基于联合注意力的复杂纹理瓷砖缺陷检测方法

复杂纹理瓷砖表面存在较多的低可视度小目标缺陷与严重的复杂纹理背景干扰,使应用目标检测方法时易出现较高的误检率和漏检率。为提升复杂纹理瓷砖表面缺陷检测效率,提出了基于通道与空间联合注意力的复杂纹理瓷砖表面缺陷检测方案。首先通过建模深浅层特征通道间关系设计了一种选择性特征融合方法,以提升模型对小目标缺陷的特征表达;其次,提出了通道与空间联合注意力模块,通过通道注意力和空间注意力来筛选关键特征通道和抑制纹理区域,使模型着重于学习缺陷特征以增强模型辨别缺陷与纹理的能力;最后,在复杂纹理瓷砖表面缺陷数据上进行了实验验证。实验结果表明,相较于AFF(attentional feature fusion)和CBAM(convolutional block attention module)方法,选择性特征融合方法和通道与空间联合注意力模块使模型检测性能分别提高了5.3 AP、6.32 AP。最终,实验证明了该方案分别优于现有的瓷砖检测方法YOLOv5和纹理织物缺陷检测AFAM方法1.32 AP、2.12 AP。     

基于小波及自适应Canny的磁环表面缺陷检测算法

针对常规分割算法难以将磁环缺陷从纹理复杂的磁环表面提取出来,本文提出了一种基于小波变换及边缘检测的缺陷提取算法.基于小波变换对磁环纹理的弱化作用,对小波分解低频部分采用自适应Canny边缘检测算法分割出含缺陷的边缘;基于阈值分割的轮廓查找算法,提取出磁环内外轮廓并作一定的处理;对含缺陷边缘和处理后内外轮廓做形态学处理和逻辑运算提取出磁环所有缺陷;对缺陷排序并提取出磁环主缺陷轮廓,判断轮廓闭合情况并填充轮廓得到主缺陷区域.实验表明本文算法正检率达94.7%.     

Gabor滤波器在彩色纹理表面缺陷检测中的应用*

提出了彩色纹理表面自动缺陷检测的Gabor滤波方法,以同时测度图像中的颜色和纹理偏差.提出的方法不依赖于纹理特征的提取,它基于Gabor滤波器和两个颜色特征复数的彩色图像卷积的能量响应,将彩色纹理图像缺陷检测的复杂问题转换成了滤波图像中的简单的二值化问题.对纺织品、木材等许多实际彩色纹理表面的实验结果表明了该方法的有效性.     

基于图像处理与神经网络的钢丝绳表面缺陷检测

提出了一种基于纹理特征提取的图像处理技术和神经网络结合进行钢丝绳检测的新方法.首先利用图像处理的方法对在役钢丝绳图像进行预处理,以减小或消除噪声的影响,然后提取图像的纹理特征值--熵和平滑度,通过神经网络来判断钢丝绳表面是否有断丝或锈蚀等缺陷.实验结果证明,该检测方法在实际应用中能代替人工目测,使用方便,能够满足实时要求,具有一定的理论和实践意义.     

基于改进相干增强扩散与纹理能量测度和高斯混合模型的导光板表面缺陷检测方法

针对液晶屏(LCD)导光板表面缺陷检测方法存在漏检率和误检率较高,对产品表面复杂渐变的纹理结构适应性差的问题,提出一种基于改进相干增强扩散(ICED)与纹理能量测度和高斯混合模型(TEM-GMM)的LCD导光板表面缺陷检测方法。首先,构建ICED模型,基于结构张量引入平均曲率流扩散(MCF)滤波,使得相干增强扩散(CED)模型对缺陷的细线状纹理有良好的边缘保持效果,并利用相干性得到缺陷纹理增强和背景纹理抑制的滤波后图像;然后,根据Laws纹理能量测度(TEM)提取图像纹理特征,将图像的背景纹理特征作为离线阶段高斯混合模型(GMM)的训练数据,使用期望最大化(EM)算法估计GMM参数;最后,计算待检测图像各像素的后验概率,并将其作为在线检测阶段缺陷像素的判断依据。实验结果表明,该检测方法在导光颗粒随机、规则两种分布的缺陷图像测试数据组上的漏检率和误检率分别为3.27%、4.32%和3.59%、4.87%。所提检测方法适用范围广,可有效检测出LCD导光板表面划痕、异物、脏污和压伤等类型的缺陷。     

基于Markov随机场模型的纹理图像的缺陷检测

在工业自动化研究中,部件的缺陷检测是非常重要的过程。文中提出了一种基于图像纹理分析的表面缺陷检测方法,图像表面纹理特征是利用Markov随机场模型来描述的,通过学习和聚类分析来检测出纹理图像中有缺陷的区域。试验结果表明,该方法可以有效地描述不同种物质表面的纹理特征,并能准确地检测和定位缺陷。     

缺陷检测系统的图像预处理分析与探讨

在晶振外壳缺陷检测系统中,正确识别缺陷的前提条件是得到高质量的预处理图像。图像预处理的目的为了提高系统所采集图像的质量,通过比较分析并采用平滑处理、二值化、形态学处理等一系列图像处理方法对原始图像进行处理,从而得到纹理清晰、缺陷突出的理想图像,为后期的缺陷检测与识别作好铺垫。     

基于无锚框关键点算法的工件表面缺陷检测

针对工件表面图像中划痕缺陷尺寸比例异常、尺度变换大、背景纹理复杂等问题,提出一种基于无锚框关键点的工件表面缺陷检测算法AFKPDD。为提高尺寸比例异常的细长划痕的检测精度,采用基于RepPoints Head的检测模块,更好拟合缺陷形态并提取有效特征。为改善尺度变换和背景复杂问题,使用可变形卷积多尺度网络提取图像特征。为提高模型泛化能力,设计随机遮挡数据增强方法和多任务学习策略。自建铝制工件内壁数据集,AFKPDD算法在该数据集上AP达到88.9%,优于其它主流目标检测算法。在公开钢材表面数据集上验证了模型的泛化能力和在划痕检测上的应用价值。     

基于Markov随机场模型的纹理图像的缺陷检测

在工业自动化研究中，部件的缺陷检测是非常重要的过程。文中提出了一种基于图像纹理分析的表面缺陷检测方法，图像表面纹理特征是利用Markov随机场模型来描述的，通过学习和聚类分析来检测出纹理图像中有缺陷的区域。试验结果表明，该方法可以有效地描述不同种物质表面的纹理特征，并能准确地检测和定位缺陷。     

基于先验分布活动轮廓模型的纹理缺陷检测

在工业产品的表面缺陷检测中,计算机视觉逐渐取代人工视觉,这是工业自动化的重要标志之一.而产品的表面纹理对缺陷检测的干扰一直是个难点.从图像分割的角度出发,以缺陷为目标,将纹理表面作为背景提取产品的表面缺陷.基于非参数统计活动轮廓模型提出一种先验分布模型,即以纹理的灰度分布作为背景的先验信息,使得算法更容易区分纹理背景和缺陷.实验结果表明,所提出的算法适用于不同纹理背景的缺陷检测,能准确地提取缺陷位置.