基于视网膜感知机制和机器学习的工业视觉检测理论研究

Inspired by the visual acuity of the eyes and the learning ability of human, this proposal presents an industrial visual inspection theory based on the retina perception mechanism and machine learning. The research on the method of image feature representation and extraction is carried out by simulating the retina perception mechanism. For the several common visual inspection applications, a few of typical potential classification features, such as energy features, geometrical features, spatial features, color and texture features, are extracted from the application images with the typical statistical models which these features could fit. These statistical models such as linear, non-linear, kernel-based, Markov models are investigated in the research. In order to optimize the performance of classifier for visual inspection, the machine learning methods are used to select one or more optimal image features automatically from those above typical potential classification features based on the training image database of the specified inspection tasks. And the suitable statistical models for the optimal features are also selected automatically according to the optimization criteria. So the design and implementation of optimal classifier for the specified inspection tasks are achieved by machine learning method. In order to verify the proposed theory for the industrial visual inspection, the experiments and results discussion on the application of surface defects detection and color-texture surface grading are implemented to test the performance of the optimized classifier. This proposal could provide the fundamental frame of methodology to direct the design and optimization of methods for the industrial visual inspection systems, and be the useful references for the complicated inspection tasks.

借鉴人眼的敏锐性能和人的学习能力，本项目基于视网膜感知机制和机器学习方法实现一种通用的工业视觉检测理论；研究模拟视网膜感知机制的图像特征表示和提取方法，针对常见的工业视觉检测应用，提取图像中的能量特征、形状特征、空间分布特征、颜色特征、纹理特征等几种典型的潜在分类特征，以及这些特征所符合的线性的、非线性的、基于核函数、马尔可夫模型等几种典型的统计分析模型；以分类器最佳检测性能为优化目标，利用机器学习方法从特定检测任务的训练样本中，自动选择一个或多个图像特征表示，自动选择合适的统计分析模型，完成该检测任务的最优分类器设计和实现；结合表面缺陷检测和颜色纹理分级的具体应用开展实验研究，测试分类器的检测性能，验证工业视觉检测理论方法的可靠性；本项目从方法论的角度建立工业视觉检测理论的基本框架，为各类工业视觉检测系统的设计和优化提供理论指导，为解决复杂的工业视觉检测问题提供参考。

随着“中国制造2025”国家发展战略的实施，我们工业自动化的水平不断提高，工业视觉检测技术已经成为工业自动化检测的基本方法和主要手段。本项目基于视网膜感知机制和机器学习方法实现一种通用的工业视觉检测理论，研究了模拟人眼视网膜感知机制的图像特征表示方法，在综合能量、形状、空间分布、颜色纹理等几种典型感知图像特征的基础上，以分类器最佳检测性能为优化目标，实现了有效分类特征的特征选择机制，对颜色纹理等多种图像特征表示进行优化选择和特征融合，针对特定工业视觉检测任务的训练样本，研究了能够实现图像特征提取和优化选择的方法，解决了最优分类器的设计和实现问题，结合颜色分类检测、磁性元件表面缺陷检测、竹木地板颜色纹理分级检测、瓷砖的分级检测和焊缝检测识别跟踪等具体的工业视觉检测应用，开展了一系列的工业视觉检测理论的应用和实验研究。将视觉感知的拮抗色图像特征和高斯混合模型分类识别方法，应用到工业流水线上的颜色目标识别和分类，能够有效消除生产环境下照明不均匀的影响，提高了分类识别的准确率，保证了设备安全操作的可靠性；将颜色纹理综合和特征选择方法应用到竹木地板和瓷砖的分级检测应用中，通过比较和分析不同图像特征对不同分级检测任务的有效性，提出了将特征选择机制和融合算法应用到不同检测任务中的检测分级方法。实验结果表明，单一图像特征对分级检测不是充分的，包含颜色纹理的一系列感知特征通过特征选择和分类器优化，能够针对特定分级检测任务，自动选择有效的分级检测特征，提高了分级检测识别的准确度和系统效率。本项目的研究内容和相关结果，能够为复杂的工业视觉检测系统的设计和优化问题提供理论上的指导，为解决复杂的工业视觉检测问题提供参考，对推动工业视觉检测系统的大范围应用和推广，具有重要的现实意义。