[发明专利]一种建筑陶瓷表面花纹图案质量检测方法

摘要

本发明属于一种建筑陶瓷表面花纹图案质量检测方法，方法是通过视觉显著性模型与卷积神经网络模型相结合，自动检测建筑陶瓷表面花案显著性区域，采用Grabcut自动分割表面花纹图案，利用卷积神经网络模型对表面花纹图案的质量进行检测，达到了很高的检测准确率。本发明能够对建筑陶瓷和彩色建筑陶瓷表面花纹图案质进行有效检测，有节省劳力，降低劳动强度，工作效率高和检测精度高的优点。

主权项

一种建筑陶瓷表面花纹图案质量检测方法，其特征在于，包括如下步骤：(1)提取基于卷积神经网络视觉显著性模型的建筑陶瓷表面花纹图案特征，包括，基于视觉显著性模型的建筑陶瓷表面花纹图案的粗略显著性图；所述的粗略显著性图的过程为：显著性模型采取了一个由粗到细的两级策略，在第一级中，提出融合对比度先验知识显著性图、中心先验显著性图和边界先验显著性图来得到粗糙显著性图；第二级中，融合基于边界先验知识的背景能量项、基于粗糙显著性图的数据能量项以及基于光滑先验的光滑能量项，提出了新的能量方程：S*=argminS12(Σi=1N(1-ctri)·Si2+Σi=1NScoar(i)·(Si-1)2+Σi=1Nλi·(Si-Scoar(i))2+Σi=1NTi·(Si-Zi)2+Σi,j=1Nwij·(Si-Sj)2)]]>其中i表示图像中第i个超像素，N代表图像中超像素个数，Si表示超像素i的显著性值，Ti表示确定的超像素，Zi表示确定的显著性超像素，ctri表示任何一个超像素和边界超像素的相关性，Scoar(i)表示在粗糙显著性图中超像素i的显著性值；对上述能量方程求导，并令其为0，求得最优解为：S*＝(C+V+X+T+D‑W)‑1(V+Xy+TZ)其中C＝diag{1‑ctr1，1‑ctr2，...，1‑ctrN}表示背景先验知识矩阵，V＝diag{Scoar(1)，Scoar(2)，...，Scoar(N)}表示粗糙显著性图先验矩阵，X＝diag{λ1，λ2，...，λN}是表示λi值的对角矩阵，T＝diag{T1，T2，...，TN}表示确定的前景和背景像素；W＝[wij]N×N表示颜色相关矩阵，D＝diag{d11，d22，...，dNN}是一个对角矩阵，dii＝∑jwij是颜色相关矩阵的列向量之和；y＝[Scoar(1)，Scoar(2)，...，Scoar(N)]T是粗糙显著性图中超像素的显著性值向量；Z＝[Z1，Z2，...，ZN]T表示确定的前景像素向量；基于Grabcut方法自动分割待检测的建筑陶瓷表面花纹图案；所述的Grabcut自动分割待检测的建筑陶瓷表面花纹图案过程为：采用卷积神经网络视觉注意模型获得显著图(Saliency Map)，构建图模型时的上下文；灰度最高的区域对应目标硬约束，灰度最低的区域对应于背景硬约束；通过设定阈值范围，由总显著图自动确定视频帧中目标和背景的区域分布，形成Grabcut的硬约束，其它像素可转换为视频帧对应点归属前景或背景的概率，用来设置图模型的终端与节点间的边权值；然后利用视频帧的边界特性，设置图模型的节点之间的边权值，从而构建出一个完整的图模型；将最大概率的标记问题转化为能量函数最小化问题，用图论的方法来求解，最终实现自动分割的相关算法；针对分割的建筑陶瓷表面花纹图案，提取颜色和纹理特征；(2)训练卷积神经网络模型；将步骤(1)提取的建筑陶瓷表面花纹图案特征和标准的建筑陶瓷表面花纹图案标记样本特征，训练卷积神经网络模型，检测建筑陶瓷表面缺陷；(3)在线检测建筑陶瓷产品表面花纹图案的质量，包括：采集包含待检测建筑陶瓷的图像；利用步骤(1)所述方法，提取建筑陶瓷表面花纹图案及特征；利用步骤(2)训练的卷积神经网络模型，检测建筑陶瓷表面缺陷；所述的在线检测建筑陶瓷产品表面花纹图案质量过程为：(a)对生产线上的建筑陶瓷产品，利用步骤(1)所述方法，自动分割待检测建筑陶瓷表面花纹图案；(b)对分割的建筑陶瓷表面花纹图案，利用步骤(1)所述方法，提取其颜色和纹理特征；基于步骤(2)所得到的卷积神经网络模型，对产品进行分类，多次计算其平均值，发现待检测表面花纹图案与标准表面花纹图案匹配相似度大于98％，被认为是合格产品。