应用方向梯度直方图和低秩分解的织物疵点检测算法

织物疵点检测是织物表面质量控制的关键环节。基于方向梯度直方图(HOG)和低秩分解,提出一种有效的织物疵点检测算法。首先,将织物图像划分为大小相同的图像块,提取每个图像块的HOG特征,并将图像块特征组成特征矩阵,针对特征矩阵构建有效的低秩分解模型,通过方向交替方法(ADM)优化求解,生成低秩阵和稀疏阵;最后采用改进最优阈值分割算法对由稀疏阵生成的显著图进行分割,从而定位出疵点区域。实验结果表明,低秩分解能有效实现织物疵点的快速分离,与已有方法进行对比,本文方法能显著提高复杂织物纹理图像的疵点检测性能。     

基于多尺度图像增强结合卷积神经网络的纸病识别分类

针对造纸工业中传统纸病识别分类依赖于特征描述子和分类器的选择问题,提出一种多尺度图像增强结合卷积神经网络的纸病识别分类方法。该方法利用多尺度形态学梯度增强纸病图像的边缘轮廓信息,突出缺陷梯度特征,然后利用卷积神经网络(CNN)学习纸病图像的特征并分类识别,从而实现纸病的准确识别分类。实验结果表明,该方法对纸病识别分类的结果明显优于HOG+SVM、LBP+SVM以及传统CNN方法,在Caltech101、KTH-TIPS以及本课题的数据集上的分类正确识别率分别达到98.44%、99.23%和99.64%。与现有纸病识别分类方法相比,本课题方法不需针对各种纸病进行缺陷特征提取和特征描述,能快速实现纸病的准确识别分类。     

基于机器视觉的玉米头尾识别

为进行玉米棒头尾识别,课题组提出了一种基于机器视觉和机器学习的玉米头尾识别方法.该方法先对玉米图像进行分割,后对分割后图像提取其方向梯度直方图(histogram of oriented gradient,HOG)特征向量;并利用主成分分析法(principal component analysis,PCA)对特征向量...     

基于图像处理的车辆目标检测系统

相对于传统的车位目标识别技术,文章采用了基于图像处理的目标检测方法。实验中训练和测试的数据来自国际公开数据集PKLot,文章采用基于方向梯度直方图(HOG)和支持向量机(SVM)对正负样本集提取特征并生成模板,对待检测的图像提取出特征并与模板进行对比,最后用矩形框标识检测的车辆目标,经多次独立测试,可用车位的检测准确率在94%以上,试验过程中,测试了大约35万张车位图像,包含四个场景下的不同停车场图像,验证了设计流程的可行性。     

结合显著区域检测和手绘草图的服装图像检索

针对服装图像检索准确率和效率较低的问题,提出一种服装显著区域检测和手绘草图的服装图像检索方法。首先采用正则化随机漫步算法对输入的服装图像库进行视觉显著区域检测,并结合其边缘轮廓信息,得到服装显著边缘图像;其次,对输入的服装草图和服装边缘图像进行特征提取,得到服装草图和服装边缘图像各自的方向梯度直方图(HOG)特征;然后,通过计算服装草图特征和服装边缘特征的相似度,实现特征匹配;最后,按照特征匹配结果在服装图像库中检索与服装草图相似的服装图像,采用基于距离相关系数的重排序算法对其相似度进行排序并输出检索结果。结果表明,该方法提高了服装检索的准确率,具有较好的鲁棒性,检索准确率可达78.5%。     

基于卷积神经网络和支持向量机的水稻种子图像分类识别

针对外形相似的水稻种子间分类难、识别正确率低等问题,提出一种卷积神经网络与支持向量机相结合的方法（CNN_SVM）对8类水稻种子进行分类识别。首先对图像进行切割、旋转等预处理后建立水稻种子图像数据库,其次通过提取图像的方向梯度直方图(HOG)、LBP纹理、SIFT描述子和CNN特征,分别建立SVM、KNN和Softmax分类模型对水稻种子图像进行分类识别比较。最后采用随机加入噪声点方法模拟噪声干扰稻种和调整色彩饱和度方法模拟不同年份稻种后进行分类识别。结果表明CNN_SVM模型对正常、噪声干扰和不同年份的水稻种子图像识别正确率分别为96.2%,95.8%和96.1%,识别单张图像时间为4.57ms,明显优于CNN、SVM的传统模型。模型的抗噪和泛化能力强,能满足实际生活中水稻种子分类识别需求。     

基于梯度方向直方图的本色布疵点检测算法

本色布疵点检测是质量控制重要环节,目前仍由人工来完成。文章采用梯度模板与灰度化处理之后的本色布图像进行卷积,得到图像的梯度模和角度,将角度离散化,然后将图像分块,每块内根据离散化后的角度统计直方图,将所有分块的直方图连接,构成原始图像的梯度方向直方图特征向量,最后采用卡方距离和最近邻分类器进行分类。在包含1 252幅图像的数据集上进行实验,其中训练图像457幅,测试图像795幅,准确率达到96.85%。实验结果表明基于梯度方向直方图的特征提取算法能有效识别出本色布图像中的疵点。     

基于深度学习的不规则特征识别检测技术

针对目前工业上金属轴零件在加工的过程中可能由于加工失误、本身材质等原因产生不同缺陷,而传统的检测方法检测精度和泛化能力有限的现状,课题组提出了基于深度学习的不规则特征识别技术,来提升对金属轴表面缺陷的检测效率。课题组设计了金属轴表面缺陷图像预处理方法,提升采集的缺陷图像的质量;对传统深度学习Faster R-CNN进行改进,设计了模型的特征提取网络、RPN网络、分类网络以及模型参数,提升模型的检测性能。实验结果表明本技术能有效提升工业流水线对金属轴缺陷的检测效率和精度,可同时检测多种不同种类的缺陷。课题组的研究成果具备良好的泛化能力。     

基于B样条小波的零件缺陷图像边缘检测

针对零件图像直方图多峰的特点,设计了自动阈值分割与B样条小波相结合的缺陷图像边缘检测方法.采用多次迭代方法自动选取区域图像的阈值,从而将特定区域从图像中分割出来.分析小波边缘检测的原理,构造B样条小波函数,通过B样条小波模极大值实现了零件缺陷图像的边缘检测.实验结果表明,此方法优于传统的边缘检测效果.     

基于图像局部方差的亮度矫正下番茄表面缺陷检测方法

目的:解决番茄表面缺陷颜色复杂多变、纹理变化不规则导致的缺陷提取不准确的问题。方法:提出一种考虑亮度矫正下基于图像局部方差的番茄表面缺陷分割方法。在采用直方图阈值分割方法分割花萼与茎疤以及领域像素加权和替代原像素的方法完成亮度矫正的基础上,将番茄表面灰度图像划分成若干图像块,使用图像像素方差对各图像块的颜色进行表征,将缺陷区域与健康区域区分开。使用SVM模型对番茄表面缺陷区域面积占原图中番茄面积的比例进行检测。结果:考虑亮度校正后对番茄缺陷区域提取准确率提高了27.74个百分点,在此基础上,与全局阈值、动态阈值、区域生长算法相比,基于图像局部方差的缺陷提取方法能够实现番茄表面缺陷的准确定位与完整提取,以缺陷面积比为输入的高斯-SVM模型对番茄表面缺陷检测的精度达96%。结论:考虑亮度矫正下,基于图像局部方差的SVM缺陷提取方法适用于番茄表面缺陷检测。     

梯度空间下的丝饼表面缺陷检测

为解决工业生产中人工检测丝饼表面缺陷效率低、漏检率高的问题,提出了一种在梯度空间下根据图像信息熵变化和能量分布的差异来检测丝饼表面缺陷的方法。首先设计一套基于机器视觉的丝饼图像采集装置,用于获取传输过程中的丝饼表面图像;然后将丝饼图像转换到梯度空间域,构建一个信息熵和能量的组合特征用来表征缺陷,选择适当的临界阈值区分丝饼缺陷区域与正常区域;最后对分割出的丝饼缺陷利用形态学处理得到最终的检测结果。实验结果表明,该方法对丝饼表面污渍、压痕、起毛等缺陷具有较好的检测效果,缺陷识别准确率高、速度快,可满足工厂对检测准确性和实时性的要求,实现丝饼表面缺陷的自动化检测。     

基于改进卷积神经网络的化纤丝饼表面缺陷识别

针对传统人工检测化纤丝饼表面缺陷方法的不足,提出改进的卷积神经网络对正常以及3种常见缺陷丝饼进行分类识别。首先对采集的丝饼图像进行分块处理,然后利用改进的卷积神经网络进行特征提取,采用全局最大池化层代替全连接层,增强了图像对空间变换的鲁棒性,减少了模型参数,并利用softmax分类器进行分类。最后在网络学习过程中提出主动学习方法,用少量标注样本对网络进行训练,选出对提升网络性能最具价值的样本进行标注并加入到训练样本中进行训练检测。结果表明,该方法可有效实现丝饼的缺陷识别,识别准确率达到97.1%,并有效减少了网络所需的标注样本数量,节省大量的标注成本,具有一定的通用性。     

基于局部统计与整体显著性的织物疵点检测算法

由于织物疵点类别较多及图像纹理多样化,为了能更有效检测织物疵点,本研究结合局部统计特征与整体显著性分析,提出一种新的织物疵点检测算法。首先将图像分为大小相同的图像块,采用局部二进制模式和灰度直方图分别提取图像块局部统计特征;其次针对每个当前图像块,随机选取K个其它图像块,分别计算局部二进制模式统计特征对比度和灰度统计特征对比度,完成基于上下文整体显著性分析生成视觉显著图;最后采用基于迭代最优阈值分割算法对显著图进行分割,得到织物疵点检测结果。实验结果表明,该算法综合了局部统计特征和整幅图像的上下文信息,可显著突出织物疵点区域,实现对织物疵点的有效检测。     

从特征识别到局部拼接的零件轴承孔在线检测

针对在无夹具定位的饮料灌装设备轨迹控制零件轴承孔在线检测过程中,单张图片无法满足高精度检测需求的问题,提出一种从零件整体特征识别到局部图像拼接的零件轴承孔在线检测的方法。首先采用全局图像轴承孔的中心位置关系构建特征描述矩阵,利用支持向量机(SVM)方法进行整体特征孔识别。针对已识别轴承孔,采用KAZE方法对局部特征孔图像进行拼接,实现轴承孔的高精度测量。研究实例表明,该方法可快速实现轴承孔的高精度测量,测量效率和成功率较高。     

基于Lab空间的太阳能电池片图像优化方法研究

针对太阳能电池片人工颜色识别较慢且准确性不高的问题,提出一种基于Lab颜色空间的太阳能电池片颜色识别优化方法。首先对原始图像进行去噪,增强颜色对比,再用ROI特征提取等方法进行预处理,然后将图像从RGB空间转换到Lab空间,接着引入K均值聚类算法对图像颜色进行分割,通过分析图像直方图来对图像进行分类。结果显示,通过对加入K均值后的图像直方图的分析,能够较好的分辨出电池片颜色之间的差别。     

织物疵点图像的直方图处理与增强

图像增强能有效增强罔像整体或者局部特征,直方图规定化和均衡化能有效用于图像增强.原始采集到的机织物疵点图像经过直方图均衡化或规定化处理后能较好地识别其中的疵点部分.利用matlab的图像工具箱函数,讨论直方图处理技术对织物疵点图像进行增强处理,同时,选取不同的规定化函数对直方图处理织物疵点图像结果作相关比较.     

基于栅格识别的测量系统快速标定

为实现视觉测量系统的快速标定,提出基于栅格识别的摄像机标定方法。通过研究系统标定原理,给出易于制作、可夜间工作的二维平面网格靶标设计方案。根据针孔摄像机模型,建立靶标上栅格点的世界坐标和图像坐标的对应关系,实现标定过程。其中,栅格点的图像坐标通过以下步骤获得：（1）由形态学预处理、otsu二值化获得高对比度、低噪声的二值图像;（2）改进传统击中-击不中算法（HMT）,将算法中完全匹配准则弱化为自定义阈值的模糊匹配。通过改进HMT算法检测出二值图像中的目标点集,再利用栅格的几何特性剔除点集中干扰点;（3）对目标点集利用最小二乘拟合、双线性插值等算法校正系统畸变,获得精确图像坐标。实验结果表明,该方法快速可行、操作简单、精度高,适用于图像测量系统、测距系统等工程应用。     

基于机器视觉的筒子纱缺陷在线检测系统

为提高筒子纱检测过程的自动化程度,设计了一种基于机器视觉的筒子纱缺陷在线检测系统。该系统由2个工业相机、条形LED光源、对照式光电开关和计算机组成。首先,相机与同步光源分时采集筒子纱顶面和侧面过曝模式及正常模式图像。然后通过对顶面过曝图像自适应分割来定位筒子纱中心。其次,通过极坐标变换展开顶面正常图像。最后,在顶面展开图中,分别利用垂直方向边缘分布的投影特征、纹理及强度一致性、局部方向直方图纹理识别菊花芯、多源纱和网纱缺陷;在筒子纱侧面图中,通过投影法快速确定边界位置,并通过轮廓拟合程度识别多层台缺陷。结果表明,该系统可实时识别多层台、网纱、菊花芯、多源纱等筒子纱缺陷,具有较好的检测效果。     

基于自动编码器的本色布疵点检测算法

为解决用于本色布疵点检测的浅层机器学习方法中人工特征提取主观性强、同一种特征提取方法无法适用于不同组织结构织物的问题,采用具有特征学习功能的自动编码器神经网络对原始图像进行特征自动提取。设计了含有一个隐藏层的全连接恒等神经网络,原始数据输入该神经网络后,被隐藏层压缩,并在输出层重构,训练过程中通过优化重构层与输入层之间的误差来求解神经网络最佳系数。将训练好的自动编码器神经网络用于对原始图像进行编码压缩,经过压缩后的数据通常维数远远低于输入数据,将压缩结果作为输入图像所对应的特征向量,采用支持向量机进行分类。通过将应用自动编码器自动提取的特征与传统的PCA、HOG特征进行对比实验,结果表明,采用自动编码器自动提取的特征性能明显优于传统手工提取的特征。     

图像识别技术在压力容器射线探伤中的应用

针对工作现场采集的射线探伤底片进行数字成像,结合图像的变换、中值滤波、阈值分割、边缘检测、特征提取、模式识别等算法,通过适当的处理和分析。对压力容器的焊接缺陷进行自动检测与识别。最终实现了对焊接缺陷的机器自动识别。实践证明,该方法具有一定的快速性和实用性。