[发明专利]一种基于贝叶斯小样本学习的表面缺陷检测方法

权利要求书

1.一种基于贝叶斯小样本学习的表面缺陷检测方法，其特征在于，步骤如下:

步骤1：首先采用线阵工业相机对工业生产中的被检物进行图像采集；

步骤2：将采集的被检物图像从RGB颜色空间转成单通道的灰度图像；

步骤3：将步骤2获得的图像进行滑窗滤波将被检物图像中的噪声点去除；

步骤4：用sobel算子对步骤3获得的图像中的缺陷进行增强处理；

步骤5：在被检物图像中选取经过增强的正常的训练样本和有缺陷的训练样本各一幅作为待训练样本，并计算出它们的梯度特征并进行学习；

步骤6：计算待检测样本的梯度特征，依据学习得到的梯度特征分别求取其属于完好样本和存在缺陷样本的先验概率；

步骤7：通过贝叶斯算法将待检测样本的先验概率和样本的总体分布相结合来求取待检测样本属于完好样本和存在缺陷样本的后验概率；

步骤8：比较待检测样本属于完好样本和存在缺陷样本的后验概率大小，后验概率更大的那一类即为待检测样本所属的类。

2.根据权利要求1所述的基于贝叶斯小样本学习的表面缺陷检测方法，其特征在于，所述通过贝叶斯算法计算后验概率的方法如下：

将待检测样本的特征值与学习得到的训练样本的梯度值作对比得到两者的相似度Feature0和Feature1，分别为正常类的相似度和缺陷类的相似度，如公式(5)和公式(6)所示：

D_c(i)是待检测样本的梯度值，和分别是学习得到的正常训练样本的梯度值和有缺陷训练样本的梯度值；公式(7)为待检测样本的特征值属于完好样本的先验概率或存在缺陷样本的先验概率，其中k＝0时为完好样本，k＝1时为存在缺陷样本：

y表示被检物所属的类别值，若被检物存在缺陷，y＝1；若被检物不存在缺陷，y＝0；得到待检测样本的特征值属于k类样本的先验概率P(D_c(i)|y＝k)后，再计算待检测样本的特征值D_c(i)属于k类样本的后验概率,如公式(8)所示：

其中P(D_c(i))在待检测样本属于不同类别时都相同，不影响不同类别的后验概率的比较结果，因此在计算中可以将其省略，所有特征值所属的k类样本的后验概率之积即为待检测样本的后验概率，为了不使其过度趋向于0，如公式(9)所示取对数求和求得后验概率P(y＝k|I_c)：

其中I_c为检测阶段被检物的图像。