基于PCA-SIFT算法的产品表面缺陷检测研究

基于PCA—SIFT算法的产品表面缺陷检测研究PCA-SIFT算法的自动识别。该算法是对基于尺度旋转不变性算法的改进，在保证识别精确度的前提下，利用主元分析法SIFT0.5s。【关键词】缺陷检测;旋转步长采样;投影法;PCA-SIFT引言[1];不依赖于人的主观因素从而保证高稳定性与高可靠性;容易满足各种特殊高危生产检测场合;便于实现缺陷信息的自动记录与数据库管理及查询功能，保障产品生产的全面质量管理与过程控制等[2]。构方法、全局方法和基于模型的方法[3]。自动视觉检测是建立在机器视觉基础上的一门新兴检测技术，是综合应用图像处理与分析、模式识别、人工智能、精密仪器等技术的非接触式检测方法。近年来，红外技术、CCD技术和计算机技术都有了飞速地发展，基于激光扫描、光谱图像、红外成像和超声波扫描的机器视觉技术因其成本低、无损伤、准确、快速、永不疲劳等优点在缺陷检测领域也得到了越来越广泛的应用[4]。检测的总体流程工件旋转检台如下图1所示[5]是为了使系统能够自动对被检产品进行多方位信息提取。图1视觉检测原理框图图2表面有不同分辨率条纹的圆柱产品法效果，用测试分辨率的具有代表性的黑白线对数/毫米来验证。算法介绍旋转步长的确定长[6]。垂直投影就是将一列所有像素点的灰度值累加求和，如式（1）所示：（1）3际操作过程中共同确定的旋转步长为。图3垂直投影120幅标准样本图，提取图像特征建立标准样本图库。PCA-SIFT图像匹配算法PCA-SIFTPCA用主成分分析法（SIFT的128维特征向量进行降维，以达到更精确的表示方式。进行降维的具体方法如下：SIFT128维均值向量以及所有样本点的特征向量与均值向量的差。构建协方差矩阵，求协方差矩阵的128128特征值从大到小的顺序排列和对应的特征向量。=36，最A，它的列由个特征向量组成。将原始128维SIFT描述子按照式（2）PCA-SIFT描述子的主成分表示，即。本实128SIFT20维的PCA-SIFT特征描述符。利用PCA-SIFT特征检测算法检测出两幅幅图片的所有关键点及对应的特小，就说明这两个点越相似，它们的匹配程度就越高。欧式距离公式如（2）所示（2）其中分别为两幅待匹配图上的特征点所生成的特征向量。0.6，如式示：（3）式中为最近欧氏距离，为次近欧式距离。缺陷检测PCA-SIFT;则停止计算判断该区域为缺陷区域。（4）实验结果与分析CPUWindowsMatlab12002026×1669SIFT和PCA-SIFTSIFT进行匹配速度很快，但经过PCA-SIFT4-541分别为待检测图像41SIFTPCA-SIFT两种匹配方法的对比ab匹配对数图像配准时间SIFT（128个，b（136个）200.54PCA-SIFT（128个，b（136个）140.152像和标准图像相似度的计算结果。表2不同度数下待检测图像和标准图像相似度的计算结果待检测图像/o728496108标准图库/幅25293337相关度0.94050.93310.9548 0.9641由表2可知被检测图像与标准库库中对应位置图像的相似度均大于设定阈值，可判断该区域无缺陷。487o时的检测结果。100.34sSIFT算法0.5s的时间。图5有缺陷时的图像检测结论Matlab来自实验结果。参考文献王耀南，李树涛，毛建旭.计算机图像处理与识别技术[M].育出版社，2001：56-89.张学武，丁燕琼，闫萍.[J].光学学报，201，31（3：0312004.Xie，X.Areviewofrecentadvancesinsurfacedefectdetectionusinganalysistechniques[J].ELCVIA，2008，7（3）..路面车辆实时检测与跟踪的视觉方法[J].2010，30（4：1076-1083..X[J].兵工学报，2012，33（7：881-885.WangWencheng，ChangFaliang.Aprecise