基于分治增强匹配的电路板缺陷自动检测方法

基于图像处理技术的电路板缺陷自动检测,受到电路板图像尺寸过大和特征欠清晰因素的影响,其检测速度和检测精度一直有待提高。为此,提出了一种基于分治增强匹配的电路板缺陷自动检测方法。首先,对标准板图像和待检测板图像进行分块处理;其次,通过分段线性变换的方法增强每一个子块图像的特征;最后,利用灰度统计匹配法判断子块图像是否存在缺陷。实验结果表明,基于分治增强匹配的电路板缺陷自动检测方法在确保检测精度的前提下,检测速度也令人满意。     

基于图像匹配的电路板故障检测与定位算法

自动光学检查是利用图像处理算法进行电路板故障检测与定位的技术,它可以解决传统电路板测试无法克服的缺陷.图像相减是自动光学检查中最简单和最直接的办法,但具有一定的局限性,这是由于二值化预处理造成的.本文提出一种基于图像匹配的加载电路板故障检测与定位算法,无需进行二值化预处理操作,利用图像差的绝对值、平方以及相关操作,检测与定位元件的倒装与漏装故障,并具有与图像相减类似的简易性,实验证实了该算法的性能.     

基于改进ORB的图像特征点匹配研究

针对ORB算法不具备尺度不变性的缺陷,结合SURF算法,将ORB算法改进为SURB(SURF-ORB)算法。首先提取具有尺度不变性的SURF特征点,然后构建ORB算法描述子,特征匹配时,先对待处理图像进行区域分块,缩减原始搜索范围,节约了无效区域的特征点匹配时间,采用汉明距离完成初步匹配,然后结合PROSAC算法对初步筛选的点去伪,获得较为精准的匹配点对。实验结果表明,图像尺度变化时,SURB算法的平均匹配准确度为93.4%,约为ORB算法的3倍;SURB算法的平均耗时约为SURF算法的80%,具有较强的实时性和可行性。     

基于 SAR 图像分块匹配的目标识别方法

提出基于分块匹配的合成孔径雷达(SAR)目标识别方法。 对待识别 SAR 图像进行 4 分块处理,分别进行分析和匹配。 对于每个 SAR 图像分块,采用单演信号描述其时频分布以及局部细节信息,进而构造特征矢量。 采用稀疏表示分类( SRC)分 别对 4 个分块的单演特征矢量进行分类,获得相应的重构误差矢量。 对于 4 个重构误差矢量,利用多组随机权值矢量对它们进 行加权并对所有的结果进行统计分析。 最后,基于统计特征构造决策变量用于测试样本的类别确认。 利用 MSTAR 数据集进行 实验,结果表明了方法的有效性。     

基于C-SIFT特征向量图像复制粘贴篡改取证算法

如今网络时代中充斥着大量经篡改的图像,目前检测方式如局部不变性特征描述、Harris角点算法对复制粘贴篡改地检测准确率较低。通过对彩色图像分块、色彩空间边缘化提取、图像灰度化得到完整的灰度化局部图像。利用对不同图像块中的特征向量集提取、标记、匹配和归一化处理,在欧氏距离达到某一阈值后特征向量匹配成功,即检测到图像具有复制粘贴篡改的痕迹。最后选择3类不同的照片仿真测试,说明该算法可有效提升复制粘贴篡改图像的检测成功率、检测速率。     

基于深度学习的高精度晶圆缺陷检测方法研究

为了解决半导体制造领域缺陷检测中出现的检测效率低、错误率高、结果不稳定、成像精度低下导致无法精确地检测出不同种类的缺陷等问题,本文利用定制的CCD工业相机搭配高倍率的光学显微镜采集晶圆表面的扫描图像,结合改进的YOLOv4算法,实现了基于深度学习的高精度晶圆缺陷检测方法。实验表明,对于碳化硅晶圆缺陷,提出的方法模型可以识别各种复杂条件下的不同种类缺陷,具有良好的鲁棒性。对缺陷的平均识别精度达到99.24%,相较于YOLOv4-Tiny和原YOLOv4分别提升10.08%和1.92%。对缺陷的平均每图识别时间达到0.028 3 s,相较于基于Halcon软件方法和OpenCV模板匹配方法分别提升93.42%和90.52%,优于其他常规的晶圆缺陷检测方法,已实现在自主设计的验证系统和应用平台上稳定运行。     

基于图像融合分割的实木地板表面缺陷检测方法

针对实木地板表面缺陷检测速度慢、精确度低的问题,设计了实木地板视觉检测分选系统,并提出一种基于图像融合的区域生长分割方法。分割方法首先提取缺陷的R分量图像并进行图像缩小,在低维图像空间内运用区域生长方法完成缺陷的快速定位;利用梯度信息插值对缩小图像进行放大复原,并对缺陷进行标记生成参考图像;应用小波变换检索标记参考图像的边缘,以边缘像素点为种子在原图像进行禁忌快速搜索,实现缺陷区域的快速、精准分割。对20幅含有活节、死节、裂纹的样本图像进行了缺陷在线测试,平均分割时间为13.21 ms,缺陷分割区域的准确率达到96.8%。     

弱小运动目标空时增强检测的仿真研究

提出了一种序列图像中弱小运动目标空时增强检测技术并进行了计算机仿真研究.目标被假设为在单帧图像上具有一定尺寸,利用二维空域模板对目标能量进行增强并作二值化处理.根据目标最大速度条件,在二值化后的图像序列中搜索可能目标轨迹,并与预定义的轨迹表(track table)进行匹配从而获得检测结果.该技术最大的优势在于同时在空域和时域对目标作增强处理,大大改善了信噪比,十分有利于实时实现.理论分析和大量仿真实验表明该技术在5帧图像集成时能稳定检测SCNR=2dB、大小超过3×3的弱小运动目标.     

基于改进YOLOv4及SR-GAN的绝缘子缺陷辨识研究

为了精准地识别无人机巡检图形中的小目标绝缘子及缺陷,本文提出了一种基于改进的深度学习目标检测网络(YOLOv4)的输电线路绝缘子缺陷检测方法.首先,通过无人机航拍及数据增强获得足够的绝缘子图像,构造绝缘子数据集.其次,利用绝缘子图像数据集训练YOLOv4网络,在训练过程中采用多阶段迁移学习策略和余弦退火学习率衰减法提高网络的训练速度和整体性能.最后,在测试过程中,对存在小目标的图像采用超分辨率生成网络,生成高质量的图像后再进行测试,以提高识别小目标的能力.实验结果表明,与Faster R-CNN和YOLOv3相比,所提算法在平均分类精度和每帧检测速率方面均有较大提升,性能表现优异.     

基于改进FAsT-Match算法的电力设备红外图像多目标定位

红外检测技术具有远距离、不接触、不取样、不解体、准确、快速、直观等特点,广泛用于电力设备过热缺陷监测和诊断,对提高电力系统的稳定性具有重要意义。FAs TMatch(fast affine template matching)算法是一种基于灰度值的快速模板匹配算法,可在一幅图像中找到一个近似全局最优目标。文中综合利用可见光和红外图像,提出一种多目标定位方法。首先,通过改进的FAsT-Match算法在电力设备可见光图像中实现多目标定位;其次,利用红外图像和可见光图像之间存在近似仿射变换,求出目标在红外图像中的位置。实验结果表明文中方法的有效性。     

基于机器视觉的闭气塞表面缺陷自动检测系统

设计了一种针对微小零件闭气塞的表面缺陷自动检测系统.该系统采用自动控制技术实现闭气塞的上料、排序、搬运、定位和正废品分离,采用图像采集和处理技术实现缺陷的自动识别与分类.选择快速图像匹配算法快速定位目标零件在图像中的位置,把目标零件和无缺陷的标准模板图像减影获得缺陷图像,以缺陷的几何特征和统计特征获得缺陷的类型.实验结...     

基于自适应小波变换的陶瓷瓦鼓包检测方法

瓷砖表面缺陷检测是瓷砖生产过程中不可缺少的环节，针对具有复杂立体纹理干扰的陶瓷瓦表面鼓包缺陷，为了满足自动化检测的需要，本文提出一种基于自适应小波变换的陶瓷瓦表面鼓包检测算法。首先，提取出陶瓷瓦的红色通道图像，并进行高斯滤波的预处理，抑制噪声；其次，采用自适应小波变换、线性中值滤波的方法增强鼓包与背景区域对比度；最后，利用二值化和形态学的方法，得到鼓包区域的信息。实验结果表明，该算法可以检测具有复杂立体纹理干扰的陶瓷瓦表面的鼓包缺陷，检测准确率达到了98.5%，召回率达到了95.0%。     

基于多光谱图像融合的光学表面疵病检测

为了实现对精密光学元件表面疵病的高精度测量,提出了一种基于多光谱图像融合的光学元件表面疵病检测方法。通过使用不同波长的光源入射到光学表面,在显微暗场成像系统中获得了450nm,532nm,650nm单波长光源照明时光学表面疵病的检测结果,并将采集到的图片通过加权平均法、拉普拉斯金字塔变换法和小波变换法三种方法进行图像融合后,再进行图像处理获取疵病尺寸信息。由实验结果对比可知,相较于单波长原始图像的疵病检测结果,多光谱融合图像的检测结果更加精确,并且通过对比三种融合方法结果,其中以拉普拉斯金字塔变换融合的效果最佳。     

基于改进Faster RCNN的轮对踏面缺陷检测

针对目前传统图像处理算法对踏面缺陷检测存在效率不高、对环境鲁棒性不足等问题，本文提出基于改进Faster RCNN的踏面缺陷检测方法。改进的网络首先使用Resnet50作为特征提取网络，并在特征金字塔层（FPN）特征融合输出部分加入自注意力机制，加强了检测网络对小缺陷的检测能力，最后使用K-means++聚类算法对踏面缺陷数据集锚框进行聚类，并通过聚类结果定制出更适合轮对踏面缺陷的锚框。实验结果表明，改进后的Faster RCNN网络对轮对踏面缺陷检测的平均检测速度为68 ms,平均精度（mAP）达到了97.3%，对小目标缺陷的检测精度（mAPsmall）达到了39.3%。     

结合加权模板差图与双边滤波的TFT-LCD检测算法

为了检测薄膜晶体管液晶显示器(TFT-LCD)面板上常见的点缺陷和线缺陷,提出了一种加权模板差图法与双边滤波相结合的缺陷检测算法。选取待检图左上角l×k大小的理想纹理模板,将原图分割为若干相同大小的单元,与加权的模板相减后再合成以去除大部分纹理背景;采用双边滤波抑制残余纹理背景;采用最大熵法分割缺陷;最后提取图像中的缺陷参数。通过对构造的理论缺陷图试验,验证了算法能检测出TFT-LCD面板图像上的缺陷,再对针孔、划痕、颗粒等样本缺陷进行试验并成功检出。算法结合了差图法去背景性能优异和双边滤波去噪效果明显的优点,具有良好的准确性和适用性。     

基于改进生成对抗网络的无监督晶圆缺陷检测

为实现晶圆表面缺陷的无监督检测，提出了一种改进生成对抗网络的无监督晶圆表面缺陷检测模型，该模型通过目标图像与重构图像之间的差异来检测缺陷。该方法使用带有两层跳跃连接和记忆模块的编码器-解码器卷积神经网络来搭建生成器，跳跃连接用以捕获多尺度的输入图像特征，记忆模块对潜在特征实施约束，扩大真实缺陷样本与重构样本间的距离。该方法还通过改进判别器网络结构，使模型轻量化。实验结果表明，该模型能够准确分辨具有缺陷的晶圆样本，ROC曲线下的面积值达到0.934，与已有的无监督学习检测方法相比性能更优,同时判别器网络的参数量和计算量分别降低到1 M和60 M以下。     

基于多模型级联的轻量级缺陷检测算法

基于深度学习技术的缺陷检测算法往往因为网络参数较多而需要大量的图像样本去训练模型,但是在工业生产过程中缺陷产品数量极少,采集大量缺陷数据图像费时又费力。针对这一难题,本文提出了一种基于多模型级联的轻量级缺陷检测算法,它采用监督学习的训练方式,通过少量缺陷样本就可以获得较好的检测效果。首先,使用CBAM注意力残差模块代替常规卷积层进行特征提取,以聚焦缺陷特征,强化网络对缺陷的表征能力;其次,设计了SE-FPN模块,促进各级特征之间有效融合,提高网络对缺陷的分割效果,尤其是对小缺陷的分割效果;最后,在训练阶段,采用监督学习方式对本文所提的多模型算法网络进行训练。实验结果表明,本文所提算法在KolektorSDD数据集上的检测准确率高达99.28%,每张图像的平均检测时间仅需10.5ms,不但充分满足了工业检测行业高精度、实时性的要求,同时,还能实现对缺陷区域精准定位。因此,本文的研究内容非常适合应用在工业产品表面质量在线检测领域。     

基于图像块相关的弱小目标检测算法研究

针对复杂云层背景下的弱小目标检测问题,提出了一种基于图像块相关的弱小目标检测算法。首先对图像进行灰度值反转,然后利用相邻块之间相关性进行云层背景抑制的预处理,从而削弱复杂云层背景对弱小目标检测的干扰,最后对图像进行灰度值拉伸处理,增强弱小目标,提高对目标的检测准确率。实验结果表明,提出的算法可抑制云层背景对弱小目标干扰,实现复杂背景下弱小目标的检测。     

深度学习陶瓷表面缺陷检测算法研究

传统的陶瓷缺陷检测主要依赖人工目测或放大镜观察,为解决检测效率低、结果主观性强等问题,提出了一种基于深度学习的陶瓷表面缺陷检测算法,针对于陶瓷杯表面的缺陷具体情况,在YOLOv5目标检测模型的基础上,增加小目标检测层,同时使用位置注意力机制进行特征重构提高检测的精确度,实现了高精度的缺陷检测。针对实际生产中的陶瓷双层杯进行数据采集训练,并对于每批数据进行推理,最终平均检测精度达到了95.4%。本文所改进的YOLOv5缺陷检测模型拥有更高的准确率、识别速度快等优点,可以极大地减少陶瓷质检减少人力物力的损耗与时间成本。