机器视觉系统检测算法的自动产生和自动学习方法

摘要

机器视觉系统检测算法的自动产生和自动学习方法，其特征在于：第一步，建立目标结构模型知识库。针对具体的检测目标的类型，分析检测点和检测方法，然后根据目标结构模型分解的检测区域选择相应的检测算法，第二步，检测算法的判别参数的自动学习过程，第一步完成后，需要自动建立检测算法的判别参数的上下门限值，实现自动学习过程，第三步，算法参数的自动修正，系统开始在线检测后，随着系统运行，系统保留一段事件的历史图像，计算所保留的历史图像的检测参数，根据当前计算的检测参数修正原来的检测参数的上下门限值，作为新的检测标准，从而实现机器视觉系统检测算法的自动产生和自动学习方法。

说明书

技术领域

本发明涉及计算机视觉和图像处理技术领域，尤其是一种利用计算机图像处理技术实现在线检测目标外观质量时机器视觉系统检测算法的自动产生和自动学习方法。

背景技术

随着现代工业的发展，隶属自动化行业的在线自动检测技术在降低人工劳动强度、替代人工检测解放劳动力、提高劳动生产力等方面一直发挥着强大的作用，得到了空前的发展，广泛应用于电子、烟草、制药、印刷、食品、汽车等行业的工况监视、成品检验和质量控制等领域。

根据统计，2006年德国机器视觉行业销售总计增长了9个百分点，总额达到了11亿欧元，根据IMS Research的最新市场研究报告，2007年全球机器视觉硬件市场预计总价值超过15亿美元，而2012年这一数字估计将达到21亿，该统计不包括软件和系统集成与服务的市场产值，整个机器视觉行业的产值达到100-200亿美元。

机器视觉从上世纪80年代以来，已实施的机器视觉呈“三分之一能用、三分之一失败、三分之一修改后能用”的状态，有的则称已实施的1000家企业中大多数失败，更有媒体声称“机器视觉实施成功率为零”，美国一家调查机构对采用了机器视觉系统的年营业额在5亿美元以上的公司进行了调查，发现机器视觉系统采用成本超过预计成本178％，安装时间超过预计时间的230％，使用后公司亏损率却达到了令人惊讶的59％，尽管如此，现在世界上仍然有2万多家公司投入100多亿美元采用机器视觉系统，而中国的大中型企业中也掀起一股机器视觉的热潮，同样是采用机器视觉，取得的效果之差有如天堂与地狱，其中最关键的原因是机器视觉设备的使用稳定性和使用简易性，本来计算机视觉和图像处理技术的专业性比较强，生产线的技术工人对机器视觉就很难较快熟悉，如果设备投入使用后如果还需要大量的维护工作，设备就很难被接受和成功应用，但是目前的机器视觉(包括所谓的智能相机)全部采用的架构是：将专业的计算机图像处理算法提供给用户，由用户在成像的图像上根据自己认为的检测内容设置相应的算法，在使用过程中如果出现检测不可靠，用户再根据新的图像修改检测算法，如果有新的检测牌号需要，再设置新的牌号，配置新的算法，这种架构形式使得该检测技术不能达到稳定性和使用简易性，无法像传统传感器一样被简单使用。

发明内容

本发明的目的就是研制一种解决上述问题，配合硬件以软件的形式实现机器视觉系统高稳定性、操作简单，方便易用的机器视觉系统检测算法的自动产生和自动学习方法。

本发明通过以下技术方案实现：

第一步，建立目标结构模型知识库。

针对具体的检测目标的类型，分析检测点和检测方法，然后根据目标结构模型分解的检测区域选择相应的检测算法。

第二步，检测算法的判别参数的自动学习过程。

第一步完成后，需要自动建立检测算法的判别参数的上下门限值，首先采集无目标物的纯背景图像和有目标物的多幅图像，软件通过有和无目标物的图像自动分解出纯目标物的图像，通过稳定可靠的边沿搜索算法确定出目标的边沿位置，根据边沿位置确定出每个检测区域的空间位置，然后自动执行上述的所有算法，计算出每个检测区域的参数，根据所采集的多幅图像的检测参数，产生每个参数的变化范围，该范围就作为以后判别参数的上下门限值，最后以数据库的形式提供出该机器视觉系统的所有算法和判别参数。

第三步，算法参数的自动修正。

系统开始在线检测后，随着系统运行，系统保留一段事件的历史图像，如果出现光源衰减或环境变化或目标物本身出现包装外观差异(但仍然属于符合要求的外观)，使得判别参数不符合要求引起系统误判，软件根据配置的要求会启动自动修正流程，计算所保留的历史图像的检测参数，根据当前计算的检测参数修正原来的检测参数的上下门限值，作为新的检测标准，从而实现机器视觉系统检测算法的自动产生和自动学习方法，达到设计目的。

本发明具有下列优点：

1、经由本发明的实施，彻底摆脱了原来的机器视觉系统需要人工设置新牌号的检测算法和检测参数的问题，摆脱了原来的机器视觉系统因为运行一段事件后环境变化或目标物局部特征的变化需要人工不断维护和调试的问题，用户完全不需要了解机器视觉的算法等专业性术语，只需要当作一个简单的传感器一样使用。

2、经由本发明的实施，通过计算机语言的类的形式实现，通过基类图像DIB-机器视觉图像类AutoSuanfa-生产线机器视觉图像类Autoshenchanxian-生产线型号机器视觉图像类Autoshengchanxianxinghao的类的一级一级的继承，可以广泛用于任何行业的机器视觉检测，以后不同行业的应用变成了专业人员对目标物的类的特性的定义，彻底解决当前机器视觉应用中面临的最关键的瓶颈，推动机器视觉应用走向成熟，具有极大的社会效益和经济效益。

具体实施方式

下面针对香烟小包软包外观检测作为具体实施对本发明进一步的介绍，但不作的为本发明的限定。

第一步，建立目标结构模型知识库。

针对具体的检测目标的类型，分析检测点和检测方法，然后根据目标结构模型分解的检测区域选择相应的检测算法，分析香烟小包软包结构模型。

根据香烟小包软包的包装和印刷特点，检测香烟小包软包的正面时，首先将香烟小包软包正面图像分为3个区域：小花粘贴区域、品牌标志区域和吸烟有害健康警示区域。

小花粘贴区域建立的检测区域包括：小花检测区域、小包在该区域的边沿检测区域(3个)和不包括上述2个检测区的其它区域(该区域检测印刷颜色是否正确，有无划伤和污渍)。

品牌标志区域建立检测区域：标志检测区、边沿检测区(2个)和不包括上述2个检测区的其它区域(该区域检测印刷颜色是否正确，有无划伤和污渍)。

吸烟有害健康警示区域建立检测区域：警示检测区、边沿检测区(3个)和不包括上述2个检测区的其它区域(该区域检测印刷颜色是否正确，有无划伤和污渍)。

第二步，检测算法的判别参数的自动学习过程。

首先，图像搜索香烟小包软包的物理位置和边沿，通过采集没有香烟小包软包的纯背景图像和有香烟小包软包的图像，检测出只有香烟小包软包的图像，通过边沿搜索算法检测出香烟小包软包的上边、下边、左边和右边四个边在图像中的物理位置，上边(x1，y1，angle1)，下边(x2，y2，angle2)，左边(x3，y3，angle3)，右边(x4，y4，angle4)，建立一分析的所有检测区域的坐标。

根据香烟小包软包的四个边的物理位置，建立香烟小包软包正面的3个区域：小花粘贴区域(x11，y11，angle11)、品牌标志区域(x12，y12，angle12)和吸烟有害健康警示区域(x13，y13，angle13)，建立小花检测区域(x5，y5，angle5)，小花区域的上边检测区域(x6，y6，angle6)，小花区域的下边检测区域(x7，y7，angle7)，小花区域的右边检测区域(x8，y8，angle8)，小花区域的其它检测区域((x11，y11，angle11)-(x5，y5，angle5))，品牌标志检测区(x9，y9，angle9)、边沿检测区上边(x21，y21，angle21)、下边检测区域(x22，y22，angle22)、不包括上述2个检测区的其它区域(x12，y12，angle12)-(x9，y9，angle9)，吸烟有害健康警示检测区域(x10，y10，angle10)、上边边沿检测区(x23，y23，angle23)、下边检测区域(x24，y24，angle24)、左边检测区域(x24，y24，angle24)、不包括上述2个检测区的其它区域(x13，y13，angle13)-(x10，y10，angle10)，系统自动计算检测算法的判别参数的上下门限值，利用图像处理算法分别搜索采集的多幅图像在检测区域(x6，y6，angle6)搜索小花区域的上边，在检测区域(x7，y7，angle7)搜索小花区域的下边，在检测区域(x8，y8，angle8)搜索小花区域的右边，在检测区域(x21，y21，angle21)搜索品牌标志区域的上边边沿、在检测区域(x22，y22，angle22)搜索下边边沿，在检测区域(x21，y21，angle21)搜索吸烟有害健康警示区域的上边、在检测区域(x23，y23，angle23)搜索吸烟有害健康警示区域的下边、在检测区域(x24，y24，angle24)搜索吸烟有害健康警示区域的左边，统计多幅图像的每个边的角度、位置和打分的变化范围，次范围作为判别参数的上下门限值，利用图像处理算法模板匹配或彩色检测算法，计算小花、品牌标志、警示标志的打分、颜色含量等参数变化范围，作为该算法参数的上下门限值，利用斑点分析算法统计3个其它区域的斑点数量、斑点大小等参数变化范围，作为该算法的上下门限值，形成的上述数据保存到数据库，作为实际在线检测的算法分配。

第三步，算法参数的自动修正。

系统开始在线检测后，随着系统运行，系统一直保留最近的十幅香烟小包软包正面图像，如果判别参数不符合要求引起系统误判，软件启动自动修正流程，回到第二步，计算所保留的图像的检测参数变化范围，根据当前计算的检测参数修正原来的检测参数的上下门限值，作为新的检测标准，达到设计目的。

本发明的机器视觉系统稳定性高、操作简单，方便易用，广泛应用于机器视觉系统检测算法的自动产生和自动学习方法领域。