汽车精密零件外观缺陷视觉检测方法研究

针对汽车精密零件质量检测的需求,提出了基于机器视觉的精密零件外观缺陷检测方法,搭建了相应的检测平台。采用小波去噪进行图像预处理,基于Otsu算法改进了Canny算子中的双阈值的选取问题,较好地实现了图像的缺陷分割。利用Hu矩进行缺陷特征提取并通过样本特征训练SVM分类器,实现零件外观缺陷的识别与分类。以汽车转向器内部套筒为试验对象,搭建了检测系统,实验结果表明,该算法可有效实现了零件外观缺陷自动检测。     

基于Snake和外观模板的组合式图像对象分割

针对目前图像对象分割方法对图像的特征提取和抽象度不够,导致的分割精度低的问题,提出了基于Snake模型和外观模板的组合式图像对象分割研究方法,该方法将改进的外观模板图像对象分割算法得到的分割结果经过预处理作为改进的Snake模型的图像分割算法的输入初始轮廓进行精确处理。该算法在提升对象分割精度的有效性上达到了96%以上。     

基于机器视觉的工件锯片缺陷检测系统设计

针对利用人的感觉器官在工业生产线检测中的不足,提出了一个基于机器视觉的锯片缺陷检测系统。通过工业数码相机等硬件采集图像信息,采用亚像素精度阈值分割等图像处理算法并借助机器视觉库Halcon对采集的原始图像进行处理,最后输出检测结果,提高了工业生产线检测的效率。     

基于混合颜色模型的枪弹外观缺陷分割

为实现枪弹外观颜色缺陷快速、自动、准确分割,提出一种基于混合颜色模型的枪弹外观缺陷分割方法.分析统计正常光照条件下弹体和颜色缺陷图像特征,获得统计规律,提取颜色特征,分割颜色缺陷,对感兴趣的局部弹体图像进行由RGB到HSI的颜色模型转换,利用色调H分量进一步分割缺陷,使用数学形态学优化分割结果,定义缺陷平均分割率和平均偏差量化分割结果.实验结果表明,该方法在弹体缺陷分割的应用中表现出较好的准确性和鲁棒性.     

K-均值聚类算法在电容器外观图像分割中的应用

电容器是电子整机产品的必要器件。由于制造工艺及设备水准的限制,露白是一种常见的电容器外观缺陷。基于K-均值聚类算法,结合露白电容器外观图像的特点,提出了电容器露白区域分割算法。根据Ohta等人的研究成果,选取能有效表示彩色特征的彩色特征集中的第一个分量,用来替代K-均值聚类图像分割中的灰度;确定分类类别数为两类,采取了粗糙集理论的算法,求出初始聚类中心和间距阈值。实验表明,该图像分割算法能有效分割出电容器图像的露白区域,具有较好的精确度和准确度。     

活立木图像分割算法研究

为了更好地避免图像过分割的缺陷,提高机器识别的准确度,提出一种基于分水岭算法的活立木图像分割算法。通过分析分水岭算法在实际分割中存在缺陷的原因,使用前处理与后处理相结合的方法克服过分割的缺陷。使用形态学重建技术进行图像前处理;使用分水岭算法对图像进行分割,并且利用标记对象法对图像进行标记;利用目标对象的色彩信息进行区域合并以及去除多余水坝,最终得到分割图像。针对10幅活立木图像,通过与人工分割的方法进行比较,所提出的基于分水岭算法的活立木图像分割算法能够有效地提取活立木的目标区域,分割的正确率达到88.42%。     

一种改进型Canny联合阈值分割的图像背景去除——在外观专利图像检索中的应用

背景去除是外观专利图像检索中图像预处理的重要归一化步骤,针对外观设计专利图像库中图像背景多样性、复杂性和随机性的特点,提出了一种改进型Canny算子联合阈值分割的图像分割算法。通过对图像颜色采样的自适应阈值分割获取阈值,联合Canny算子和形态学方法对图像生成前景物体分割模板,从而有效去除背景信息。实验证明,与改进前的图像分割算法对比,该算法得到的前景物体轮廓更加精确;针对外观专利图像检索平台中的图像分割,该算法具有很好的自适应性。     

基于Otsu算法的木材缺陷图像分割

提出了基于Ostu算法的木材缺陷图像分割.该方法借助于二维中值滤波器对木材图像进行平滑处理,将平滑过的图像用Otsu算法确定图像分割阈值.实验结果表明,该方法可以有效地实现木材表面缺陷图像分割.     

产品表面图像中的缺陷自动检测方法研究

仔细设计产品表面缺陷检测的图像识别算法是基于图像处理的产品表面缺陷自动检测系统快速并正确地检测缺陷的关键。以E型磁环表面缺陷的自动检测为例,分析了产品表面图像的特征,用梯度直方图自适应阈值分割的方法对图像进行增强和分割;并提出了一种新的快速识别算法对分割后的目标图像进行检测,实验结果表明了该算法的有效性和实用性。     

基于视觉显著性与PCNN的图像分割算法

针对射线缺陷检测图像对比度低、缺陷边缘模糊、噪声多、存在较大的背景起伏等缺点,传统缺陷检测方法难从焊缝缺陷图像中提取出对比度较低的目标缺陷的问题,该文提出了结合视觉显著性与脉冲耦合神经网络（PCNN）的缺陷分割算法。首先,利用LC算法对射线检测图像进行显著性区域检测,得到反映图像不同区域显著程度的显著图;其次,将所得到的显著图作为简化PCNN的输入图像,并利用最小交叉熵分割出感兴趣区域。实验结果表明,相较于传统的最大类间方差（Otsu）算法和脉冲耦合神经网络算法,采用该算法分割缺陷的效果较好,其分割边缘与细节信息的清晰度高,采用该算法分割缺陷的效果有较大提升。     

3维灰度矩阵的钢板缺陷图像识别

目的 钢板表面缺陷的种类多样、灰度结构复杂,现有的图像分割技术运用在灰度结构复杂、目标边缘模糊的钢板缺陷图像中仍然存在识别效率低、过分割现象明显等问题,本文结合图像灰度矩阵的空间特征,提出一种基于3维灰度矩阵的钢板表面缺陷识别算法。方法 首先根据灰度图像构建3维灰度矩阵;然后引入半类间方差改进克里金插值算法,绘制3维灰度矩阵的等值线图;接着构建等值线的拓扑关系树;最后根据自定义的全局搜索策略和局部搜索策略相结合,寻找局部凹凸区域,从而定位缺陷区域,达到分割钢板表面缺陷的目的。结果 本文方法能有效地识别钢板表面缺陷区域,对光照变化不敏感,在保证低误差率的前提下,提高了有效分割率。通过对氧化、辊印、结疤和气泡四类钢板缺陷图像进行测试,从分割效果和评价指标两方面对比其他钢板缺陷分割算法。与Fisher阈值分割法、经典的活动轮廓模型CV模型、基于半局部区域描述符的活动轮廓模型HTB模型和改进背景差分法进行分割效果对比,本文方法对四类钢板表面缺陷的识别更精确,分割结果更细致,一定程度上抑制了过分割现象。与大津法Ostu、1维最大模糊熵法1DMFE、最大模糊超熵法MFEE进行评价指标对比,得出对于分割孔洞和辊印图像,本文方法在误分割率均保持在2.0%以下的前提下,将有效信息率分别提升了1.6%和2.1%;对于夹杂图像,本文方法在3.4%的误分割率的前提下,具有85%以上的有效信息率。结论 提出的基于3维灰度矩阵的钢板缺陷图像识别算法可以有效地识别多种类型的钢板缺陷,即使在缺陷结构复杂的图像识别中仍具有较高的识别率。     

改进C-V模型的木材缺陷彩色图像分割研究

分析了木材节子缺陷图像的特点,将彩色图像作为一个整体的图像进行处理,保护了彩色图像信息的特性,提出了一种基于AOS的扩展C-V矢量模型及背景填充耦合的木材节子缺陷彩色图像分割算法。对Chan-Vese提出的基于Mumford-Shah模型的水平集矢量图像分割模型进行了改进,使分割速度得到了提高;用AOS算法改进了原模型的差分格式,使得差分格式无条件稳定;结合背景填充技术,使得到的新图像缩减了目标与背景间的特征差别。实验结果表明该方法可以较好地实现对木材死节、活节和虫眼等缺陷的彩色图像分割,也可实现对单板多节子缺陷彩色图像的分割,为木材缺陷边缘检测提供一种行之有效的方法。     

噪声不均条件下的模糊C均值聚类算法及应用

随着工业生产和工艺的进步,人们对产品的质量要求越来越高。为提高光缆表面瑕疵分割的效果,克服模糊C均值聚类算法对噪声敏感的不足,提出了一种新的模糊C均值聚类（FCM）的瑕疵图像分割方法。该方法一方面考虑样本的邻域像素信息,使FCM的隶属度函数中包含像素的邻域信息,另一个方面使用一种新的距离度量方式代替传统的欧式距离。利用以上两种方法来增加算法的鲁棒性,此外,通过直方图法给聚类中心赋初值,使分割效果稳定。最后,分别对CCD相机获取的光缆图像添加椒盐噪声和高斯白噪声,使用改进的FCM算法和传统的FCM算法、FCMM算法进行光缆表面瑕疵分割实验。图像和分割正确率的对比实验结果表明,使用改进的FCM算法能更好地克服噪声,精确地将瑕疵从图像上提取出来,瑕疵轮廓更为清晰,提高了光缆表面瑕疵检测的效果。     

压缩域中基于自动标记的图像分割

针对传统像素域中图像分割算法计算复杂的缺陷,提出了一种压缩域中快速图像分割算法。对图像分块,提取离散余弦变换（DCT）系数结合颜色矩作为块特征,利用支持向量机（SVM）实现对压缩域中图像块的自动标记,采用提出的阈值最小生成树（TMST）算法对已标记块进行区域生长,应用形态学相关算法对分割出的图像进行修补。通过Corel图像数据库对提出的方法进行验证,结果表明该方法能够更加快速有效地进行图像分割。     

基于深度学习语义分割的导光板缺陷检测方法

当前导光板表面缺陷仍主要由人工肉眼观察进行检测, 仅有少数生产厂家利用传统的图像处理方法进行检测. 由于导光板缺陷在高分辨率工业相机拍摄的图像成像下仍极其微小, 且不同缺陷的特征各异, 以及整张导光板自身的导光点分布密集、不均匀等纹理特点, 导致传统的图像处理检测方法需要经验丰富的视觉工程师进行大量的特征提取算法编程工作和昂贵的代码维护成本, 准确率低且稳定性差, 为此提出一种基于深度学习语义分割的缺陷检测方法. 该方法通过训练神经网络的方式来自主学习提取导光板缺陷特征从而避免繁杂的特征提取算法编程工作. 首先, 对搜集的导光板缺陷进行缺陷标记, 制作样本集; 其次, 利用迁移学习将预先训练好的金字塔场景解析网络(PSPNet)对标记样本进行再训练; 进而, 利用训练好的模型实现对导光板缺陷的检测; 由于单独的深度学习语义分割缺陷检测方法通常无法满足工业实际应用需求, 最后还需结合简单的机器视觉方法, 对深度学习语义分割方法检出的所有疑似缺陷区域进行二次判断筛选. 实验结果表明, 该方法针对亮点、暗点和划痕3种缺陷的检出率高达96%, 基本可以满足工业检测要求.     

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.     

基于机器学习的刀具表面缺陷检测及分类方法

刀具在生产的过程中,由于人员、机器、环境等多方面原因,刀具的表面会出现各种缺陷,如划痕、碰撞凹坑、涂层剥落和边缘豁口;这些缺陷会严重影响刀具的质量和外观,对于刀具的缺陷检测,目前主要采用人工目检的方式,人工检测方法效率和准确率都比较低;为解决上述问题,提出一种刀具缺陷的自动化检测及分类算法;针对刀具图像的预处理,提出了一种基于双边滤波的降噪方法和基于差分的对比度增强算法;对于刀具的缺陷检测任务,提出了基于图像差分的缺陷检测算法;对于缺陷的分类任务,提出了一种基于SVM的分类算法,即通过提取缺陷区域的形状、纹理等特征来训练SVM分类器;最后对提出的缺陷检测及分类算法进行实验,结果表明算法的缺陷检出率达97.2%,分类准确率可达94.3%;算法能够很好地满足工业需求,可以替代人工实现刀具缺陷的自动化和高效率检测。     

基于Gabor滤波器的棉花杂质检测算法

棉花杂质检测方法对于提高织物质量和降低生产成本具有重要意义。针对工业环境中非均匀光照条件下的棉花图像设计基于Gabor滤波器的杂质检测算法,依据Otsu法和形态学滤波将图像分割为前景区、背景区和交界区,然后在图像前景和背景区域内分别使用Gabor滤波器提取图像的纹理特征。设计一种针对Gabor滤波输出的自适应阈值分割算法,结合形态学滤波和连通域分析检测出棉花中的杂质。实验结果表明,本文算法有效地消除了由于光照条件造成的干扰,可以精确地检测出棉花中常见的各种杂质。