[发明专利]一种建筑陶瓷表面花纹图案质量检测方法

说明书

技术领域

本发明属于一种建筑陶瓷表面花纹图案质量检测方法，特别适合于彩色建筑陶瓷的检测。

背景技术

我国建筑陶瓷表面质量检测还处于初级阶段，对于建筑陶瓷产品表面的质量检测主要通过人工测量的方式。由于生产线上的建筑陶瓷产品运行速度很快，某些检测只能依靠抽检的方式进行，造成漏检、误检的概率很高。因此，建筑陶瓷表面质量的智能检测在建筑陶瓷产品的品质控制方面至关重要。

目前大多数表面缺陷算法集中于低层特征的提取，都是人工设计的特征提取方法，不能适应环境的变化。深度神经网络，近几年来语音识别和图像领域取得了很大的成功，深度神经网络可以利用监督或无监督的方法直接从图像数据或低层特征中自动提取高层图像特征，填补了高层特征和低层特征的鸿沟，大大提高算法的检测性能。

视觉显著性机制是人眼视觉系统的重要组成部分，指人在面对复杂场景时，会将注意力快速集中在少数感兴趣的区域，然后利用有限的处理能力对该区域进行优先处理。若将视觉显著性机制应用到物体检测中，能够快速地提取与目标相关的显著区域，对图像中的显著区域和非显著区域进行不同的处理，可以减少背景对物体检测的干扰，将有限的计算资源用于处理感兴趣区域，提高物体检测的效率和准确率。视觉显著性检测能够预测出人们对建筑陶瓷表面花纹图案，实现自动分割。

综上所述，深度神经网络和显著性检测各有优势，因此，在本发明中，提出基于深度神经网络的显著性检测方法，自动检测建筑陶瓷表面花纹图案质量，将减轻工人劳动强度，提高检测准确率，促进建筑陶瓷表面质量检测产品的更新换代，促进创新装备的国产化和研制开发。

目前，国内外还没有基于深度神经网络的显著性目标检测的自动检测建筑陶瓷表面花纹图案质量的方法的公开文献。

发明内容

本发明的发明目的是提供一种建筑陶瓷表面花纹图案质量检测方法，能够对建筑陶瓷和彩色建筑陶瓷表面花纹图案质进行有效检测，有节省劳力，降低劳动强度，工作效率高和检测精度高的优点。

为达到上述发明目的，本发明采用的技术方案包括如下步骤：

(1)提取基于卷积神经网络视觉显著性模型的建筑陶瓷表面花纹图案特征，包括，

基于视觉显著性模型的建筑陶瓷表面花纹图案的粗略显著性图，

基于卷积神经模型的建筑陶瓷表面花纹图案的精细显著性图，

基于Grabcut方法自动分割待检测的建筑陶瓷表面花纹图案，

针对分割的建筑陶瓷表面花纹图案，提取颜色和纹理特征；

(2)训练卷积神经网络模型；

将步骤(1)提取的建筑陶瓷表面花纹图案特征和标准的建筑陶瓷表面花纹图案标记样本特征，训练卷积神经网络模型，检测建筑陶瓷表面缺陷；

(3)在线检测建筑陶瓷产品表面花纹图案的质量，包括：

采集包含待检测建筑陶瓷的图像；

利用步骤(1)所述方法，提取建筑陶瓷表面花纹图案及特征；

利用步骤(2)训练的卷积神经网络模型，检测建筑陶瓷表面缺陷。

所述的在步骤(1)中的粗略显著性图的过程为：

显著性模型采取了一个由粗到细的两级策略，在第一级中，提出融合对比度先验知识显著性图、中心先验显著性图和边界先验显著性图来得到粗糙显著性图；第二级中，融合基于边界先验知识的背景能量项、基于粗糙显著性图的数据能量项以及基于光滑先验的光滑能量项，提出了新的能量方程：

其中i表示图像中第i个超像素，N代表图像中超像素个数，S_i表示超像素i的显著性值，T_i表示确定的超像素(前景或背景)，Z_i表示确定的显著性超像素，ctr_i表示任何一个超像素和边界超像素的相关性，S_coar(i)表示在粗糙显著性图中超像素i的显著性值；

对上述能量方程求导，并令其为0，求得最优解为：

S^*＝(C+V+X+T+D-W)^-1(V+Xy+TZ)

其中C＝diag{1-ctr₁，1-ctr₂，...，1-ctr_N}表示背景先验知识矩阵，