一种包装表面纹理特征提取与智能识别方法与流程
本发明涉及机器视觉与图像处理,具体为一种包装表面纹理特征提取与智能识别方法。
背景技术:
1、在工业自动化生产线中,机器视觉技术被广泛应用于包装表面质量的检测与控制。通常的检测方式是采用固定光源对包装表面进行照明,通过工业相机采集表面图像,随后利用图像处理算法或深度学习网络对图像中的纹理特征进行提取,以此判断是否存在划痕、污损或异物等表面缺陷。
2、然而,由于包装材料表面普遍具有不同程度的反光特性,现有检测方法在实际应用中面临较为明显的局限。在采用传统固定的照明模式时,光场分布无法根据包装表面的物理属性进行动态调整。当面对复杂反光表面时,光源极易在特定角度产生局部强反射,导致相机感光元件局部过饱和形成过曝,而周边区域则可能对比度不足形成欠曝。这种在图像采集阶段由于物理条件限制造成的纹理灰度信息丢失,很难通过后期的软件算法进行有效还原。
3、此外,由于产线环境存在杂散光,且设备自身结构内存在光线的多重漫反射,采集到的图像往往叠加了复杂的混合时空信号。现有技术在处理这类图像时,通常采用全局或固定的阈值设定来分离背景与缺陷,缺乏对局部背景纹理复杂度的适应机制。在复杂的本底噪声干扰下,表面微小缺陷的特征信号容易与正常背景纹理混淆,导致提取出的缺陷轮廓不准确。这种特征提取阶段的误差直接向后传递,使得后续的分类网络模型缺乏可靠的分类判定边界,最终表现为产线环境下的缺陷识别准确率偏低,漏检与误报频发。
技术实现思路
1、针对现有技术的不足,本发明提供了一种包装表面纹理特征提取与智能识别方法,解决了现有包装表面检测方法在复杂反光背景下容易产生局部过曝或欠曝,导致纹理特征提取受干扰,使得表面较小异常与正常本底噪声难以有效区分,造成缺陷识别的准确率偏低的问题。
2、为实现以上目的,本发明通过以下技术方案予以实现:
3、一种包装表面纹理特征提取与智能识别方法,包括以下步骤:
4、依据预设的标准二值正交矩阵与预先获取的本底反射极值参数,计算驱动衰减权重并生成预调制正交编码矩阵;
5、根据所述预调制正交编码矩阵驱动光源与相机采集构成图像序列;
6、对所述图像序列执行空间网格划分,提取灰度均值参数生成一维时空反射特征向量;
7、基于所述预调制正交编码矩阵对所述一维时空反射特征向量进行投影解耦,计算理论响应分量;
8、利用所述理论响应分量反向计算重构特征序列与所述一维时空反射特征向量的正交重构残差能量;
9、将所述正交重构残差能量超过基于样本本底残差能量设定的容差阈值的空间网格,标记为空间异常种子点;
10、从所述空间异常种子点执行区域生长,将特征相似度大于由本底方差和基础相似度阈值确定的动态相似度阈值的相邻空间网格,合并生成异常轮廓区域;
11、提取所述异常轮廓区域的综合特征向量输入分类网络模型输出判定结果。
12、进一步地,所述计算驱动衰减权重,包括:
13、获取初始的标准二值正交矩阵作为基础时间序列模板;
14、依次输出单通道使能信号逐个驱动光源中包含的独立发光区段单独点亮;
15、与所述单通道使能信号同步连续执行曝光采集单光源光场图像;
16、对所述单光源光场图像进行全局像素遍历,提取各帧图像内的灰度峰值作为所述本底反射极值参数;
17、获取基于相机感光量程物理上限标定的灰度安全阈值;
18、评估所述本底反射极值参数与所述灰度安全阈值的比值关系;
19、在所述本底反射极值参数小于或等于所述灰度安全阈值时,确定所述驱动衰减权重为数值1;
20、在所述本底反射极值参数大于所述灰度安全阈值时,将所述灰度安全阈值除以所述本底反射极值参数所得的商作为所述驱动衰减权重。
21、进一步地,所述生成预调制正交编码矩阵,包括:
22、构建包含多个所述驱动衰减权重的一维向量;
23、将所述一维向量内的各项所述驱动衰减权重,分别与所述标准二值正交矩阵中对应列的元素进行逐项缩放运算;
24、将位于目标行和目标列的元素数值设定为所述标准二值正交矩阵中同位置的基础开关参量与对应列的所述驱动衰减权重的乘积,生成所述预调制正交编码矩阵。
25、进一步地,所述驱动光源与相机采集构成图像序列,包括:
26、将所述预调制正交编码矩阵解析为对应多条物理通道的脉冲宽度调制信号输出至所述光源;
27、获取设备通信总线硬件固有的传输时延参数在控制逻辑中执行延迟补偿;
28、在经过所述延迟补偿且所述光源的光强输出达到稳定物理状态后,向所述相机发送电平跳变触发信号开启全局快门曝光窗口;
29、设定所述光源的单次发光维持时间大于所述相机的曝光时间;
30、按时间先后顺序依次遍历所述预调制正交编码矩阵的多行指令,执行多次不同组合方式的并发照明并同步执行连续曝光;
31、将连续采集的多帧光场图像在内存空间中进行逐层堆叠,构建生成三维图像序列张量作为所述图像序列。
32、进一步地,所述计算理论响应分量,包括:
33、获取基于环境背景噪声强度标定的正则化系数进行平滑处理;
34、利用最小二乘法进行投影映射,结合所述正则化系数求解所述预调制正交编码矩阵的逆矩阵;
35、利用求解出的所述逆矩阵与所述一维时空反射特征向量进行乘积运算,提取多个光照方向对应的独立反射率本征值作为所述理论响应分量。
36、进一步地,所述计算正交重构残差能量及设定的所述容差阈值,包括:
37、利用所述理论响应分量与所述预调制正交编码矩阵进行乘积运算,反向计算生成所述重构特征序列;
38、提取所述一维时空反射特征向量与生成所述重构特征序列;
39、计算所述一维时空反射特征向量与所述重构特征序列在各个序列索引下对应元素的差值平方,将多个序列元素对应的差值平方进行累加求和得到所述正交重构残差能量;
40、提取无缺陷包装样本执行光场照射与投影解耦计算,计算无缺陷包装样本空间网格的本底残差能量;
41、提取所述本底残差能量的统计分位数值,将所述统计分位数值乘以安全系数设定为所述容差阈值。
42、进一步地,所述合并生成异常轮廓区域,包括:
43、将所述空间异常种子点作为初始生长原点建立待处理的像素队列;
44、提取所述空间异常种子点所在空间网格的所述理论响应分量作为初始参考特征向量;
45、利用余弦相似度计算所述相邻空间网格的所述理论响应分量与所述初始参考特征向量之间的方向夹角作为所述特征相似度;
46、在所述余弦相似度分母中引入用于防止除以零的较小数值作为预设平滑常数;
47、统计包含周边网格的局部区域内的本底方差,在由样本历史数据统计给定的基础相似度阈值基础上,根据所述本底方差减去线性调节系数设定所述动态相似度阈值;
48、在所述特征相似度大于所述动态相似度阈值且在二维空间坐标上直接相邻时,将所述相邻空间网格并入连通域集合;
49、在所述特征相似度小于或等于所述动态相似度阈值时,剔除所述相邻空间网格并停止当前方向的延伸;
50、重新计算所述连通域集合内所有空间网格所述理论响应分量的代数平均值更新所述初始参考特征向量并执行迭代直至生成所述异常轮廓区域。
51、进一步地,所述提取所述异常轮廓区域的综合特征向量,包括:
52、统计所述异常轮廓区域内包含的空间网格总数作为像素面积;
53、追踪计算外围轮廓像素链的长度作为边界周长;
54、利用所述边界周长与所述像素面积计算几何紧凑度,在分母项引入防止数值溢出的常量作为预设防溢出常数;
55、将所述像素面积、所述边界周长及所述几何紧凑度组合为形态学特征;
56、提取所述异常轮廓区域内部的平均正交重构残差能量及所述理论响应分量的统计方差作为多维物理特征;
57、将所述形态学特征与所述多维物理特征按固定顺序进行拼接生成固定维度的所述综合特征向量。
58、进一步地,所述输入分类网络模型输出判定结果,包括:
59、利用线性归一化逻辑对所述综合特征向量进行预处理将各维度数值缩放至零至一的区间内;
60、将预处理后的所述综合特征向量输入带有修正线性单元激活函数的隐藏层进行非线性特征空间映射;
61、利用归一化指数函数运算输出对应于业务缺陷类别的概率分布向量,提取所述概率分布向量中的概率峰值;
62、获取基于虚警率与漏检率平衡要求设定的置信度阈值;
63、在所述概率峰值超过所述置信度阈值时判定属于所述概率峰值对应的缺陷类别;
64、在所述概率峰值小于或等于所述置信度阈值时判定为未知异状,并将判定记录输出至产线拦截系统执行物理剔除动作。
65、进一步地,所述输入分类网络模型输出判定结果之前,还包括:
66、获取包含已知缺陷的样本对应的所述综合特征向量作为训练样本数据;
67、分配对应的具体缺陷类别转化为独热编码向量作为监督标签;
68、利用交叉熵损失函数计算分类网络模型预测概率与所述监督标签之间的误差;
69、利用自适应矩估计优化器调整权重矩阵与偏置向量执行反向传播更新,完成所述分类网络模型的训练并部署至产线检测终端中应用。
70、本发明提供了一种包装表面纹理特征提取与智能识别方法。具备以下有益效果:
71、1、本发明通过提取本底反射极值参数计算驱动衰减权重并生成预调制正交编码矩阵,直接在硬件控制层面实现光源多通道并发调制的控制;在图像采集阶段对局部强反射区域执行物理级的光强衰减补偿,有效抑制了感光元件的像素过饱和,维持了采集过程中的有效动态范围,从而保留了包装表面真实的纹理灰度信息。
72、2、本发明基于预调制正交编码矩阵对一维时空反射特征向量执行投影解耦计算,结合最小二乘法与正则化系数求解逆矩阵提取理论响应分量;在数值层面分离了环境杂散光与设备自身结构的信号串扰,将光场中多重反射叠加的混合信号还原为不同光照方向下的本征反射率,提高了微弱纹理特征提取的抗干扰能力。
73、3、本发明利用局部空间网格的本底方差计算动态相似度阈值以控制异常区域的生长边界,并将轮廓的几何形态特征与重构残差等物理特征拼接为综合特征向量输入分类网络;动态阈值机制使异常轮廓的提取能自动适应背景纹理的离散度,而多维度的特征输入为网络模型提供了更明确的分类判定边界,降低了复杂背景下的缺陷漏检与误报概率。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com