一种连续带状多孔金属材料漏镀缺陷的检测并定位的方法
【技术领域】
[0001] 本发明涉及一种多孔金属材料在生产过程中产生的一种缺陷区域的检测并定位 的方法，特别涉及一种连续带状多孔金属材料生产过程中产生的漏镀缺陷区域的检测并定 位的方法。
【背景技术】
[0002] 多孔金属材料是一种由金属基体和大量孔隙组成的结构功能一体化的新型金属 基复合材料。它因密度低、表面积大而具有独特的优势，在高新技术领域得到了广泛的应 用。但在连续化的工业生产过程中，产品的漏镀缺陷（即未镀覆金属）严重影响产品质量。 目前判定及定位材料中有这种缺陷的方法一般是在光线充足条件下，用人工目测法。这种 方法效率低、准确度差、成本高，严重依赖操作员工的经验，与连续化生产不相适应。
【发明内容】
[0003] 本发明旨在提供一种多孔金属材料漏镀缺陷区域的检测并定位缺陷区域的方法， 可实现在线自动无损检测并定位，无需人工参与，准确率和效率都大大提高。本发明通过以 下方案实现：
[0004] -种连续带状多孔金属材料漏镀缺陷的检测并定位的方法，首先判定漏镀缺陷； 判定后再定位漏镀缺陷的区域；按以下步骤判定漏镀缺陷：
[0005] (1-1)使用相同的可采集图像数据装置，在相同的光照条件和相同拍摄距离条件 下，拍摄同一规格的带状多孔金属产品图像，从拍摄的图像中选取N张正常产品图像和P张 包含漏镀缺陷的产品图像，其中N彡500,P彡100,选取的图像大小相同，并输入至具有数 据处理功能的设备中；
[0006] (1-II)采用所述具有数据处理功能的设备，计算每张图像的灰度均值、方差、同质 值及45°和135°两个方向上的惯性矩共5个特征值；同质值通过公式（1)计算得到：
[0007]
(1)
[0008] 其中，d表示距离，Θ表示角度，Pwe)(m，n)表示距离为d、角度为Θ的灰度共生 矩阵的元素值；
[0009] (1-III)将正常产品图像按步骤（1-II)计算得到的5个特征值作为正样本特征向 量FPa:
[0010] FPa= [μα,σA,HA(dj Θ), !A(45。），Ia(135。）] ⑵
[0011] 其中，μΑ为正常产品图像的灰度均值，OA为灰度方差，HAWe)为同质值，IM45。}为 在45°方向上的惯性矩，IAU35。}为在135°方向上的惯性矩；
[0012] 将包含漏镀缺陷的产品图像按步骤（1-II)计算得到的5个特征值作为负样本特 征向量fnb:
[0013] FNb - [yΒ，σΒ，Ηβ(4Θ)，！B(45。），Ib(135。）] (3)
[0014] 其中，μΒ为包含漏镀缺陷的产品图像的灰度均值，〇B为灰度方差，HBWe)为同质 值，1_5。；为在45°方向上的惯性矩，IBU35。；为在135°方向上的惯性矩；
[0015] (1-IV)分别对正样本特征向量和负样本特征向量给出不同的标识，输入具有数据 处理功能的分类器，完成训练；
[0016] 完成判定漏镀缺陷的分类器训练后，采用与训练分类器完全相同的图像数据采集 条件实时采集待测产品的图像，图像大小也与训练分类器时选取的图像大小相同；按所述 训练分类器的步骤（1-II)分别计算每张待测产品图像的灰度均值、方差、同质值及45°和 135°两个方向上的惯性矩构成测试特征向量，并输入到已经训练好的分类器中进行测试， 若测试结果为正样本类别时，该图像被判定为无漏镀缺陷产品图像，若测试结果为负样本 类别时，该图像被判定为含漏镀缺陷产品图像。
[0017] 按以下步骤定位漏镀缺陷的区域：
[0018] (2-I)在具有数据处理功能的设备中将包含有漏镀缺陷的彩色图像分成大小为 ηΧη的区域块，大小不足ηΧη的区域块被剔除，再将所分好的区域块分为C、D两组，其中C 组的区域块是完全不包含漏镀缺陷的区域块，D组是全部包含漏镀缺陷的区域块；η为64~ 256的自然数；
[0019] (2-II)采用所述具有数据处理功能的设备计算C、D两组每个区域块图像的RGB 联合向量，再将C、D两组每个区域块图像转化为灰度图像，计算每个区域块图像的灰度均 值、灰度方差以及在0°、45°、90°和135°四个方向上的相关性，将C、D两组区域块图像 的上述特征分别构成正、负样本特征向量，并对正样本特征向量和负样本特征向量给出不 同的标识，输入具有数据处理功能的分类器，完成训练；其中所述的RGB联合向量按公式 (4)和公式（5)计算：
[0020]
(4) 1234 FC= [rgb,rbg,gbr,grb,bgr,brg] (5) 2 其中，α、β和x为比例系数，R是指所述彩色图像中红色通道的像素值，G是指 所述彩色图像中绿色通道的像素值，B是指所述彩色图像中蓝色通道的像素值，FC为RGB联 合向量； 3 在完成定位的分类器训练后，将已经判定被确认有漏镀缺陷存在的图像作为待定 位漏镀区域的图像，将图像分成大小为ηΧη的区域块，大小不足ηΧη的区域块被剔除；按 所述训练分类器的步骤（2-II)分别计算每张图像的每个区域块的RGB联合向量、以及区 域块图像转化为灰度图像后的灰度均值、灰度方差和在0°、45°、90°和135°四个方向 上的相关性，将计算得到的区域块图像特征构成待定位漏镀区域图像的特征向量，将之输 入已完成训练的定位分类器中，输出待定位漏镀区域图像中漏镀区域的识别结果。 4 实验发现，选取的图像大小不小于1024X1024像素，选取N彡1000,P彡300时， 判定的准确率更高。
[0025] 在定位漏镀缺陷区域的步骤中，按公式（6)构成所述正样本特征向量：
[0026] FPC-[FC c, y. c, 0 C)R(C, 0°)) R(C, 45°)) R(C, 90° ))R(C, 135°)] (6)
[0027] 其中，FC^ C组图像RGB联合向量，μ。是C组图像转化为灰度图像后的灰度均 值，σ馮C组图像转化为灰度图像后的灰度方差，R(C，0。）、R(C，45。）、R(C，90。）和R(C，135。）是C 组图像转化为灰度图像后在0°、45°、90°和135°四个方向上的相关性。
[0028] 在定位漏镀缺陷区域的步骤中，按公式（7)构成所述负样本特征向量：
[0029] FNd-[FC D, y. D,0D)R(D, 0°)) R(D, 45°)) R(D, 90° ))R(D, 135°)] (^)
[0030] 其中，FCD是D组图像RGB联合向量，μ肩D组图像转化为灰度图像后的灰度均 值，。邊D组图像转化为灰度图像后的灰度方差，R" " ；和R；是D 组图像转化为灰度图像后在0°、45°、90°和135°四个方向上的相关性。
[0031] 在定位漏镀缺陷区域的步骤中，按公式（8)构成所述测试特征向量：
[0032] FNX - [FC χ, μ x,。x, R(x,)，R(x,45= )，R(x,9(r )，R(x,135=)]⑶
[0033] 其中，FCx是待定位漏镀区域图像的RGB联合向量，μχ是待定位漏镀区域图像转 化为灰度图像后的灰度均值，σχ是待定位漏镀区域图像转化为灰度图像后的灰度方差， R(x，0。）、R(x，45。）、R(x，90。）和R(x，135。 }是待定位漏镀区域图像转化为灰度图像后在0°、45°、 90°和135°四个方向上的相关性。
[0034]与现有技术相比，本发明针对多孔金属材料能在线自动检测其中的漏镀缺陷，并 且还能定位缺陷区域，不仅准确率高，可实现产品的无损检测，而且还可提高多孔金属材料 产品的质量和合格率，降低生产成本，提高生产效率。
【具体实施方式】
[0035] 实施例1
[0036] -种连续带状多孔金属镍材料漏镀缺陷的检测并定位缺陷区域的方法，首先判定 漏镀缺陷；判定后再定位漏镀缺陷的区域。
[0037] 按以下步骤判定漏镀缺陷：
[0038] (1-1)采用分辨率为2448X2056的VieworksVH-4M高清相机，在同一光照下垂 直拍摄95PPI、面密度350克/平米、厚度1. 0mm规格的带状多孔镍产品图像，从拍摄的 图像中选取900张正常产品图像和350张包含漏镀缺陷的产品图像，选取图像的大小为 1024X1024像素，全部输入电脑设备；
[0039] (1-II)在电脑设备中，计算每张图像的灰度均值、方差、同质值及45°和135°两 个方向上的惯性矩共5个特征值；同质值通过公式（1)计算得到：
[0040]
(1)
[0041] 其中，d表示距离，Θ表示角度，Pwe)(m，n)表示距离为d、角度为Θ的灰度共生 矩阵的每个元素值；
[0042] (1-III)将正常产品图像按步骤（II)计算得到的5个特征值作为正样本特征向量 FPa：
[0043] FPa= [ μ α, σ A, HA(dj Θ)，Ia(45。），Ia(135。）] ⑵
[0044] 其中，μΑ为正常产品图像的灰度均值，σA为灰度方差，HA(d，e)为同质值，IA(45。j为 在45°方向上的惯性矩，IAU35。}为在135°方向上的惯性矩；
[0045] 将包含漏镀缺陷的产品图像按步骤（II)计算得到的5个特征值作为负样本特征 向量fnb:
[0046] FNb= [μb,σb,HB(dj θ)，Ιβ(45° )，Ιβ(135° )](3)
[0047] 其中，μΒ为包含漏镀缺陷的产品图像的灰度均值，〇B为灰度方差，HBWe)为同质 值，1_5。；为在45°方向上的惯性矩，IBU35。；为在135°方向上的惯性矩；
[0048] (1-IV)分别对正样本特征向量和负样本特征向量给出不同的标识，使得所述具有 数据处理功能的设备具有分类功能，完成训练，成为分类器；
[0049] (1-V)完成分类器训练后，采用与训练分类器完全相同的数据图像采集条件实 时采集待测产品的图像，图像大小也与训练分类器时选取图像的大小相同，即=1024X1024 像素；按上述训练分类器的步骤（II)分别计算每张待测产品图像的灰度均值、方差、同质 值及45°和135°两