[发明专利]基于机器视觉的金属纽扣瑕疵检测方法

摘要

本发明涉及一种基于机器视觉的金属纽扣瑕疵检测方法，其特征在于，包括以下步骤：步骤1、利用训练数据集对ELM‑SRC模型进行训练；步骤2、将实时获得的实时金属纽扣图像输入训练后的ELM‑SRC模型，判断当前的金属纽扣是否有瑕疵。本发明应用于工业生产的纽扣的瑕疵检测领域，首先提出了专门针对金属纽扣采集后图像的预处理流程，包括去反光、提取边缘信息、降维等。其次在ELM的二分类网络上做出了如下的改进，加上正则化项，并用5‑flod交叉验证优化正则化参数。ELM与稀疏编码网络进行级联，实现了对高噪声纽扣的二次分类，在保证准确率的同时，降低了仅使用SRC网络的计算复杂度，提升了ELM网络模型的鲁棒性。

主权项

1.一种基于机器视觉的金属纽扣瑕疵检测方法，其特征在于，包括以下步骤：步骤1、利用训练数据集对ELM‑SRC模型进行训练，包括以下步骤：步骤101、训练数据集由nk个金属纽扣图像样本组成，nk个金属纽扣图像样本中有nk1个金属纽扣图像样本对应的金属纽扣为正品，nk2个金属纽扣图像样本对应的金属纽扣有瑕疵，将有瑕疵的金属纽扣定义为负样本，其他金属纽扣则定义为正样本，负样本与正样本有不同的标签；步骤102、对nk个金属纽扣图像样本进行预处理，提取每个金属纽扣图像样本的样本图像特征；步骤103、将步骤102得到的样本图像特征作为列向量构造稀疏字典A，A＝[A₁,A₂]，式中：A₁为正样本字典，v_1,i为属于正样本类的第i列样本图像特征；A₂为负样本字典，v_2,j为属于负样本类的第j列样本图像特征；根据不同的分类，稀疏字典A中每个样本图像特征都有相对应的标签；步骤104、利用稀疏字典A及标签对ELM分类算法进行训练，训练时计算每个样本图像特征输入ELM分类算法后的输出值，计算条件参数tdiff，tdiff＝of‑os，式中：of为样本图像特征得到的ELM分类算法针对正样本类或负样本类的输出最大值，os为同一样本图像特征得到的ELM分类算法针对同一分类的输出次大值，若条件参数tdiff不小于阈值threshold，则结束当前样本图像特征对ELM分类算法的训练，否则，进入步骤105；步骤105、用条件参数tdiff小于阈值threshold的样本图像特征对SRC分类算法进行训练，得到训练后的ELM‑SRC模型；步骤2、将实时获得的实时金属纽扣图像输入训练后的ELM‑SRC模型，判断当前的金属纽扣是否有瑕疵，包括以下步骤：步骤201、对实时金属纽扣图像进行预处理，提取该实时金属纽扣图像的实时图像特征；步骤202、将实时图像特征输入训练后的ELM‑SRC模型，由ELM‑SRC模型输出与当前实时图像特征相对应的分类结果，根据分类结果得到当前金属纽扣是否有瑕疵。