基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107123108A(43)申请公布日2017.09.01(21)申请号201710203081.9(22)申请日2017.03.30(71)申请人上海卫星装备研究所地址200240上海市闵行区华宁路251号(72)发明人王珂牛科研程涛陈立刘玉庆裴莹莹侯鹏李志慧(74)专利代理机构上海汉声知识产权代理有限公司31236代理人郭国中(51)Int.Cl.G06T7/00(2017.01)G06T5/00(2006.01)G06N3/08(2006.01)权利要求书1页说明书3页附图2页(54)发明名称基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法(57)摘要本发明公开了一种基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法，包括以下步骤：步骤一，遮光罩蜂窝图像，获取遮光罩蜂窝图像；步骤二，预处理；对获取的遮光罩蜂窝图像进行预处理，减少噪声；步骤三，边缘直线段特征提取；对经过预处理的遮光罩蜂窝图像进行特征提取，得到遮光罩蜂窝边缘直线段特征；步骤四，建立特征向量，筛选正负样本；对得到的遮光罩蜂窝边缘直线段特征进行特征描述，建立遮光罩蜂窝特征向量，筛选正常蜂窝和缺陷蜂窝的特征向量作为正负样本；步骤五，人工神经网络建立、训练；本发明有效地提高了遥感器遮光罩的生产效率，减轻了质量检验人员的劳动强度。CN107123108ACN107123108A权利要求书1/1页1.一种基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法，其特征在于，包括以下步骤：步骤一，获取遮光罩蜂窝图像；步骤二，预处理；对遮光罩蜂窝图像进行预处理，减少噪声；步骤三，边缘直线段特征提取；对经过预处理的遮光罩蜂窝图像进行特征提取，得到遮光罩蜂窝边缘直线段特征，如果是进行训练，则转步骤四；如果是进行检测，则转步骤六：步骤四，建立特征向量，筛选正负样本；对得到的遮光罩蜂窝边缘直线段特征进行特征描述，建立遮光罩蜂窝特征向量，筛选正常蜂窝和缺陷蜂窝的特征向量作为正负样本；步骤五，人工神经网络建立、训练；建立人工神经网络，利用得到的正负样本对其进行训练，使其具有缺陷检测能力；步骤六，待检测蜂窝特征向量；待检测的遮光罩蜂窝特征向量输入经过训练的人工神经网络，步骤七，蜂窝缺陷自动检测；根据输出结果判断遮光罩蜂窝是否存在缺陷。2.如权利要求1所述的基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法，其特征在于，所述步骤一的遮光罩蜂窝图像是通过工业相机获取的，无缺陷的理想的遥感器遮光罩蜂窝图像。3.如权利要求1所述的基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法，其特征在于，所述步骤二预处理的方法是高斯滤波算法，窗口大小为7×7，标准差为1.41。4.如权利要求1所述的基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法，其特征在于，所述步骤三的遮光罩蜂窝边缘直线段特征采用Canny算法提取，采用Ramer算法将遮光罩蜂窝边缘直线特征进一步转换为遮光罩蜂窝边缘直线段特征。5.如权利要求1所述的基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法，其特征在于，所述步骤四的遮光罩蜂窝特征向量是一个含有七个元素的向量。6.如权利要求1所述的基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法，其特征在于，所述步骤四的筛选正常蜂窝为人工筛选五十个正常蜂窝的特征向量作为正样本，筛选缺陷蜂窝为人工筛选五十个缺陷蜂窝的特征向量作为负样本。7.如权利要求1所述的基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法，其特征在于，所述步骤五的人工神经网络是一个由输入层、隐含层和输出层三层构成的BP神经网络，其中输入层的节点数为七个，隐含层的节点数为十个，输出层的节点数为二个。8.如权利要求1所述的基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法，其特征在于，所述步骤五中得到的正负样本各五十个，对BP神经网络进行训练，所述训练采用Levenberg-Marquardt优化算法。9.如权利要求1所述的基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法，其特征在于，所述步骤七的输出结果是一个含有二个元素的向量。2CN107123108A说明书1/3页基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法技术领域[0001]本发明涉及一种基于机器视觉的自动检测技术领域，特别是涉及一种基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法。背景技术[0002]遥感器遮光罩是安装在遥感器光学镜头前端，遮蔽有害光线，抑制画面光晕、避免杂散光进入镜头的装置；常见的遮光罩结构形式为四棱锥型，遮光罩内壁采用紧密排列的蜂窝结构形式。[0003]为达到多重消光的效果，遮光罩采用物理消光方式，以增大遮光罩内表面对光吸收，减小反射；一方面，在遮光罩内壁常采用紧密排列的蜂窝结构，蜂窝结构单元为具有一定壁厚、顶部开口的正