[发明专利]一种电容器外观缺陷识别方法及识别装置

权利要求书

1.一种电容器外观缺陷识别方法，其特征在于，包括以下步骤：

S1、获取待识别的目标电容器的图像；

S2、对所述目标电容器的图像进行图像分割，得到目标电容器的分割区域图像，所述分割区域图像包括针脚区域图像、胶盖区域图像及胶管区域图像中的一种或多种；

S3、在预设的特征类型范围内，计算所述分割区域图像的特征值，并将计算得到的特征值合并为所述目标电容器的图像的特征向量；

S4、将所述分割区域图像的特征向量输入到预先完成训练的电容器外观缺陷识别神经网络模型中，得到缺陷识别判定结果。

2.根据权利要求1所述的缺陷识别方法，其特征在于，所述电容器外观缺陷识别神经网络模型通过以下步骤完成训练：

组建样本库，所述样本库中包括多个训练样本，每个训练样本包括电容器的样本图像及其对应的分类结果；

对每一个训练样本的样本图像进行图像分割，得到样本图像的一个或多个分割区域图像，并将所有的分割区域图像的特征值合并得到每个样本图像的特征向量；

将所述样本库中所有样本图像的特征向量组成初始矩阵特征向量，并对所述初始矩阵特征向量进行数据降维操作，得到降维特征向量；

将所述降维特征向量作为输入量，结合对应的样本图像的分类结果，采用反向传播算法对多层感知器模型进行训练至收敛，得到电容器外观缺陷识别神经网络模型。

3.根据权利要求2所述的缺陷识别方法，其特征在于，所述对所述初始矩阵特征向量进行数据降维操作包括以下步骤：

对所述初始矩阵特征向量中同一个特征向量类型求平均特征值；

将初始矩阵特征向量中特征向量类型的原始特征值减去对应的平均特征值，得到矩阵特征差值；

对所述矩阵特征差值求协方差矩阵，并求协方差矩阵的特征值和特征向量；

将协方差矩阵的特征值按照从大到小的顺序排序，选择排在前k个的特征值，然后将其对应的k个特征向量分别作为列向量组成特征向量降维矩阵；

将所述矩阵特征差值中的特征值投影到选取的k个特征向量上，得到降维矩阵特征向量。

4.根据权利要求2所述的缺陷识别方法，其特征在于，所述S3中预设的特征类型范围与所述降维特征向量包含的特征类型相同，所述特征类型包括面积、灰度、矩形度和圆度。

5.根据权利要求1所述的缺陷识别方法，其特征在于，步骤S2中图像分割包括以下步骤：

对目标电容器的图像进行一次固定阈值分割，得到电容表面区域图像；

对所述电容表面区域图像进行三次动态阈值分割，分别得到针脚区域图像、胶盖区域图像及胶管区域图像。

6.根据权利要求2所述的缺陷识别方法，其特征在于，所述电容器外观缺陷识别神经网络模型的训练过程还包括对收敛的电容器外观缺陷识别神经网络模型进行验证，验证过程包括以下步骤：

获取测试样本，每个测试样本包括电容器的测试图像及其对应的分类结果；

对所述测试图像进行图像分割，得到分割区域测试图像；

在降维特征向量包含的特征类型范围内，计算所述分割区域测试图像的特征值，并将计算得到的特征值合并为所述分割区域测试图像的特征向量；

将所述分割区域测试图像的特征向量输入到所述收敛的电容器外观缺陷识别神经网络模型中，得到缺陷识别测试结果；

统计所述缺陷识别测试结果与对应的分类结果一致的概率，若一致的概率达到预设的准确率阈值，则所述神经网络训练完成，否则重新对所述神经网络进行训练。

7.根据权利要求1所述的缺陷识别方法，其特征在于，步骤S1中目标电容器的图像通过全外观扫描方式获取，对所述电容器的拍摄方向包括拍摄底凸、拍摄胶盖凸和胶盖倾斜、拍摄极偏、拍摄极反，每次拍摄的曝光时间至少预留100ms。