基于机器视觉的玻璃缺陷检测

随着科学技术的进步,高端显示屏产品对平板玻璃的质量要求越来越高,玻璃的表面缺陷检测技术也因此备受关注。传统的人眼检测方法工作量大且准确率低,已经无法满足生产实际要求。研究了一种基于机器视觉的玻璃质量检测系统,采用先进的CCD成像技术和背光式照明获取图像,用MATLAB图像处理工具箱对采集到的图像进行灰度值化、滤波降噪和阈值分割处理,实现对缺陷区域的特征提取和识别。最后用BP神经网络对玻璃表面的三种缺陷进行分类,该神经网络识别的平均误差率为9.84%,表明此检测方法具有一定的应用价值。     

基于全局相似性约束的多视点图像拼接

针对在大视差场景下进行图像拼接时容易出现的扭曲、失真、重影等现象，提出了一种基于全局相似性约束的多视点图像拼接算法。在传统细分网格模型的基础上，添加一个先验的全局相似约束项，对待拼接图像在整体上进行相似性转化，同时分别选取视角不同、亮度不同、复杂场景的三组图像，与已有算法的拼接效果进行对比，并采用质量评价方法对图像进行客观评价。结果表明：提出的方法在拼接效果上可以有效降低已有方法对大视差图像拼接时产生的扭曲和重影，且质量评价提高了10%以上；由于对图像的视角及场景深度无严格要求，因而具有良好的适应性，能够更自然地拼接大视差图像。