[发明专利]基于自适应参数模型粒子滤波的非线性系统缺陷检测与定位算法

说明书

技术领域

本发明涉及的是一种图像处理技术领域的方法，具体是一种基于自适应参数模型粒子滤波的非线性系统缺陷检测和定位方法。

背景技术

故障检测，是控制工程的一个分支，它监控一个随机系统并且识别在故障发生时，故障的类型和位置等信息。故障检测方法在各种行业改进生产过程和应用过程中发挥着基础性的作用，如在过程监控，质量控制，产品制造，介质恢复和设施维护等。近年来，缺陷检测技术低成本、高自动化和高质量的优势带来越来越多的收益。故障/缺陷检测对质量的检验包括使用相机、涡流、超声波、x射线传感器和其他传感器提供的测量信息来分析提取故障信息。随着相机在工业质量控制的高需求，视觉检测系统近年来吸引了更多的关注。不管线性或非线性系统的故障检测，基于视觉检测系统的缺陷检测都可以通过相机来监测测量值的变化。

现有缺陷检测方法可大致分为两类，即：基于信号处理和基于模型的方法。信号处理算法通过对量测运用数理统计方法分析工具来提取缺陷。在非线性系统中，成熟的方法如Gabor滤波和小波变换等方法已被证明是在少量先验信息条件下有效的缺陷检测方法。近年来，基于Gabor滤波和小波变换的缺陷检测对寻找网格面和稳定重复纹理具有良好的效果，因为在频域更容易找到缺陷。信号处理技术也涉及大量的计算智能方法如模糊逻辑和神经网络，它为各种工业故障检测问题提供了一些有效的解决方案。但是，数据驱动方法受到计算负载和存储空间的制约。

在过去几十年中，学者们提出了各种基于模型的缺陷/故障检测方法。基于模型的算法的本质是从传感器量测中估计出系统状态。贝叶斯方法是其中最流行的一种基于模型的算法，它产生包含隐藏状态的后验系统状态分布，如缺陷的产生和类型等。贝叶斯滤波及其变形算法是检测材料表面缺陷和具有可靠性要求的过程控制系统的故障检测的有效的视觉解决方案，例如：化工过程监测。对于线性高斯系统，卡尔曼滤波器已经运用在表面缺陷视觉检测系统。粒子滤波(Particlefilter，PF)，即贝叶斯滤波的非线性非高斯实现算法，已经被用于化学过程的故障检测。然而，在实际视觉检测场景下，由于缺乏合适的视觉系统，状态估计和故障检测仍然是一个挑战。当背景像素呈现复杂的灰度概率分布时，线性高斯模型在实际的视觉检测系统无法满足缺陷检测和定位的要求。

发明内容

本发明针对现有技术存在的上述不足，提出一种基于PF的非线性系统故障/缺陷自动检测的新方法。本发明可以有效地减轻被检对象图像灰度分布不均匀，以及由于被检对象本身的几何结构引起灰度分布规则变化等干扰的问题；此外，本发明的粒子滤波算法不需要先验信息，具有较强的鲁棒性。

本发明是通过以下技术方案实现的，本发明包括以下步骤：

第一步，建立视觉系统的状态模型和测量模型。

所述的状态模型，具体是：

x_k＝F_kx_k-1+v_k(1)

其中x_k是在时间序列的状态，F_k是该状态转移模型，v_k是零均值白高斯噪声方差序列对于本文缺陷检测的问题，该动态模型采用F_k＝1时的随机游走模型。在高斯序列中每个状态也可写为

其中代表一个高斯分布的期望A和方差B。

所述时间序列的状态x_k，具体是一个高斯白噪声状态序列。当被检查的目标无缺陷，沿每条扫描线的像素的亮度呈现小的变化。因此，在一个无缺陷的图像中，灰度级沿着扫描线可以被定义为一个高斯白噪声状态序列或

所述测量模型，具体是：

z_k＝g_k(x_k)+w_k(3)

其中g_k(·)表示从状态估计x_k到测量值z_k的转移函数，w_k是零均值白高斯噪声方差序列

所述测量值z_k是数字图像中是像素的灰度值或亮度。假定在一幅M×N的图像中，任意一行或者一列像素的灰度可作为一个时间序列或者随机过程或其中k是有关像素的扫描线的一维坐标。

第二步，对于每个像素，贝叶斯滤波可由以下递归公式沿着图像的扫描线产生的状态估计。