在对产品外观质量检测的工业领域,应用于生产线上基于视觉的图像处理算法,在实时监控产品外观形态、准确定位不合格产品的任务中至关重要。然而,此类算法在设计之初很难充分考虑生产线上产品的特性,导致其在线上使用过程中出现不可避免的版本更新,既降低了算法的可信性,也无法保证各版本之间的稳定性。合理有效算法测试环节的引入,能有效避免此类问题的发生。因此,依托生产线上已采集的海量产品图像库,构建一个数量适中、包含产品各种形态的图像测试集,已成为测试人员一项亟待解决的问题。论文分析了构建图像测试集在测试图像处理算法中的地位,结合国内外算法测试关键技术、特征提取技术、增量聚类技术的研究现状,解析了构建增量式图像测试集的主要难点,并给出了具体的解决方案,主要包括基础图像的聚类算法,增量图像的聚类算法、增量图像和基础图像分类结果的融合、算法测试数据集的图像拣选、算法平台系统的设计与实现等,并投入实际项目中验证。在产品图像数据集的分类管理方面,主要提出了基础图像聚类算法和增量式图像聚类算法。前者主要围绕图像全局特征和局部特征展开,包括灰度图向量化特征、LBP特征和SIFT特征。对图像的聚类可根据用户选择,基于不同的特征开展,产生供测试人员交叉验证的结果,减弱特征选择对聚类结果的影响,增加图像分类的可信性和可靠性。增量式聚类算法能够智能处理新增图像库的归类和分类问题,通过计算新增图像和已有类心的距离,比对算法根据增量次数自适应设定的类内距离,决定新增图像是归类还是再分类,从而在保留原有图像集分类的基础上,智能更新增量图像的分类。同时,聚类中心比率概念的提出,能够将增量图像和原始图像的分类比率控制在相同水平,减少了当前聚类算法需要人工多次干预的繁琐工作。在图像测试集的拣选方面,通过设计图像筛选算法,一方面保证所选图像之间能够具有最大的差异性,尽可能消除重复图像,另一方面极大程度削弱了图像分类错误可能造成的影响。通过人工指定每个类别待选择图像的数量,根据每类图像和其类心的距离确定选择间距,保证所选出的类内若干图像在该类别中具有最大的差异性。在平台的设计与实现方面,主要开发了特征提取、特征降维、基础图像聚类、增量图像聚类、图像筛选等功能模块,各个功能模块既相辅相成、协同工作,同时亦可独立执行任务,方便测试人员根据实际测试任务需求,构建更具有针对性的图像测试集。同时提供多个接口,为人工调控图像测试集的构建提供便利。本文所提方法和系统已在实际工程项目中投入使用,极大程度提高了测试工作的效率,降低了人工操作成本,具有重要的应用价值。其创新点或特点在于:●研究了算法测试中输入数据的构建问题,区别于传统算法测试对功能测试、流程设计的关注,更强调构建算法测试输入数据集的重要性;●提出了一种面向增量式图像测试集构建的聚类算法,有效解决了海量产品图像分类管理的问题;●提出了一种类内差异性最大的图像筛选算法,确保了被拣选作为算法测试输入的图像之间具有最大的差异性;●开发了一套构建增量式图像测试集的平台系统,通过高内聚、低耦合的设计,保证系统重用性和可扩展性,用以解决项目中的实际问题。