CN101726498B - 基于视觉仿生的铜带表面质量智能检测装置及方法 - Google Patents

Abstract

本发明公开一种基于视觉仿生的铜带表面质量智能检测装置及方法，通过工业相机等获取铜带表面图像；对获取图像做增强、降噪和去抖动处理；使用高斯金字塔分解和Gabor金字塔分解提取亮度、颜色和朝向三个特征；再对已提取特征通过计算中央精细尺度和周边粗糙尺度间的中央周边差得到特征显著图；采用局部迭代法形成显著图；从兴趣图中可直接获取各区域的显著特征值即what信息，根据焦点转移顺序获取where信息流；使用离散的可观测马尔可夫模型实现目标的正确分类，提高了铜带表面缺陷检测系统对缺陷的识别和分类能力，满足在线生产的实时性和精确性要求，可广泛应用于其它材料表面缺陷质量检测中。

Description

基于视觉仿生的铜带表面质量智能检测装置及方法

技术领域

本发明涉及视觉仿生技术和金属表面质量检测技术，尤其涉及基于视觉仿生机理的铜带表面质量的检测。

背景技术

随着铜在电气、轻工、机械制造和建筑工业等领域的广泛应用，铜材料的质量优劣直接影响下游产品(如：通信线缆、管材等)的质量和性能，因此，如何解决铜带表面质量的高效、准确检测显的至关重要。铜带表面质量检测是一种简单重复的、置信度低的工作。传统的人工目视检测和频闪光检测方法都存在实时性差、抽检率低、检测置信度低和检测环境恶劣等弊端。目前的表面质量检测主要基于机器视觉。机器视觉是通过光学装置和非接触传感器自动接收和处理真实物体的图像以获取信息进行控制的方法，获取和感知信息量大且直观，在表面缺陷检测和识别中得到了广泛的研究和应用。表面质量检测的最大难点是缺陷特征提取和缺陷分类。传统的机器视觉检测方法一般采用灰度特征、几何形状特征和纹理特征来描述缺陷，同时贝叶斯分类器、神经网络和支持向量机等被广泛应用于表面缺陷的检测与识别。但是由于铜带表面反光强烈，不同生产工艺造成不同种类的表面缺陷，部分缺陷面积小且与无缺陷铜带表面灰度相近，使得铜带的特征提取和分类面临难题。因此，如何有效地提取缺陷特征并对缺陷进行正确识别一直是铜带制造业面临的最大难点和急需解决的技术问题。

人类能快速有效地识别出缺陷类型，无论反光强弱、缺陷形状的细微变化、不同生产工艺造成同种缺陷的差别或机器难以识别的微小缺陷，都没有对人类视觉感知造成太大的困难。人类拥有强大的图像理解和模式识别能力，建立由生物学启发的计算机视觉模型是图像处理领域中的研究热点。

随着神经科学、计算神经科学和解剖学的发展，人类视觉感知系统的研究不断深入。神经生理学和解剖学的研究表明，视觉信息在大脑中按照一定的通路进行传递，具有强烈的层次结构性。人类在感知外部世界时，视觉系统分为两个皮层视觉子系统，即两条视觉通路-what通路和where通路。What通路传输的信息与外部世界的目标对象相关，where通路用来传输对象的空间信息。结合注意机制，what信息可以用于驱动自底向上的注意，形成感知和进行目标识别，where信息可以用来驱动自顶向下的注意，处理空间信息。在视觉信息处理过程中，选择注意思想扮演重要角色，它的主要思想并不是图像的每一部分都提供信息，并且只需细节地分析图像的相关部分就足以识别和分类。另外，选择注意机制是视觉感知信息处理系统的一种主动策略，具有选择性、竞争性和定向性等特点，它与学习、记忆、意识等其他视觉机制结合起来模拟视觉信息处理这一复杂功能，完成将注意目标从背景中分离，注意焦点在多个目标间转移，注意目标与记忆中的模式匹配等任务。

人眼的生物结构包括高分辨率的中央凹和低分辨率的周边区域为识别提供数据。中央凹不是静态的，其在视觉领域周边区域不断扫视。中央凹的这种尖锐的、直接的运动并不是随机的。周边区域提供低分辨率信息，这些信息被处理后作为中央凹揭示目标的显著点，而中央凹检测这些信息。通过多年的研究，人们对于理解视皮层信息的基本原理已经取得巨大的进步，并成功地建立了多种注意模型。按照驱动方式的不同，注意模型分为数据驱动的注意模型和任务驱动的注意模型。目前数据驱动的注意机制研究较为完善，而任务驱动的注意机制研究较少。任务驱动的注意机制主要用于解决仅凭图像本身的信息无法完成的复杂任务，例如图像目标的不变识别和复杂背景的目标检测等。这时候需要利用先验知识，先验知识可能是记忆中的模板，但是实际目标与模板并不完全一致，可能发生了形变，或者背景的干扰程度不同。因此，就需要找到合适的度量标准和匹配算法，在任务的注意机制下实现不变识别和检测。

发明内容：

本发明的目的在于针对现有技术的不足，提供一种基于仿生视觉的铜带表面质量检测装置和方法，模拟人的视觉机理，提高检测性能，满足在线生产的实时检测需要。

本发明检测装置采用的技术方案：EC5-1719CLDNA嵌入式工业主板分别连接工业相机，工业相机连接摄像头方向控制执行机构；面光源分别连接光源方向控制执行机构；图像获取控制器分别外接摄像头方向控制执行机构、光源方向控制执行机构和EC5-1719CLDNA嵌入式工业主板；电源模块分别外接摄像头方向控制执行机构、光源方向控制执行机构、EC5-1719CLDNA嵌入式工业主板和图像获取控制器；显示器、微型打印机、测速模块、测宽模块和通信模块分别连接于EC5-1719CLDNA嵌入式工业主板；面光源辅助摄像头获取所需的铜带表面的图像信息；摄像头方向控制执行机构控制摄像头以最佳位置和姿态获取铜带表面图像信息；光源方向控制执行机构调节和控制面光源以最佳位置和姿态辅助摄像头获取铜带表面的图像信息；图像获取控制器控制工业相机和光源的方向、位置和姿态控制命令；测速模块测量铜带的成卷速度；测宽模块测量铜带的宽度测量。

本发明检测方法按如下步骤：先通过工业相机和面光源获取铜带上、下表面的图像数据，将图像数据输入EC5-1719CLDNA嵌入式工业主板，使用直方图均衡化来对缺陷图像进行增强，中值滤波进行图像降噪，RANSAC算法去抖动；使用高斯金字塔分解和Gabor金字塔分解，提取图像的亮度I(σ)、颜色R(σ)，G(σ)，B(σ)，Y(σ)和朝向O(σ，θ)三类特征；对已提取图像的亮度、颜色和朝向特征，通过计算中央精细尺度c和周边粗糙尺度s间的中央周边差

得到亮度特征显著图I(c，s)、颜色特征显著图Rg(c，s)和By(c，s)、朝向特征显著图O(c，s，θ)；再将各特征图的特征值归一化到同一个范围内后，用高斯差分(DoG)模拟人眼主视皮层的中央自激励和邻域范围内抑制的长程连接的组织方式，采用局部迭代法形成显著图S，当特征图中大多数位置的特征值收敛于0时停止迭代；分析视网膜中央凹的内容以获取what信息；再根据扫视仿真中访问点的时间顺序序列，即扫描路径，组成“where”信息流；最后利用离散的可观测马尔可夫模型连接注意层和中间层信息流，从中间层获取what信息，由注意层中的兴趣图产生where信息，根据这两种信息调整单个马尔可夫链的概率，最大化某个训练样本形成的特定扫视路径的似然值，实现目标的正确分类。

本发明从人眼视觉系统生理结构入手，以获取的铜带图像特征显著图为切入点，并将马尔可夫模型引入到模拟任务驱动的注意机制，采用自顶向下的注意与自底向上的注意相结合的方法，同时考虑what信息和where信息，完成表面质量检测，提高了铜带表面缺陷检测系统对缺陷的识别和分类能力，满足在线生产的实时性和精确性要求，并可广泛应用于其它材料表面缺陷质量检测中，具有广阔的市场前景和应用价值。

附图说明：

图1是本发明的现场铜带表面缺陷智能检测装置结构图；图中：11、12、13、14.工业相机；21.面光源；22.面光源；31.摄像头方向控制执行机构；41.光源方向控制执行机构；51.EC5-1719CLDNA嵌入式工业主板；52.图像获取控制器；61.显示器；62.微型打印机；63.测速模块；64.测宽模块；65.通信模块；66.电源模块。

图2是本发明的现场铜带表面缺陷智能检测装置联网结构示意图；图中：1’.现场铜带表面缺陷智能检测装置；2’.现场铜带表面缺陷智能检测装置；n’.现场铜带表面缺陷智能检测装置；4’数据库服务器；5’，管理服务器；22’.交换机；31’.客户端监测计算机；32’客户端监测计算机；33’.客户端监测计算机。

图3是本发明装置使用时的照明结构图；图中：1#.工业相机；2#.照明装置；3#.铜带的横向侧视示意。

图4是本发明的仿生视觉的铜带表面缺陷检测流程图；

图5(a)和5(b)是亮度、颜色和朝向空间显著图。

图6(a)和6(b)是空间显著图。

图7是注意焦点转移图。

图8为注意转移平均次数和概率阈值τ的关系图。

具体实施方式：

如图1所示，本发明的现场铜带表面质量智能检测装置结构图。EC5-1719CLDNA嵌入式工业主板51连接4个工业相机，其中，工业相机11、工业相机12、工业相机13和工业相机14，主要用于在线实时获取铜带表面的图像资料。面光源21和面光源22，主要用于辅助摄像头获取所需的铜带表面的图像信息。将摄像头方向控制执行机构31分别连接工业相机11、工业相机12、工业相机13和工业相机14，摄像头方向控制执行机构31主要完成控制摄像头以最佳位置和姿态获取铜带表面的图像信息。面光源21和面光源22分别连接光源方向控制执行机构41，光源方向控制执行机构41主要完成调节和控制面光源21和面光源22以最佳位置和姿态辅助摄像头获取铜带表面的图像信息。图像获取控制器52分别外接摄像头方向控制执行机构31、光源方向控制执行机构41和EC5-1719CLDNA嵌入式工业主板51，主要产生协调控制工业相机和光源的方向、位置和姿态控制命令。显示器61，主要用于人机交互。微型打印机62，主要用于打印检测系统产生的各类报表。测速模块63，主要用于测量铜带的成卷的速度。测宽模块64，主要用于测量铜带的宽度测量。通信模块65，主要用于检测装置的联网。电源模块66，主要用于给本装置供电，电源模块66分别外接摄像头方向控制执行机构31、光源方向控制执行机构41、EC5-1719CLDNA嵌入式工业主板51和图像获取控制器52。将显示器61、微型打印机62、测速模块63、测宽模块64和通信模块65分别连接于EC5-1719CLDNA嵌入式工业主板51。

所述EC5-1719CLDNA嵌入式工业主板51的程序存储器采用4GCF卡，将EC5-1719CLDNA嵌入式工业主板51、面光源21、工业相机11、工业相机12组装在一个机箱中，用于铜带上表面的质量检测。工业相机13、工业相机14和面光源22集中安装在另外一个机箱中，用于铜带下表面的质量检测。工业相机11获取铜带上表面的图像数据，且依据与之配对的面光源21方向和位置，可连续获取多幅图像数据，工业相机12作为铜带表面质量检测的备份传感器，兼有测量铜带的宽度的功能，当测量的宽度超过60CM时，工业相机12和工业相机11同时作用于在线实时获取铜带上表面的图像资料。工业相机11和工业相机12的受控于摄像头方向控制执行机构31；同理，工业相机13、工业相机14和面光源22获取铜带下表面的图像数据，且依据与之配对的面光源22方向和位置，可连续获取多幅图像数据，工业相机14作为铜带下表面质量检测的备份传感器，兼有测量铜带的宽度的功能，当测量的宽度超过60CM时，工业相机14和工业相机13同时在线实时获取铜带下表面的图像资料，工业相机13和工业相机14的受控于摄像头方向控制执行机构31。摄像头方向控制执行机构31从图像获取控制器52读取控制命令，依据命令执行摄像头的垂直方向0-90°范围自由运动，运动步长为0.1°，且摄像头方向控制执行机构31具有4路控制接口，依据命令要求，可执行单个摄像头在垂直方向0-90°范围自由运动，也可以任选2路摄像头同步在垂直方向0-90°范围自由运动。光源方向控制执行机构41从图像获取控制器52读取控制命令，单独或同步控制面光源21、22在垂直方向0-90°范围自由运动，运动步长为0.1°且与图像获取控制器52之间以RS485接口方式耦合连接。图像获取控制器52通过RS232接口从EC5-1719CLDNA嵌入式工业主板51读取控制命令和指令，经过对控制命令和指令处理形成决策命令，分别通过图像获取控制器52扩展的RS485接口输出给摄像头方向控制执行机构31光源方向控制执行机构41；显示器61]只要满足工业标准和VGA接口即可。微型打印机62与EC5-1719CLDNA嵌入式工业主板51通过RS232接口连接。测速模块63具有开关量速度调理信号的接口，输出的速度值通过RS232信号方式输出。测宽模块64引导和配合摄像头择机实施铜带的宽度测量。通信模块65提供物理上采用8芯航空插座和协议层支持TCP/IP协议的联网接口。

如图2所示，是本发明的现场铜带表面缺陷智能检测装置联网结构示意图，由图1的若干个现场铜带表面缺陷智能检测装置1’、现场铜带表面缺陷智能检测装置2’、现场铜带表面缺陷智能检测装置n’、交换机22’、客户端监测计算机31’、客户端监测计算机32’、客户端监测计算机33’、数据库服务器4’、管理服务器5’组成。各现场铜带表面缺陷智能检测装置的EC5-1719CLDNA嵌入式工业主板51通过5类双绞线与交换机22’互连，互联数量依据铜带生产线的数量，每条铜带生产线要求配置一套现场铜带表面缺陷智能检测装置。交换机22’选用24口，且具有千兆位通信速率的工业级交换机即可。客户端监测计算机31’、客户端监测计算机32’和客户端监测计算机33’与交换机22’连接，主要用于监视铜带生产现场，监测录像记录和相关数据在本地存储，且通过网络备份与数据库服务器4’；交换机22’分别连接数据库服务器4’和管理服务器5’，管理服务器5’主要用于整个系统的配置和管理。

如图3所示，是本发明的照明方式，由于铜带生产现场环境特别复杂，特别是光照条件实时变化，一般情况下，晚上也要生产，要获取满意的图像比较困难，本发明采用红外照明装置，配合工业相机获取铜带表面的图像，进而执行后续图像处理的各个环节。对照图3所示，工业相机11、12、13、14组成的工业相机1#和面光源21、22组成的照明装置2#安置在铜带表面的上方或下方，两者之间形成夹角为a，夹角a的大小随着光照条件的变化和获取图像资料的方式而随动，变化范围为：5°-175°；铜带的横向侧视示意3#，v表示铜带的运动方向。

如图4所示，是本发明的视觉仿生的铜带表面质量检测流程图。首先是图像采集，通过工业相机11、工业相机12和面光源21获取铜带上表面的图像数据，通过工业相机13、工业相机14和面光源22获取铜带下表面的图像数据，工业相机11、工业相机12、工业相机13和工业相机14以USB型号方式输出至EC5-1719CLDNA嵌入式工业主板51的USB接口；然后对采集的图像输出至EC5-1719CLDNA嵌入式工业主板51中的预处理模块，执行对已获取图像的增强、降噪和去抖动；其次，在注意层中使用联合高斯金字塔分解和Gabor金字塔分解的多通道多尺度滤波器组，分别提取亮度、颜色和朝向三个特征；再对已提取的亮度、颜色和朝向特征，通过计算中央精细尺度c和周边粗糙尺度s间的中央周边差得到特征显著图；采用局部迭代法形成亮度、颜色和朝向特征的显著图；从兴趣图中可以直接获取各区域的显著特征值即what信息，根据焦点转移顺序获取“where”信息流；利用what和where信息，使用离散的可观测马尔可夫模型实现目标的正确分类。各部分具体实施细节如下：

1、采集设备选取。

为确保金属表面质量检测的精确度，装置中关键设备是工业相机及其光源的选择。国内铜带宽度在200-1000mm之间，最常见规格是600-650mm，生产线铜带运行速度在40-100m/min。为确保同时检测铜带上下表面质量，在生产线上铜带上下表面各安装一套检测装置。考虑到不同规格铜带宽度，本检测装置在铜带上下表面各安装同种规格工业相机4个同步采集图像，根据实际情况自主选择相机个数。结合实际情况，本装置选用大恒图像号为DH-HV1303UC的工业相机，最高分辨分辨率为1280×1024，像元尺寸为5.2μm×5.2μm，帧率为15帧/秒。理想状态下，相邻相机采集的图像无重复、无间隙，确保铜带表面缺陷无漏检。以1000mm宽铜带为例，上下表面各4台工业相机，每台最大采集宽度为200mm，宽度方向检测精度约为0.15mm，设定相机在横向与纵向采集尺寸之比固定为4∶3，纵向采集长度为150mm，检测精度为0.14mm，计算装置能检测的最高运行速度为130m/min，满足铜带生产线上实时检测要求。

2、光源及光照模式的选择

光源及光照模式的选择直接影响采集到的铜带图像质量，从而直接影响到铜带表面质量检测的精度及后期缺陷分类及统计的准确度。影响铜带表面质量的缺陷主要有划痕、穿孔、毛边、起皮、凹坑、缺口、油污等，较多缺陷在暗场照明中可采集到。本装置选用海东冠科技公司散射型条型光源，光源与工业相机的相对位置如图3所示，相机主要检测散射光，所成图像背景暗，缺陷信息明显。

3、缺陷图像预处理。

1)图像增强

图像增强的目的是为了改善图像的视觉效果，提高图像的清晰度和工艺的适应性，以便人和计算机的分析和处理。此处采用直方图均衡化来对缺陷图像进行增强

2)图像降噪

图像在生成和传输过程中常受到各种噪声的干扰和影响，使图像质量下降。为了抑制噪声改善图像质量，必须对图像进行平滑处理。一个较好的平滑处理方法应该是既能消除图像中的寄生效应又不使图像的边缘轮廓和线条变得模糊。在中值滤波、均值滤波、3×3高斯滤波、5×5高斯滤波的实验比较后，发现中值滤波与5×5高斯滤波效果相当，系统采用计算简洁的中值滤波。

3)缺陷图像去抖动

生产线上的铜带不可避免会发生图像的抖动。本装置采用RANSAC算法去抖动，原理是每得到一帧图像，先把它和前一帧图像做块匹配，得到当前图像的一个比较稠密的运动向量场，然后用这个运动向量集估计当前帧图像的全局运动参数，最后通过滤波可以去除抖动的频率分量，从而计算出比较平滑的运动轨迹和每一帧图像要补偿的运动向量，再通过平移和旋转等图像变换就得到无抖动的结果图像。

4、提取亮度、颜色和朝向三个特征

(1)亮度特征

输入铜带图像包含r，g，b三个通道，则灰度图像为I＝(r+g+b)/3，使用I创建高斯金字塔I(σ)，其中σ∈[0，…，8]是尺度因子。

(2)颜色特征

建立四个宽调谐的颜色通道：红色R＝r-(g+b)/2，绿色G＝g-(r+b)/2，蓝色B＝b-(r+g)/2和黄色Y＝(r+g)/2-|r-g|/2-b。根据这些颜色通道生成四个高斯金字塔R(σ)，G(σ)，B(σ)，Y(σ)。

(3)朝向特征

使用Gabor小波对I进行分解，得到不同尺度σ∈[0，…，8]、不同朝向θ∈{0°，45°，90°，135°}的36个分量O(σ，θ)，即朝向特征。

5、形成亮度、颜色和朝向显著图

对已提取的亮度、颜色和朝向特征，通过计算中央精细尺度c和周边粗糙尺度s间的中央周边差得到特征显著图。图5(a)，5(b)是对油污和裂缝缺陷计算后形成的特征显著图，以灰度亮弱不同表示区域的显著性差异，即区域显著性越强则越亮。

(1)亮度显著图

亮度特征图和亮度对比对有关，在哺乳动物中，是由对周边亮的中心暗区域敏感或者对周边暗的中央亮区域敏感的神经元检测。此处计算六个亮度特征I(c，s)，其中c∈{2，3，4}，σ∈{3，4}，s＝c+σ。

$I(c,s)=|I\left(c\right)\⊗\left(s\right)|$

(2)颜色特征显著图

$\mathrm{Rg}(c,s)=\left|((R\left(c\right)-G\left(c\right))\⊗(G\left(s\right)-R\left(s\right)))\right|$

$\mathrm{By}(c,s)=\left|((B\left(c\right)-Y\left(c\right))\⊗(Y\left(s\right)-B\left(s\right)))\right|$

(3)朝向特征显著图

$O(c,s,\mathrm{\θ})=|O(c,\mathrm{\θ})\⊗O(s,\mathrm{\θ})|$

6、形成兴趣图

将各特征图的特征值归一化到同一个范围内后，与高斯差分函数进行卷积，即

S←|S+S*DoG-C_inh|＞0

其中，

$\mathrm{DoG}(x,y)=\frac{c_{\mathrm{ex}}^2}{2\mathrm{\π}{\mathrm{\σ}}_{\mathrm{ex}}^2}\exp (-(x^2+y^2)/2{\mathrm{\σ}}_{\mathrm{ex}}^2)-\frac{c_{\mathrm{inh}}^2}{2\mathrm{\π}{\mathrm{\σ}}_{\mathrm{inh}}^2}\exp (-(x^2+y^2)/2{\mathrm{\σ}}_{\mathrm{inh}}^2)$

式中，*表示卷积运算，DoG是高斯差分函数，σ_ex和σ_inh是兴奋和抑制带宽，c_ex ²和c_inh ²是兴奋和抑制常数。设置C_inh是为了引入一个偏置，使得合并策略能够抑制大致平衡的区域，如均匀的纹理分布。

使用高斯差分函数进行局部迭代，一方面可以检测到多个显著目标；另一方面，高斯差分函数与人眼主视皮层的中央自激励、邻域范围内抑制的长程连接的组织方式相似，具有生理学上的合理性，并且在执行过程中采用多分辨率可以有效地抑制噪声

图6(a)，6(b)是油污和裂缝缺陷亮度、颜色和朝向特征显著图合并的结果，以灰度亮弱不同表示区域的显著性差异，即区域显著性越强则越亮。

7、获取“what”和“where”信息

为了有效分析视网膜中央凹的内容，在图像的每个区域使用单层感知器组成的专家网络，以获取what信息。输入为视网膜中央凹捕获信息中提取的特征向量，输出为该信息所属类别的后验概率向量。单层感知器通过有监督的学习来训练。

将图像空间分为规则的区域，然后对局部信息进行量化。再根据扫视仿真中访问点的时间顺序序列，即扫描路径，组成“where”信息流。

8、分类

联合层利用离散的可观测马尔可夫模型连接注意层和中间层信息流。被注意焦点访问过的区域作为马尔可夫模型的状态，专家网络的输出作为状态的观测值。训练集合中每个样本的焦点转移序列按时间顺序形成一条扫视路径，对应于该训练样本所属类别的一条马尔可夫链。链中的每个状态从中间层获取what信息，由注意层中的兴趣图产生where信息，根据这两种信息调整单个马尔可夫链的概率，从而最大化某个训练样本形成的特定扫视路径的似然值。

在训练过程中，让马尔可夫模型模拟一定数量的扫视路径。因为每个状态都是可观测的，所以可以通过计数方式得到状态转移概率a_ij和初始状态分布概率π_i。类似地，计算每个样本在每个状态下的专家网络的输出得到状态观测值b_j(k)。这三个参数的计算公式分别为：

则观测序列的概率为：

式中，S表示状态序列，O表示观测序列；λ＝{π_i，a_ij，b_j(k)}表示马尔可夫链的参数，i，j＝1，2，…N对应状态个数，k＝1，2，…M对应观测样本的状态数，记具有最高观测概率的类别为c，则： $P(O,S|{\mathrm{\λ}}_c)=\underset{j}{\max }\left\{P(O,S|{\mathrm{\λ}}_j)\right\}.$

使用马尔可夫模型的优势是，在识别的过程中，只需要让待识别图像经历有限次数的焦点转移，而不需要让图像中所有值得注意的区域都被注意过，就能做出正确的分类判断。当到某一时刻，已经有t个区域被注意过时，判断待识别图像属于某个特定类别的概率记为a_t(c)，即部分马尔可夫链的概率为：

a_t(c)＝P(O₁，…O_t，S₁，…S_t|λ_c)

式中，O₁，…O_t为观测序列，S₁，…S_t为状态序列，λ_c为马尔可夫模型对类别c的参数。焦点停止转移的标准时该概率已经达到能做出决策的置信度。定义到t时刻时，图像属于类别c的后验概率定义为

$a_t^{*}\left(c\right)\stackrel{\mathrm{def}}{=}P\left(c\right|O_1,...O_t,S_1,...S_t)=\frac{a_t\left(c\right)}{\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{a}_t\left(j\right)}$

设置信度为τ，则焦点停止转移的标准是 $a_t^{*}\left(c\right)\≥\mathrm{\τ}.$ 图8为注意转移平均次数和概率阈值τ的关系图，τ取值越大，扫视点越多，做出判断的准确率越高，但是计算时间也越长。

不同类别的样本产生不同类型的扫视路径；而且同一种样本经旋转、缩放等几何变换以后，焦点转移的时间顺序是不变的，即扫视路径是不变的。因此，可以凭借扫视路径的唯一性来识别样本。表1为七种缺陷的分类精度。

表1

Claims (4)

1.一种基于视觉仿生的铜带表面质量智能检测装置，其特征是：EC5-1719CLDNA嵌入式工业主板(51)分别连接第一、第二、第三、第四工业相机(11、12、13、14)，第一、第二、第三、第四工业相机(11、12、13、14)连接摄像头方向控制执行机构(31)；第一、第二面光源(21、22)分别连接光源方向控制执行机构(41)；图像获取控制器(52)分别外接摄像头方向控制执行机构(31)、光源方向控制执行机构(41)和EC5-1719CLDNA嵌入式工业主板(51)；电源模块(66)分别外接摄像头方向控制执行机构(31)、光源方向控制执行机构(41)、EC5-1719CLDNA嵌入式工业主板(51)和图像获取控制器(52)；显示器(61)、微型打印机(62)、测速模块(63)、测宽模块(64)和通信模块(65)分别连接于EC5-1719CLDNA嵌入式工业主板(51)；

第一、第二面光源(21、22)辅助摄像头获取所需的铜带表面的图像信息；

摄像头方向控制执行机构(31)控制摄像头以最佳位置和姿态获取铜带表面图像信息；

光源方向控制执行机构(41)调节和控制第一、第二面光源(21、22)以最佳位置和姿态辅助摄像头获取铜带表面的图像信息；

图像获取控制器(52)控制工业相机和光源的方向、位置以及发出姿态控制命令；

测速模块(63)测量铜带的成卷速度；

测宽模块(64)测量铜带的宽度。

2.根据权利要求1所述的基于视觉仿生的铜带表面质量智能检测装置，其特征是：所述第一、第二、第三、第四工业相机(11、12、13、14)和相应的第一、第二面光源(21、22)之间的夹角为5°-175°，设置于铜带表面的上方或下方。

3.根据权利要求1所述的基于视觉仿生的铜带表面质量智能检测装置，其特征是：具有若干个EC5-1719CLDNA嵌入式工业主板(51)与交换机(22’)互连，交换机(22’)分别连接客户端监测计算机(31’、32’、33’)、数据库服务器(4’)和管理服务器(5’)。

4.一种基于视觉仿生的铜带表面质量智能检测方法，其特征是采用如下步骤：

1)通过第一、第二工业相机(11、12)和第一面光源(21)获取铜带上表面的图像数据，通过第三、第四工业相机(13、14)和第二面光源(22)获取铜带下表面的图像数据；

2)将图像数据输入EC5-1719CLDNA嵌入式工业主板(51)，使用直方图均衡化来对缺陷图像进行增强，中值滤波进行图像降噪，RANSAC算法去抖动；

3)使用高斯金字塔分解和Gabor金字塔分解，提取图像的亮度I(σ)、颜色R(σ)，G(σ)，B(σ)，Y(σ)和朝向O(σ，θ)三类特征；σ是尺度因子，σ∈[0，…，8]；θ是不同朝向度数，θ∈{0°，45°，90°，135°}；

4)对已提取图像的亮度、颜色和朝向特征，通过计算中央精细尺度c和周边粗糙尺度s间的中央周边差

得到亮度特征显著图I(c，s)、颜色特征显著图Rg(c，s)和By(c，s)、朝向特征显著图O(c，s，θ)；

5)将各特征图的特征值归一化到同一个范围内后，用高斯差分(DoG)模拟人眼主视皮层的中央自激励和邻域范围内抑制的长程连接的组织方式，采用局部迭代法形成显著图S，当特征图中大多数位置的特征值收敛于0时停止迭代；

6)分析视网膜中央凹的内容以获取what信息，根据扫视仿真中访问点的时间顺序序列，即扫描路径，组成“where”信息流；

7)利用离散的可观测马尔可夫模型连接注意层和中间层信息流，从中间层获取what信息，由注意层中的兴趣图产生where信息，根据这两种信息调整单个马尔可夫链的概率，最大化某个训练样本形成的特定扫视路径的似然值，实现目标的正确分类。

Images