基于視覺檢測系統的手機玻璃屏非均衡表面缺陷分類方法
1.本發明涉及玻璃屏表面缺陷分類技術領域，更具體地，涉及一種基于視覺檢測系統的手機玻璃屏非均衡表面缺陷分類方法。
背景技術：
2.現代人對生活質量要求不斷提高，手機作為日常生活不可缺少的一環，零缺陷、高體驗的趨勢不斷加強。其中手機玻璃屏作為手機的重要部件之一，表面缺陷會大大影響手機的使用體驗。造成手機玻璃屏表面缺陷有許多因素，如生產工藝(屏幕摔壞、污點、裂痕)、外部因素等等。如何快速準確的對手機表面缺陷進行識別分類是所有生產企業都必須面對和解決的問題。手機玻璃屏表面缺陷具有許多鮮明特征，即高維融合性、多樣性和形狀不固定性。目前手機玻璃屏表面缺陷視覺檢測方法因易受到采集圖像平臺振動導致圖像移位，且光照不均勻帶來采集圖像缺陷邊界模糊和圖像內部灰度不一致導致缺陷紋理特征提取不準確等因素，致使缺陷檢測的準確率不高，無法投入實際生產應用。同時，手機玻璃屏表面缺陷是非均衡的，即部分缺陷(如劃痕、臟污等)發生的概率高，采集到的缺陷樣本數量多，部分缺陷(如崩邊、坑點等)發生的概率低，采集到的缺陷樣本數量少。并且，實際手機屏生產中，采集到的無缺陷的正常屏幕圖像樣本數量遠多于有缺陷的圖像樣本，即缺陷樣本和非缺陷樣本也是非均衡的。非均衡的手機屏幕圖像樣本嚴重制約了現有的手機屏幕缺陷檢測機器學習模型的識別性能。目前手機屏表面缺陷主要依靠人工視覺檢測，費時費力，人工成本高，速度慢，準確性低，且受人為控制，檢測結果不穩定。
3.基于機器視覺的手機屏幕檢測方法主要有：差分法、機器學習法、背景重構法等。差分法主要是采用圖像配準算法將模板圖像與待測圖像對齊，并對兩者差分運算，得到殘差圖像，設置缺陷判定閾值(如固定閾值或自適應閾值)，實現缺陷檢測。該方法的檢測結果嚴重依賴模板圖像和待測圖像對齊精度和合適的閾值設置，且方法易受外界光照變化導致檢測效果下降。機器學習法：根據學習采集到手機屏幕圖像樣本，建立缺陷識別檢測模型，實現缺陷的檢測。但該方法易受到手機屏幕圖像樣本的非均衡性影響，導致發生概率低的缺陷檢測準確率下降。背景重構方法是基于有缺陷的手機屏幕圖像，采用某種技術手段(如奇異值分解法或獨立成分分析法)重構手機屏無缺陷背景圖像，通過比較分析重構的背景圖像與有缺陷圖像之間的差異，實現缺陷分割。該技術方案嚴重依賴背景圖像重構效果，且僅能實現缺陷分割，無法準確分類缺陷。綜上，現有的基于機器視覺的手機屏缺陷檢測技術方案因其各自的不足，無法滿足生產過程中對手機屏表面非均衡缺陷檢測與分類的需求，因此，迫切需要研制一套新的手機屏表面非均衡缺陷檢測新方法，實現手機屏表面質量檢測與分類。
4.現有技術中公開了一種圖像級標簽缺省的手機屏幕缺陷檢測方法，該方法：搭建概率模型，分別構建預測分布模型和條件分布模型；定義目標檢測損失函數來建立學習模型；使用坐標下降優化策略進行學習模型優化；通過迭代來修正預測網絡，并對條件網絡進行學習，該專利提出的圖像級標簽缺省的手機屏幕缺陷檢測方法，使用基于弱監督的機器
學習方法，搭建了一種端到端的概率檢測模型，應用離散disco網絡進行模型實現，可以在手機屏幕缺陷的圖像級標簽缺省現實場景下，進行自動且高效的缺陷檢測；在工業應用上具有重大應用價值，可以節約企業生產成本，并保護消費者權益。然而，該專利僅限于手機屏幕各類缺陷相對均衡的條件下，實現手機屏的高效缺陷檢測，但對于手機屏幕非均衡缺陷的檢測沒有任何報道。
技術實現要素：
5.本發明提供一種基于視覺檢測系統的手機玻璃屏非均衡表面缺陷分類方法，該方法將特征和分類識別的訓練集數據一起送入分類器進行分類器訓練，分類器訓練完成后就可以對多手機玻璃屏表面缺陷進行分類識別。
6.為了達到上述技術效果，本發明的技術方案如下：
7.一種基于視覺檢測系統的手機玻璃屏非均衡表面缺陷分類方法，包括以下步驟：
8.s1：采用機器視覺系統對手機屏幕進行圖像采集；
9.s2：采集到圖像數據進行傳輸，并存儲于數據庫，同時對數據進行去噪、清洗等預處理操作，獲取大量用于模型學習的手機屏幕訓練集圖像；
10.s3：采用方塊截斷編碼(block truncation coding，簡稱btc)算法對屏幕圖像進行紋理特征提取，獲取用于缺陷識別的手機屏幕特征；
11.s4：采用基于樣本信息度混合采樣訓練集均衡化方法，對非均衡的訓練集進行采樣，生成多個差異的均衡化訓練集，建立多個手機屏幕缺陷檢測與分類的支持向量機(support vector machine,svm)模型，并進行模型集成；
12.s5：依據投票規則，實現手機屏幕缺陷檢測與分類。
13.進一步地，所述步驟s2中先對測量標記進行識別，計算出其橫線或縱線的像素個數c，當出現對角線方向的誤差時，測量標記會產生小角度的旋轉，通過計算偏轉角度來糾正圖像位置誤差。
14.進一步地，所述步驟s2中，計算偏轉角度的過程是：
15.當出現對角線方向的誤差時，測量標記會產生小角度的旋轉，但其橫線或縱線的長度不會發生變化，這就是說此時圖像中的橫線或縱線的像素值不會發生變化，等于c；最后，將其橫線或縱線往水平方向或垂直進行投影，這時其像素個數會發生變化，此時通過計算出實際橫線或縱線的像素個數c，除以理想狀態下的橫線或縱線的像素個數c，再對其求余弦值，即可求出偏轉角度。
16.進一步地，所述步驟s3中，運用基于btc方法提取了手機玻璃屏圖像的紋理特征。
17.進一步地，所述手機玻璃屏圖像的紋理特征提取的過程是：
18.令j是一幅m
×
n圖像，將j劃分為m
×
m的互不重疊的子正方塊，對于每個子塊，計算塊內像素的灰度均值a
t
和平均灰度差k；按照btc的思想，對于每個子塊中的像素點，灰度值大于a
t
的賦值為1，反之為0，就得到了一系列m
×
m的二進制塊，這些二進制塊成功的體現了圖像塊內的紋理特征，最后用與二進制塊等值的十進制值來表示這些紋理基元即圖像塊的值，完成了手機玻璃屏圖像紋理基元特征的提取。
19.進一步地，采用支持向量機識別多類樣本中的支持向量集和非支持向量集；采用knn近鄰法，去除支持向量集中的噪聲樣本，生成新支持向量集；對非支持向量集進行多次
隨機欠采樣，生成n個非支持向量集，將n個非支持向量集和新支持向量集進行組合，生成n個差異化的新多類樣本集。
20.進一步地，所述knn近鄰法的具體操作為：支持向量集中樣本xi的近鄰樣本數為k，近鄰樣本中多類樣本為m,若則xi被認定噪聲樣本；對少量樣本進行計算樣本集中樣本間的馬氏距離d
ij
，基于馬氏距離評估樣本間的相似度s
ij
，依據閾值對s
ij
進行優化，構建圖，圖中邊的權重w
ij
＝s
ij
；樣本xi的信息度，根據樣本信息度大小，設置樣本在過采樣中的權重大小，采用加權smote(synthetic minority oversampling technique)方法對少類樣本進行過采樣，生成新的少類樣本集。
21.進一步地，所述馬氏距離計算方法為：樣本xi和xj之間的馬氏距離d
ij
：式中s是訓練集樣本的協方差矩陣，s
ij
＝e[(f
i-μi)(f
j-μj)]，其中μi和μj分別是樣本x的特征fi和fj的期望均值；樣本相似度s
ij
計算方法：其中，d
ij
是樣本xi和xj之間的馬氏距離，σ是高斯核函數的核寬度，閾值ε對s
ij
進行優化的方法為：
[0022]
進一步地，當圖像塊的平均灰度差k小于閾值β時，就把這個塊看作是正方塊，紋理基元值設0；當圖像塊的平均灰度差k大于閾值β時，則計算它的紋理基元值，β＝0.00258k。
[0023]
與現有技術相比，本發明技術方案的有益效果是：
[0024]
本發明首先對手機屏幕的未缺陷及缺陷圖像進行獲取，獲取過程是通過機器進行固定，然后采用攝像頭對圖像進行收集，收集完成后將資料放入手機屏幕缺陷圖像獲取平臺備用，然后基于圖像處理提出了印刷對角線方向方法并設計了連續控制系統，在整個系統的控制下會對圖像進行去噪、灰度處理，在處理過后進行標志特征提取，其中最為主要的就是圖像的紋理特征提取，本發明運用基于btc的紋理提取及檢索算法進行圖像的紋理特征提取。最后將特征和分類識別的訓練集數據一起送入分類器進行分類器訓練，分類器訓練完成后就可以對多手機玻璃屏表面缺陷進行分類識別。
附圖說明
[0025]
圖1為本發明方法應用的場景系統結構圖；
[0026]
圖2為本發明方法流程圖；
[0027]
圖3為圖像塊和紋理基元值圖；
[0028]
圖4為基于樣本信息度混合采樣訓練集均衡化方法。
具體實施方式
[0029]
附圖僅用于示例性說明，不能理解為對本專利的限制；
[0030]
為了更好說明本實施例，附圖某些部件會有省略、放大或縮小，并不代表實際產品的尺寸；
[0031]
對于本領域技術人員來說，附圖中某些公知結構及其說明可能省略是可以理解
的。
[0032]
下面結合附圖和實施例對本發明的技術方案做進一步的說明。
[0033]
實施例1
[0034]
本技術實施例1提供的基于視覺檢測系統的手機玻璃屏非均衡表面缺陷分類方法，可以應用于如圖1所示的應用環境中。在收集獲取圖像時先搭建了一個手機屏幕缺陷圖像獲取平臺，該平臺對所有目前出現的缺陷類型圖像進行收錄并建立的完善的數據庫，在要對某種缺陷類型進行分析時可以直接從數據庫輸出數據到服務器中進行數據分析，分析的結構最終顯示在顯示器上供分析人員直觀的觀看并得出結論。
[0035]
本發明首先對手機屏幕的無缺陷及缺陷圖像進行獲取，獲取過程是通過機器進行固定，然后采用攝像頭對圖像進行收集，收集完成后將資料放入手機屏幕缺陷圖像獲取平臺備用，然后基于圖像處理提出了印刷對角線方向方法并設計了連續控制系統，在整個系統的控制下會對圖像進行去噪、灰度處理，在處理過后進行標志特征提取，其中最為主要的就是圖像的紋理特征提取，運用基于btc的紋理提取及檢索算法進行圖像的紋理特征提取，最后將特征和分類識別的訓練集數據一起送入分類器進行分類器訓練，分類器訓練完成后就可以對多手機玻璃屏表面缺陷進行分類識別。
[0036]
一種基于視覺檢測系統的手機玻璃屏非均衡表面缺陷分類方法，包括以下步驟：
[0037]
s1：采用機器視覺系統對手機屏幕進行圖像采集；
[0038]
s2：采集到圖像數據進行傳輸，并存儲于數據庫，同時對數據進行去噪、清洗等預處理操作，獲取大量用于模型學習的手機屏幕訓練集圖像；
[0039]
s3：采用方塊截斷編碼算法對屏幕圖像進行紋理特征提取，獲取用于缺陷識別的手機屏幕特征；
[0040]
s4：采用基于樣本信息度混合采樣訓練集均衡化方法，對非均衡的訓練集進行采樣，生成多個差異的均衡化訓練集，建立多個手機屏幕缺陷檢測與分類的支持向量機模型，并進行模型集成；
[0041]
s5：依據投票規則，實現手機屏幕缺陷檢測與分類。
[0042]
進一步地，所述步驟s2中先對測量標記進行識別，計算出其橫線或縱線的像素個數c，當出現對角線方向的誤差時，測量標記會產生小角度的旋轉，通過計算偏轉角度來糾正圖像位置誤差。
[0043]
步驟s2中，計算偏轉角度的過程是：
[0044]
當出現對角線方向的誤差時，測量標記會產生小角度的旋轉，但其橫線或縱線的長度不會發生變化，這就是說此時圖像中的橫線或縱線的像素值不會發生變化，等于c；最后，將其橫線或縱線往水平方向或垂直進行投影，這時其像素個數會發生變化，此時通過計算出實際橫線或縱線的像素個數c，除以理想狀態下的橫線或縱線的像素個數c，再對其求余弦值，即可求出偏轉角度。
[0045]
步驟s3中，運用基于btc方法提取了手機玻璃屏圖像的紋理特征。手機玻璃屏圖像的紋理特征提取的過程是：
[0046]
令j是一幅m
×
n圖像，將j劃分為m
×
m的互不重疊的子正方塊，對于每個子塊，計算塊內像素的灰度均值a
t
和平均灰度差k；按照btc的思想，對于每個子塊中的像素點，灰度值大于a
t
的賦值為1，反之為0，就得到了一系列m
×
m的二進制塊，這些二進制塊成功的體現了
圖像塊內的紋理特征，最后用與二進制塊等值的十進制值來表示這些紋理基元即圖像塊的值，完成了手機玻璃屏圖像紋理基元特征的提取。
[0047]
步驟s4中，基于樣本信息度混合采樣訓練集均衡化方法，實現訓練集均衡，具體過程為：
[0048]
采用支持向量機識別多類樣本中的支持向量集和非支持向量集；采用knn近鄰法，去除支持向量集中的噪聲樣本，生成新支持向量集；對非支持向量集進行多次隨機欠采樣，生成n個非支持向量集，將n個非支持向量集和新支持向量集進行組合，生成n個差異化的新多類樣本集。
[0049]
knn近鄰法的具體操作為：支持向量集中樣本xi的近鄰樣本數為k，近鄰樣本中多類樣本為m,若則xi被認定噪聲樣本；對少量樣本進行計算樣本集中樣本間的馬氏距離d
ij
，基于馬氏距離評估樣本間的相似度s
ij
，依據閾值對s
ij
進行優化，構建ε-nn圖，圖中邊的權重w
ij
＝s
ij
；樣本xi的信息度，根據樣本信息度大小，設置樣本在過采樣中的權重大小，采用加權smote方法對少類樣本進行過采樣，生成新的少類樣本集。
[0050]
馬氏距離計算方法為：樣本xi和xj之間的馬氏距離d
ij
：式中s是訓練集樣本的協方差矩陣，s
ij
＝e[(f
i-μi)(f
j-μj)]，其中μi和μj分別是樣本x的特征fi和fj的期望均值；
[0051]
樣本相似度s
ij
計算方法：其中，d
ij
是樣本xi和xj之間的馬氏距離，σ是高斯核函數的核寬度，閾值ε對s
ij
進行優化的方法為：進行優化的方法為：
[0052]
當圖像塊的平均灰度差k小于閾值β時，就把這個塊看作是正方塊，紋理基元值設0；當圖像塊的平均灰度差k大于閾值β時，則計算它的紋理基元值，β＝0.00258k。
[0053]
實施例2
[0054]
如圖2所示，一種基于視覺檢測系統的手機玻璃屏非均衡表面缺陷分類方法，包括以下步驟：
[0055]
s1：收集所有目前出現的手機玻璃屏表面缺陷類型圖像數據；
[0056]
s2：對步驟s1中的數據進行圖像濾波處理后進行圖像識別；
[0057]
s3：對步驟s2中識別后的圖像進行紋理特征提取；
[0058]
s4：設計分類器對步驟s3得到的結果進行分類。
[0059]
步驟s2中先對測量標記進行識別，計算出其橫線或縱線的像素個數c，當出現對角線方向的誤差時，測量標記會產生小角度的旋轉，通過計算偏轉角度來糾正圖像位置誤差。
[0060]
步驟s2中，計算偏轉角度的過程是：
[0061]
當出現對角線方向的誤差時，測量標記會產生小角度的旋轉，但其橫線或縱線的長度不會發生變化，這就是說此時圖像中的橫線或縱線的像素值不會發生變化，等于c；最后，將其橫線或縱線往水平方向或垂直進行投影，這時其像素個數會發生變化，此時通過計算出實際橫線或縱線的像素個數c，除以理想狀態下的橫線或縱線的像素個數c，再對其求余弦值，即可求出偏轉角度。
[0062]
步驟s3中，運用基于btc的紋理提取及檢索算法提取了圖像的紋理特征，并采用最小距離分類器對套準圖像的特征進行提取，具體包括紋理基元提取和相似性程度計算兩步。
[0063]
述紋理基元提取的過程是：
[0064]
令j是一幅m
×
n圖像，將j劃分為m
×
m的互不重疊的子正方塊，對于每個子塊，計算塊內像素的灰度均值at和平均灰度差k；按照btc的思想，在每個子塊中的每個像素點，灰度值大于at的賦值為1，反之為0，就得到了一系列m
×
m的二進制塊，這些二進制塊成功的體現了圖像塊內的紋理特征，反映了圖像中的形狀分布，最后用與二進制塊等值的十進制值來表示這些紋理基元的值就完成了紋理基元的提取。
[0065]
步驟s4中，設計支持向量機的缺陷狀態數據集分類器，進入分類器進行分類，支持向量機數學模型為：
[0066][0067]
s.t.yi[(ω
·
xi)+b]≥1-ξi，ξi≥0
[0068]
式中：k懲罰函數，ξi為第i個樣本數據的松弛變量，xi為第i個樣本數據，yi為i個樣本數據對應的分類標簽，yi＝1或-1，ω∈rn，2/‖ω‖對應兩條支持直線的距離，b是截距，b∈r，b是截距，n是樣本總數量。
[0069]
當圖像塊的平均灰度差k小于閾值β時，就把這個塊看作是正方塊，紋理基元值設0；當圖像塊的平均灰度差k大于閾值β時，則計算它的紋理基元值，β＝0.00258k。
[0070]
該專利與現有技術相比，識別準確率提高了4.5％，在識別速度上比現有技術快了大概0.012s，具有高效性，而且自動化程度較高，可以全程交由機器進行，人力耗費少，泛化能力強。
[0071]
實施例3
[0072]
一種基于視覺檢測系統的手機玻璃屏非均衡表面缺陷分類方法，包括以下步驟：
[0073]
(1)、在收集獲取圖像時先搭建了一個手機屏幕缺陷圖像獲取平臺，該平臺對所有目前出現的缺陷類型圖像進行收錄，在要對某種缺陷類型進行分析時可以直接輸出；
[0074]
(2)對測量標記進行圖像識別，然后由計算機進行連續圖像處理，輸出控制信號，首先是進行圖像濾波處理，由于各種因素影響，所拍攝的圖片會出現各種各樣的噪聲，如高斯噪聲、椒鹽噪聲及隨機噪聲等，對圖像的識別與處理具有直接的影響。因此需要在保持原信息的同時進行濾波處理，此處使用中值濾波的方法，之后進行圖像識別，先對理想狀態下的測量標記進行識別，計算出其橫線(或縱線)的像素個數c。然后對處理過的圖像進行分析，當出現對角線方向的誤差時，測量標記會產生小角度的旋轉。但其橫線(或縱線)的長度不會發生變化，這就是說此時圖像中的橫線(或縱線)的像素值不會發生變化，等于c。最后，將其橫線(或縱線)往水平方向(或垂直)進行投影，這時其像素個數會發生變化，此時通過計算出實際橫線(或縱線)的像素個數d，除以理想狀態下的橫線(或縱線)的像素個數c，再對其求余弦值，即可求出偏轉角度；
[0075]
(3)然后運用基于btc的紋理提取及檢索算法提取了圖像的紋理特征，并采用最小距離分類器對套準圖像的特征進行提取，該算法分為二步，分別為紋理基元提取和相似性
程度。第一步的具體為：假設j是一幅m
×
n圖像。將j劃分為m
×
m的互不重疊的子正方塊，對于每個子塊，計算塊內像素的灰度均值at和平均灰度差k。按照btc的思想，在每個子塊中的每個像素點，灰度值大于at的賦值為1，反之為0，這樣就得到了一系列m
×
m的二進制塊。這些二進制塊成功的體現了圖像塊內的紋理特征，也在比較大程度上反映了圖像中的形狀分布，最后用與二進制塊等值的十進制值來表示這些紋理基元的值就完成了紋理基元的提取，相應圖像塊和紋理基元值如圖3-4所示。在實驗中意外發現不同的塊會產生相同的紋理值，會影響后續缺陷分類的準確性。因此，在算法中，需設定總閾值β。當圖像塊的平均灰度差k小于這個總閾值β時，就把這個塊看作是正方塊，紋理基元值設0；大于這個閾值時，就按上述方法計算它的紋理基元值。經過多次實驗，發現當這個閾值大概為整個圖像平均灰度差的0.0025時將其看作均勻塊，此時不影響算法的精度，在以下實驗中，取β＝0.00258k，其中k是圖像的平均灰度差，能夠較好的使用紋理基元值作為整幅圖像紋理特征的描述。
[0076]
(4)最后設計了支持向量機的缺陷狀態數據集分類器，進入分類器進行分類。支持向量機建立在結構風險最小化基礎之上，有較好的泛化能力。與神經網絡相比，它在解決小樣本、非線性及高維模式識別中表現出許多特有的優勢，被廣泛用于數據分類和回歸。支持向量機數學模型為：
[0077][0078]
s.t.yi[(ω
·
xi)+b]≥1-ξi,ξi≥0
[0079]
式中：k懲罰函數，ξi為第i個樣本數據的松弛變量，xi為第i個樣本數據，yi為i個樣本數據對應的分類標簽，yi＝1或-1，ω∈rn，2/‖ω‖對應兩條支持直線的距離，b是截距，b∈r，b是截距，n是樣本總數量。
[0080]
相同或相似的標號對應相同或相似的部件；
[0081]
附圖中描述位置關系的用于僅用于示例性說明，不能理解為對本專利的限制；
[0082]
顯然，本發明的上述實施例僅僅是為清楚地說明本發明所作的舉例，而并非是對本發明的實施方式的限定。對于所屬領域的普通技術人員來說，在上述說明的基礎上還可以做出其它不同形式的變化或變動。這里無需也無法對所有的實施方式予以窮舉。凡在本發明的精神和原則之內所作的任何修改、等同替換和改進等，均應包含在本發明權利要求的保護范圍之內。
技術特征：
1.一種基于視覺檢測系統的手機玻璃屏非均衡表面缺陷分類方法，其特征在于，包括以下步驟：s1：采用機器視覺系統對手機屏幕進行圖像采集；s2：采集到圖像數據進行傳輸，并存儲于數據庫，同時對數據進行去噪、清洗等預處理操作，獲取大量用于模型學習的手機屏幕訓練集圖像；s3：采用方塊截斷編碼算法對屏幕圖像進行紋理特征提取，獲取用于缺陷識別的手機屏幕特征；s4：采用基于樣本信息度混合采樣訓練集均衡化方法，對非均衡的訓練集進行采樣，生成多個差異的均衡化訓練集，建立多個手機屏幕缺陷檢測與分類的支持向量機模型，并進行模型集成；s5：依據投票規則，實現手機屏幕缺陷檢測與分類。2.根據權利要求1所述的基于視覺檢測系統的手機玻璃屏非均衡表面缺陷分類方法，其特征在于，所述步驟s2中先對測量標記進行識別，計算出其橫線或縱線的像素個數c，當出現對角線方向的誤差時，測量標記會產生小角度的旋轉，通過計算偏轉角度來糾正圖像位置誤差。3.根據權利要求2所述的基于視覺檢測系統的手機玻璃屏非均衡表面缺陷分類方法，其特征在于，所述步驟s2中，計算偏轉角度的過程是：當出現對角線方向的誤差時，測量標記會產生小角度的旋轉，但其橫線或縱線的長度不會發生變化，這就是說此時圖像中的橫線或縱線的像素值不會發生變化，等于c；最后，將其橫線或縱線往水平方向或垂直進行投影，這時其像素個數會發生變化，此時通過計算出實際橫線或縱線的像素個數c，除以理想狀態下的橫線或縱線的像素個數c，再對其求余弦值，即可求出偏轉角度。4.根據權利要求2或3所述的基于視覺檢測系統的手機玻璃屏非均衡表面缺陷分類方法，其特征在于，所述步驟s3中，運用基于btc方法提取了手機玻璃屏圖像的紋理特征。5.根據權利要求4所述的基于視覺檢測系統的手機玻璃屏非均衡表面缺陷分類方法，其特征在于，所述手機玻璃屏圖像的紋理特征提取的過程是：令j是一幅m
×
n圖像，將j劃分為m
×
m的互不重疊的子正方塊，對于每個子塊，計算塊內像素的灰度均值a
t
和平均灰度差k；按照btc的思想，對于每個子塊中的像素點，灰度值大于a
t
的賦值為1，反之為0，就得到了一系列m
×
m的二進制塊，這些二進制塊成功的體現了圖像塊內的紋理特征，最后用與二進制塊等值的十進制值來表示這些紋理基元即圖像塊的值，完成了手機玻璃屏圖像紋理基元特征的提取。6.根據權利要求5所述的基于視覺檢測系統的手機玻璃屏非均衡表面缺陷分類方法，其特征在于，采用支持向量機識別多類樣本中的支持向量集和非支持向量集；采用knn近鄰法，去除支持向量集中的噪聲樣本，生成新支持向量集；對非支持向量集進行多次隨機欠采樣，生成n個非支持向量集，將n個非支持向量集和新支持向量集進行組合，生成n個差異化的新多類樣本集。7.根據權利要求6所述的基于視覺檢測系統的手機玻璃屏非均衡表面缺陷分類方法，其特征在于，所述knn近鄰法的具體操作為：支持向量集中樣本x
i
的近鄰樣本數為k，近鄰樣
本中多類樣本為m,若則x
i
被認定噪聲樣本；對少量樣本進行計算樣本集中樣本間的馬氏距離d
ij
，基于馬氏距離評估樣本間的相似度s
ij
，依據閾值對s
ij
進行優化，構建圖，圖中邊的權重w
ij
＝s
ij
；樣本x
i
的信息度，根據樣本信息度大小，設置樣本在過采樣中的權重大小，采用加權smote方法對少類樣本進行過采樣，生成新的少類樣本集。8.根據權利要求7所述的基于視覺檢測系統的手機玻璃屏非均衡表面缺陷分類方法，其特征在于，所述馬氏距離計算方法為：樣本x
i
和x
j
之間的馬氏距離d
ij
：式中s是訓練集樣本的協方差矩陣，s
ij
＝e[(f
i-μ
i
)(f
j-μ
j
)]，其中μ
i
和μ
j
分別是樣本x的特征f
i
和f
j
的期望均值。9.根據權利要求8所述的基于視覺檢測系統的手機玻璃屏非均衡表面缺陷分類方法，其特征在于，樣本相似度s
ij
計算方法：其中，d
ij
是樣本x
i
和x
j
之間的馬氏距離，σ是高斯核函數的核寬度，閾值ε對s
ij
進行優化的方法為：10.根據權利要求9所述的基于視覺檢測系統的手機玻璃屏非均衡表面缺陷分類方法，其特征在于，當圖像塊的平均灰度差k小于閾值β時，就把這個塊看作是正方塊，紋理基元值設0；當圖像塊的平均灰度差k大于閾值β時，則計算它的紋理基元值，β＝0.00258k。
技術總結
本發明一種基于視覺檢測系統的手機玻璃屏非均衡表面缺陷分類方法，手機屏幕缺陷檢測過程描述如下：采用機器視覺系統對手機屏幕進行圖像采集，采集到圖像數據進行傳輸，并存儲于數據庫，同時對數據進行去噪、清洗等預處理操作，獲取大量用于模型學習的手機屏幕訓練集圖像。采用方塊截斷編碼算法對屏幕圖像進行紋理特征提取，獲取用于缺陷識別的手機屏幕特征。采用基于樣本信息度混合采樣訓練集均衡化方法，對非均衡的訓練集進行采樣，生成多個差異的均衡化訓練集，建立多個手機屏幕缺陷檢測與分類的支持向量機模型，并進行模型集成。依據投票規則，實現手機屏幕缺陷檢測與分類。實現手機屏幕缺陷檢測與分類。實現手機屏幕缺陷檢測與分類。
