基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法
1.本发明涉及玻璃屏表面缺陷分类技术领域，更具体地，涉及一种基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法。
背景技术：
2.现代人对生活质量要求不断提高，手机作为日常生活不可缺少的一环，零缺陷、高体验的趋势不断加强。其中手机玻璃屏作为手机的重要部件之一，表面缺陷会大大影响手机的使用体验。造成手机玻璃屏表面缺陷有许多因素，如生产工艺(屏幕摔坏、污点、裂痕)、外部因素等等。如何快速准确的对手机表面缺陷进行识别分类是所有生产企业都必须面对和解决的问题。手机玻璃屏表面缺陷具有许多鲜明特征，即高维融合性、多样性和形状不固定性。目前手机玻璃屏表面缺陷视觉检测方法因易受到采集图像平台振动导致图像移位，且光照不均匀带来采集图像缺陷边界模糊和图像内部灰度不一致导致缺陷纹理特征提取不准确等因素，致使缺陷检测的准确率不高，无法投入实际生产应用。同时，手机玻璃屏表面缺陷是非均衡的，即部分缺陷(如划痕、脏污等)发生的概率高，采集到的缺陷样本数量多，部分缺陷(如崩边、坑点等)发生的概率低，采集到的缺陷样本数量少。并且，实际手机屏生产中，采集到的无缺陷的正常屏幕图像样本数量远多于有缺陷的图像样本，即缺陷样本和非缺陷样本也是非均衡的。非均衡的手机屏幕图像样本严重制约了现有的手机屏幕缺陷检测机器学习模型的识别性能。目前手机屏表面缺陷主要依靠人工视觉检测，费时费力，人工成本高，速度慢，准确性低，且受人为控制，检测结果不稳定。
3.基于机器视觉的手机屏幕检测方法主要有：差分法、机器学习法、背景重构法等。差分法主要是采用图像配准算法将模板图像与待测图像对齐，并对两者差分运算，得到残差图像，设置缺陷判定阈值(如固定阈值或自适应阈值)，实现缺陷检测。该方法的检测结果严重依赖模板图像和待测图像对齐精度和合适的阈值设置，且方法易受外界光照变化导致检测效果下降。机器学习法：根据学习采集到手机屏幕图像样本，建立缺陷识别检测模型，实现缺陷的检测。但该方法易受到手机屏幕图像样本的非均衡性影响，导致发生概率低的缺陷检测准确率下降。背景重构方法是基于有缺陷的手机屏幕图像，采用某种技术手段(如奇异值分解法或独立成分分析法)重构手机屏无缺陷背景图像，通过比较分析重构的背景图像与有缺陷图像之间的差异，实现缺陷分割。该技术方案严重依赖背景图像重构效果，且仅能实现缺陷分割，无法准确分类缺陷。综上，现有的基于机器视觉的手机屏缺陷检测技术方案因其各自的不足，无法满足生产过程中对手机屏表面非均衡缺陷检测与分类的需求，因此，迫切需要研制一套新的手机屏表面非均衡缺陷检测新方法，实现手机屏表面质量检测与分类。
4.现有技术中公开了一种图像级标签缺省的手机屏幕缺陷检测方法，该方法：搭建概率模型，分别构建预测分布模型和条件分布模型；定义目标检测损失函数来建立学习模型；使用坐标下降优化策略进行学习模型优化；通过迭代来修正预测网络，并对条件网络进行学习，该专利提出的图像级标签缺省的手机屏幕缺陷检测方法，使用基于弱监督的机器
学习方法，搭建了一种端到端的概率检测模型，应用离散disco网络进行模型实现，可以在手机屏幕缺陷的图像级标签缺省现实场景下，进行自动且高效的缺陷检测；在工业应用上具有重大应用价值，可以节约企业生产成本，并保护消费者权益。然而，该专利仅限于手机屏幕各类缺陷相对均衡的条件下，实现手机屏的高效缺陷检测，但对于手机屏幕非均衡缺陷的检测没有任何报道。
技术实现要素：
5.本发明提供一种基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法，该方法将特征和分类识别的训练集数据一起送入分类器进行分类器训练，分类器训练完成后就可以对多手机玻璃屏表面缺陷进行分类识别。
6.为了达到上述技术效果，本发明的技术方案如下：
7.一种基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法，包括以下步骤：
8.s1：采用机器视觉系统对手机屏幕进行图像采集；
9.s2：采集到图像数据进行传输，并存储于数据库，同时对数据进行去噪、清洗等预处理操作，获取大量用于模型学习的手机屏幕训练集图像；
10.s3：采用方块截断编码(block truncation coding，简称btc)算法对屏幕图像进行纹理特征提取，获取用于缺陷识别的手机屏幕特征；
11.s4：采用基于样本信息度混合采样训练集均衡化方法，对非均衡的训练集进行采样，生成多个差异的均衡化训练集，建立多个手机屏幕缺陷检测与分类的支持向量机(support vector machine,svm)模型，并进行模型集成；
12.s5：依据投票规则，实现手机屏幕缺陷检测与分类。
13.进一步地，所述步骤s2中先对测量标记进行识别，计算出其横线或纵线的像素个数c，当出现对角线方向的误差时，测量标记会产生小角度的旋转，通过计算偏转角度来纠正图像位置误差。
14.进一步地，所述步骤s2中，计算偏转角度的过程是：
15.当出现对角线方向的误差时，测量标记会产生小角度的旋转，但其横线或纵线的长度不会发生变化，这就是说此时图像中的横线或纵线的像素值不会发生变化，等于c；最后，将其横线或纵线往水平方向或垂直进行投影，这时其像素个数会发生变化，此时通过计算出实际横线或纵线的像素个数c，除以理想状态下的横线或纵线的像素个数c，再对其求余弦值，即可求出偏转角度。
16.进一步地，所述步骤s3中，运用基于btc方法提取了手机玻璃屏图像的纹理特征。
17.进一步地，所述手机玻璃屏图像的纹理特征提取的过程是：
18.令j是一幅m
×
n图像，将j划分为m
×
m的互不重叠的子正方块，对于每个子块，计算块内像素的灰度均值a
t
和平均灰度差k；按照btc的思想，对于每个子块中的像素点，灰度值大于a
t
的赋值为1，反之为0，就得到了一系列m
×
m的二进制块，这些二进制块成功的体现了图像块内的纹理特征，最后用与二进制块等值的十进制值来表示这些纹理基元即图像块的值，完成了手机玻璃屏图像纹理基元特征的提取。
19.进一步地，采用支持向量机识别多类样本中的支持向量集和非支持向量集；采用knn近邻法，去除支持向量集中的噪声样本，生成新支持向量集；对非支持向量集进行多次
随机欠采样，生成n个非支持向量集，将n个非支持向量集和新支持向量集进行组合，生成n个差异化的新多类样本集。
20.进一步地，所述knn近邻法的具体操作为：支持向量集中样本xi的近邻样本数为k，近邻样本中多类样本为m,若则xi被认定噪声样本；对少量样本进行计算样本集中样本间的马氏距离d
ij
，基于马氏距离评估样本间的相似度s
ij
，依据阈值对s
ij
进行优化，构建图，图中边的权重w
ij
＝s
ij
；样本xi的信息度，根据样本信息度大小，设置样本在过采样中的权重大小，采用加权smote(synthetic minority oversampling technique)方法对少类样本进行过采样，生成新的少类样本集。
21.进一步地，所述马氏距离计算方法为：样本xi和xj之间的马氏距离d
ij
：式中s是训练集样本的协方差矩阵，s
ij
＝e[(f
i-μi)(f
j-μj)]，其中μi和μj分别是样本x的特征fi和fj的期望均值；样本相似度s
ij
计算方法：其中，d
ij
是样本xi和xj之间的马氏距离，σ是高斯核函数的核宽度，阈值ε对s
ij
进行优化的方法为：
[0022]
进一步地，当图像块的平均灰度差k小于阈值β时，就把这个块看作是正方块，纹理基元值设0；当图像块的平均灰度差k大于阈值β时，则计算它的纹理基元值，β＝0.00258k。
[0023]
与现有技术相比，本发明技术方案的有益效果是：
[0024]
本发明首先对手机屏幕的未缺陷及缺陷图像进行获取，获取过程是通过机器进行固定，然后采用摄像头对图像进行收集，收集完成后将资料放入手机屏幕缺陷图像获取平台备用，然后基于图像处理提出了印刷对角线方向方法并设计了连续控制系统，在整个系统的控制下会对图像进行去噪、灰度处理，在处理过后进行标志特征提取，其中最为主要的就是图像的纹理特征提取，本发明运用基于btc的纹理提取及检索算法进行图像的纹理特征提取。最后将特征和分类识别的训练集数据一起送入分类器进行分类器训练，分类器训练完成后就可以对多手机玻璃屏表面缺陷进行分类识别。
附图说明
[0025]
图1为本发明方法应用的场景系统结构图；
[0026]
图2为本发明方法流程图；
[0027]
图3为图像块和纹理基元值图；
[0028]
图4为基于样本信息度混合采样训练集均衡化方法。
具体实施方式
[0029]
附图仅用于示例性说明，不能理解为对本专利的限制；
[0030]
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
[0031]
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解
的。
[0032]
下面结合附图和实施例对本发明的技术方案做进一步的说明。
[0033]
实施例1
[0034]
本技术实施例1提供的基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法，可以应用于如图1所示的应用环境中。在收集获取图像时先搭建了一个手机屏幕缺陷图像获取平台，该平台对所有目前出现的缺陷类型图像进行收录并建立的完善的数据库，在要对某种缺陷类型进行分析时可以直接从数据库输出数据到服务器中进行数据分析，分析的结构最终显示在显示器上供分析人员直观的观看并得出结论。
[0035]
本发明首先对手机屏幕的无缺陷及缺陷图像进行获取，获取过程是通过机器进行固定，然后采用摄像头对图像进行收集，收集完成后将资料放入手机屏幕缺陷图像获取平台备用，然后基于图像处理提出了印刷对角线方向方法并设计了连续控制系统，在整个系统的控制下会对图像进行去噪、灰度处理，在处理过后进行标志特征提取，其中最为主要的就是图像的纹理特征提取，运用基于btc的纹理提取及检索算法进行图像的纹理特征提取，最后将特征和分类识别的训练集数据一起送入分类器进行分类器训练，分类器训练完成后就可以对多手机玻璃屏表面缺陷进行分类识别。
[0036]
一种基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法，包括以下步骤：
[0037]
s1：采用机器视觉系统对手机屏幕进行图像采集；
[0038]
s2：采集到图像数据进行传输，并存储于数据库，同时对数据进行去噪、清洗等预处理操作，获取大量用于模型学习的手机屏幕训练集图像；
[0039]
s3：采用方块截断编码算法对屏幕图像进行纹理特征提取，获取用于缺陷识别的手机屏幕特征；
[0040]
s4：采用基于样本信息度混合采样训练集均衡化方法，对非均衡的训练集进行采样，生成多个差异的均衡化训练集，建立多个手机屏幕缺陷检测与分类的支持向量机模型，并进行模型集成；
[0041]
s5：依据投票规则，实现手机屏幕缺陷检测与分类。
[0042]
进一步地，所述步骤s2中先对测量标记进行识别，计算出其横线或纵线的像素个数c，当出现对角线方向的误差时，测量标记会产生小角度的旋转，通过计算偏转角度来纠正图像位置误差。
[0043]
步骤s2中，计算偏转角度的过程是：
[0044]
当出现对角线方向的误差时，测量标记会产生小角度的旋转，但其横线或纵线的长度不会发生变化，这就是说此时图像中的横线或纵线的像素值不会发生变化，等于c；最后，将其横线或纵线往水平方向或垂直进行投影，这时其像素个数会发生变化，此时通过计算出实际横线或纵线的像素个数c，除以理想状态下的横线或纵线的像素个数c，再对其求余弦值，即可求出偏转角度。
[0045]
步骤s3中，运用基于btc方法提取了手机玻璃屏图像的纹理特征。手机玻璃屏图像的纹理特征提取的过程是：
[0046]
令j是一幅m
×
n图像，将j划分为m
×
m的互不重叠的子正方块，对于每个子块，计算块内像素的灰度均值a
t
和平均灰度差k；按照btc的思想，对于每个子块中的像素点，灰度值大于a
t
的赋值为1，反之为0，就得到了一系列m
×
m的二进制块，这些二进制块成功的体现了
图像块内的纹理特征，最后用与二进制块等值的十进制值来表示这些纹理基元即图像块的值，完成了手机玻璃屏图像纹理基元特征的提取。
[0047]
步骤s4中，基于样本信息度混合采样训练集均衡化方法，实现训练集均衡，具体过程为：
[0048]
采用支持向量机识别多类样本中的支持向量集和非支持向量集；采用knn近邻法，去除支持向量集中的噪声样本，生成新支持向量集；对非支持向量集进行多次随机欠采样，生成n个非支持向量集，将n个非支持向量集和新支持向量集进行组合，生成n个差异化的新多类样本集。
[0049]
knn近邻法的具体操作为：支持向量集中样本xi的近邻样本数为k，近邻样本中多类样本为m,若则xi被认定噪声样本；对少量样本进行计算样本集中样本间的马氏距离d
ij
，基于马氏距离评估样本间的相似度s
ij
，依据阈值对s
ij
进行优化，构建ε-nn图，图中边的权重w
ij
＝s
ij
；样本xi的信息度，根据样本信息度大小，设置样本在过采样中的权重大小，采用加权smote方法对少类样本进行过采样，生成新的少类样本集。
[0050]
马氏距离计算方法为：样本xi和xj之间的马氏距离d
ij
：式中s是训练集样本的协方差矩阵，s
ij
＝e[(f
i-μi)(f
j-μj)]，其中μi和μj分别是样本x的特征fi和fj的期望均值；
[0051]
样本相似度s
ij
计算方法：其中，d
ij
是样本xi和xj之间的马氏距离，σ是高斯核函数的核宽度，阈值ε对s
ij
进行优化的方法为：进行优化的方法为：
[0052]
当图像块的平均灰度差k小于阈值β时，就把这个块看作是正方块，纹理基元值设0；当图像块的平均灰度差k大于阈值β时，则计算它的纹理基元值，β＝0.00258k。
[0053]
实施例2
[0054]
如图2所示，一种基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法，包括以下步骤：
[0055]
s1：收集所有目前出现的手机玻璃屏表面缺陷类型图像数据；
[0056]
s2：对步骤s1中的数据进行图像滤波处理后进行图像识别；
[0057]
s3：对步骤s2中识别后的图像进行纹理特征提取；
[0058]
s4：设计分类器对步骤s3得到的结果进行分类。
[0059]
步骤s2中先对测量标记进行识别，计算出其横线或纵线的像素个数c，当出现对角线方向的误差时，测量标记会产生小角度的旋转，通过计算偏转角度来纠正图像位置误差。
[0060]
步骤s2中，计算偏转角度的过程是：
[0061]
当出现对角线方向的误差时，测量标记会产生小角度的旋转，但其横线或纵线的长度不会发生变化，这就是说此时图像中的横线或纵线的像素值不会发生变化，等于c；最后，将其横线或纵线往水平方向或垂直进行投影，这时其像素个数会发生变化，此时通过计算出实际横线或纵线的像素个数c，除以理想状态下的横线或纵线的像素个数c，再对其求余弦值，即可求出偏转角度。
[0062]
步骤s3中，运用基于btc的纹理提取及检索算法提取了图像的纹理特征，并采用最小距离分类器对套准图像的特征进行提取，具体包括纹理基元提取和相似性程度计算两步。
[0063]
述纹理基元提取的过程是：
[0064]
令j是一幅m
×
n图像，将j划分为m
×
m的互不重叠的子正方块，对于每个子块，计算块内像素的灰度均值at和平均灰度差k；按照btc的思想，在每个子块中的每个像素点，灰度值大于at的赋值为1，反之为0，就得到了一系列m
×
m的二进制块，这些二进制块成功的体现了图像块内的纹理特征，反映了图像中的形状分布，最后用与二进制块等值的十进制值来表示这些纹理基元的值就完成了纹理基元的提取。
[0065]
步骤s4中，设计支持向量机的缺陷状态数据集分类器，进入分类器进行分类，支持向量机数学模型为：
[0066][0067]
s.t.yi[(ω
·
xi)+b]≥1-ξi，ξi≥0
[0068]
式中：k惩罚函数，ξi为第i个样本数据的松弛变量，xi为第i个样本数据，yi为i个样本数据对应的分类标签，yi＝1或-1，ω∈rn，2/‖ω‖对应两条支持直线的距离，b是截距，b∈r，b是截距，n是样本总数量。
[0069]
当图像块的平均灰度差k小于阈值β时，就把这个块看作是正方块，纹理基元值设0；当图像块的平均灰度差k大于阈值β时，则计算它的纹理基元值，β＝0.00258k。
[0070]
该专利与现有技术相比，识别准确率提高了4.5％，在识别速度上比现有技术快了大概0.012s，具有高效性，而且自动化程度较高，可以全程交由机器进行，人力耗费少，泛化能力强。
[0071]
实施例3
[0072]
一种基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法，包括以下步骤：
[0073]
(1)、在收集获取图像时先搭建了一个手机屏幕缺陷图像获取平台，该平台对所有目前出现的缺陷类型图像进行收录，在要对某种缺陷类型进行分析时可以直接输出；
[0074]
(2)对测量标记进行图像识别，然后由计算机进行连续图像处理，输出控制信号，首先是进行图像滤波处理，由于各种因素影响，所拍摄的图片会出现各种各样的噪声，如高斯噪声、椒盐噪声及随机噪声等，对图像的识别与处理具有直接的影响。因此需要在保持原信息的同时进行滤波处理，此处使用中值滤波的方法，之后进行图像识别，先对理想状态下的测量标记进行识别，计算出其横线(或纵线)的像素个数c。然后对处理过的图像进行分析，当出现对角线方向的误差时，测量标记会产生小角度的旋转。但其横线(或纵线)的长度不会发生变化，这就是说此时图像中的横线(或纵线)的像素值不会发生变化，等于c。最后，将其横线(或纵线)往水平方向(或垂直)进行投影，这时其像素个数会发生变化，此时通过计算出实际横线(或纵线)的像素个数d，除以理想状态下的横线(或纵线)的像素个数c，再对其求余弦值，即可求出偏转角度；
[0075]
(3)然后运用基于btc的纹理提取及检索算法提取了图像的纹理特征，并采用最小距离分类器对套准图像的特征进行提取，该算法分为二步，分别为纹理基元提取和相似性
程度。第一步的具体为：假设j是一幅m
×
n图像。将j划分为m
×
m的互不重叠的子正方块，对于每个子块，计算块内像素的灰度均值at和平均灰度差k。按照btc的思想，在每个子块中的每个像素点，灰度值大于at的赋值为1，反之为0，这样就得到了一系列m
×
m的二进制块。这些二进制块成功的体现了图像块内的纹理特征，也在比较大程度上反映了图像中的形状分布，最后用与二进制块等值的十进制值来表示这些纹理基元的值就完成了纹理基元的提取，相应图像块和纹理基元值如图3-4所示。在实验中意外发现不同的块会产生相同的纹理值，会影响后续缺陷分类的准确性。因此，在算法中，需设定总阈值β。当图像块的平均灰度差k小于这个总阈值β时，就把这个块看作是正方块，纹理基元值设0；大于这个阈值时，就按上述方法计算它的纹理基元值。经过多次实验，发现当这个阈值大概为整个图像平均灰度差的0.0025时将其看作均匀块，此时不影响算法的精度，在以下实验中，取β＝0.00258k，其中k是图像的平均灰度差，能够较好的使用纹理基元值作为整幅图像纹理特征的描述。
[0076]
(4)最后设计了支持向量机的缺陷状态数据集分类器，进入分类器进行分类。支持向量机建立在结构风险最小化基础之上，有较好的泛化能力。与神经网络相比，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，被广泛用于数据分类和回归。支持向量机数学模型为：
[0077][0078]
s.t.yi[(ω
·
xi)+b]≥1-ξi,ξi≥0
[0079]
式中：k惩罚函数，ξi为第i个样本数据的松弛变量，xi为第i个样本数据，yi为i个样本数据对应的分类标签，yi＝1或-1，ω∈rn，2/‖ω‖对应两条支持直线的距离，b是截距，b∈r，b是截距，n是样本总数量。
[0080]
相同或相似的标号对应相同或相似的部件；
[0081]
附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；
[0082]
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
技术特征：
1.一种基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法，其特征在于，包括以下步骤：s1：采用机器视觉系统对手机屏幕进行图像采集；s2：采集到图像数据进行传输，并存储于数据库，同时对数据进行去噪、清洗等预处理操作，获取大量用于模型学习的手机屏幕训练集图像；s3：采用方块截断编码算法对屏幕图像进行纹理特征提取，获取用于缺陷识别的手机屏幕特征；s4：采用基于样本信息度混合采样训练集均衡化方法，对非均衡的训练集进行采样，生成多个差异的均衡化训练集，建立多个手机屏幕缺陷检测与分类的支持向量机模型，并进行模型集成；s5：依据投票规则，实现手机屏幕缺陷检测与分类。2.根据权利要求1所述的基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法，其特征在于，所述步骤s2中先对测量标记进行识别，计算出其横线或纵线的像素个数c，当出现对角线方向的误差时，测量标记会产生小角度的旋转，通过计算偏转角度来纠正图像位置误差。3.根据权利要求2所述的基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法，其特征在于，所述步骤s2中，计算偏转角度的过程是：当出现对角线方向的误差时，测量标记会产生小角度的旋转，但其横线或纵线的长度不会发生变化，这就是说此时图像中的横线或纵线的像素值不会发生变化，等于c；最后，将其横线或纵线往水平方向或垂直进行投影，这时其像素个数会发生变化，此时通过计算出实际横线或纵线的像素个数c，除以理想状态下的横线或纵线的像素个数c，再对其求余弦值，即可求出偏转角度。4.根据权利要求2或3所述的基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法，其特征在于，所述步骤s3中，运用基于btc方法提取了手机玻璃屏图像的纹理特征。5.根据权利要求4所述的基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法，其特征在于，所述手机玻璃屏图像的纹理特征提取的过程是：令j是一幅m
×
n图像，将j划分为m
×
m的互不重叠的子正方块，对于每个子块，计算块内像素的灰度均值a
t
和平均灰度差k；按照btc的思想，对于每个子块中的像素点，灰度值大于a
t
的赋值为1，反之为0，就得到了一系列m
×
m的二进制块，这些二进制块成功的体现了图像块内的纹理特征，最后用与二进制块等值的十进制值来表示这些纹理基元即图像块的值，完成了手机玻璃屏图像纹理基元特征的提取。6.根据权利要求5所述的基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法，其特征在于，采用支持向量机识别多类样本中的支持向量集和非支持向量集；采用knn近邻法，去除支持向量集中的噪声样本，生成新支持向量集；对非支持向量集进行多次随机欠采样，生成n个非支持向量集，将n个非支持向量集和新支持向量集进行组合，生成n个差异化的新多类样本集。7.根据权利要求6所述的基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法，其特征在于，所述knn近邻法的具体操作为：支持向量集中样本x
i
的近邻样本数为k，近邻样
本中多类样本为m,若则x
i
被认定噪声样本；对少量样本进行计算样本集中样本间的马氏距离d
ij
，基于马氏距离评估样本间的相似度s
ij
，依据阈值对s
ij
进行优化，构建图，图中边的权重w
ij
＝s
ij
；样本x
i
的信息度，根据样本信息度大小，设置样本在过采样中的权重大小，采用加权smote方法对少类样本进行过采样，生成新的少类样本集。8.根据权利要求7所述的基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法，其特征在于，所述马氏距离计算方法为：样本x
i
和x
j
之间的马氏距离d
ij
：式中s是训练集样本的协方差矩阵，s
ij
＝e[(f
i-μ
i
)(f
j-μ
j
)]，其中μ
i
和μ
j
分别是样本x的特征f
i
和f
j
的期望均值。9.根据权利要求8所述的基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法，其特征在于，样本相似度s
ij
计算方法：其中，d
ij
是样本x
i
和x
j
之间的马氏距离，σ是高斯核函数的核宽度，阈值ε对s
ij
进行优化的方法为：10.根据权利要求9所述的基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法，其特征在于，当图像块的平均灰度差k小于阈值β时，就把这个块看作是正方块，纹理基元值设0；当图像块的平均灰度差k大于阈值β时，则计算它的纹理基元值，β＝0.00258k。
技术总结
本发明一种基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法，手机屏幕缺陷检测过程描述如下：采用机器视觉系统对手机屏幕进行图像采集，采集到图像数据进行传输，并存储于数据库，同时对数据进行去噪、清洗等预处理操作，获取大量用于模型学习的手机屏幕训练集图像。采用方块截断编码算法对屏幕图像进行纹理特征提取，获取用于缺陷识别的手机屏幕特征。采用基于样本信息度混合采样训练集均衡化方法，对非均衡的训练集进行采样，生成多个差异的均衡化训练集，建立多个手机屏幕缺陷检测与分类的支持向量机模型，并进行模型集成。依据投票规则，实现手机屏幕缺陷检测与分类。实现手机屏幕缺陷检测与分类。实现手机屏幕缺陷检测与分类。
