[发明专利]基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法

权利要求书

1.一种基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法，其特征在于，包括以下步骤：

S1：采用机器视觉系统对手机屏幕进行图像采集；

S2：采集到图像数据进行传输，并存储于数据库，同时对数据进行去噪、清洗等预处理操作，获取大量用于模型学习的手机屏幕训练集图像；

S3：采用方块截断编码算法对屏幕图像进行纹理特征提取，获取用于缺陷识别的手机屏幕特征；

S4：采用基于样本信息度混合采样训练集均衡化方法，对非均衡的训练集进行采样，生成多个差异的均衡化训练集，建立多个手机屏幕缺陷检测与分类的支持向量机模型，并进行模型集成；

S5：依据投票规则，实现手机屏幕缺陷检测与分类。

2.根据权利要求1所述的基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法，其特征在于，所述步骤S2中先对测量标记进行识别，计算出其横线或纵线的像素个数C，当出现对角线方向的误差时，测量标记会产生小角度的旋转，通过计算偏转角度来纠正图像位置误差。

3.根据权利要求2所述的基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法，其特征在于，所述步骤S2中，计算偏转角度的过程是：

当出现对角线方向的误差时，测量标记会产生小角度的旋转，但其横线或纵线的长度不会发生变化，这就是说此时图像中的横线或纵线的像素值不会发生变化，等于C；最后，将其横线或纵线往水平方向或垂直进行投影，这时其像素个数会发生变化，此时通过计算出实际横线或纵线的像素个数C，除以理想状态下的横线或纵线的像素个数C，再对其求余弦值，即可求出偏转角度。

4.根据权利要求2或3所述的基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法，其特征在于，所述步骤S3中，运用基于BTC方法提取了手机玻璃屏图像的纹理特征。

5.根据权利要求4所述的基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法，其特征在于，所述手机玻璃屏图像的纹理特征提取的过程是：

令J是一幅M×N图像，将J划分为m×m的互不重叠的子正方块，对于每个子块，计算块内像素的灰度均值A_t和平均灰度差K；按照BTC的思想，对于每个子块中的像素点，灰度值大于A_t的赋值为1，反之为0，就得到了一系列m×m的二进制块，这些二进制块成功的体现了图像块内的纹理特征，最后用与二进制块等值的十进制值来表示这些纹理基元即图像块的值，完成了手机玻璃屏图像纹理基元特征的提取。

6.根据权利要求5所述的基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法，其特征在于，采用支持向量机识别多类样本中的支持向量集和非支持向量集；采用KNN近邻法，去除支持向量集中的噪声样本，生成新支持向量集；对非支持向量集进行多次随机欠采样，生成n个非支持向量集，将n个非支持向量集和新支持向量集进行组合，生成n个差异化的新多类样本集。

7.根据权利要求6所述的基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法，其特征在于，所述KNN近邻法的具体操作为：支持向量集中样本x_i的近邻样本数为k，近邻样本中多类样本为m,若则x_i被认定噪声样本；对少量样本进行计算样本集中样本间的马氏距离d_ij，基于马氏距离评估样本间的相似度s_ij，依据阈值对s_ij进行优化，构建图，图中边的权重w_ij＝s_ij；样本x_i的信息度，根据样本信息度大小，设置样本在过采样中的权重大小，采用加权SMOTE方法对少类样本进行过采样，生成新的少类样本集。