一种基于图像处理算法的在线智能检测系统及方法

摘要

本发明提供一种基于图像处理算法的在线智能检测系统及方法，涉及智能检测技术领域，所述系统包括影像提取模块、图像处理模块、降噪模块智能检测模块及人工智能学习模块，所述影像提取模块用于在线获取待检测物品的RGB彩色图像；图像处理模块对彩色图像直方图均衡化处理后，进行边缘检测；降噪模块用于将彩色图像转换成黑白图像，同时降低黑白图像的噪点；智能检测模块将黑白图像分成若干个待测的团块，对团块内的面特征进行统计分析得到检测结果，利用标记算法将对团块进行标记；所述人工智能学习模块利用神经网络算法对降噪模块和智能检测模块进行优化。用于解决现有技术所采用的检测方法无法统一测量标准,以及成本高、效率低下的技术问题。

说明书

技术领域

本发明涉及智能检测技术领域，特别是涉及一种基于图像处理算法的在线智能检测系统及方法。

背景技术

中国作为世界工厂，大规模、大批量的机械、电子、电器设备生产非常普遍。通常，针对批量化生产时的质量控制，各大工厂都是采取质检部门进行抽检，配合生产部门投入大量劳动力人工检测的策略。这种传统检测策略的可靠性与质检部门的水平、劳动力的素质以及工厂管理(标准作业程序)相关。

例如，大规模的生产电路板后，需要对电路板的孔形状进行检测，确保孔的形状合格，不毛糙，但是人工手动检测存在以下弊端：1、检测方法无法统一测量标准，误差大、稳定性差，对工作人员要求高；2、在劳动力价格日益飞涨的今天，这种传统检测策略的成本愈发高昂，不再顺应当代生产需求；3、效率低下。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于图像处理算法的在线智能检测系统及方法，用于解决现有技术所采用的检测方法无法统一测量标准,以及成本高、效率低下的技术问题。

本发明提供一种基于图像处理算法的智能检测系统，所述系统包括影像提取模块、图像处理模块、降噪模块智能检测模块及人工智能学习模块，

所述影像提取模块用于在线获取待检测物品的RGB彩色图像；

所述图像处理模块对彩色图像直方图均衡化处理后，进行边缘检测；

所述降噪模块用于将彩色图像转换成黑白图像，同时降低黑白图像的噪点；

所述智能检测模块将黑白图像分成若干个待测的团块，对团块内的面特征进行统计分析得到检测结果，并利用标记算法将对团块进行标记；

所述人工智能学习模块利用神经网络算法对降噪模块和智能检测模块进行优化，优化参数，以提高检测的成功率。

于本发明的一实施例中，所述影像提取模块包括动态自稳定云台和图像库，所述动态自稳定云台上设置有高清摄像头，所述高清摄像头用于在线采集RGB彩色通道影像，并将其中一帧彩色图像存储在图像库中。

于本发明的一实施例中，所述图像处理模块包括对比度调整单元和边缘检测单元，所述对比度调整单元利用直方图均衡算法增强彩色图像的局部亮度，所述边缘检测单元利用边缘检测算法找到所述彩色图像的边界，并在彩色图像中提取预设的特征点以建立位置坐标系。

所述降噪模块利用二值化算法将彩色图像转化为0或255的黑白图像，以减少图像中的数据量；并利用二维FIR滤波算法，降低黑白图像的噪点，使黑白图像凸显出目标轮廓。

所述面特征包括团块的面积、周长、形心以及三阶标准矩，从而计算得团块的像素大小，并将所述像素大小与预设范围进行比对，若在预设范围内，则为合格，并采用方形符号标出所述团块。

一种基于图像处理算法的在线智能检测方法，所述方法包括以下步骤：

S1：将待检测物品放在高清摄像头的下方，由摄像头采集待检测物品的RGB彩色图像；

S2：对彩色图像直方图均衡化处理后，进行边缘检测；

S3：将彩色图像转换成黑白图像，同时降低黑白图像的噪点；

S4：将黑白图像分成若干个团块，对团块内的面特征进行统计分析得到检测结果，并利用标记算法将对团块进行标记。

于本发明的一实施例中，所述步骤S2具体包括：

S2.1：RGB彩色通道图像包括R、G、B三条像素通道，统计三条像素通道中每个灰度值的个数，并计算每个灰度值出现的概率P，通过累积分布函数得到RGB彩色通道图像的新的灰度值，具体计算公式为：

其中，n表示像素点的个数，n

S2.2：利用Sobel算子对彩色图像区域内的像素值进行加权求和(即每个像素值分别与卷积模板的每个元素对应相乘，将卷积的结果求和，运算得到的和就是卷积运算的结果)，具体计算公式为：

g(i,j)＝∑

对结果设置一个阈值，运算后的像素值大于该阈值则输出为1，小于该阈值输出为0，由1和0的交界点即为边缘区域；

S2.3：通过投影变化，将黑白图像投影到一个新的视平面，利用边缘区域找到映射最大像素的投影转换矩阵，并在彩色图像中提取预设的特征点以建立位置坐标系。

于本发明的一实施例中，所述步骤S3具体包括：

S3.1：利用二值化算法将彩色图像处理为灰度值为0或者255的黑白图像；

S3.2：采用二维FIR滤波算法去除黑白图像的噪点，x(n)为时间序列，a(n)为输入信号,输入信号随着时间改变而改变,FIR滤波算法y(k)最终输出各个时刻的输入乘以相应的权重系数，进行叠加输出，即将信号进行多次移动平均化处理，具体计算公式为：

于本发明的一实施例中，所述步骤S4具体包括：

S4.1：通过自动校正算法，提取黑白图像的待测的团块，

S4.2：计算团块的面特征，包括面积、形心、周长及三阶标准矩，周长通过链码长度得出，面积和形心可由代表点直接求三阶标准距的过程中得出；

S4.3：通过面特征计算得出团块的像素点大小，将所述像素点大小与预设范围进行比对；

S4.4：若所述像素点大小在预设范围内，即为合格，则采用方形标记将该团块圈出。

于本发明的一实施例中，若所述像素点大小在预设范围外，则将该团块标记成三角形，即为不合格。

如上所述，本发明具有以下有益效果：

1、本发明利用相关检测设备及与其相适配的智能检测算法替代了传统人工手动检测，不仅革新了批量加工生产中的检测方法，大大提高了检测效率，并且在一定程度上将批量检测标准参数化，为检测过程提供了规范化的范式，且系统智能程度高，适应于自动流水线作业，顺应工业的新时代趋势。

2、本发明通过高清摄像头快速获取待测产品的高清图像，动态自稳定云台可以自动调整摄像头位置对产品进行快速对焦，同时利用边缘检测算法找到所述高清图像的边缘区域，并在彩色图像中提取预设的特征点以建立位置坐标系(待测产品的参照系)，也就是无需操作者把待测产品严格放在指定位置，只需要放在大概位置，动态自稳定云台可以自行找准待测产品并进行自动对焦，无需担心装夹位置的细微不同造成的相对误差，减少了测试前的准备时间。

3、通过基于神经网络算法，操作者不需要了解专业编程知识，只需要提前准备“合格品”的数据供计算机检测“学习”，检测设备利用算法会进行自主学习，建立合格品相关数据的信息库，同时，设备会根据算法在检测任务中不断学习，多次重复学习之后计算机会变得越来越“聪明”，胜任检测任务。不需要操作者有专业的计算机知识，为工厂的检测工作降低了技术门槛。

附图说明

图1显示为本发明公开的本系统的模块示意图。

图2显示为本发明公开的方法步骤图。

图3显示为本发明公开的流程图。

图4显示为本发明公开的高清摄像头采集的原图。

图5显示为本发明公开的经降噪模块处理后的图。

图6显示为本发明公开的具有标记符号的图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

请参阅图1，本发明提供一种基于图像处理算法的智能检测系统，所述系统包括影像提取模块、图像处理模块、降噪模块智能检测模块及人工智能学习模块，

所述影像提取模块用于在线获取待检测物品的RGB彩色图像；

所述图像处理模块对彩色图像直方图均衡化处理后，进行边缘检测；

所述降噪模块用于将彩色图像转换成黑白图像，同时降低黑白图像的噪点；

所述智能检测模块将黑白图像分成若干个待测的团块，对团块内的面特征进行统计分析得到检测结果，并利用标记算法将对团块进行标记；

所述人工智能学习模块利用神经网络算法对降噪模块和智能检测模块进行优化，优化参数，以提高检测的成功率。

本实施例中，智能检测模块中，采用了基于MATLAB的团块分析算法模仿人视觉处理过程，在图像分析时将图像分成若干个根据颜色、纹理、轮廓等特征的区域，得到若干个互不相交的封闭区域，这些互不相交的封闭区域称为团块(Blob)，团块中的像素在空间上是联通的且具有相似的图像特征比如颜色纹理轮廓根据待测目标是孔还是型腔等特征采用相对应的算法。

基于以上实施例，所述影像提取模块包括动态自稳定云台和图像库，所述动态自稳定云台上设置有高清摄像头，动态自稳定云台，搭载ARM-A8处理器的Beagleboard高性能开发板，适配动态云台的自稳定算法，可以自动调整高清摄像头位置对产品进行快速对焦，所述高清摄像头用于在线采集RGB彩色通道影像，并将其中一帧彩色图像存储在图像库中；

本实施例中，操作者只需要把待测产品放在大概位置，动态自稳定云台可以自行找准待测产品并进行自动对焦。

基于以上实施例，所述图像处理模块包括对比度调整单元和边缘检测单元，所述对比度调整单元利用直方图均衡算法增强彩色图像的局部亮度，利用直方图均衡算法增强图像局部(亮度)的同时不影响整体的对比度；所述边缘检测单元利用边缘检测算法找到所述彩色图像的边界，并在彩色图像中提取预设的特征点以建立位置坐标系。

所述降噪模块利用二值化算法将彩色图像转化为0或255的黑白图像，以减少图像中的数据量，二值化算法可以提取图像的大量细节信息中只与计算相关的一小部分信息，为之后及时检测(大量计算)提供了可行性；并利用二维FIR滤波算法，降低黑白图像的噪点，使黑白图像凸显出目标轮廓，二维FIR滤波器作为数字信号处理中的基本元件，提供了一种减少图像噪点的成熟方案，提高了图像处理的成功率。

所述面特征包括团块的面积、周长、形心以及三阶标准矩，从而计算得团块的像素大小，并将所述像素大小与预设范围进行比对，若在预设范围内，则为合格，并采用方形符号标出所述团块。

请参阅图2、图3，一种基于图像处理算法的在线智能检测方法，所述方法包括以下步骤：

S1：将待检测物品放在高清摄像头的下方，由摄像头采集待检测物品的RGB彩色图像，如图4所示；

S2：对彩色图像直方图均衡化处理后，进行边缘检测；

S3：将彩色图像转换成黑白图像，同时降低黑白图像的噪点，如图5所示；

S4：将黑白图像分成若干个团块，对团块内的面特征进行统计分析得到检测结果，并利用标记算法将对团块进行标记，如图6所示。

基于以上实施例，所述步骤S2具体包括：

S2.1：RGB彩色通道图像包括R、G、B三条像素通道，统计三条像素通道中每个灰度值的个数，并计算每个灰度值出现的概率P，通过累积分布函数得到RGB彩色通道图像的新的灰度值，具体计算公式为：

其中，n表示像素点的个数，n

S2.2：利用Sobel算子对彩色图像区域内的像素值进行加权求和(即每个像素值分别与卷积模板的每个元素对应相乘，将卷积的结果求和，运算得到的和就是卷积运算的结果)，具体计算公式为：

g(i,j)＝∑

对结果设置一个阈值，运算后的像素值大于该阈值则输出为1，小于该阈值输出为0，

由1和0的交界点即为边缘区域，边缘区域指图像灰度值急剧变化区域的像素集合。

S2.3：通过投影变化，将黑白图像投影到一个新的视平面，利用边缘区域找到映射最大像素的投影转换矩阵，并在彩色图像中提取预设的特征点以建立位置坐标系，由于待测产品放置在一个大概位置，因此所拍摄到的图像不是固定的角度，通过提取到特征点，可以对彩色图像进行定位，从而使每个图像都在预设的标准位置坐标系中，便于下一步的操作，其中，投影转换矩阵的公式为：

u，v是原始图片，对应得到变换后的图片坐标为x，y，其中

基于以上实施例，所述步骤S3具体包括：

S3.1：利用二值化算法将彩色图像处理为灰度值为0或者255的黑白图像，也就是将整个图像黑白化，使得图像中可处理的数据量明显变小；

S3.2：采用二维FIR滤波算法去除黑白图像的噪点，x(n)为时间序列，a(n)为输入信号,输入信号随着时间改变而改变,FIR滤波算法y(k)最终输出各个时刻的输入乘以相应的权重系数，进行叠加输出，即将信号进行多次移动平均化处理，使某时刻的值处在一个更为准确的位置，最终达到去除杂波，得到更为清晰的图像的目的，具体计算公式为：

其中，n，k都代表的是信号个数。

基于以上实施例，所述步骤S4具体包括：

S4.1：通过自动校正算法，提取黑白图像的待测的团块，

S4.2：计算团块的面特征，包括面积、形心、周长及三阶标准矩，周长通过链码长度得出，面积和形心可由代表点直接求三阶标准距的过程中得出；其中，链码是用曲线起始点坐标和边界点方向代码来描述曲线或边界的方法，它是一种边界的编码表示法，在此例中，链码为边界点的集合；代表点即是X轴的静距/图形面积，Y轴的静距/图形面积。本例中的面(孔)特征由以下形式给出：

其中，ν为平均强度，N为颜色样本数，P为颜色强度；一阶矩，定义了每个颜色分量的平均强度；

σ为方差，P为颜色强度，ν为一阶矩；二阶矩，反映待测区域的颜色方差，即不均匀性；

ξ为偏斜度，P为颜色强度，ν为一阶矩；三阶矩，定义了颜色分量的偏斜度，即颜色的不对称性。

S4.3：通过面特征计算得出团块的像素点大小，将所述像素点大小与预设范围进行比对；

S4.4：若所述像素点大小在预设范围内，即为合格，则采用方形标记将该团块圈出。ξ

基于以上实施例，若所述像素点大小在预设范围外，则将该团块标记成三角形，即为不合格。

本实施例中，基于MATLAB的团块分析算法模仿人视觉处理过程，在图像分析时将图像分成若干个根据颜色、纹理、轮廓等特征的区域，得到若干个互不相交的封闭区域，这些互不相交的封闭区域称为团块(Blob)，团块中的像素在空间上是联通的且具有相似的图像特征，比如颜色、纹理、轮廓。

具体实施例：以电路板为待测物品，检测电路板中的孔加工是否合格，因此待测目标是孔，需要提取以面特征为孔(圆)进行团块分析；

S1：将待测电路板放在高清摄像头的下方，由摄像头待测电路板的RGB彩色图像；

S1.1：自动调整高清摄像头位置对待测电路板进行快速对焦；

S1.2：高清摄像头用于在线采集关于待测电路板的RGB彩色通道影像；

S1.3：将其中一帧彩色图像存储在图像库中；

S2：对彩色图像直方图均衡化处理后，进行边缘检测，建立待处理图像的位置坐标系；

S3：将彩色图像转换成黑白图像，同时降低黑白图像的噪点，得到凸显目标轮廓的“黑白”图像；

S4：将黑白图像分成若干个团块，对团块内的面特征进行统计分析得到检测结果，并利用标记算法将对团块进行标记。

S4.1：通过自动校正算法，提取黑白图像的待测的团块，

S4.2：计算团块的面特征，包括面积、形心、周长及三阶标准矩，周长通过链码长度得出，三阶标准矩、形心及周长通过代表点得出；

S4.3：通过面特征计算得出团块的像素点大小，将所述像素点大小与预设范围进行比对，在本例中，预设范围为20-50个像素点，也就是在摄像头分辨率下加工孔的大小在20-50个像素点；

S4.4：若所述像素点大小在预设范围内，即为合格，则采用方形标记“□”将该团块圈出。

基于以上实施例，若所述像素点大小在预设范围外，则将该团块标记成三角形“△”，即为不合格。

具体的，所述人工智能学习模块利用神经网络算法对降噪模块和智能检测模块进行优化的过程为：

一、从人工检测得到的数据中选择多个样本作为初始学习样本；

二、计算损失函数对所有权重和偏置的偏导数；

三、利用SGD随机梯度下降法更新公式的每个权重和偏置；

四、重复步骤1到三，即学习。

本例中搭建的是一个简单的神经网络，包含输入层(两个关于面特征的像素参数x1,x2)，夹在输入层和输出层之间的隐藏层(h1,h2)和包含1个神经元的输出层o1(当检测样品为合格时o1＝1，当检测样品为不良时o1＝0)，输出公式即：

o

其中，w为权重；b为偏置；引入均方误差(MSE)来定义损失，损失越小则神经网络的学习效果越好，即：

其中，n是样本的数量；y代表输出结果，1是合格，0是不合格；y-ture是变量的真实值，y-pred是变量的预测值。

根据偏导数与链式求导法可知调整权重与偏置参数，则会改变预测值与损失函数MSE的大小，从而引入一种称为随机梯度下降的优化算法(SGD)来训练网络，提高正确率；

其中，链式求导公式为：

其中，η为学习率，决定训练网络速率的快慢，w1’为新的权重。

综上所述，本发明利用相关检测设备及与其相适配的智能检测算法替代了传统人工手动检测，不仅革新了批量加工生产中的检测方法，大大提高了检测效率。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。