏色通道生成四個(gè)高斯金字塔R(o),G(o),B(o),Y(o)。(3)朝向特征使用Gabor小波對(duì)I進(jìn)行分解,得到不同尺度oG、不同朝向9G{0°,45°,90°,135°}的36個(gè)分量0(0,e),即朝向特征。5、形成亮度、顏色和朝向顯著圖對(duì)已提取的亮度、顏色和朝向特征,通過計(jì)算中央精細(xì)尺度c和周邊粗糙尺度s間的中央周邊差得到特征顯著圖。圖5(a),5(b)是對(duì)油污和裂縫缺陷計(jì)算后形成的特征顯著圖,以灰度亮弱不同表示區(qū)域的顯著性差異,即區(qū)域顯著性越強(qiáng)則越亮。(1)亮度顯著圖亮度特征圖和亮度對(duì)比對(duì)有關(guān),在哺乳動(dòng)物中,是由對(duì)周邊亮的中心暗區(qū)域敏感或者對(duì)周邊暗的中央亮區(qū)域敏感的神經(jīng)元檢測。此處計(jì)算六個(gè)亮度特征I(c,s),其中cG{2,3,4},oG{3,4},s=c+o。/(^)=0)|(2)顏色特征顯著圖及g(c,力=|((及(c)—G(c》(GO)—及O)))I5乂c,力=|—:r(c》—萬(力))i(3)朝向特征顯著圖O(c,&=|O(c,。00,0)I6、形成興趣圖將各特征圖的特征值歸一化到同一個(gè)范圍內(nèi)后,與高斯差分函數(shù)進(jìn)行巻積,艮卩S—IS+S*DoG_Cinh|>0其中,8<formula>formulaseeoriginaldocumentpage9</formula>式中,*表示巻積運(yùn)算,DoG是高斯差分函數(shù),oex禾Poinh是興奮和抑制帶寬,cex2和cinh2是興奮和抑制常數(shù)。設(shè)置C^是為了引入一個(gè)偏置,使得合并策略能夠抑制大致平衡的區(qū)域,如均勻的紋理分布。使用高斯差分函數(shù)進(jìn)行局部迭代,一方面可以檢測到多個(gè)顯著目標(biāo);另一方面,高斯差分函數(shù)與人眼主視皮層的中央自激勵(lì)、鄰域范圍內(nèi)抑制的長程連接的組織方式相似,具有生理學(xué)上的合理性,并且在執(zhí)行過程中采用多分辨率可以有效地抑制噪聲圖6(a),6(b)是油污和裂縫缺陷亮度、顏色和朝向特征顯著圖合并的結(jié)果,以灰度亮弱不同表示區(qū)域的顯著性差異,即區(qū)域顯著性越強(qiáng)則越亮。7、獲取"what"禾口"where"信息為了有效分析視網(wǎng)膜中央凹的內(nèi)容,在圖像的每個(gè)區(qū)域使用單層感知器組成的專家網(wǎng)絡(luò),以獲取what信息。輸入為視網(wǎng)膜中央凹捕獲信息中提取的特征向量,輸出為該信息所屬類別的后驗(yàn)概率向量。單層感知器通過有監(jiān)督的學(xué)習(xí)來訓(xùn)練。將圖像空間分為規(guī)則的區(qū)域,然后對(duì)局部信息進(jìn)行量化。再根據(jù)掃視仿真中訪問點(diǎn)的時(shí)間順序序列,即掃描路徑,組成"where"信息流。8、分類聯(lián)合層利用離散的可觀測馬爾可夫模型連接注意層和中間層信息流。被注意焦點(diǎn)訪問過的區(qū)域作為馬爾可夫模型的狀態(tài),專家網(wǎng)絡(luò)的輸出作為狀態(tài)的觀測值。訓(xùn)練集合中每個(gè)樣本的焦點(diǎn)轉(zhuǎn)移序列按時(shí)間順序形成一條掃視路徑,對(duì)應(yīng)于該訓(xùn)練樣本所屬類別的一條馬爾可夫鏈。鏈中的每個(gè)狀態(tài)從中間層獲取what信息,由注意層中的興趣圖產(chǎn)生where信息,根據(jù)這兩種信息調(diào)整單個(gè)馬爾可夫鏈的概率,從而最大化某個(gè)訓(xùn)練樣本形成的特定掃視路徑的似然值。在訓(xùn)練過程中,讓馬爾可夫模型模擬一定數(shù)量的掃視路徑。因?yàn)槊總€(gè)狀態(tài)都是可觀測的,所以可以通過計(jì)數(shù)方式得到狀態(tài)轉(zhuǎn)移概率aij和初始狀態(tài)分布概率Jii。類似地,計(jì)算每個(gè)樣本在每個(gè)狀態(tài)下的專家網(wǎng)絡(luò)的輸出得到狀態(tài)觀測值bj(k)。這三個(gè)參數(shù)的計(jì)算公式分別為:從&轉(zhuǎn)移到S,的次數(shù)=從&開始的轉(zhuǎn)移次數(shù)=狀態(tài)序列&在?=啲次數(shù)工一總觀測序列=觀察a時(shí)s,出現(xiàn)的次數(shù)")=~~s,出現(xiàn)的總次叛~~則觀測序列的概率為尸(O,SiA)=J々&(0,)式中,S表示狀態(tài)序列,0表示觀測序列;A={Jii,aij,bj(k)}表示馬爾可夫鏈的參數(shù),i,j=1,2,…N對(duì)應(yīng)狀態(tài)個(gè)數(shù),k=1,2,…M對(duì)應(yīng)觀測樣本的狀態(tài)數(shù),記具有最高觀測概率的類別為c,則P(0,S1D=m"^("SI義》}。使用馬爾可夫模型的優(yōu)勢是,在識(shí)別的過程中,只需要讓待識(shí)別圖像經(jīng)歷有限次數(shù)的焦點(diǎn)轉(zhuǎn)移,而不需要讓圖像中所有值得注意的區(qū)域都被注意過,就能做出正確的分類判斷。當(dāng)?shù)侥骋粫r(shí)刻,已經(jīng)有t個(gè)區(qū)域被注意過時(shí),判斷待識(shí)別圖像屬于某個(gè)特定類別的概率記為at(c),即部分馬爾可夫鏈的概率為at(c)二P(0p…0t,Sp…Sj入c)式中,0p…0t為觀測序列,S"…St為狀態(tài)序列,A。為馬爾可夫模型對(duì)類別c的參數(shù)。焦點(diǎn)停止轉(zhuǎn)移的標(biāo)準(zhǔn)時(shí)該概率已經(jīng)達(dá)到能做出決策的置信度。定義到t時(shí)刻時(shí),圖像屬于類別c的后驗(yàn)概率定義為<formula>formulaseeoriginaldocumentpage10</formula>設(shè)置信度為t,則焦點(diǎn)停止轉(zhuǎn)移的標(biāo)準(zhǔn)是a('(c)2r。圖8為注意轉(zhuǎn)移平均次數(shù)和概率閾值t的關(guān)系圖,t取值越大,掃視點(diǎn)越多,做出判斷的準(zhǔn)確率越高,但是計(jì)算時(shí)間也越長。不同類別的樣本產(chǎn)生不同類型的掃視路徑;而且同一種樣本經(jīng)旋轉(zhuǎn)、縮放等幾何變換以后,焦點(diǎn)轉(zhuǎn)移的時(shí)間順序是不變的,即掃視路徑是不變的。因此,可以憑借掃視路徑的唯一性來識(shí)別樣本。表1為七種缺陷的分類精度。表1<table>tableseeoriginaldocumentpage10</column></row><table>權(quán)利要求一種基于視覺仿生的銅帶表面質(zhì)量智能檢測裝置,其特征是EC5-1719CLDNA嵌入式工業(yè)主板(51)分別連接工業(yè)相機(jī)(11、12、13、14),工業(yè)相機(jī)(11、12、13、14)連接攝像頭方向控制執(zhí)行機(jī)構(gòu)(31);面光源(21、22)分別連接光源方向控制執(zhí)行機(jī)構(gòu)(41);圖像獲取控制器(52)分別外接攝像頭方向控制執(zhí)行機(jī)構(gòu)(31)、光源方向控制執(zhí)行機(jī)構(gòu)(41)和EC5-1719CLDNA嵌入式工業(yè)主板(51);電源模塊(66)分別外接攝像頭方向控制執(zhí)行機(jī)構(gòu)(31)、光源方向控制執(zhí)行機(jī)構(gòu)(41)、EC5-1719CLDNA嵌入式工業(yè)主板(51)和圖像獲取控制器(52);顯示器(61)、微型打印機(jī)(62)、測速模塊(63)、測寬模塊(64)和通信模塊(65)分別連接于EC5-1719CLDNA嵌入式工業(yè)主板(51);面光源(21、22)輔助攝像頭獲取所需的銅帶表面的圖像信息;攝像頭方向控制執(zhí)行機(jī)構(gòu)(31)控制攝像頭以最佳位置和姿態(tài)獲取銅帶表面圖像信息;光源方向控制執(zhí)行機(jī)構(gòu)(41)調(diào)節(jié)和控制面光源(21、22)以最佳位置和姿態(tài)輔助攝像頭獲取銅帶表面的圖像信息;圖像獲取控制器(52)控制工業(yè)相機(jī)和光源的方向、位置和姿態(tài)控制命令;測速模塊(63)測量銅帶的成卷速度;測寬模塊(64)測量銅帶的寬度測量。2.根據(jù)權(quán)利要求1所述的基于視覺仿生的銅帶表面質(zhì)量智能檢測裝置,其特征是所述工業(yè)相機(jī)(11、12、13、14)和相應(yīng)的面光源(21、22)之間的夾角為5°_175,設(shè)置于銅帶表面的上方或下方。3.根據(jù)權(quán)利要求1所述的基于視覺仿生的銅帶表面質(zhì)量智能檢測裝置,其特征是具有若干個(gè)EC5-1719CLDNA嵌入式工業(yè)主板(51)與交換機(jī)(22')互連,交換機(jī)(22')分別連接客戶端監(jiān)測計(jì)算機(jī)(31'、32'、33')、數(shù)據(jù)庫服務(wù)器(4')和管理服務(wù)器(5')。4.一種基于視覺仿生的銅帶表面質(zhì)量智能檢測方法,其特征是采用如下步驟1)通過工業(yè)相機(jī)(11、12)和面光源(21)獲取銅帶上表面的圖像數(shù)據(jù),通過工業(yè)相機(jī)(13、14)和面光源(22)獲取銅帶下表面的圖像數(shù)據(jù);2)將圖像數(shù)據(jù)輸入EC5-1719CLDNA嵌入式工業(yè)主板(51),使用直方圖均衡化來對(duì)缺陷圖像進(jìn)行增強(qiáng),中值濾波進(jìn)行圖像降噪,RANSAC算法去抖動(dòng);3)使用高斯金字塔分解和Gabor金字塔分解,提取圖像的亮度I(。)、顏色R(o),G(o),B(o),Y(o)和朝向O(o,e)三類特征;4)對(duì)已提取圖像的亮度、顏色和朝向特征,通過計(jì)算中央精細(xì)尺度c和周邊粗糙尺度s間的中央周邊差"Q得到亮度特征顯著圖I(c,s)、顏色特征顯著圖Rg(c,s)和By(c,s)、朝向特征顯著圖0(c,s,e);5)將各特征圖的特征值歸一化到同一個(gè)范圍內(nèi)后,用高斯差分(DoG)模擬人眼主視皮層的中央自激勵(lì)和鄰域范圍內(nèi)抑制的長程連接的組織方式,采用局部迭代法形成顯著圖S,當(dāng)特征圖中大多數(shù)位置的特征值收斂于0時(shí)停止迭代;6)分析視網(wǎng)膜中央凹的內(nèi)容以獲取what信息,根據(jù)掃視仿真中訪問點(diǎn)的時(shí)間順序序列,即掃描路徑,組成"where"信息流;7)利用離散的可觀測馬爾可夫模型連接注意層和中間層信息流,從中間層獲取what信息,由注意層中的興趣圖產(chǎn)生where信息,根據(jù)這兩種信息調(diào)整單個(gè)馬爾可夫鏈的概率,最大化某個(gè)訓(xùn)練樣本形成的特定掃視路徑的似然值,實(shí)現(xiàn)目標(biāo)的正確分類。全文摘要本發(fā)明公開一種基于視覺仿生的銅帶表面質(zhì)量智能檢測裝置及方法,通過工業(yè)相機(jī)等獲取銅帶表面圖像;對(duì)獲取圖像做增強(qiáng)、降噪和去抖動(dòng)處理;使用高斯金字塔分解和Gabor金字塔分解提取亮度、顏色和朝向三個(gè)特征;再對(duì)已提取特征通過計(jì)算中央精細(xì)尺度和周邊粗糙尺度間的中央周邊差得到特征顯著圖;采用局部迭代法形成顯著圖;從興趣圖中可直接獲取各區(qū)域的顯著特征值即what信息,根據(jù)焦點(diǎn)轉(zhuǎn)移順序獲取where信息流;使用離散的可觀測馬爾可夫模型實(shí)現(xiàn)目標(biāo)的正確分類,提高了銅帶表面缺陷檢測系統(tǒng)對(duì)缺陷的識(shí)別和分類能力,滿足在線生產(chǎn)的實(shí)時(shí)性和精確性要求,可廣泛應(yīng)用于其它材料表面缺陷質(zhì)量檢測中。文檔編號(hào)G01N21/88GK101726498SQ20091023267公開日2010年6月9日申請(qǐng)日期2009年12月4日優(yōu)先權(quán)日2009年12月4日發(fā)明者丁燕瓊,奚吉,張卓,張學(xué)武,徐立中,李慶武,林善明,梁瑞宇,段敦勤,范新南申請(qǐng)人:河海大學(xué)常州校區(qū)