基于RPCA的皮革图像缺陷检测

提出了一种皮革视觉缺陷检测算法.通过分析皮革图像的低秩特征,将皮革图像缺陷检测问题转变为从低秩背景图像中分离稀疏矩阵图像.首先采用Gaussian高通滤波器对图像进行了预处理,然后利用鲁棒性主成成分分析(RPCA)对图像进行低秩稀疏分解,并采用效率较高的非精确增广拉格朗日乘子法(IALM)求解.对分解后的稀疏图像进行了后处理,最终在二值图像中获得缺陷的形状和位置.该算法的效率及准确率已经在实验中进行了验证,并与现有算法进行了比较.实验表明,该算法可以用来检测各种不同种类和大小的缺陷,检测准确率高且能够提供完整的缺陷掩模.     

基于DNA图谱的藏药品质检测方法研究与仿真

研究基于DNA图谱的藏药品质准确检测问题。每种藏药成分都具有独特的气味,长期放置的藏药,藏药的气味特征会淡化,造成基于气味特征转化的DNA图谱信息丢失、模糊。针对DNA图谱信息丢失、模糊,造成无法识别模糊DNA图谱信息,藏药品质检测准确率过低,提出了峰谷谱带识别算法的藏药品质检测技术,利用高斯滤波方式进行模糊噪声抑制,根据峰谷谱带识别方式进行残缺图谱泳道分割处理,克服传统方法的缺陷。实验证明,峰谷谱带识别算法的藏药品质检测技术提高了检测的准确率,避免了藏药长期存放对监测正确率的干扰。     

基于图像配准的食品包装印刷缺陷检测与实现

传统食品包装印刷缺陷检测系统采集的实时图像和标准图像在空间上存在着较大的差异,在缺陷检测前首先要将实时图像与标准图像配准,再进行图像缺陷检测与识别。针对传统检测方法检测时间长、分拣效率低、漏检率高和对人视觉要求高等缺点,在图像增强处理的基础上,提出了一种适用于食品包装印刷缺陷检测的图像配准算法。该算法利用小波变换改进算法对图像边缘进行检测,有效地解决了噪声所产生的误检问题。实验仿真结果表明,该算法具有较高的稳定性和可靠性,能够精确检测出小于0.1 mm的刀丝和拉条等细微缺陷,实现了食品包装印刷品的无损检测。     

基于水平集的不规则透明表面缺陷检测设计

针对图像采集中,缺陷的灰度值和背景几乎不可区分,导致图像的低对比度的问题,目前,常规的表面缺陷检测图像预处理中常用阈值化和边缘检测技术,易出现漏检现象,即不适用于检测不规则表面边界处的细微瑕疵.为解决这一问题,从低对比度透明材料图像的非高斯统计特性出发,研究提出利用水平集智能分割具有复杂形状的目标对象,并利用小波变换进行缺陷特征提取的高效的智能缺陷检测方法.测试表明,所提出的基于水平集和小波变换的不规则表面缺陷检测系统的有效性,克服了检测区域边缘处的漏检缺陷问题.     

基于缺陷比例限制的背景差分钢轨表面缺陷检测方法

针对钢轨表面图像具有的光照不均匀、可识别特征有限、对比度低、反射特性易变等特性,提出基于缺陷比例限制的背景差分钢轨表面缺陷检测方法。该方法主要包括轨面图像预处理、背景建模与差分、缺陷比例限制滤波、缺陷比例限制最大熵阈值分割和连通区域标记5个步骤。首先结合轨面图像列灰度均值和列灰度中值进行快速背景建模,将预处理后的图像与背景图像进行差分操作;其次利用轨面图像缺陷占比较低的特征对差分图进行缺陷比例上限的阈值截断,以增强差分图的对比度;随后利用此特征改进最大熵阈值分割,采用自适应加权因子对目标熵进行全局可变加权,并选择出一个合适的阈值使熵值最大化,使得在保留真实缺陷的同时减弱诸如阴影、锈迹等噪声的干扰;最后利用连通区域标记法对阈值分割后的二值图像中的缺陷区域进行统计,并把缺陷面积低于钢轨损伤标准的区域判定为噪声并进行去除,以实现钢轨表面缺陷检测。仿真实验结果表明,新方法可以对钢轨表面缺陷进行很好的检测,其检测结果的召回率、精确率和加权调和平均值分别达到94.19%、88.34%和92.96%,平均错误分类误差值为0.006 4,具有一定的实用价值。     

火电机组轴承表面细小缺陷深度检测方法仿真

采用当前方法检测火电机组轴承表面细小缺陷未对高效分离背景图像和缺陷特征,导致检测细小缺陷时,检测所用的时间较长,得到的检测结果与实际不符,存在检测效率低和误检率高的问题。提出火电机组轴承表面细小缺陷深度检测方法。通过形态学滤波算法去除火电机组轴承表面图像中存在的噪声,利用曲线拟合方法实现火电机组轴承表面图像的背景估计,通过最大熵分割法火电机组轴承图像进行二值化处理,使背景图像和缺陷特征高效分离;在此基础上,火电机组轴承表面缺陷目标,通过深度置信网络在逐层学习模型的基础上实现火电机组轴承表面细小缺陷的检测。仿真结果表明,所提方法的检测效率高、误检率低。     

基于缺陷比例限制的背景差分钢轨表面缺陷检测方法

针对钢轨表面图像具有的光照不均匀、可识别特征有限、对比度低、反射特性易变等特性，提出基于缺陷比例限制的背景差分钢轨表面缺陷检测方法。该方法主要包括轨面图像预处理、背景建模与差分、缺陷比例限制滤波、缺陷比例限制最大熵阈值分割和连通区域标记5个步骤。首先结合轨面图像列灰度均值和列灰度中值进行快速背景建模，将预处理后的图像与背景图像进行差分操作；其次利用轨面图像缺陷占比较低的特征对差分图进行缺陷比例上限的阈值截断，以增强差分图的对比度；随后利用此特征改进最大熵阈值分割，采用自适应加权因子对目标熵进行全局可变加权，并选择出一个合适的阈值使熵值最大化，使得在保留真实缺陷的同时减弱诸如阴影、锈迹等噪声的干扰；最后利用连通区域标记法对阈值分割后的二值图像中的缺陷区域进行统计，并把缺陷面积低于钢轨损伤标准的区域判定为噪声并进行去除，以实现钢轨表面缺陷检测。仿真实验结果表明，新方法可以对钢轨表面缺陷进行很好的检测，其检测结果的召回率、精确率和加权调和平均值分别达到94.19%、88.34%和92.96%，平均错误分类误差值为0.006 4，具有一定的实用价值。     

基于机器视觉的FPC补强片缺陷智能检测仿真

针对当前电路板缺陷检测方法存在召回率低和复杂度高的问题,提出基于机器视觉的FPC补强片缺陷智能检测方法。通过空域或者时域上的连续图像转换为离散采样点实现柔性印制电路补强片图像采样,将采样得到的柔性印制电路补强片图像函数连续数值转换成其数字等价量,实现图像量化。将量化结果代入中值滤波,利用数据排序方式将图像中没有被污染的点与噪声点替换,完成图像噪声滤除处理。基于处理后的补强片图像,将FPC补强片缺陷检测划分成全局检测与局部检测。利用直方图配准与八连通域面积对全局缺陷进行识别,实现补强片缺陷初步检测,通过投影配准与相关系数对局部缺陷进行检测。实验结果表明,上述方法可有效提升补强片缺陷检测召回率,计算复杂度低于当前相关研究成果。所提方法性能优越,具有合理性与鲁棒性。     

基于ButterWorth滤波的X射线钢管焊缝缺陷检测方法

焊缝缺陷检测是保证焊接质量的重要环节,随着工业的高速发展和迫切需求,基于X射线焊缝缺陷自动检测技术得到了广泛的研究,但是由于成像方式,以及铸件材质等客观因素的影响,X射线图像存在噪声多、对比度低、背景亮度不均匀、焊缝边缘模糊等问题,使得利用计算机进行焊缝缺陷自动检测的准确率不太理想。针对这一问题,提出了一种基于ButterWorth滤波的钢管焊缝缺陷检测方法。首先利用傅里叶变换将图像的时域信息变换到频域,之后对图像的频域信息进行高通滤波,提取出图像中的高频缺陷信息,再对其进行傅里叶反变换,从而将缺陷信息凸出,最后利用阈值分割成功提取出缺陷,并对提取出的缺陷结果进行处理,有效地降低了漏检率和误检率。与其他传统检测算法相比,它对缺陷类型不敏感,具有较好的适应性和通用性。     

基于人工免疫系统的带钢表面缺陷检测技术

针对传统的图像检测算法对具有噪声以及光照不足或不均匀的带钢表面图像检测时效果不理想的问题,提出了基于人工免疫系统的带钢表面缺陷检测技术。根据检测器和抗原之间的论域空间包含关系,以及自体在论域空间中的位置信息,引进了分块空间的方式,提出了检测器分块的生成算法,对缺陷图像表面灰度信息进行三维恢复,获得带钢表面缺陷的高度信息,实现其三维质量检测。实验表明,该方法无论是在对比度低、光照不均还是有噪声干扰的情况下相对于传统的图像检测算法具有较好的处理效果。     

基于Faster R-CNN的输电线路缺陷识别模型研究

随着多旋翼无人机引入输电线路巡检作业后,对巡线人员通过图像判断线路上设备是否有缺陷提出了新的挑战。为了帮助巡线人员做出准确决策,提高发现缺陷的能力,基于深度卷积神经网络,搭建了适用于无人机图像识别的输电线路缺陷识别网络模型。首先详细描述了输电线路缺陷识别图像数据库的建立过程,然后通过分析对比三个预训练前端网络的性能及多个参数对网络模型识别准确率的影响,得到基于Faster R-CNN的输电线路缺陷最优识别网络模型。经过测试集验证,提出的缺陷识别网络模型的识别准确率达到了90%以上,单张图片耗时达到了毫秒级,在识别准确率和耗时上均明显优于其他识别网络模型,为实际巡线工作中的输电线路缺陷判别提供智能有效的决策依据,是机器学习在智能电网中应用的有益探索。     

一种新型的半导体SMA缺陷识别方法

针对半导体器件在封装工艺中出现表面缺陷,及缺陷形态多样性和不可预测性而带来的模型适应性低等问题,提出了双向二维主成分分析和改进的卷积神经网络相结合的缺陷识别方法。首先为克服样本不均匀带来的识别精度低问题,对训练图像进行反射变换等操作构造虚拟样本,然后使用双向二维主成分分析法(Bilateral two-dimensional principal component analysis,Bi-2DPCA）对图像进行降维压缩,提取图像主要特征,再由改进的AlexNet网络进行缺陷识别分类,并提出正态随机采样层,将其加在AlexNet网络的卷积层后进行下采样,同时在全连接层中引入DropConnect来提高网络的泛化性能。实验表明,提出的算法较相关算法有较高的识别率,并在实际的表面贴装工程（Surface mount assembly,SMA）塑封图像数据上得到了验证,同时该算法具有较好的泛化性能。     

精密光学元件表面疵病检测技术研究

依据光学元件表面疵病存在的对比度低、边界模糊等特性,以及现有的自动化检测算法,提出了一种基于机器视觉的数字化评价系统,解决了疵病图像获取中的相机定位、图像采集、疵病检测、图像拼接以及疵病统计等自动检测技术问题.实验结果表明:系统实现了精密光学元件表面疵病的自动化检测,能够有效分辨微米(μm)量级的疵病,具有良好的疵病识别性能.     

基于多尺度卷积神经网络和类内mixup操作的磁瓦表面质量识别

铁氧体磁瓦由于形状的不规则性和表面缺陷的多样性给基于计算机视觉的表面质量识别带来很大的挑战。针对该问题,将深度学习技术引入到磁瓦表面质量识别中,提出一种基于卷积神经网络的磁瓦表面质量识别系统。首先将磁瓦目标从采集到的图像中分割出来并进行旋转从而得到标准图像,然后把改进后的多尺度ResNet18作为骨干网络来设计识别系统。训练时,设计一种新颖的类内mixup操作来提高系统对样本的泛化能力。为了更加贴近实际应用场景,在考虑到光线变化、姿态差异等因素的前提下构建了磁瓦缺陷数据集。在自建的数据集中进行实验的结果表明,该系统可以达到97.9%的识别准确率,为磁瓦缺陷的自动识别提供了可行的思路。     

基于图像子空间的改进商图像方法

光线变化将显著降低人脸识别系统的性能。Shashua et al．提出了一种处理人脸识别中的光线变化问题的简便方法——商图像方法。在本文中，我们从图像子空间的角度对商图像方法进行了分析，理论分析和实验表明，这种方法存在的主要缺点有：1）不准确的理想类假设；2）简单的三维点光源模型无法很好地近似任意光照情况。针对这些不足，我们提出了一种基于图像PCA子空间的改进商图像方法，以克服这些缺点。我们的方法能够较好地满足商图像方法的理论前提，从而达到更好的图像合成效果和人脸识别性能。     

Limited receptive area neural classifier for texture recognition of mechanically treated metal surfaces

The limited receptive area (LIRA) neural classifier is proposed for texture recognition of mechanically treated metal surfaces. It may be applied in systems that have to recognize position and orientation of complex work pieces during micromechanical device assembly as well as in surface quality inspection systems. The performance of the proposed classifier was tested on a specially created image database with four texture types corresponding to metal surfaces after milling, polishing with sandpaper, turning with lathe and polishing with file. The promising recognition rate of 99.8% was obtained.     

一种新型的半导体SMA缺陷识别方法的研究

摘 要: 针对半导体器件在封装工艺中出现表面缺陷,及缺陷形态多样性和不可预测性而带来的模型适应性低等问题,提出了基于双向二维主成分分析和改进的卷积神经网络相结合的缺陷识别方法。首先为克服样本不均匀带来的识别精度低问题,对训练图像进行反射变换等操作构造虚拟样本,然后使用Bi-2DPCA对图像进行降维压缩,提取图像主要特征,再由改进的AlexNet网络进行缺陷识别分类,并提出正态随机采样层,将其加在AlexNet网络的卷积层后进行下采样,同时在全连接层中引入DropConnect来提高网络的泛化性能。实验表明,提出的算法较相关算法有较高的识别率,并在实际的SMA塑封图像数据上得到了验证,同时该算法具有较好的泛化性能。     

机器视觉表面缺陷检测综述

目的 工业产品的表面缺陷对产品的美观度、舒适度和使用性能等带来不良影响,所以生产企业对产品的表面缺陷进行检测以便及时发现并加以控制。机器视觉的检测方法可以很大程度上克服人工检测方法的抽检率低、准确性不高、实时性差、效率低、劳动强度大等弊端,在现代工业中得到越来越广泛的研究和应用。方法 以机器视觉表面缺陷检测为研究对象,在广泛调研相关文献和发展成果的基础上,对基于机器视觉在表面缺陷检测领域的应用进行了综述。分析了典型机器视觉表面缺陷检测系统的工作原理和基本结构,阐述了表面缺陷视觉检测的研究现状、现有视觉软件和硬件平台,综述了机器视觉检测所涉及到的图像预处理算法、图像分割算法、图像特征提取及其选择算法、图像识别等相关理论和算法研究,并对每种主要方法的基本思想、特点和存在的局限性进行了总结,对未来可能的发展方向进行展望。结果 机器视觉表面缺陷检测系统中,图像处理和分析算法是重要内容,算法各有优缺点和其适应范围。如何提高算法的准确性、实时性和鲁棒性,一直是研究者们努力的方向。结论 机器视觉是对人类视觉的模拟,机器视觉表面检测涉及众多学科和理论,如何使检测进一步向自动化和智能化方向发展,还需要更深入的研究。     

基于支持向量机的枪弹外观缺陷识别与分类

为解决枪弹外观缺陷自动分类问题,提出了一种基于支持向量机的枪弹外观缺陷自动识别与分类模型。首先针对枪弹表面缺陷的图像特点,从几何、灰度、纹理三方面进行了特征提取,在此基础上建立了基于支持向量机的枪弹外观缺陷分类模型,并对特征参数进行了优选;研究了支持向量机中惩罚系数和核函数参数对分类器性能的影响;通过实验与基于BP神经网络的枪弹外观缺陷分类器进行了比较,结果表明,在小样本下,基于支持向量机的枪弹外观缺陷分类器性能更好。     

基于小波变换的X射线焊缝图像缺陷识别方法研究

经过长时间的研究发现,在焊缝图像缺陷识别中,传统的方法具有正确识别率低的问题,为此提出了基于小波变换的图像缺陷识别方法。输入获取的X射线焊缝初始图像信息,从帧数叠加、数字形态学变换和图像增强三个方面对初始图像进行预处理,约束小波变换阈值降低图像噪声,最后通过边缘检测,提取焊缝图像当中的缺陷特征。在对比实验当中,设立两种传统识别方法作为实验的对照组,提出的X射线焊缝图像缺陷识别方法为实验组,同时对统一型号的焊接工件进行缺陷识别,实验发现提出的识别方法的正确识别率高达91.8%。