信赖域方法在红外图像序列处理中的应用

在以光源为激励的红外无损检测图像序列采集过程中,由于受到不均匀加热、环境辐射等因素影响,采集到的图像序列存在着背景噪声大、对比度低、缺陷显示效果差等问题,易造成缺陷的漏检。为提高缺陷检出率,提出了基于信赖域反射算法的红外图像序列处理技术。通过算法对加热不均造成的背景噪声进行快速曲面拟合,并将拟合得到的背景曲面从原始图像中减去,从而去除加热不均的背景噪声。利用主成分分析算法对去除背景后的图像序列进行缺陷特征信息提取,进一步提高红外图像的信噪比。结合区域生长算法对缺陷区域进行分割,以提取缺陷区域。实验结果表明:采用上述方法,能够有效地改善红外图像的信噪比,进而达到提高缺陷检出率的目的。     

基于卡尔曼预测的序列图像椭圆检测算法

为实现序列图像中的动态椭圆目标检测,采用数字图像坐标系下的卡尔曼滤波来预测图像中椭圆的待检测区域。设计了卡尔曼滤波器,对椭圆目标的运动参数（椭圆中心位置、速度以及加速度）进行跟踪从而可以预测下一帧图像中目标椭圆的待检测区域,缩小了图像中椭圆目标的搜索范围,提高了算法的实时性和鲁棒性。结合随机抽样一致理论和最小二乘拟合法设计了鲁棒性的椭圆检测算法,实现了序列图像中椭圆目标的快速、鲁棒检测。仿真结果及物理实验表明,本文算法能快速稳定的检测出序列图像中的椭圆目标。     

目标检测与图像分类网络融合的金属化陶瓷环缺陷检测

针对金属化陶瓷环缺陷面积小、可利用信息少的特点和缺陷检测精度低的问题，提出一种目标检测与图像分类网络融合的金属化陶瓷环缺陷检测方法。首先，使用针对小面积目标检测特点改进的Faster-RCNN目标检测网络实现对缺陷的初步识别与定位。接着，使用插值方法将定位到的缺陷区域放大，利用图像相邻像素之间的信息关联，增加缺陷检测的特征信息量。然后，使用ResNet图像分类网络对放大后的区域进行缺陷类别判断。最后，融合目标检测网络和图像分类网络的结果，获得最终的缺陷检测结果。实验结果表明，所提方法能在保障缺陷检测查全率的同时有效提升查准率，且能准确定位缺陷区域。     

基于3D定位的光纤棒内部缺陷检测方法

为检测和定位光纤预制棒的内部缺陷并提高精度,提出一种光线追踪实现3D精确定位的线激光旋转扫描检测方法。利用光散射原理和暗场成像技术,成像设备采集光纤棒每个旋转角纵截面上缺陷的散射光;原始图像经过图像预处理和图像分割获取缺陷的二维信息;基于折射定律和光线追踪建立缺陷的精确定位模型,消除光纤棒表面折射带来的成像位置偏差;最后经过坐标转换、三维建模和三维连通域提取实现缺陷在光纤棒内部的3D定位。实验结果表明:120 W像素的工业相机在旋转角步长为0.9°的条件下,对大尺寸的光纤棒内部缺陷检测轴向定位精度为0.28 mm,径向定位精度为1.05 mm,可实现准确、自动化地检测和定位光纤棒的内部缺陷,为光纤棒的质检和指导光纤拉丝提供重要依据。     

基于X射线焊缝图像缺陷特征提取的研究

本文针对X射线焊缝图像的复杂性,提出了准确快速的提取焊缝区域和缺陷的方法。由于检测到的X射线图像具有对比度不高、光照不均、缺陷边缘模糊、图像噪声多、存在较大的背景起伏等缺点,首先对含有缺陷的焊缝图像进行一系列的图像预处理;然后采用自适应阈值分割算法来提取焊缝缺陷区域,为缺陷特征测量做准备工作;最后,在图像本身所包含的几何特征、灰度特征、结构信息、颜色信息等特征中,对缺陷图像进行几何特征的测量,以便对缺陷类型进行分类。结果表明,该方法能较准确地提取射线图像的焊接缺陷,并能较准确的获取该缺陷的几何和代数特征,具有良好的适应性和实用性。     

一种风机叶片图像采集及缺陷检测系统

本文针对目前风机叶片人工检测工作量大、效率低、缺陷检测准确率不高的问题,提出并设计了一种基于无人机图像的缺陷自动化检测系统。本文介绍了系统的图像采集系统、采集方法、缺陷检测原理及检测效果:系统以无人机为飞行载体实现了（风机叶片的）自动巡检,从而提高了巡检效率,降低了人工的工作量;通过图像分割及缺陷检测算法设计实现了缺陷可疑区域的自动检测;可见光加红外光双光融合提高了叶片缺陷自动识别的准确性。经过多次现场测试验证,本系统可以精确、快速地实现鼓包,裂纹和褶皱等缺陷的自动识别与检测。     

轿车流线型曲面缺陷的图像识别与检测方法研究

提出一种基于灰度像素邻域模板匹配的轿车流线型曲面缺陷的图像识别与检测方法,采用图像处理方法进行轿车流线型曲面缺陷识别,提高轿车表面缺陷的智能修复能力。对采集的轿车表面图像进行降噪提纯处理,利用自适应权重均衡分割方法进行图像分割,采用Retinex信息增强方法进行曲面缺陷图像增强处理,结合灰度像素邻域模板匹配方法进行缺陷识别与检测。仿真结果表明,采用该方法进行轿车流线型曲面缺陷的图像识别,检测的准确匹配概率较高,对缺陷部位的定位较准,性能优越。     

基于高密度点云的激光焊接缺陷智能在线检测（特邀）

铝合金薄板激光焊接经常会出现咬边、凹陷等表面缺陷。这两种缺陷由于尺寸小、特征相似,难以通过传统视觉在线检测手段对其进行精确分类和测量。开发了一种基于深度学习缺陷分类-点云测量的在线监测系统,利用高密度的点云数据对缺陷进行识别、分类与测量,解决了上述检测难题。通过双目结构光传感器采集点云数据;利用基于区域推荐网络的卷积神经网络模型识别和定位缺陷;在识别和定位缺陷后,通过对局部缺陷区域的点云进行操作,快速测量缺陷尺寸。高密度点云数据训练的模型的识别准确率达到93%,高于传统二维视觉传感器图像训练的模型。该检测系统在线检测允许的最大焊接速度为316.87 mm/s,适用于大多数激光焊接。     

自动光学检测的彩膜分区检查与判定

为了提高自动光学检测系统检测彩膜质量的准确率,降低误判,通过分析由红绿蓝三色组成矩阵结构和Line CCD获取的彩膜图像特征,在五点周期比较检测的基础上设计一种彩膜缺陷的检测方法。该方法通过对彩膜的机械与光学对位后,通过五点比对进行缺陷的检测。Line CCD从红绿蓝3个不同的区域获取不同的灰阶值,分别设置3个区域的灰阶值范围和该区域的判定阈值;最后根据缺陷与正常点灰阶差值的不同对缺陷进行分类,赋予相应的缺陷代码。基于以上3个步骤,实现对整张彩膜的缺陷检测。实验结果表明,采用五点比较、分区检测和缺陷分类相结合的方法,缺陷检出的准确率可以提高至99.6%以上。     

LED显示单元显示缺陷检测

目前市场上的LED显示屏,由于散热、老化等问题,导致显示屏的成像出现缺陷。而对于显示缺陷检测仍是由有经验的操作者通过肉眼完成,难以保证效率与准确性。文中通过模板匹配的方法经区域定位和点定位来提取出显示单元图像中的灯点亮度信息,重绘出灯点图,进而采用基于最小二乘法的多项式曲面拟合方法对曲面进行缺陷分离,经验证其可有效、准确地检测出显示缺陷,对LED显示缺陷领域有着重要意义。     

基于掩模图像的磁环表面缺陷提取研究

磁环表面缺陷图像具有对比度低、纹理背景复杂 、缺陷种类多和亮度不均匀等特点,提出了一种 基于掩模图像的磁环表面缺陷提取方法。首先,通过分析磁环表面图像中不同缺陷区域与正 常区域的灰度 差别,将磁环表面缺陷划分为两类,第1类为缺陷灰度值与正常区域差别大易分割,第2类为 缺陷灰度 值与正常区域灰度值差别小不易分割;其次,根据两类表面缺陷的成像特点以及与背景的 关系,利用掩 模技术分别设计了相应的缺陷提取方法;最后,在不同的光照、规格、缺陷类型及大小等方 面,利用开发 的样机进行了大量的在线实验。实验结果表明,本文缺陷提取算法稳定性好,鲁棒性强,能 够准确、快速 地提取出磁环表面图像各区域的缺陷,表面缺陷检测的准确率为95.3%。     

基于U-Net和SVM的圆形工业品形变缺陷检测方法

针对圆形工业品形变缺陷检测人工检测受主观经验影响大,抽样率低、实时性差等问题,提出了一种基于U型卷积神经网络(U-Net)结合支持向量机(SVM)的工业缺陷检测的快速准确方法。该方法先通过U型卷积神经网络对图像的目标检测区域进行图像分割,得到目标区域的二值图像;再采用Sobel边缘检测算法获取边缘点,采用最小二乘法确定圆心、半径并计算定位误差;最后,将半径和定位误差作为特征参量进行SVM二分类,从而判别圆形工业品是否存在形变缺陷。以常见的易拉罐拉环盖圆形锚点缺陷为例,验证了本方法的有效性。实验结果表明,在锚点变形严重和存在光照不均匀的情况下,该方法仍可实现拉环盖锚点形变缺陷准确快速的检测,通过对小样本图像数据进行检测评估,检测准确率达到96. 88%,满足工业缺陷检测的要求。     

TR组件基板焊接缺陷快速检测方法

提出一种基于Faster RCNN(Faster Region with Convolutional Neural Networks)的电路板缺陷图像自动检测方法。该方法首先应用Res Net50网络作为主干网络以提取缺陷图像特征;然后针对电路板图像中缺陷的极端长宽比特点,提出基于特征金字塔的区域推荐网络,得到多尺度特征融合图并生成建议框;最后,通过对感兴趣区域进行池化处理,并结合后续网络实现对电路板图像上缺陷的快速检测。试验证明,所提算法能够快速定位出电路板图像中的各种缺陷,并能实现准确的自动分类识别。     

基于鲁棒Otsu的红外无损检测缺陷分割算法

在红外无损检测获取的图像中,缺陷区域与非缺陷区域所占面积比例悬殊,且图像经过序列增强处理之后仍然存在阴暗区域,导致缺陷分割准确性受损。为此,结合局部阈值分割法的相对阈值思想,提出一种基于鲁棒Otsu的缺陷分割算法。首先,引入邻域均值与邻域总梯度作为表征像素点的所属类别与空间状态的重要参数。然后,采用基于像素点-块区的统计调整模型对红外图像缺陷区和非缺陷区的灰度值进行动态调整。最后,采用基于灰度-邻域偏差的改进二维直方图及其区域划分方法,通过自动选取邻域边长的遗传算法搜索最佳阈值,实现红外图像的缺陷分割。结果表明:该算法不仅改善了Otsu算法的鲁棒性,且能够提高红外无损检测缺陷分割的准确性。     

基于主动式全景视觉的管道形貌缺陷检测系统

针对现有的管道缺陷检测技术不能同时对管道的形、貌缺陷进行检测与评估这一工程难题,在前期研究工作的基础上,设计了一种基于主动式全景视觉的管道内部缺陷检测系统,能够快速获取管壁密集点云的三维坐标,同时对内壁表面缺陷进行检测与评估。首先利用主动式全景视觉传感器（AODVS）实时获取内壁全景图像和激光横断面扫描全景图像,然后对管道内壁全景图像进行柱状展开、预处理和缺陷检测及分类等处理;然后对激光横断面扫描全景图像处理,计算管道内壁点云的三维坐标,进一步对管道缺陷部分进行定量分析,最后利用三维建模技术重构带有真实纹理信息的管道模型。实验结果表明:文中设计的检测系统能够对管道凹凸形变、孔洞、管壁裂缝、腐蚀等缺陷进行检测与分析,具有较高的检测精度,为管道内表面三维测量和重构提供了一种新的手段。     

基于机器视觉的导光板缺陷检测方法研究

导光板在无尘车间制造过程中,因现场环境以及 生产治具的影响,不可避免的出现各种各样的缺 陷,造成产品质量的严重下降。针对这种问题,根据导光板的光学特性、缺陷形成原理及特 征,本文提出 一种基于机器视觉的导光板缺陷检测的方法。首先,根据导光板的导光点分布特性,提出了 基于密度的自 动分区算法;其次,针对不同分区,分别设计一个高斯双方向导数滤波器对导光板图像进行 卷积操作,并 利用在两个大小不一的均值滤波基础上做差,以去除正常导光点的干扰,获得缺陷增强图像 ;进而,利用 二值化阈值操作提取疑似缺陷连通区域,并在分析其区域特征基础上确认是否为缺陷,再加 以分类;最 后,在工业现场采集的导光板图像基础上,进行了大量的实验。实验结果表明,针对亮点、 压伤和线刮伤 缺陷具有较高的检测精度,基本可以满足工业检测要求。     

基于图像区域划分的轨道缺陷自动检测技术研究

轨道表面缺陷检测是保障铁路运输安全的重要手段之一,本文设计了基于机器视觉的轨道缺陷自动检测系统,并对钢轨表面缺陷提取技术进行了研究。改进了最大类间方差自适应阈值分割算法,提出了基于轨道峰区检测的自适应二值图像投影法快速提取钢轨表面区域;最后,采用内部点掏空法和链码跟踪算法获取并存储缺陷轮廓信息,实现了钢轨表面缺陷区域的自动检测。实验结果表明:本文所采用的方法可快速定位钢轨区域,并自动准确提取缺陷图像,平均每幅图像耗时11 ms,从而为后续缺陷的测量和识别奠定基础。     

线路板缺陷的图像检测方法

为提高线路板缺陷的自动检测能力,结合图像处理技术,提出了线路板缺陷的图像检测方法。该方法首先对Gerber文件解析,获取标准线路板图像;其次利用定位孔检测实现标准线路板图像与待检测图像的配准;然后结合形态学滤波,完成线路板缺陷区域定位;最后根据常见缺陷的特征,综合采用面积法、连通域法和缺陷边缘邻域法,实现了常见缺陷类型的自动识别。通过对真实线路板图像仿真缺陷的检测实验,其结果证明了该方法的有效性。     

基于深度学习的光伏板缺陷分类定位算法研究

提出了一种基于深度学习技术的光伏板缺陷分类定位方法,用于快速准确地确定光伏板缺陷的位置和类型。为了克服传统单张图像缺陷检测方法的视角限制,采用图像配准、拼接等算法生成高分辨率的光伏全景图像,并使用深度学习技术对光伏板红外图像进行缺陷分类,通过与可见光图像进行对比,可以有效地确定光伏板缺陷的类型。光伏板缺陷分类的准确率、精确率、召回率和F1分数分别达到了93.71%、93.13%、93.20%和93.11%。与传统方法相比,该方法具有非接触、高效和快速等优点,适用于大规模光伏板缺陷的检测和定位,能够在短时间内获取准确、全面的光伏板缺陷信息。     

基于模糊C均值聚类和Canny算子的红外图像边缘识别与缺陷定量检测

针对脉冲红外热成像检测缺陷构件时,红外图像噪声较大、边缘信息模糊等特点,提出了一种基于模糊C均值聚类和Canny算子相结合的边缘检测新方法。该方法首先对输入的红外图像进行整体灰度变换,采用模糊C均值聚类对图像进行区域分割、提取和二值化;再将各个区域进行叠加,使红外图像的边缘变得连续;最后,采用Canny算子对处理后的图像进行边缘检测,实现缺陷的识别。在图像边缘检测基础上,分析了图像定位缺陷位置与实际缺陷位置之间的相对误差,并运用物像关系,实现缺陷几何尺寸的定量检测。结果表明:该方法对缺陷边缘识别完整清晰,具有较高的定位精度和抗噪能力,有利于缺陷的识别与定量检测。