一种基于多特征融合的板材缺陷检测系统及检测方法

技术领域

本发明涉及缺陷检测技术领域，更具体的，涉及一种基于多特征融合的板材缺陷检测系统及检测方法。

背景技术

近年来，随着人们生活水平的不断提高，人们对木质材料的需求日益增长。在装修市场中，由于木材资源的日益匮乏，且木材在生长过程中易生成各种缺陷，优良木材供不应求，导致天然木材的价格持续上涨。因此，为了提升木材的综合利用率，降低板材价格，利用木材及其他非木材植物制作出人造木质板材。人造木质板材主要包括胶合板、刨花板和纤维板三大类产品，它们表面需要通过仿木纹装饰达到现实使用要求。人造木质板材的已批量进行自动化生产，在生产过程中易导致缺损、划痕、杂物及油污等缺陷，因此人造木质板材表面的缺陷检测是木制成品检测中重要的一项环节。

目前板材缺陷检测的方法主要包括人工检测、超声波检测、射线检测等方式，但是由于板材类型的不同以及板材上缺陷的种类、形状、大小不同，人工检测的精度和效率都很低，不能够满足生产线实时检测的目的。超声波检测主要检测板材内部缺陷的，对表面缺陷检测还存在着技术性难题需要攻破。射线检测可以有效的提高检测的效率和准确率，但是带来的成本会变的很大，不适用于大规模的工厂生产应用。随着电子元件的发展，以及机器视觉在图像处理中的应用，基于机器视觉的检测方法在工业质检中占据更加重要的地位。

为了解决以上人造木质板材检测过程耗时、费力，效果不好，不可避免的存在缺陷检测不出来等问题，可以设计一种多特征融合的板材缺陷检测系统。该系统基于色彩、均值、标准值和平滑度等特征，利用随机森林算法，在时间和空间上将纹理特征信息进行组合，进而建立板材的纹理特征模型与色度库。该系统利用计算机自动处理的方式代替人工操作，除了省时省力外还可以达到较高的处理精度和视觉效果。

发明内容

为了解决上述至少一个技术问题，本发明提出了一种基于多特征融合的板材缺陷检测系统及检测方法。

本发明第一方面提供了一种基于多特征融合的板材缺陷检测系统，包括：

图像获取及预处理模块，用于获取含有目标板材的图像信息，并将所述图像信息进行预处理；

色度坐标及纹理特征获取模块，用于生成板材的色度库及纹理缺陷模型；

缺陷检测标记模块，用于将所述图像信息中的缺陷进行检测，并标注缺陷位置。

本方案中，所述的图像获取及预处理模块基于双目相机系统进行实现；

获取相机的内参与外参，根据所述相机的内参与外参获取目标板材的图像信息中各点在坐标变换中的映射关系；

根据所述映射关系通过逆变换获取畸变矫正后的图像信息，通过畸变矫正后的图像信息提取感兴趣区域；

在相机标定中，根据相位的变化将双目相机系统中左右相机统一到同一世界坐标系，通过计算左右相机获取的图像信息在世界坐标系中的相对位置计算两幅图像的相对平移量；

根据所述相对平移量将左右相机采集图像信息中的感兴趣区域进行图像拼接，生成完整目标板材图像。

本方案中，通过所述色度坐标与纹理特征获取模块生成色度库，具体为：

获取板材图像数据集，将所述板材图像数据集导入所述色度坐标与纹理特征获取模块，计算得到每幅图片中每个像素在LUV色彩空间中的色度坐标；

通过所述每幅图像的色度坐标建立色度库。

本方案中，通过所述色度坐标与纹理特征获取模块生成板材纹理缺陷模型，具体为：

获取板材图像数据集中含有表面缺陷的板材图像信息，将表面缺陷部分计算均值、标准值、平滑度、偏度和均方根值；

将所述均值、标准值、平滑度、偏度和均方根值作为训练数据输入随机森林模型进行训练，得到纹理缺陷模型。

本方案中，还包括：

通过Bootstrap方法在训练数据中形成多个子样本；

从所述均值、标准值、平滑度、偏度和均方根值中随机抽取d个特征元素作为决策树的候选属性，计算候选属性的基尼指数，切分决策树节点，重复分裂决策树，直到生成n棵决策树；

将决策树连接得到分类结果，将所述分类结果进行投票选择，得到表面划痕、表面油污、板材缺损和花色缺失的模型。

本方案中，通过所述缺陷检测标记模块将缺陷的位置进行标注，具体为：

将获取的完整目标板材图像中每个像素点的色度值和色度坐标与纹理特征获取模块中的色度库进行第一次对比检测，计算完整目标板材图像中的纹理参数并与色度坐标与纹理特征的获取模块中的纹理缺陷模型进行第二次对比检测；

若第一次对比检测中存在缺陷，则将缺陷部分进行标记，并进行第二次对比检测，判断第二次对比检测中是否存在缺陷，若存在缺陷，则将缺陷部分进行标记，并结合第一次对比检测中的缺陷标记生成板材检测结果，若不存在缺陷，则根据第一次对比检测中的缺陷标记生成板材检测结果；

若第一次对比检测中不存在缺陷，则进行第二次对比检测，并判断第二次对比检测中是否存在缺陷，若存在缺陷，则根据第二次对比检测中的缺陷标记生成板材检测结果，若不存在缺陷，则生成板材无缺陷的板材检测结果。

本发明第二方面还提供了一种基于多特征融合的板材缺陷检测方法，应用于一种基于多特征融合的板材缺陷检测系统，包括以下步骤：

获取板材图像数据集，根据所述板材图像数据集，计算每幅图像中的色度坐标，建立色度库；

对表面缺陷部分计算均值、标准值、平滑度、偏度和均方根值，并输入到随机森林模型，通过计算分析得到纹理缺陷模型；

通过双目相机系统中左右相机分别采集含有目标板材的图像信息，对采集到的图像信息进行畸变矫正，得到矫正后图像；

对矫正后的图像信息进行感兴趣区域的提取，将左右相机采集图像信息中的感兴趣区域进行图像拼接，得到完整目标板材图；

将完整目标板材图与色度库及纹理缺陷模型进行比对检测，根据对比检测结果将缺陷进行标记并生成板材检测结果；

判断PLC中是否继续传来相机采集信号，若是，则继续对板材的图像信息进行缺陷检测，若否，则输出板材检测结果，结束检测。

本方案中，所述建立色度库，具体为：

获取板材图像数据集，将所述板材图像数据集导入所述色度坐标与纹理特征获取模块，计算得到每幅图片中每个像素在LUV色彩空间中的色度坐标；

通过所述每幅图像的色度坐标建立色度库。

本方案中，所述纹理缺陷模型，具体为：

获取板材图像数据集中含有表面缺陷的板材图像信息，将表面缺陷部分计算均值、标准值、平滑度、偏度和均方根值；

将计算得到的均值、标准值、平滑度、偏度和均方根值作为随机森林的输入；

通过Bootstrap方法在训练数据中形成多个子样本；

从所述均值、标准值、平滑度、偏度和均方根值中随机抽取d个特征元素作为决策树的候选属性，计算候选属性的基尼指数，切分决策树节点，重复分裂决策树，直到生成n棵决策树；

将决策树连接得到分类结果，将所述分类结果进行投票选择，得到表面划痕、表面油污、板材缺损和花色缺失的模型。

本方案中，所述的将完整目标板材图与色度库及纹理缺陷模型进行比对检测，根据对比检测结果将缺陷进行标记并生成板材检测结果，具体为：

将获取的完整目标板材图像中每个像素点的色度值和色度坐标与纹理特征获取模块中的色度库进行第一次对比检测，计算完整目标板材图像中的纹理参数并与色度坐标与纹理特征的获取模块中的纹理缺陷模型进行第二次对比检测；

若第一次对比检测中存在缺陷，则将缺陷部分进行标记，并进行第二次对比检测，判断第二次对比检测中是否存在缺陷，若存在缺陷，则将缺陷部分进行标记，并结合第一次对比检测中的缺陷标记生成板材检测结果，若不存在缺陷，则根据第一次对比检测中的缺陷标记生成板材检测结果；

若第一次对比检测中不存在缺陷，则进行第二次对比检测，并判断第二次对比检测中是否存在缺陷，若存在缺陷，则根据第二次对比检测中的缺陷标记生成板材检测结果，若不存在缺陷，则生成板材无缺陷的板材检测结果。

本发明通过计算板材的色度坐标建立色度库，并从多个角度提取板材表面的纹理参数，利用随机森林模型，在时间和空间上将纹理特征信息进行组合，获得更加完善的纹理特征，进而建立板材的纹理特征模型，实现人造木质板材缺陷检测的自动化，并且本发明中的板材缺陷检测系统处理速度快，精度高，视觉效果好；代替繁琐、耗时、费力的人工操作，可以批量检测板材表面是否存在缺陷，对其进一步发展起到积极的促进作用。

附图说明

图1示出了本发明一种基于多特征融合的板材缺陷检测系统的示意图；

图2示出了本发明中纹理特征模型的建立流程图；

图3示出了本发明一种基于多特征融合的板材缺陷检测方法的流程图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

术语“第一”、“第二”、“第三”等在本文中可用于描述各种元件、组件和/或层，这些元件、组件和/或层不应受这些术语的限制。这些术语用于将一个元件、组件或层与另一个元件、组件或层区分开来。因此，下面描述的第一元件、组件或层可以被称为第二元件、组件或层，而不脱离本公开的范围。

图1示出了本发明一种基于多特征融合的板材缺陷检测系统的示意图。

如图1所述，本发明第一方面提供了一种基于多特征融合的板材缺陷检测系统，包括如下模块：

图像获取及预处理模块，用于获取含有目标板材的图像信息，并将所述图像信息进行预处理；

色度坐标及纹理特征获取模块，用于生成板材的色度库及纹理缺陷模型；

缺陷检测标记模块，用于将所述图像信息中的缺陷进行检测，并标注缺陷位置。

需要说明的是，所述的图像获取及预处理模块基于双目相机系统进行实现；获取相机的内参与外参，每个相机的内参是唯一的，包括三个径向畸变系数和两个切向畸变参数，外参是不固定的，包括旋转向量和平移向量。通过相机的内外参数可以计算出图像从相机坐标系，根据所述相机的内参与外参获取目标板材的图像信息中各点在坐标变换中的映射关系；根据所述映射关系通过逆变换获取畸变矫正后的图像信息，通过畸变矫正后的图像信息提取感兴趣区域；在相机标定中，根据相位的变化将双目相机系统中左右相机统一到同一世界坐标系，通过计算左右相机获取的图像信息在世界坐标系中的相对位置计算两幅图像的相对平移量；根据所述相对平移量将左右相机采集图像信息中的感兴趣区域进行图像拼接，生成完整目标板材图像。

需要说明的是，通过所述色度坐标与纹理特征获取模块生成色度库，色度库为各个像素点的色度坐标形成的数据库，具体为：

获取板材图像数据集，将所述板材图像数据集导入所述色度坐标与纹理特征获取模块，计算得到每幅图片中每个像素在LUV色彩空间中的色度坐标；通过所述每幅图像的色度坐标建立色度库。

图2示出了本发明中纹理特征模型的建立流程图。

需要说明的是，通过所述色度坐标与纹理特征获取模块生成板材纹理缺陷模型，具体为：

获取板材图像数据集中含有表面缺陷的板材图像信息，将表面缺陷部分计算均值、标准值、平滑度、偏度和均方根值；将所述均值、标准值、平滑度、偏度和均方根值作为训练数据输入随机森林模型进行训练，得到纹理缺陷模型。

通过Bootstrap方法在训练数据中形成多个子样本；从所述均值、标准值、平滑度、偏度和均方根值中随机抽取d个特征元素作为决策树的候选属性，计算候选属性的基尼指数，切分决策树节点，重复分裂决策树，直到生成n棵决策树；将决策树连接得到分类结果，将所述分类结果进行投票选择，得到表面划痕、表面油污、板材缺损和花色缺失的模型。

需要说明的是，通过所述缺陷检测标记模块将缺陷的位置进行标注，具体为：

将获取的完整目标板材图像中每个像素点的色度值和色度坐标与纹理特征获取模块中的色度库进行第一次对比检测，计算完整目标板材图像中的纹理参数并与色度坐标与纹理特征的获取模块中的纹理缺陷模型进行第二次对比检测；

若第一次对比检测中存在缺陷，则将缺陷部分进行标记，并进行第二次对比检测，判断第二次对比检测中是否存在缺陷，若存在缺陷，则将缺陷部分进行标记，并结合第一次对比检测中的缺陷标记生成板材检测结果，若不存在缺陷，则根据第一次对比检测中的缺陷标记生成板材检测结果；

若第一次对比检测中不存在缺陷，则进行第二次对比检测，并判断第二次对比检测中是否存在缺陷，若存在缺陷，则根据第二次对比检测中的缺陷标记生成板材检测结果，若不存在缺陷，则生成板材无缺陷的板材检测结果。

图3示出了本发明一种基于多特征融合的板材缺陷检测方法的流程图。

本发明第二方面还提供了一种基于多特征融合的板材缺陷检测方法，应用于一种基于多特征融合的板材缺陷检测系统，包括以下步骤：

获取板材图像数据集，根据所述板材图像数据集，计算每幅图像中的色度坐标，建立色度库；

对表面缺陷部分计算均值、标准值、平滑度、偏度和均方根值，并输入到随机森林模型，通过计算分析得到纹理缺陷模型；

通过双目相机系统中左右相机分别采集含有目标板材的图像信息，对采集到的图像信息进行畸变矫正，得到矫正后图像；

对矫正后的图像信息进行感兴趣区域的提取，将左右相机采集图像信息中的感兴趣区域进行图像拼接，得到完整目标板材图；

将完整目标板材图与色度库及纹理缺陷模型进行比对检测，根据对比检测结果将缺陷进行标记并生成板材检测结果；

判断PLC中是否继续传来相机采集信号，若是，则继续对板材的图像信息进行缺陷检测，若否，则输出板材检测结果，结束检测。

需要说明的是，所述建立色度库，具体为：

获取板材图像数据集，将所述板材图像数据集导入所述色度坐标与纹理特征获取模块，计算得到每幅图片中每个像素在LUV色彩空间中的色度坐标；通过所述每幅图像的色度坐标建立色度库。

需要说明的是，所述纹理缺陷模型，具体为：

获取板材图像数据集中含有表面缺陷的板材图像信息，将表面缺陷部分计算均值、标准值、平滑度、偏度和均方根值；

将计算得到的均值、标准值、平滑度、偏度和均方根值作为随机森林的输入；

通过Bootstrap方法在训练数据中形成多个子样本；

从所述均值、标准值、平滑度、偏度和均方根值中随机抽取d个特征元素作为决策树的候选属性，计算候选属性的基尼指数，切分决策树节点，重复分裂决策树，直到生成n棵决策树；

将决策树连接得到分类结果，将所述分类结果进行投票选择，得到表面划痕、表面油污、板材缺损和花色缺失的模型。

需要说明的是，所述的将完整目标板材图与色度库及纹理缺陷模型进行比对检测，根据对比检测结果将缺陷进行标记并生成板材检测结果，具体为：

将获取的完整目标板材图像中每个像素点的色度值和色度坐标与纹理特征获取模块中的色度库进行第一次对比检测，计算完整目标板材图像中的纹理参数并与色度坐标与纹理特征的获取模块中的纹理缺陷模型进行第二次对比检测；

若第一次对比检测中存在缺陷，则将缺陷部分进行标记，并进行第二次对比检测，判断第二次对比检测中是否存在缺陷，若存在缺陷，则将缺陷部分进行标记，并结合第一次对比检测中的缺陷标记生成板材检测结果，若不存在缺陷，则根据第一次对比检测中的缺陷标记生成板材检测结果；

若第一次对比检测中不存在缺陷，则进行第二次对比检测，并判断第二次对比检测中是否存在缺陷，若存在缺陷，则根据第二次对比检测中的缺陷标记生成板材检测结果，若不存在缺陷，则生成板材无缺陷的板材检测结果。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。