[发明专利]一种基于haar级联器的板材表面缺陷检测改进算法

说明书

本发明是针对工业密度板材板面的可视缺陷进行检测的算法，借鉴了Haar级联器在人脸检测中的应用实例，针对板材表面缺陷的特点进行了相应的改进。将Haar级联器原有的针对人脸所设计的特征提取器进行简化，剔除冗余特征模板，只保留针对木板缺陷最有效的中心特征模板，并相应调整训练样本尺寸和模板遍历模式，达到精炼特征和提高计算效率的效果。针对暗斑和亮斑特征值正负不统一的问题，采用将原始Haar特征值取绝对值的方法实现二者的统一。针对板材表面固有纹理对局部特征的干扰问题，采用增加全局对比度的方法提升识别率，在对比度计算方面将对比度计算过程分解为梯度计算和统计计算两部分，分别与Haar特征积分图计算和特征值计算两个环节同步实现捆绑式加速。最后通过设置检索步长来控制整体检测时间。

技术领域

本发明涉及工业产品智能检测技术，涉及机器视觉领域的数字图像处理技术和人工智能领域的目标检测技术。

背景技术

在工业板材生产中最后一道工序是板面的缺陷检测，传统的检测方法依靠人工肉眼识别，这种方式一方面在缺陷把控标准上具有较大的个体性差异，另一方面难以保证时间上不间断和空间上的全覆盖，尤其是板材的下板面是人工检测的盲区。实现工业板材板面缺陷检测的自动化和智能化是提升效率和保证质量的必然要求。在板材板面缺陷检测中小目标缺陷的检测是一个难点，首先板材一般幅面较大，缺陷的相对尺寸较小，属于高分辨率小目标检测任务，需要同时兼顾精度和时间。其次板材缺陷样本的采集较困难，在样本有限的情况下寻找有效的检测方法也是一个难点。再次利用传统的图像处理方法很难找到适应所有类型缺陷的有效方法，对多变的缺陷的适应性也是该任务的另一个难点。利用基于机器学习的目标检测方法可以解决方法的适应性问题，针对样本量较小的情况，选择对样本量要求不高的Haar级联器可以兼顾这两方面。对于检测的精度和时间的问题则通过改进Haar级联器的特征提取模式、增加全局对比度特征、适当扩大遍历步长、对比度加速来实现。

发明内容

一、 创新点一：修改haar特征模板的组合和遍历方式：

1、原始的Haar级联器在计算特征时共设了14个Haar特征模板，分为三种组合：BASIC、CORE、ALL。修改后的Haar特征提取器针对木材检测任务中特征结构单一、多呈块状聚集形态的特点，在经过大量实验后只保留了中心模板。在保留中心模板的基础上尝试增加其它特征模板及调整彼此权重，训练效果反而不如使用单一中心模板的效果。中心特征模板示意图见附图1

2、经实验选取的最优训练样本尺寸为144x144，每个训练样本中，缺陷区域占比约1/9，在此基础上将中心模板的最小尺寸设为27x27，尺寸变化步长为3。同时将原始的从上到下、从左到右的遍历方式改为模板中心固定在样本中心，使模板按步长3逐步扩张到样本尺寸的方式，这样可以有效降低提取的特征的数量，减少冗余，这种情况下只需生成一个40维的特征向量就可以进行有效训练。示意图见附图2

3、为了适应缺陷出现在检测区域不同位置的情况，将2中的模板扩张方式做进一步修改：在2的基础上增加左上、左下、右上、右下四分之一区域中心作为模板的固定中心，同样按照2中的方式进行中心扩张。这种遍历方案可以采用设定横向、纵向移动步长为样本尺寸的1/3、尺寸变化步长为3进行遍历的方式来近似实现。该方式效果优于使用单一中心的扩张方式。

二、创新点二：修改Haar特征提取器的输出值

原始的Haar级联器的特征提取器输出的特征值有正有负，这种情况下暗斑缺陷和亮斑缺陷的特征值的正负不统一，就要求两类缺陷在样本集中都要有足够的比重，另一方面特征不统一也使训练难度增加。针对这个问题，采用将特征提取器的输出取绝对值的方法就能有解决这个问题。这种模式下利用暗斑缺陷样本训练出的模型也能有效检出亮斑缺陷，不仅节省了样本，也使训练收敛速度有了较大提升。

三、创新点三：增加对比度特征维及计算加速