基于局部最优分析的纺织品瑕疵检测方法

针对复杂的含有周期变化图案的纺织品瑕疵检测,提出改进Markov随机场模型的无监督纺织品瑕疵检测方法.应用随机场实现周期性纺织品图像的瑕疵检测,利用Markov邻域特性,综合判断瑕疵区域.结合周期图像分割,确定Markov随机场最小图像块计算单元,降低算法的计算复杂度.在随机场势函数定义中,综合考虑相邻图像块的差异特性,结合Markov随机场的全局性判断瑕疵点的位置.引入模糊相似关系矩阵概念,求解改进后的模型参数,使所有图像块的局部能量达到最优.实验表明,文中方法对样本的查全率较高.     

Defect detection in patterned wafers using anisotropic kernels

Wafer defect detection often relies on accurate image registration of source and reference images obtained from neighboring dies. Unfortunately, perfect registration is generally impossible, due to pattern variations between the source and reference images. In this paper, we propose a defect detection procedure, which avoids image registration and is robust to pattern variations. The proposed method is based on anisotropic kernel reconstruction of the source image using the reference image. The source and reference images are mapped into a feature space, where every feature with origin in the source image is estimated by a weighted sum of neighboring features from the reference image. The set of neighboring features is determined according to the spatial neighborhood in the original image space, and the weights are calculated from exponential distance similarity function. We show that features originating from defect regions are not reconstructible from the reference image, and hence can be identified. The performance of the proposed algorithm is evaluated and its advantage is demonstrated compared to using an anomaly detection algorithm.     

改进的基于纹理特征的图像配准算法

针对图像纹理规则性与重复性及图像起始纹理分布的不一致性,依据VE4000检测系统的纹理特征配准算法达到配准目的。该算法自行设计标准单一模板,对单一模板进行裁剪与拼接技术达到了图像配准的目的,但是配准效果较差,在此基础上提出了改进的纹理特征配准算法,重新设计模板,拼接生成标准的参考图像,对参考图像进行匹配与裁剪以获取不同配准图像。实验结果证明,改进的基于纹理特征的配准算法运行时间短,配准误差小,能够很好满足缺陷检测的配准需求。     

基于轻量化重构网络的表面缺陷视觉检测

基于深度学习的方法在某些工业产品的表面缺陷识别和分类方面表现出优异的性能,然而大多数工业产品缺陷样本稀缺,而且特征差异大,导致这类需要大量缺陷样本训练的检测方法难以适用.提出一种基于重构网络的无监督缺陷检测算法,仅使用容易大量获得的无缺陷样本数据实现对异常缺陷的检测.提出的算法包括两个阶段:图像重构网络训练阶段和表面缺陷区域检测阶段.训练阶段通过一种轻量化结构的全卷积自编码器设计重构网络,仅使用少量正常样本进行训练,使得重构网络能够生成无缺陷重构图像,进一步提出一种结合结构性损失和L1损失的函数作为重构网络的损失函数,解决自编码器检测算法对不规则纹理表面缺陷检测效果较差的问题;缺陷检测阶段以重构图像与待测图像的残差作为缺陷的可能区域,通过常规图像操作即可实现缺陷的定位.对所提出的重构网络的无监督缺陷检测算法的网络结构、训练像素块大小、损失函数系数等影响因素进行了详细的实验分析,并在多个缺陷图像样本集上与其他同类算法做了对比,结果表明重构网络的无监督缺陷检测算法有较强的鲁棒性和准确性.由于重构网络的无监督缺陷检测算法的轻量化结构,检测1 024×1 024像素图像仅仅耗时2.82 ms,...     

基于级联神经网络的型钢表面缺陷检测算法

深度学习在缺陷检测方面具有优越性能,然而在工业应用过程中由于缺陷概率低,无缺陷图像的检测过程占据了大部分计算时间,严重限制了整体上的有效检测速度。针对上述问题,提出一种基于级联网络的型钢表面缺陷检测算法SDNet。该算法分为两个阶段：预检阶段和精检阶段。预检阶段采用基于深度可分离卷积（DSC）以及多尺度并行卷积的轻量化ResNet预检网络,判断型钢表面图像是否存在缺陷;精检阶段以YOLOv3作为基准网络对图像中的缺陷进行准确分类与定位,并在主干特征提取网络以及预测分支中引入改进空洞空间金字塔池化（ASPP）模块以及对偶注意力模块,以提升网络的检测性能。实验结果表明,SDNet在1 024像素×1 024像素图像上的检测速度达到每秒120.63帧,准确率达到92.1%。与原YOLOv3算法相比,所提算法的检测速度是原YOLOv3算法的3.7倍,检测精度提高了10.4个百分点,可应用于型钢表面缺陷的快速检测。     

基于图像处理技术的PCB缺陷自动检测系统

通过计算机图像处理技术开发了一套PCB产品缺陷检测系统.通过Hough变换检测出定位圆的圆心坐标,再对目标图与标准图进行几何配准,对差影运算后的图进行二值化与形态学去噪等操作得出缺陷的二值图,然后统计缺陷部分的几何特征得出结论.采用的改进算法基本能保证实时性与检测的准确率.     

基于改进Live-Wire算法的无人机遥感影像标注

标签的制作是深度学习应用的关键步骤,为了克服无人机平台的复杂运动、光照条件不足、地物轮廓复杂等导致遥感影像的地物轮廓提取和标注的难点,文中提出一种改进的Live-wire算法并用于无人机遥感影像的典型地物的标签标注;通过改进模糊隶属度函数克服了Pal-King隶属函数灰度覆盖空间不足的缺陷并结合双阈值方法实现边缘点的提取,以改进的Pal-King的模糊边缘检测方法替代Live-Wire算法的拉普拉斯边缘提取方法;通过增加节点之间梯度幅值的变化特征优化代价函数,以提高Live-Wire算法的轮廓跟踪的连续性;大量的对比实验证明,相较于传统方法,改进的Live-Wire方法的轮廓提取和跟踪的稳健性、效率更高.     

基于图像处理的手机屏幕缺陷检测系统研究

针对手机屏幕生产中的缺陷检测问题,提出了基于机器视觉的手机屏幕玻璃缺陷检测系统,采用光学成像模块、图像采集模块和图像处理软件设计模块对手机屏幕玻璃缺陷进行识别检测,检测效率高,实时性好.对手机屏幕玻璃缺陷检测所需用到的算法进行了研究,针对手机屏幕玻璃缺陷细微、痕浅等特点,提出了基于图像快速匹配的差分算法,实现了缺陷特征的准确提取.     

基于双模型的输电线绝缘子自爆检测算法

针对输电线路无人机巡检图像中绝缘子自爆缺陷目标小而难以精准检测的问题,提出一种基于Faster R-CNN和改进的YOLO v3级联双模型的绝缘子自爆缺陷检测算法。首先,利用无人机巡检图像构建绝缘子串缺陷数据集,并对训练图像样本进行翻转预处理,增加样本数量,提高模型泛化能力,避免过拟合;然后,利用Faster R-CNN检测图像中的绝缘子串,再将检测到的绝缘子串图像送入改进的YOLO v3网络进行自爆缺陷的定位。改进的YOLO v3网络是在YOLO v3基础上借鉴FPN的思想,增加特征提取层并进行特征融合,充分利用深层特征和浅层特征;同时采用CIoU Loss函数作为损失函数,以解决边界框宽高比尺度信息。实验结果表明,本文算法在所构建的绝缘子缺陷数据集上的检测准确率达到91.2%,相比Faster R-CNN或YOLO v3等单模型检测算法提升了3.31个百分点以上,能有效实现无人机巡检中绝缘子自爆缺陷的检测,为输电线路智能化巡检故障诊断提供方法支持。     

A supervised approach for automated surface defect detection in ceramic tile quality control

Surface defect detection is very important to guarantee the quality of ceramic tiles production. At present, this process is usually performed manually in the ceramic tile industry, which is low efficiency and time-consuming. For small surface defects detection of high-resolution ceramic tiles image, an intelligent detection method for surface defects of ceramic tiles based on an improved you only look once version 5 (YOLOv5) algorithm is presented. Firstly, the high-resolution ceramic tile images are cropped into slices, and the Bottleneck module in the YOLOv5s network is optimized by introducing depthwise convolution and replaced in the whole network. Then, feature extraction is performed using the improved Shufflenetv2 backbone, and an attention mechanism is added to the backbone network to improve the feature extraction ability. The path aggregation network (PAN) and Feature Pyramid Networks (FPN) neck are used to enhance the feature extraction, and finally, the YOLO head is used to identify and locate the ceramic tile defects. The multiple sliding windows detection method is proposed to detect the original ceramic tile image which is faster than the single sliding window detection method. The experimental results show that compared with the original YOLOv5s detection algorithm, the parameters of the model are reduced by 20.46 %, the floating point operations are reduced by 26.22 %, and the mean average precision (mAP) of the proposed method is 96.73 % in the ceramic tile image slice test set which has 1.93 % improvement in mAP than the original YOLOv5s. Compare with other object detection methods, the method proposed in this paper also has certain advantages. In the high-resolution ceramic tile images test set, the mAP of the proposed algorithm is 86.44 % by using the multiple sliding window detection method. The ceramic defect detection experiment has verified the feasibility of the method proposed in this paper.     

基于U-P-Net的手机玻璃屏幕缺陷分割

随着科技的发展及电子设备的普及,玻璃屏幕质量成为电子设备和其他产品的重要考虑因素;而玻璃外观缺陷检测是玻璃质量检测中最重要的环节,这也是保证产出高品质、高性能的玻璃产品的关键环节;目前玻璃表面缺陷检测方法存在无目标训练图像资源消耗、检测精度较低、复杂特征信息难以提取等问题;因此,为了解决上述问题,提出了一种基于U-pyramid pooling module-Net(U-P-Net)的手机玻璃屏幕缺陷分割模型;采用超像素预处理,有效地降低了原始图像的复杂度;采用ResNet50作为分类网络,减少无目标训练图像造成的资源浪费,提高训练效率;U-P-Net被提出,有效地聚合了不同区域的上下文信息,提高了获取全局信息的能力;实验结果表明,所设计的基于U-P-Net玻璃缺陷分割算法分割精度明显优于其它传统卷积神经网络分割方法,证明了该框架在移动屏幕数据集上的有效性.     

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。     

一种基于pix2pix改进的工业缺陷数据增强方法

基于深度学习的目标检测算法在工业检测中应用广泛,为解决工业缺陷数据不足的问题,提出了一种基于pix2pix改进的缺陷数据增强方法。从加强生成器和判别器对图像中缺陷区域的注意力出发,针对pix2pix进行了如下改进：(1)仅将整幅图像的缺陷区域作为判别器的输入,以此提升生成器对缺陷区域的注意力,同时,判别器采用了更小的卷积核提取缺陷区域的特征;(2)仅将图像中所有缺陷区域的平均生成对抗损失作为该图像的生成对抗损失,使网络更加关注缺陷区域的特征学习。在工业LED缺陷数据集上的实验结果表明,本方法生成的缺陷具有更逼真的视觉效果和更低的FID指数,同时有效提升了基于RetinaNet算法的缺陷检测精度。     

基于角点定位的印刷品缺陷检测

通过CCD采集到的图像受光照及环境干扰存在大量噪声,本文首先用中值滤波去除噪声、保留图像边缘细节.缺陷检测中选择了基于角点的定位方法,该算法计算量小、速度快,能够满足在线印刷品检测的要求.定位后待检测图像需要与标准图像配准,通过图像减法得到差分图像,将其各象素与预先设定好的阈值进行比较,如果大于阈值,则记为缺陷点.本文...     

An Improved Method for Edge Detection and Image Segmentation Using Fuzzy Cellular Automata

Image segmentation is one of the most important and challenging problems in image processing. The main purpose of image segmentation is to partition an image into a set of disjoint regions with uniform attributes. In this study, we propose an improved method for edge detection and image segmentation using fuzzy cellular automata. In the first stage, we introduce a new edge detection method based on fuzzy cellular automata, called the texture histogram, and empirically demonstrate the efficiency of the proposed method and its robustness in denoising images. In the second stage, we propose an edge detection algorithm by considering the mean values of the edges matrix. In this algorithm, we use four fuzzy rules instead of 32 fuzzy rules reported earlier in the literature. In the third and final stage, we use the local edge in the edge detection stage to more accurately accomplish image segmentation. We demonstrate that the proposed method produces better output images in comparison with the separate segmentation and edge detection methods studied in the literature. In addition, we show that the method proposed in this study is more flexible and efficient when noise is added to an image.     

基于深度学习算法的风电机组叶片开裂缺陷分析

为实现对风电机组叶片表面缺陷检测的智能化,本研究应用无人机技术、图像视觉技术和深度学习算法,建立风电机组叶片缺陷检测系统,提高了对叶片上开裂缺陷的检测精度。系统使用 算子计算图像横向和纵向的梯度,并对图像进行阈值分割和去噪处理。构建深度学习模型提取图像缺陷的特征信息,加入了SPP-Net网络进行卷积操作,增加了模型的输入数据尺度,得到特征图后在利用PRN网络筛选特征图。实验结果显示本研究系统能够去除大量无用的背景信息,开裂缺陷部位的特征信息保留完整,对验证集中的图像进行测试后,本研究系统识别出的开裂缺陷数最高可达到50个。     

融合PHOG和BOW-SURF特征的接触网绝缘子缺陷检测方法

绝缘子图像中存在的噪声对提取绝缘子细节纹理特征具有较大影响,单个特征描述子不能描述绝缘子的更多细节纹理特征,而提取到绝缘子细节纹理特征的多少直接影响了绝缘子缺陷检测的精度和速度.针对以上问题,提出改进快速导向滤波算法和融合PHOG与BOW-SURF特征来实现绝缘子缺陷的精确检测.首先,采用改进的快速导向滤波算法对接触网绝缘子原始图像进行滤波;然后,提取绝缘子滤波后图像的PHOG和BOW-SURF特征;最后,将两者融合后送入SVM分类器进行训练,实现绝缘子缺陷的检测.实验结果表明,该方法检测绝缘子缺陷的精度为100%,平均每张图像的处理时间为0.039s,为接触网悬挂状态检测监测装置对图像分析及缺陷检测奠定了必要的基础.     

一种脆弱线路缺陷的图像智能检测算法设计

配电线路稳定运行可以有效提升电力系统有序性,脆弱线路缺陷是引起配电网连锁故障停电的主要原因。以人工为主的识别方法存在明显缺陷,在无人机的辅助下,设计了一种脆弱线路缺陷图像自动检测方法。通过构建脆弱线路数据集,以输电线路的脆弱性综合指标为依据,辨识配电网脆弱线路。建立配电网脆弱线路缺陷特征分类标准,利用图像增强技术提升脆弱线路缺陷图像成像效果。采用对比度受限自适应直方图均衡方法均衡脆弱线路缺陷图像的色彩和反差,结合小波变换对均衡后的脆弱线路缺陷图像进行降噪处理。运用卷积神经网络将降噪后的脆弱线路缺陷图像输入至卷积层完成脆弱线路缺陷自动检测。通过实验测试发现：提出方法的召回率最高为89.32%,精确率最高为98.20%,错检率最低为0.98%,能够最小范围识别脆弱线路缺陷,充分证实了提出算法检测效率较高。     

Preliminary coarse image registration by using straight lines found on them for constructing super resolution mosaics and 3D scene recovery

An algorithm of coarse image registration of a 3D scene taken from different camera perspectives is proposed. The algorithm uses information on geometrical parameters of straight lines found on the images and on distribution of color and/or brightness around these lines. Colors are taken into account by using the fuzzy logic technique. The result of the algorithm operation is a planar projective transformation (planar homography) matching approximately the images. In order to use the technique in algorithms of 3D scene reconstruction, an estimate of size of the window used for searching correspondent points after the coarse image registration is obtained.     

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。