一种PCA-NLM的纺织品缺陷检测方法

在纺织品自动检测过程中,采集的图像容易受到噪声及织物表面材质的干扰,本文提出一种混合方法（hybrid approach）进行纺织品缺陷检测,采用PCA-NLM（Principal Component Analysis-Non Local Means）有效增强了缺陷区域的灰度共生矩阵纹理特征,提高了缺陷纹理和无缺陷纹理之间的类间可分性。通过对7类缺陷的纺织品图像检测实验分析表明,相比单一的非混合方法,本文方法有效提高了纺织品缺陷的检测正确率。     

引入纹理相似性的纺织品图像增强

纺织品图像增强能够突出其纹理特性,便于纺织品的人工检测和机器视觉检测。提出一种在非局部均值滤波(NLM)框架下的纺织品图像纹理增强方法。纺织品图像具有规则周期的纹理,存在大量的冗余信息,NLM可利用这一特性来增强图像的纹理信息。但由于纺织品图像结构复杂且存在噪声,导致在NLM中相似性的度量不够准确。为解决这一问题,通过采用主分量分析(PCA)将纺织品图像分解为图像信息分量和噪声分量,并去除各分量间的相关性,来提高纺织品纹理间相似性度量的准确性。实验结果表明,本文方法比现有的纺织品图像纹理增强方法的增强效果有显著提高。     

一种新的基于纹理分水岭的纺织品缺陷检测方法

纺织品缺陷检测是纺织品自动检测的重要环节,而纺织品缺陷检测的目的是为了准确地对纺织品的缺陷区域进行定位.为了对纺织品缺陷进行准确有效的检测,提出了一种新的基于纹理分水岭的纺织品缺陷检测方法.该方法首先利用小波变换提取了图像的各子带纹理特征;然后对各子带纹理特征求梯度,并通过融合各子带梯度来获得纹理梯度,使其在纹理梯度中能有效地突出纹理区域的边界;最后在此基础上,结合分水岭分割,即能准确地检测出纺织品的缺陷区域.通过对一组6类纺织品缺陷进行检测的实验证明,该新算法是有效的.     

低对比度下水印图像缺陷检测

在主成分分析(PCA)及核主成分分析(KPCA)进行特征提取基本原理的基础上,提出了一种改进的提取非线性的图像特征来重建图像方法,应用于嵌入式防伪水印图案缺陷的检测。该方法使得图像协方差矩阵维数大幅下降,且有效地保留了嵌入式防伪水印图案的信息,通过比较检测出图像的缺陷。实验结果表明,该方法对输入数据实现了有效的降维,缩短了计算时间,提高了检测效果和精确度。KPCA算法相比原有的PCA算法具有更高的性能指标,适用范围更广。     

基于频率响应信号PCA的陶瓷绝缘子缺陷检测

为了对陶瓷绝缘子缺陷进行检测,利用频率响应分析法(FRA)识别陶瓷绝缘子主要固有模态的峰值范围,运用时间频域特征提取的主成分分析(PCA)对陶瓷绝缘子进行缺陷检测。通过选取安装在500kV输电塔上材质为方石英和氧化铝的67个陶瓷绝缘子样本,研究了瓷体、瓷帽和内部三种典型的陶瓷绝缘子缺陷类型。通过PCA对时间数据和频率响应数据提取特征进行分析,实现了对完好、瓷体缺陷、瓷帽缺陷、内部缺陷和材质的区分问题。实验结果表明：内部缺陷表现为固有模态的消失或新模态的产生,基于时间数据的PCA对数据方差贡献最大的向量达到99.74%,可以区分瓷体缺陷和材质;基于频率响应数据的PCA对数据方差贡献最大的向量达到96.70%,可实现陶瓷绝缘子内部缺陷检测。     

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.     

改进的精密机械加工零件表面缺陷检测算法

对加工表面纹理缺陷进行可靠的检测分析可以有效提高机械加工零件表面精加工的水平。基于计算机视觉技术对机械加工零件表面实现自动缺陷检测,由于机械加工零件表面纹理的特殊性,常用的灰度图像分割方法对机械加工零件表面缺陷的检测不适用;且其表面的缺陷信息无法预先得知,其图像分割是一个非监督纹理分割问题,对此提出了一种改进的模糊聚类缺陷检测算法,实现了对机械加工零件表面缺陷的自动化检测,实验结果证明了该算法的可行性。     

基于主成分SVM的防腐层缺陷分类识别算法研究

管道防腐层缺陷类型识别是管道防腐层健康检测和安全运行的重要研究方向。利用非线性超声导波获取管道防腐层导波缺陷信号并采用局域小波分解方法获得回波信号,针对回波信号峰度系数、偏度系数、离散系数、形状系数和小波包能量系数对于不同类型防腐层缺陷的敏感程度不同,提出一种基于主成分分析的SVM防腐层缺陷分类方法,同时引入动态扰动粒子群算法,获得SVM最优的惩罚系数C和RBF核函数g值。结果表明:算法能够实现孔洞、裂纹和凹坑三类管道防腐层缺陷的有效分类,与传统SVM分类相比,准确率提高了12.9%,为管道防腐层缺陷检测提供了有效的分类方法。     

晶圆表面缺陷在线检测研究

针对准确与实时检测晶圆表面缺陷的需求,提出了一种基于主成分分析(Principal Component Analysis, PCA)和贝叶斯概率模型(Bayesian Probability Model, BPM)的在线检测算法。首先,改进双边滤波方法以消除晶圆表面图像中的噪声和突出晶圆表面的模式特征。然后,提取晶圆表面缺陷的Hu不变矩、方向梯度直方图(Histogram of Oriented Gradients, HOG)和尺度不变特征变换特征(Scale Invariant Feature Transform, SIFT)。接着,采用PCA方法对特征进行降维。最后,在离线建模阶段构建各种缺陷模式的BPMs;在在线检测阶段采用胜者全取(Winner-take-all, WTA)法判断缺陷的模式和构建新缺陷模式的BPMs。提出算法在WM-811K晶圆数据库中得到了87.2%的检测准确率。单副图像的平均检测时间为40.5ms。实验结果表明,提出算法具有较高的检测准确性与实时性,可以实际应用到集成电路制造产线的晶圆表面缺陷在线检测中。     

大数据环境下超声波焊缝缺陷识别方法的研究

为了解决常规超声波焊缝缺陷识别方法分类模型固定和训练集规模有限而难以体现不同缺陷的差异性和同类缺陷的多态性的问题,结合当今大数据环境下的数据分析策略和基因缺陷识别中匹配的思想,通过主成分分析和CURE聚类算法将缺陷回波信号编码转换成可进行匹配的对象,进而将当前检测缺陷特征与历史检测数据进行匹配,并利用最近邻方法实现了对缺陷历史检测数据集的扩充。通过在R上应用基于基本空位罚分的Smith-Waterman比对算法进行仿真实验验证了该缺陷识别方法是可行的,有效地识别了气孔、夹渣、裂纹、未焊透和未熔合五类常见缺陷,具有较好的识别准确率。     

基于纹理周期性分析的织物疵点检测方法

根据织物图像纹理自身特点,从图像纹理的周期性这个重要的视觉特征入手,提出了基于纹理周期性分析的织物疵点检测方法。通过对大量不同疵点图像检测实验,证明提出方法对织物疵点检测具有较好的有效性和可靠性,而且具有检测的疵点种类多、实用性好的特点。     

基于离散小波变换的织物疵点检测方法

提出了一种基于离散小波变换的织物疵点检测新方法。首先通过对采集织物图像进行小波变换,然后把子图分割为相互连接、互不交叠的子窗口,计算每个子窗口小波系数的标准差作为特征值,最后对这些特征值再次计算标准差与极差,以此作为依据与正常织物进行比较,实现对织物疵点的检测。通过对不同疵点进行检测实验,证明了该算法是可行有效的,检测的正确率平均可达90%以上。     

基于纹理结构分析的织物疵点检测方法

提出了一种新的基于纹理结构分析的织物疵点检测方法,首先根据规则纹理的特点,利用自相关函数计算纹理基元模板,并通过计算每个纹理基元与基元模板的差来进行疵点区域的增强。然后通过计算纹理图像的局部不平整度来定位疵点,并采用Otsu方法自动获取阈值进行图像分割,从而实现织物疵点的检测。最后通过对不同织物疵点图像检测分割实验证明了算法的有效性和鲁棒性。     

基于EM算法的高斯混合型的织物疵点检测研究

为准确检测织物在生产过程产生的疵点,提出了一种基于EM算法的高斯混合模型的算法来实现织物疵点的自动检测。由于织物背景纹理信息对织物疵点检测影响较大,采用均值采样对其进行预处理来消除背景纹理的影响,用高斯混合模型对新得到的图像进行处理。在进行高斯混合模型计算时分为E步骤、M步骤。E步骤初始化参数,计算样本像素的后验概率,M步骤更新高斯混合模型中的各参数。根据计算各像素的后验概率判断各像素点应该属于疵点部分还是非疵点部分。实验结果证明该算法能检测、分割出较多种类的织物疵点,具有较好的有效性和可靠性。     

基于Gabor滤波器和HOG特征的织物疵点检测

针对织物疵点检测问题,提出了一种基于Gabor滤波器和方向梯度直方图（HOG）特征的织物疵点检测算法。首先使用3个尺度、4个方向的Gabor滤波器组对织物图像进行滤波,并做融合处理,增强织物图像疵点区域和背景纹理之间的对比度;然后使用双边滤波减弱图像背景纹理和噪声的影响;最后将图像划分成均匀子块,提取每个子图像块的HOG特征,利用图像疵点区域和背景纹理的HOG特征差异进行阈值分割实现织物疵点的检测。实验选取5种常见织物疵点进行验证,并与传统的Gabor滤波算法进行了实验对比,结果表明该算法可以较好的抑制织物背景纹理的干扰,更加准确的检测出织物疵点。     

基于自适应LBP和SVM的织物疵点检测算法

为准确提取不同种类织物纹理的特征,提出一种新的纹理特征描述方法——自适应局部二值模式(ALBP)。该方法为不同纹理结构创建相应的主要概率模式子集,避免了均匀局部二值模式(ULBP)使用同一模式集描述不同纹理而导致的描述不准确问题。在该算法基础上构建一种基于支持向量机(SVM)的织物疵点检测算法,将疵点检测问题转化为分类问题。实验结果证明,该算法不仅保持了传统局部二值模式(LBP)的旋转不变、多分辨率等特点,而且疵点检测结果在视觉上更加清晰、误检率更低、适用范围更广,SVM的优秀分类性能也有效地提高了疵点检测的准确率。     

Wavelet based methods on patterned fabric defect detection

The wavelet transform (WT) has been developed over 20 years and successfully applied in defect detection on plain (unpatterned) fabric. This paper is on the use of the wavelet transform to develop an automated visual inspection method for defect detection on patterned fabric. A method called direct thresholding (DT) based on WT detailed subimages has been developed. The golden image subtraction method (GIS) is also introduced. GIS is an efficient and fast method, which can segment out the defective regions on patterned fabric effectively. In this paper, the method of wavelet preprocessed golden image subtraction (WGIS) has been developed for defect detection on patterned fabric or repetitive patterned texture. This paper also presents a comparison of the three methods. It can be concluded that the WGIS method provides the best detection result. The overall detection success rate is 96.7% with 30 defect-free images and 30 defective patterned images for one common kind of patterned Jacquard fabric.     

基于Radon小波低分辨率的织物疵点检测算法

针对纺织过程中可能出现的瑕疵问题,提出了一种新的织物疵点分割方法--四分法和织物疵点特征提取方法--Radon小波低分辨率特征(RWLRC)。该算法先将织物图像经过Gabor滤波器预处理,再将预处理之后的织物图像等分成四部分,通过4部分的最大值与最小值确定阈值并分割。将疵点形状的二值图像进行Radon变换并得到特征曲线,应用Mallat塔式分解算法进行特征降维,最后由神经网络进行状态识别和特征分类。实验结果表明,四分法无需与正常织物对照分割,具有自适应性,Radon小波低分辨率特征的特征值只有3维,具有特征维数低、疵点形状描述准确等特点,所提方法可以有效检测与识别缺纬、缺经、油污、漏洞等常见疵点。     

LBP和Tamura纹理特征方法融合的织物疵点分类算法

为了找出织物在生产过程中易产生疵点的类型,并反馈到生产工序中以提高织物质量,提出一种基于局部二进制模式与Tamura纹理特征方法相结合的织物疵点分类算法。该算法主要完成的任务是对织物特征向量的提取,局部二进制模式从局部或像素邻域描述纹理的特征,Tamura纹理特征方法从全局描述疵点纹理特征,两者结合能更好地描述疵点纹理特征。完成特征向量提取后,选用共轭梯度BP算法来处理特征向量。共轭梯度BP算法收敛性较好,提高了训练速度和训练精度。实验结果表明,提出的算法对疵点分类具有较高的分类准确率。