基于凸优化的产品混叠缺陷图像盲分离方法研究

Under the engineering background of product quality visual.inspection, the attenuation of light source, uneven illumination and different reflection characteristics of various types of defects increase the difficulty of image segmentation and defect recognition. In order to prevent the interference on image recognition from illumination variation, the Blind Source Separation based on convex analysis of mixtures will be studied in the project. The reflective characteristics of various types of defects under variable illumination will be analyzed by the experiments, and the corresponding light decay kinetics model will be established to demonstrate the separability of illumination time-varying mixed images. After designing the mixed image preprocessing method, multivariate clustering of pixel time series will be explored based on Standard Finite Normal Mixture and Expectation Maximization algorithms, and parameter initialization method based on Affinity Propagation Clustering will be proposed to reduce the likelihood of being trapped into local maxima. With the data fitting error of convex hull defined by cluster centers to reach its minimum as the criterion, Minimum Description Length algorithm will be presented to extend clustered Compartmental Modeling of the pixel time series, and automatic selection on the number of signal sources will be achieved by tracking the exterior corners of convex hull based on Convex Analysis of Mixtures. The image mixing parameters will be estimated, and the attenuation law of light source and coupling relationship between varying illumination and defect features will be revealed. Eventually, illumination varying factor and product defect ingredients can be separated from illumination time-varying mixed images, in order to achieve the integration of defect segmentation and recognition in product visual inspection and improve the robustness and adaptability of recognition algorithms.

在产品视觉检测工程背景下，光源衰减、不均匀光照以及各类缺陷表面反射特性差异等都加大了图像分割与缺陷识别难度。为了屏蔽光照变化对图像识别的干扰，本项目拟研究基于混合凸分析的盲源分离理论，通过实验分析各类缺陷对变化光照的反射特性，建立光源衰减动力学模型，论证光照时变混合图像的可分性；研究混合图像的预处理，探索基于有限混合正态分布与最大期望算法的像素时间序列多元聚类，并提出基于仿射传播聚类的参数初始化方法以避免陷入局部极大值；以聚类中心所定义凸包数据拟合误差最小为准则，设计最小描述长度算法以扩展像素时间序列聚类房室模型，基于混合凸分析理论追踪凸包外部角点，自动选取盲信号源数目；评估图像混合参数，揭示变化光照与缺陷特征的耦合关系以及光源的衰减规律。最终，由光照时变混合图像分离出光照变化因子与产品缺陷成分，实现产品视觉检测中缺陷图像分割与识别的一体化，提高识别算法的鲁棒性与准确率。

制造业的迅速发展对于各类产品的机器检测提出了新的挑战。在产品视觉检测中，光源衰减、不均匀光照以及各类缺陷表面反射特性差异等都加大了图像分割与缺陷识别难度。针对这一问题，本项目首先构建了两种不同类型产品图像数据库：列车运行故障动态图像检测系统数据库(TFDS)和织物纹理数据库(TILDA)；重点研究基于凸优化的产品混叠缺陷图像盲分离理论与方法，深入研究基于深度学习的缺陷图像检测算法，实现了产品视觉检测中缺陷图像的预处理、分割与检测识别的一体化，提高识别算法的鲁棒性与准确率。在图像缺陷盲分离与精准识别方法方面，考虑到不稳定的光照环境对图像预处理有较高的要求，本项目从人眼视觉系统(HVS)模型入手，提出基于精确光照图像估计的图像增强算法，使得增强图像在主观视觉的色彩饱和度和对比度更加突出，边缘轮廓细节清晰，符合图像增强的实际需求。此外，提出一种基于稀疏编码空间金字塔匹配和GA-SVM相结合的通用故障自动识别算法，实现了对低照度场景下的车轮挡键、集尘器和安全链锁紧螺栓的故障识别。该算法识别准确率高，鲁棒性好，能有效的应用于低照度的复杂环境TFDS故障检测中。在变尺度图像匹配方法方面，提出一种基于重构轮廓辅助匹配路径规划的动态分级匹配方法，在提升遍历效率的同时兼顾了闸瓦区域锁定的准确性，满足了闸瓦区域快速准确锁定的要求。同时，提出一种基于轮廓有向线段重构与直方图统计的匹配方法，以缓解阀盖为对象进行实验。结果表明，提出的匹配方法对于旋转、平移和缩放等几何变化均具有良好的适应性，实现了目标区域的准确锁定，满足TFDS缓解阀盖检测区域定位的实时性要求。在基于凸分析的图像缺陷分割与识别方法方面，针对目前织物缺陷检测定位效率低和识别准确率不理想的问题，提出了基于快速活动轮廓分割模型和BP-Ada Boost的织物缺陷检测算法，将算法分为定位和分类两部分，用以实现对织物缺陷的自动检测。在基于深度学习的图像分类与检测方法方面，提出DDPG-RAM算法，使用DDPG-RAM算法可以完成对复杂光照条件下织物的缺陷检测。与循环注意力模型和卷积神经网络相比，解耦合后该算法的准确率可达 95.24%，收敛速度也比循环注意力模型提前了50%。实验结果表明，本项目算法可完成对列车典型故障以及织物缺陷的定位、识别、检测以及分类任务，能有效的应用于工业生产和检测的任务中。