基于低秩拉普拉斯共识信息提取的工业原件缺陷检测方法

技术领域

本发明涉及机器学习和计算机视觉图像处理技术领域，具体涉及基于低秩拉普拉斯共识信息提取的工业原件缺陷检测方法。

背景技术

保证原件质量是工业生产过程中的一个关键，而工业原件图像缺陷检测在质量控制中又具有重要意义，然而，由于图像质量不佳、噪声干扰等原因，传统的基于单一特征的图像缺陷检测方法在实际应用中存在一定的局限性。因此，如何有效地利用图像的多种特征信息，提高图像缺陷检测的精度和鲁棒性，成为了当前研究的热点问题。

图像表征是指将图像数据转换为一种更适合后续处理或分析的形式，图像表征的方法有很多，可以分为手工设计的方法和自动学习的方法。手工设计的方法是根据人类对图像特征的先验知识或经验，选择或构造一些特征描述符，如SIFT、HOG、LBP等，这些方法虽然简单易用，但是依赖于人为因素，难以适应复杂多变的图像数据，自动学习的方法是利用机器学习或深度学习等技术，从大量的图像数据中自动地学习特征表示，如PCA、AE、CNN等。这些方法可以充分挖掘图像数据中的潜在信息，具有更好的泛化能力和适应性。

稀疏表示和低秩表示是图像表征方法中的两种常见方法，稀疏表示是指将图像表示为一组基向量的线性组合，其中只有少数系数是非零的。低秩表示是指将图像分解为低秩矩阵和稀疏矩阵的和。在图像处理中，基于稀疏表示和低秩模型的方法可以将光照影响、部分遮挡、损坏等因素当成稀疏误差进行剔除，因此，在实际场景应用中，更具鲁棒性。这些方法能够在一定程度上实现图像特征信息的获取，但仍有不足之处，例如，这些方法往往只关注图像的局部特征或全局特征，忽略了图像多种特征信息的融合，即大多只关注图像的像素颜色特征，而忽略了图像的纹理、形状、结构等其他特征。因此，如何设计一种能够综合利用图像多种特征信息的表征方法，是当前图像表征领域的一个重要研究方向。

考虑到待处理的工业原件图像可能存在质量不佳（光照因素或是遮挡和噪点）的情况，以及为了充分利用图像的多种特征数据充分挖掘图像的内部信息以实现更高精度的工业原件图像缺陷检测效果，需要进一步挖掘图像信息获取和多视图图像共识信息提取的方法，基于上述技术背景，本发明提出了基于多视图低秩拉普拉斯共识信息提取的工业原件图像缺陷检测方法。

发明内容

本发明的目的在于提供基于低秩拉普拉斯共识信息提取的工业原件缺陷检测方法，以解决上述背景技术中提出的问题。

为解决上述技术问题，本发明所采用的技术方案是：

基于多视图低秩拉普拉斯共识信息提取的工业元件原件图像缺陷检测方法，包括如下步骤：

步骤一，采用对采样面垂直摄影的方式获取原始图像数据，并使用多种特征提取方法（如SIFT，HOG，LBP等）生成多视图数据，使用Z-score归一化的方法处理所有多视图数据得到最终的多视图数据集合

步骤二：初始化各视图的亲和图矩阵

步骤三，采用基于多视图的低秩拉普拉斯共识信息提取的方法处理多视图数据得到最终的共识提取信息。具体的目标函数即算法模型如下：

为了使得目标函数中的变量可分离求解，我们引入辅助变量

关于该问题，我们首先初始化各个变量，各变量的初始化方式分别为：

接下来，依次求解各个变量的方法如下：

Step1: 求解

Step2: 求解

Step3: 求解

Step4: 求解

Step5: 求解

Step6: 求解

Step7: 求解

通过如上的变量求解和更新方法不断循环迭代求解，直到目标函数值趋于稳定得到最终的关于工业原件图像的多视图共识提取信息。

步骤四，将算法求解获得的多视图共识提取信息输入到基于ResNet的工业元件图像缺陷的检测分类系统，对于输入数据，其会进行如归一化、裁剪等数据预处理操作，之后，经过卷积层进行特征提取，并在每个卷积层后添加批量归一化和激活函数，ResNet在卷积层之间添加残差块，通过跨层连接实现信息的直接传递，避免了网络退化问题，最后经过全局平均池化和全连接层输出分类结果，通过损失函数计算预测值与真实值的误差，并通过反向传播更新网络参数，重复执行以上步骤，直到达到最优的分类效果。

由于采用了上述技术方案，本发明相对现有技术来说，取得的技术进步是：

本发明提供基于低秩拉普拉斯共识信息提取的工业原件缺陷检测方法，使用低秩拉普拉斯图结构学习的方法鲁棒且高效的获取了工业图像各类特征的内部信息。

本发明提供基于低秩拉普拉斯共识信息提取的工业原件缺陷检测方法，使用多视图数据融合的方式充分利用图像多种特征数据的互补优势，使得最终提取共识信息相较传统单一图像特征可以更好地提升后续分类系统的识别精度。

本发明提供基于低秩拉普拉斯共识信息提取的工业原件缺陷检测方法，将利用提取方法处理得到的图像结构信息输入到基于Resnet的图像分类检测系统中，可以进一步提高系统的识别精度，增强其在图像质量不佳时的鲁棒性。

附图说明

图1为本发明的方法流程示意图。

实施方式

下面结合实施例对本发明做进一步详细说明：

实施例

如图1所示，本发明提供了基于低秩拉普拉斯共识信息提取的工业原件缺陷检测方法，包括如下步骤：

步骤一，采用对采样面垂直摄影的方式获取原始图像数据，并使用多种特征提取方法（如SIFT，HOG，LBP等）生成多视图数据，使用Z-score归一化的方法处理所有多视图数据得到最终的多视图数据集合

步骤二：初始化各视图的亲和图矩阵

可以求解得到

其中

步骤三，采用基于多视图的低秩拉普拉斯共识信息提取的方法处理多视图数据得到最终的共识提取信息，具体的目标函数即算法模型如下：

为了使得目标函数中的变量可分离求解，我们引入辅助变量

关于该问题，我们首先初始化各个变量，各变量的初始化方式分别为：

接下来，依次求解各个变量的方法如下：

Step1: 求解

Step2: 求解

Step3: 求解

Step4: 求解

Step5: 求解

Step6: 求解

Step7: 求解

Step8: 求解

步骤四，将算法求解获得的多视图共识提取信息输入到基于ResNet的工业元件图像缺陷的检测分类系统，对于输入数据，其会进行如归一化、裁剪等数据预处理操作，之后，经过卷积层进行特征提取，并在每个卷积层后添加批量归一化和激活函数，ResNet在卷积层之间添加残差块，通过跨层连接实现信息的直接传递，避免了网络退化问题，最后经过全局平均池化和全连接层输出分类结果，通过损失函数计算预测值与真实值的误差，并通过反向传播更新网络参数，重复执行以上步骤，直到达到最优的分类效果。

综上，本发明的方法基于一种先进的低秩拉普拉斯图结构学习方式，同时把握图像数据的全局和局部结构，鲁棒且有效地获取图像的内部信息，进一步的，综合使用图像的各类特征数据形成多视图数据，使用一种参数自适应的多视图结构信息融合方法，获得多视图的共识表达结构，这充分利用了多视图数据互补的优势可以进一步提高获取图像内部信息的能力，通过将上述的基于多视图低秩拉普拉斯共识信息提取方法处理得到的图像结构信息输入到基于Resnet的图像分类检测系统中，可以进一步提高系统的识别精度，增强其在图像质量不佳时的鲁棒性。

上文一般性的对本发明做了详尽的描述，但在本发明基础上，可以对之做一些修改或改进，这对于技术领域的一般技术人员是显而易见的。因此，在不脱离本发明思想精神的修改或改进，均在本发明的保护范围之内。