1. 程式人生 > >瞭解基於視覺的缺陷檢測的原理與方法

瞭解基於視覺的缺陷檢測的原理與方法

  • 一、KNN分類器
    1.1.1最近鄰演算法
         定義:計算未知樣本與所有訓練樣本的距離,並以最近鄰者的類別作為決策未知樣本類別的唯一依據。
         缺陷:對噪聲資料過於敏感。
         措施:將被決策樣本週邊的多個最近樣本計算在內,擴大參與決策的樣本量,以避免個別資料直接決定決策結果。
    1.1.2K-最近鄰演算法(KNN)
         基本思路:選擇未知樣本一定範圍內的K個樣本,該K個樣本中某一型別出現的次數最大,則未知樣本判定為該型別。
         舉例說明:
    如果K=3,綠色圓點的最近的3個鄰居是2個紅色小三角形和1個藍色小正方形,少數從屬於多數,基於統計的方法,判定綠色的這個待分類點屬於紅色的三角形一類。如果K=5,綠色圓點的最近的5個鄰居是2個紅色三角形和3個藍色的正方形,還是少數從屬於多數,基於統計的方法,判定綠色的這個待分類點屬於藍色的正方形一類。
    在這裡插入圖片描述

         演算法執行步驟:
    (1)輸入測試集。
    (2)設定引數k。
    (3)遍歷測試集,對於測試集中每個樣本,計算該樣本(測試集中)到訓練集中每個樣本的距離;取出訓練集中到該樣本(測試集中)的距離最小的k個樣本的類別標籤;對類別標籤進行計數,類別標籤次數最多的就是該樣本(測試集中)的類別標籤。
    (4)遍歷完畢,輸出測試集的類別。
    1.1.3 知識補充
          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:
    在這裡插入圖片描述
    二、樸素貝葉斯分類器
    2.1貝葉斯公式
    貝葉斯公式理解
    https://www.zhihu.com/question/19725590/answer/241988854
    (怎樣用非數學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
         對於給出的待分類項,求解在此項出現的條件下各個類別出現的概率,哪個最大,就認為此待分類項屬於哪個類別。
    在這裡插入圖片描述

    2.2.2樸素貝葉斯“公式”
    在這裡插入圖片描述
    在這裡插入圖片描述
    2.2.3樸素貝葉斯分類器
    在這裡插入圖片描述
    三、瑕疵缺陷檢測
    檢測方法:
    (1)瑕疵缺陷影象特徵的選擇與提取。
    (2)計算缺陷影象與標準影象關於灰度的差值。
    (3)通過差值與設定閾值比較判斷是否存在缺陷。
    3.1缺陷影象差分法
    3.1.1基本原理
    在這裡插入圖片描述
    3.1.2基本流程
    (1)有效檢測區域的設定
    (2)影象配準與剪裁
    (3)設定差分閾值
    (4)缺陷位置的判別
    3.2缺陷影象特徵的選擇與提取
    詳見:https://zhuanlan.zhihu.com/p/43488853
    3.2.1特徵提取方法
    (1)灰度值特徵
    (2)灰度差特徵
    (3)直方圖特徵
    (4)變換系數特徵
    (5)線條和角點的特徵
    (5)灰度邊緣特徵
    (6)紋理特徵
    3.2.2特徵選擇(資料降維)
    降維的原因:在機器學習中,如果特徵值即維度過多,會引發維度災難。維度災難最直接的後果就是過擬合現象,進而導致分類識別的錯誤,因此我們需要對所提的特徵進行降維處理。
    基本原理:特徵選擇是將原始空間進行變換,重新生成一個維數更小各維之間更獨立的特徵空間。
    降維面臨的問題:
    (1)降維後資料應該包含更多的資訊?
    (2)降維後會損失多少資訊?
    (3)降維後對分類識別效果有多大影響?
    資料降維後的好處:
    (1)進行資料壓縮,減少資料儲存所需空間以及計算所需時間。
    (2)消除資料間的冗餘,以簡化資料,提高計算效率。
    (3)去除噪聲,提高模型效能。
    (4)改善資料的可理解性,提高學習演算法的精度。
    (5)將資料維度減少到2維或者3維,進行視覺化。
    常用方法:主成分分析,隨機對映,非負矩陣分解。
    3.2.3主成分分析(PCA)
    方法概述:此方法目標是找到資料中最主要的元素和結構,去除噪音冗餘,將原有的複雜資料降維,揭露出隱藏在複雜資料背後的簡單結構。主成分分析就是試圖在力保資料資訊丟失最少的原則下,對這種多變數的資料表進行最佳綜合簡化。這些綜合指標就稱為主成分,也就是說,對高維變數空間進行降維處理,很顯然,識辨系統在一個低維空間要比在一個高維空間容易得多。從線性代數角度來看,PCA目標是找到一組新正交基去重新描述得到的資料空間,這個維度就是主元。
    3.3灰度形態學的缺陷檢測
    3.3.1概述
         灰度數學形態學的基本運算有膨脹、腐獨、開啟和關閉,其中利用膨脹和腐蝕的組合可構成開啟和關閉,而利用開啟和關閉又可構成形態濾波器。
    在灰度影象的形態分析中,結構元素可以是何的三維結構,常用的有圓錐、圓柱、半球或拋物線。模板尺寸總是奇數,這樣檬板中心正好對應一個畫素。
    3.3.2      形態操作對影象影響
    (1)膨脹灰度影象的結果是,比背景亮的部分得到擴張,而比背景暗的部分受到收縮。
    (2)腐蝕灰度影象的結果是,比背景暗的部分得到擴張,而比背景亮的部分受到收縮。
    (3)開啟一幅影象可消除圖中的孤島或尖峰等過亮的點。
    (4)關閉一幅圖可將比背景暗且尺寸比結構元素小的結構除掉。
    (5)形態濾波器是非線性訊號濾波器,它通過變換來區域性地修改訊號的幾何特徵。將開運算和閉運算結合起來可消除噪聲。
    (6)如果用一個小的結構元素先開啟再閉合一幅影象,就有可能將影象中小於結構元素的類似噪聲結構除去。
    3.3.3例項說明
    電路板佈線的缺陷檢測:對於一幅大小為1100×870、灰度級為256的電路板灰度影象,其佈線缺陷分為斷線和毛刺,利用灰度形態學檢測這些缺陷。取結構元素為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構元素小的區域;然後對原圖灰度閉合,消除比鄰域暗且尺寸比結構元素小的區域,兩次結果差異即為缺陷。
    在這裡插入圖片描述

    四、劃痕檢查
    概述:劃痕檢測的基本分析過程分為兩步首張,確定檢測產品表面是否有劃痕,其次,在確定被分析影象上存在劃痕之後,對劃痕進行提取。由於在工業檢測中影象的多樣性,對於每一種圈像,都要經過分析綜合考慮各種手段來進行處理達到效果。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,缺乏紋理特徵。
    基本方法:基於統計的灰度特徵或者閾值分割的方法將劃痕部分標出。