基于PCA-SIFT算法的產(chǎn)品表面缺陷檢測研究

基于PCA—SIFT算法的產(chǎn)品表面缺陷檢測研究PCA-SIFT算法的自動識別。該算法是對基于尺度旋轉(zhuǎn)不變性算法的改進，在保證識別精確度的前提下，利用主元分析法SIFT0.5s。【關鍵詞】缺陷檢測;旋轉(zhuǎn)步長采樣;投影法;PCA-SIFT引言[1];不依賴于人的主觀因素從而保證高穩(wěn)定性與高可靠性;容易滿足各種特殊高危生產(chǎn)檢測場合;便于實現(xiàn)缺陷信息的自動記錄與數(shù)據(jù)庫管理及查詢功能，保障產(chǎn)品生產(chǎn)的全面質(zhì)量管理與過程控制等[2]。構方法、全局方法和基于模型的方法[3]。自動視覺檢測是建立在機器視覺基礎上的一門新興檢測技術，是綜合應用圖像處理與分析、模式識別、人工智能、精密儀器等技術的非接觸式檢測方法。近年來，紅外技術、CCD技術和計算機技術都有了飛速地發(fā)展，基于激光掃描、光譜圖像、紅外成像和超聲波掃描的機器視覺技術因其成本低、無損傷、準確、快速、永不疲勞等優(yōu)點在缺陷檢測領域也得到了越來越廣泛的應用[4]。檢測的總體流程工件旋轉(zhuǎn)檢臺如下圖1所示[5]是為了使系統(tǒng)能夠自動對被檢產(chǎn)品進行多方位信息提取。圖1視覺檢測原理框圖圖2表面有不同分辨率條紋的圓柱產(chǎn)品法效果，用測試分辨率的具有代表性的黑白線對數(shù)/毫米來驗證。算法介紹旋轉(zhuǎn)步長的確定長[6]。垂直投影就是將一列所有像素點的灰度值累加求和，如式（1）所示：（1）3際操作過程中共同確定的旋轉(zhuǎn)步長為。圖3垂直投影120幅標準樣本圖，提取圖像特征建立標準樣本圖庫。PCA-SIFT圖像匹配算法PCA-SIFTPCA用主成分分析法（SIFT的128維特征向量進行降維，以達到更精確的表示方式。進行降維的具體方法如下：SIFT128維均值向量以及所有樣本點的特征向量與均值向量的差。構建協(xié)方差矩陣，求協(xié)方差矩陣的128128特征值從大到小的順序排列和對應的特征向量。=36，最A，它的列由個特征向量組成。將原始128維SIFT描述子按照式（2）PCA-SIFT描述子的主成分表示，即。本實128SIFT20維的PCA-SIFT特征描述符。利用PCA-SIFT特征檢測算法檢測出兩幅幅圖片的所有關鍵點及對應的特小，就說明這兩個點越相似，它們的匹配程度就越高。歐式距離公式如（2）所示（2）其中分別為兩幅待匹配圖上的特征點所生成的特征向量。0.6，如式示：（3）式中為最近歐氏距離，為次近歐式距離。缺陷檢測PCA-SIFT;則停止計算判斷該區(qū)域為缺陷區(qū)域。（4）實驗結果與分析CPUWindowsMatlab12002026×1669SIFT和PCA-SIFTSIFT進行匹配速度很快，但經(jīng)過PCA-SIFT4-541分別為待檢測圖像41SIFTPCA-SIFT兩種匹配方法的對比ab匹配對數(shù)圖像配準時間SIFT（128個，b（136個）200.54PCA-SIFT（128個，b（136個）140.152像和標準圖像相似度的計算結果。表2不同度數(shù)下待檢測圖像和標準圖像相似度的計算結果待檢測圖像/o728496108標準圖庫/幅25293337相關度0.94050.93310.9548 0.9641由表2可知被檢測圖像與標準庫庫中對應位置圖像的相似度均大于設定閾值，可判斷該區(qū)域無缺陷。487o時的檢測結果。100.34sSIFT算法0.5s的時間。圖5有缺陷時的圖像檢測結論Matlab來自實驗結果。參考文獻王耀南，李樹濤，毛建旭.計算機圖像處理與識別技術[M].育出版社，2001：56-89.張學武，丁燕瓊，閆萍.[J].光學學報，201，31（3：0312004.Xie，X.Areviewofrecentadvancesinsurfacedefectdetectionusinganalysistechniques[J].ELCVIA，2008，7（3）..路面車輛實時檢測與跟蹤的視覺方法[J].2010，30（4：1076-1083..X[J].兵工學報，2012，33（7：881-885.WangWencheng，ChangFaliang.Aprecise