基于機(jī)器視覺的缺陷檢測的原理與方法

基于統(tǒng)計分類的方法：

（1）基于KNN方法（最近鄰法）：利用相似度，找出k個訓(xùn)練樣本，然后打分，按得分值排序。

（2）基于Naive Bayes算法：計算概率，構(gòu)建分類模型。

引導(dǎo)：

醫(yī)生對病人進(jìn)行診斷就是一個典型的分類過程，任何一個醫(yī)生都無法直接看到病人的病情，只能觀察病人表現(xiàn)出的癥狀和各種化驗檢測數(shù)據(jù)來推斷病情，這時醫(yī)生就好比一個分類器，而這個醫(yī)生診斷的準(zhǔn)確率，與他當(dāng)初受到的教育方式（構(gòu)造方法）、病人的癥狀是否突出（待分類數(shù)據(jù)的特性）以及醫(yī)生的經(jīng)驗多少（訓(xùn)練樣本數(shù)量）都有密切關(guān)系。

一、KNN分類器

1.1.1最近鄰算法

定義：計算未知樣本與所有訓(xùn)練樣本的距離，并以最近鄰者的類別作為決策未知樣本類別的唯一依據(jù)。

缺陷：對噪聲數(shù)據(jù)過于敏感。

措施：將被決策樣本周邊的多個最近樣本計算在內(nèi)，擴(kuò)大參與決策的樣本量，以避免個別數(shù)據(jù)直接決定決策結(jié)果。

1.1.2K-最近鄰算法（KNN）

基本思路：選擇未知樣本一定范圍內(nèi)的K個樣本，該K個樣本中某一類型出現(xiàn)的次數(shù)最大，則未知樣本判定為該類型。

舉例說明：

如果K=3，綠色圓點(diǎn)的最近的3個鄰居是2個紅色小三角形和1個藍(lán)色小正方形，少數(shù)從屬于多數(shù)，基于統(tǒng)計的方法，判定綠色的這個待分類點(diǎn)屬于紅色的三角形一類。如果K=5，綠色圓點(diǎn)的最近的5個鄰居是2個紅色三角形和3個藍(lán)色的正方形，還是少數(shù)從屬于多數(shù)，基于統(tǒng)計的方法，判定綠色的這個待分類點(diǎn)屬于藍(lán)色的正方形一類。

算法執(zhí)行步驟：

（1）輸入測試集。

（2）設(shè)定參數(shù)k。

（3）遍歷測試集，對于測試集中每個樣本，計算該樣本（測試集中）到訓(xùn)練集中每個樣本的距離；取出訓(xùn)練集中到該樣本（測試集中）的距離最小的k個樣本的類別標(biāo)簽；對類別標(biāo)簽進(jìn)行計數(shù)，類別標(biāo)簽次數(shù)最多的就是該樣本（測試集中）的類別標(biāo)簽。

（4）遍歷完畢,輸出測試集的類別。

1.1.3 知識補(bǔ)充

距離度量表示的是兩樣本之間的相似程度。

常用距離度量方式：

二、樸素貝葉斯分類器

2.1貝葉斯公式

貝葉斯公式理解

（怎樣用非數(shù)學(xué)語言講解貝葉斯定理（Bayes’s theorem）？）

2.2樸素貝葉斯分類器

2.2.1基本思想

對于給出的待分類項，求解在此項出現(xiàn)的條件下各個類別出現(xiàn)的概率，哪個最大，就認(rèn)為此待分類項屬于哪個類別。

2.2.2樸素貝葉斯“公式”

2.2.3樸素貝葉斯分類器

三、瑕疵缺陷檢測

檢測方法：

（1）瑕疵缺陷圖像特征的選擇與提取。

（2）計算缺陷圖像與標(biāo)準(zhǔn)圖像關(guān)于灰度的差值。

（3）通過差值與設(shè)定閾值比較判斷是否存在缺陷。

3.1缺陷圖像差分法

3.1.1基本原理

3.1.2基本流程

（1）有效檢測區(qū)域的設(shè)定

（2）圖像配準(zhǔn)與剪裁

（3）設(shè)定差分閾值

（4）缺陷位置的判別

3.2缺陷圖像特征的選擇與提取

3.2.1特征提取方法

（1）灰度值特征

（2）灰度差特征

（3）直方圖特征

（4）變換系數(shù)特征

（5）線條和角點(diǎn)的特征

（5）灰度邊緣特征

（6）紋理特征

3.2.2特征選擇（數(shù)據(jù)降維）

降維的原因：在機(jī)器學(xué)習(xí)中，如果特征值即維度過多，會引發(fā)維度災(zāi)難。維度災(zāi)難最直接的后果就是過擬合現(xiàn)象，進(jìn)而導(dǎo)致分類識別的錯誤，因此我們需要對所提的特征進(jìn)行降維處理。

基本原理：特征選擇是將原始空間進(jìn)行變換，重新生成一個維數(shù)更小各維之間更獨(dú)立的特征空間。

降維面臨的問題：

（1）降維后數(shù)據(jù)應(yīng)該包含更多的信息？

（2）降維后會損失多少信息？

（3）降維后對分類識別效果有多大影響？

數(shù)據(jù)降維后的好處：

（1）進(jìn)行數(shù)據(jù)壓縮，減少數(shù)據(jù)存儲所需空間以及計算所需時間。

（2）消除數(shù)據(jù)間的冗余，以簡化數(shù)據(jù)，提高計算效率。

（3）去除噪聲，提高模型性能。

（4）改善數(shù)據(jù)的可理解性，提高學(xué)習(xí)算法的精度。

（5）將數(shù)據(jù)維度減少到2維或者3維，進(jìn)行可視化。

常用方法：主成分分析，隨機(jī)映射，非負(fù)矩陣分解。

3.2.3主成分分析（PCA）

方法概述：此方法目標(biāo)是找到數(shù)據(jù)中最主要的元素和結(jié)構(gòu)，去除噪音冗余，將原有的復(fù)雜數(shù)據(jù)降維，揭露出隱藏在復(fù)雜數(shù)據(jù)背后的簡單結(jié)構(gòu)。主成分分析就是試圖在力保數(shù)據(jù)信息丟失最少的原則下，對這種多變量的數(shù)據(jù)表進(jìn)行最佳綜合簡化。這些綜合指標(biāo)就稱為主成分，也就是說，對高維變量空間進(jìn)行降維處理，很顯然，識辨系統(tǒng)在一個低維空間要比在一個高維空間容易得多。從線性代數(shù)角度來看，PCA目標(biāo)是找到一組新正交基去重新描述得到的數(shù)據(jù)空間，這個維度就是主元。

3.3灰度形態(tài)學(xué)的缺陷檢測

3.3.1概述

灰度數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算有膨脹、腐獨(dú)、開啟和關(guān)閉，其中利用膨脹和腐蝕的組合可構(gòu)成開啟和關(guān)閉，而利用開啟和關(guān)閉又可構(gòu)成形態(tài)濾波器。

在灰度圖像的形態(tài)分析中，結(jié)構(gòu)元素可以是何的三維結(jié)構(gòu)，常用的有圓錐、圓柱、半球或拋物線。模板尺寸總是奇數(shù)，這樣檬板中心正好對應(yīng)一個像素。

3.3.2      形態(tài)操作對圖像影響

（1）膨脹灰度圖像的結(jié)果是，比背景亮的部分得到擴(kuò)張，而比背景暗的部分受到收縮。

（2）腐蝕灰度圖像的結(jié)果是，比背景暗的部分得到擴(kuò)張，而比背景亮的部分受到收縮。

（3）開啟一幅圖像可消除圖中的孤島或尖峰等過亮的點(diǎn)。

（4）關(guān)閉一幅圖可將比背景暗且尺寸比結(jié)構(gòu)元素小的結(jié)構(gòu)除掉。

（5）形態(tài)濾波器是非線性信號濾波器，它通過變換來局部地修改信號的幾何特征。將開運(yùn)算和閉運(yùn)算結(jié)合起來可消除噪聲。

（6）如果用一個小的結(jié)構(gòu)元素先開啟再閉合一幅圖像，就有可能將圖像中小于結(jié)構(gòu)元素的類似噪聲結(jié)構(gòu)除去。

3.3.3實例說明

電路板布線的缺陷檢測：對于一幅大小為1100×870、灰度級為256的電路板灰度圖像，其布線缺陷分為斷線和毛刺，利用灰度形態(tài)學(xué)檢測這些缺陷。取結(jié)構(gòu)元素為5×5的半球模板，首先對原圖灰度開啟，消除比鄰域亮且尺寸比結(jié)構(gòu)元素小的區(qū)域；然后對原圖灰度閉合，消除比鄰域暗且尺寸比結(jié)構(gòu)元素小的區(qū)域，兩次結(jié)果差異即為缺陷。

四、劃痕檢查

概述：劃痕檢測的基本分析過程分為兩步首張，確定檢測產(chǎn)品表面是否有劃痕，其次，在確定被分析圖像上存在劃痕之后，對劃痕進(jìn)行提取。由于在工業(yè)檢測中圖像的多樣性，對于每一種圈像，都要經(jīng)過分析綜合考慮各種手段來進(jìn)行處理達(dá)到效果。一般來說，劃痕部分的灰度值和周圍正常部分相比要暗，也就是劃痕部分灰度值偏小，而且大多都是在光滑表面，所以整幅圖的灰度變化總體來說非常均勻，缺乏紋理特征。

基本方法：基于統(tǒng)計的灰度特征或者閾值分割的方法將劃痕部分標(biāo)出。

版權(quán)聲明：本文為CSDN博主「橡皮人生」的原創(chuàng)文章，遵循CC 4.0 BY-SA版權(quán)協(xié)議，轉(zhuǎn)載請附上原文出處鏈接及本聲明。

原文鏈接：https://blog.csdn.net/qq_40719550/java/article/details/84030419