基于机器视觉技术的皮革材料缺陷可视化研究

由于原材料的特殊性，皮革材料在进行深度加工以前都需要对材料表面的缺陷，如虫蛀、裂痕等进行筛查。基于机器视觉、数字图像处理技术等，对皮革材料缺陷的可视化检测进行分析，对皮革材料缺陷图像采集与处理、图像缺陷特征分析与提取、缺陷检测分类等关键技术进行总结。本文认为，对于皮革产业材料缺陷检测工艺而言，机器视觉能够大幅提升相关领域检测精度和检测效率，有利于皮革产业实现智能化发展。     

基于视觉显著度的篮球用天然皮革缺陷可视化检测研究

针对篮球使用的天然皮革质量检测,提出了一种基于视觉显著度的皮革表面缺陷可视化检测框架,利用视觉显著度模型对球皮皮革图像的颜色和亮度特征等进行提取,在计算皮革颜色和亮度特征显著图以后,利用区域生长方法对篮球球皮表面的瑕疵进行定位。与传统皮革表面缺陷检测方法对比后发现,该方法能够有效解决皮革自然纹路对缺陷检测的影响,检测精度与检测速度都能够得到有效保障。     

图像检测技术在皮革缺陷检测排样系统的应用研究

介绍一种计算机皮革缺陷检测与排样切割系统的构成原理与设计思想.该系统对皮革纹理图像采用小波包分解去噪,并用共生矩阵提取皮革图像的纹理特征向量,用改进模糊聚类方法对样本特征样本向量进行聚类分析.提出了一种基于类间方差和类内方差的自适应确定分割区域数的方法.该算法可以准确的检测出皮革表面缺陷信息,其在线缺陷检测结果与人工判断缺陷类别的一致性在89.1%以上,实现了对皮革缺陷的自动检测,优化排样.     

基于多层感知器与特征组合的皮革缺陷分类

针对皮革表面存在不均匀纹理的特性、缺陷分类难度大的问题,构造了一种多层感知器结合特征组合的分类方法.首先通过Gabor滤波方法强调皮革表面纹理特征,并获取皮革图像的5个灰度分布统计特征与8个灰度共生矩阵统计特征,以此描述皮革表面纹理和缺陷的特征;然后采用多层感知器结合特征组合的分类方法对皮革缺陷图像进行分类.实验验证结...     

基于图像局部方差的亮度矫正下番茄表面缺陷检测方法

目的:解决番茄表面缺陷颜色复杂多变、纹理变化不规则导致的缺陷提取不准确的问题。方法:提出一种考虑亮度矫正下基于图像局部方差的番茄表面缺陷分割方法。在采用直方图阈值分割方法分割花萼与茎疤以及领域像素加权和替代原像素的方法完成亮度矫正的基础上,将番茄表面灰度图像划分成若干图像块,使用图像像素方差对各图像块的颜色进行表征,将缺陷区域与健康区域区分开。使用SVM模型对番茄表面缺陷区域面积占原图中番茄面积的比例进行检测。结果:考虑亮度校正后对番茄缺陷区域提取准确率提高了27.74个百分点,在此基础上,与全局阈值、动态阈值、区域生长算法相比,基于图像局部方差的缺陷提取方法能够实现番茄表面缺陷的准确定位与完整提取,以缺陷面积比为输入的高斯-SVM模型对番茄表面缺陷检测的精度达96%。结论:考虑亮度矫正下,基于图像局部方差的SVM缺陷提取方法适用于番茄表面缺陷检测。     

基于数字图像处理技术的皮革纹理特征提取与分类研究

数字图像处理技术被广泛应用到了皮革裁剪、缺陷检测及智能排版等皮革生产中,在皮革制品的鉴定中也有着较高的应用价值。对此,本文简述了动物皮革纹理特征和常用的纹理特征提取与分类算法;基于数字图像处理技术进行了皮革纹理图像的灰度化、去噪、光照变化的稳健性和旋转不变性等预处理,以获得清晰的皮革图像;采用距离变换与骨架提取算法重构出新的皮革纹理特征图;结合LBP-V法提取皮革纹理图像的图谱直方图进行匹配运算,并对皮革试样进行了相似度度量分析,以作为皮革纹理的分类依据,以期促进皮革行业不同类型皮革的快速、精确鉴定。     

遗传模拟退火算法的纸张表面缺陷智能化检测

造纸工业的自动化生成过程中,不可避免的会使纸张出现各种表面缺陷,缺陷的存在严重影响到纸张的质量和纸产品生产的效率,因此对于纸张表面缺陷的智能化检测逐渐成为纸张生产领域研究热点。设计了一种基于遗传模拟退火算法的纸张表面缺陷检测与分类算法,首先对造纸厂生产线上工业相机采集的纸张图像进行预处理、纸张缺陷区域检测与提取,重点设计了遗传模拟退火算法的缺陷检测分类方案,经验证,所设计的遗传模拟退火算法得到的模型能够对边裂、黑斑、孔洞、褶皱、亮斑和划痕这六类纸病精确的辨识。缺陷的辨识率大于99.7%,完全满足纸张表面质量的检测要求。     

基于高光谱成像技术的苹果表面缺陷无损检测

以"红富士"苹果为研究对象,提出基于高光谱成像技术结合图像分割技术的苹果表面缺陷的无损检测方法。采用高光谱图像采集系统(400 nm～1 000 nm)采集完好无损和表面有缺陷苹果的高光谱图像;对采集到的高光谱图像进行最小噪声分离变换,提取感兴趣区域的平均光谱反射率;采用图像分割技术提出苹果表面缺陷的无损检测方法。结果表明:采用最小噪声分离变换可有效地消除苹果高光谱图像中的噪声;在700 nm～800 nm以及900 nm～1 000 nm波段范围内完好无损和表面有缺陷的苹果的光谱反射率值具有明显的差异,同时选取特征波长717.98 nm处的光谱反射率值小于0.6以及982.59 nm处的光谱反射率值大于0.52作为区分苹果正常区域和表面缺陷区域的阈值条件,进一步利用阈值分割方法对80个完好无损苹果和40个表面有缺陷苹果的正确识别率分别为97.5%和95%。表明高光谱成像技术结合图像分割技术可实现苹果表面缺陷的无损检测。     

基于计算机视觉的香菇缺陷检测

传统人工检测鲜香菇表面缺陷方法通常效率较低,且易造成视觉疲劳,不能满足现代化工业需求。本研究尝试采用计算机视觉技术检测鲜香菇表面缺陷。首先,香菇样本RGB图像被获取,抽取B分量图像构建掩模用于G分量图像去背景。然后,去背景后的G分量图像进行边缘亮度补偿及缺陷提取。随后,对缺陷标记、提取特征参数及参数选择。为了避开成像系统及环境光的干扰,试验选用缺陷区域总面积与香菇图像总面积的比值作为识别正常香菇与缺陷菇的衡量指标。最后,一个全局阈值0.0035被用于所有被研究样本。结果表明,该识别算法识别正常菇和缺陷菇准确率分别为94%和97.3%,所有样本分类精度达到96.5%。     

时-空域多特征证据学习与增强的印染疵点在线检测

 提出了一种基于时空域多特征证据学习与增强的织物印染疵点在线检测新方法。利用多种类纹理特征在特征表达上的互补性以及可疑图像分块前n帧历史的对应特征,达到多证据印证的特征学习与分类增强,是一种比较通用的表面缺陷实时检测解决方法。检测总体思想是从“已知的”无疵点纹理表面提取特征,根据特征对被测织物进行分类比较,从而检测出“未知的”疵点纹理区域。检测过程分为一次性时空域多特征证据自学习和在线分类检测两阶段。对实际织物图像序列的在线检测显示,对单色织物常见印染缺陷的有效检测速度达到了55帧/s(1 024×393像素分辨率仿真视频图像),动态检出正确率达到95%以上。     

用于皮革缺陷检测的方法研究

皮革缺陷检测是利用计算机视觉技术将皮革表面的异常区域即缺陷区域从背景中分割出来.对目前应用到皮革缺陷检测的方法按空域和频域两大类型进行了分析和阐述,指出各种方法的优缺点,并对各种方法的实验效果进行了综合评估.     

基于决策树支持向量机的苹果表面缺陷识别

在基于机器视觉苹果缺陷识别过程中,因果梗/花萼与缺陷表皮颜色相似,极大地降低苹果表面缺陷识别准确率,提出一种基于决策树支持向量机(DT-SVM)的苹果表面缺陷识别方法。该方法首先采用单阈值法去除背景,其次在R通道中利用Otsu法和连通域标记法提取目标区域(果梗、花萼和缺陷)的颜色、纹理和形状特征,最后利用决策树支持向量机进行识别。以600幅富士苹果图像为例,使用该方法进行缺陷识别,结果表明该方法的平均准确率为97.7%。与1-V-1多分类支持向量机(1-V-1SVM)和AdaBoost分类算法相比,DT-SVM方法正确率高、耗时短。说明决策树支持向量机对苹果表面缺陷识别十分有效。     

基于计算机视觉传达的皮革缺陷检测算法研究

为了研究计算机图像识别技术在皮革外观缺陷检测中的应用,通过2600X反射式激光光学电镜和计算机学习算法相配合,可以代替部分人工视觉。通过搭建机器检测平台,对不同缺陷的皮革图像采集成册,进行空间卷积处理、模糊皮革纹理背景,把皮革缺陷中的鞣制缺陷、染色缺陷、材质缺陷呈现出来,完成检测分类的任务。采用人工智能算法对鞣制缺陷、染色缺陷、材质缺陷的敏感度和特异度进行对比,论证得出人工智能算法作为一种重要的非接触式测量方法,可以提供较高的检测精度,对提高产品质量和生产效率,提升企业竞争力都有重要的现实意义。     

基于计算机视觉的皮革检测技术研究

皮革表面难免存在破损、划痕、褶皱等瑕疵,为提高产品合格率,对皮革进行质量检测显得尤为重要。长期以来,皮革检测普遍由人工完成,然而人工检测存在效率低、成本高且误检率高等不足之处。鉴于皮革表面纹理、光泽、色彩都具有鲜明的特点,将计算机视觉技术用于皮革正反面识别及缺陷检测方法的研究中。基于图像处理系统组成框架,借助模式识别中的人工神经网络设计分类器,经试验表明,人工神经网络三层结构在皮革正反面识别的应用中具有较高的准确率。本文将统计学中的共生矩阵思想引入皮革图像纹理特征提取的研究中,并提出一种基于模糊算法的C-均值聚类方法,可精准高效识别皮革表面缺陷。     

基于"机器视觉+深度学习"目标检测的皮革表面缺陷检测系统研究

针对皮革表面缺陷人工检测效率低、准确率低等问题,基于机器视觉和深度学习算法等构建了一种皮革表面缺陷检测系统.对该系统的主要框架及核心功能进行分析,以一般皮革表面光学检测系统为对象进行检测精度与检测效率对比.结果表明,基于"机器视觉+深度学习"的皮革表面缺陷检测系统检测精度更高,在应用初期的检测效率与一般检测系统较为接近,但随着应用时间的增长,系统检测效率优势也会逐渐显现.     

基于不变矩与神经网络的织物缺陷检测研究

针对织物表面的非结构化畸变缺陷,提出一种基于不变矩与神经网络相结合的织物缺陷检测方法。首先,利用图像处理的方法对织物图像进行预处理分块;其次,提取待检测织物分块图像的7个不变矩值,通过比较分块变换后的统计特征量,发现缺陷织物与非缺陷织物的统计特征量存在差异;基于该特点,建立BP神经网络,应用织物图像的7个不变矩特征值作为神经网络的输入,通过学习大量样本,获取最佳权值参数,实现对非结构化畸变缺陷的识别分类。试验结果表明,该算法检测的准确率达到80%以上,对破洞的检出率接近100%,能够很好检测织物的非结构化缺陷,有效地满足织物的生产工艺要求。     

梯度空间下的丝饼表面缺陷检测

为解决工业生产中人工检测丝饼表面缺陷效率低、漏检率高的问题,提出了一种在梯度空间下根据图像信息熵变化和能量分布的差异来检测丝饼表面缺陷的方法。首先设计一套基于机器视觉的丝饼图像采集装置,用于获取传输过程中的丝饼表面图像;然后将丝饼图像转换到梯度空间域,构建一个信息熵和能量的组合特征用来表征缺陷,选择适当的临界阈值区分丝饼缺陷区域与正常区域;最后对分割出的丝饼缺陷利用形态学处理得到最终的检测结果。实验结果表明,该方法对丝饼表面污渍、压痕、起毛等缺陷具有较好的检测效果,缺陷识别准确率高、速度快,可满足工厂对检测准确性和实时性的要求,实现丝饼表面缺陷的自动化检测。     

机械零件图像表面瑕疵的检测算法

针对机械零件表面瑕疵检测问题,将机器视觉技术用于零件表面图像瑕疵的提取和分析,提出一种基于粒子群优化算法加权模糊C均值聚类的零件缺陷图像智能分割算法,精确定位了机械零件表面的瑕疵区域。缺陷的形状特征是判断其类型的重要依据,提取缺陷的形状特征,设计支持向量机分类器来检测划痕、裂纹、砂眼等表面瑕疵。研究结果表明,该方法具有较强的实用性,在实验数据库上达到90%以上的正确识别率。     

基于图像网格特征的蜂窝陶瓷端面外观缺陷自动识别

针对蜂窝陶瓷多孔薄壁造成端面外观缺陷多和检测难的问题,将图像识别应用到缺陷检测中。设计了端面图像采集装置,通过图像预处理增强图像灰度信息,通过Canny算子提取边缘;采用区域生长法生成黑色网孔和白色网格的二值图像,选取网孔面积为特征值自动识别表面裂纹、孔道缺陷和边棱缺损等缺陷类型。实验结果表明,该算法能快速准确地判定端面外观缺陷,为蜂窝陶瓷外观质量的机器视觉检测奠定了基础。     

皮革表面缺陷检测的研究现状及展望

皮革表面缺陷检测是利用机器视觉技术将皮革表面的非正常区域即缺陷区域从背景中分割出来。本文对当前国内外在皮革表面缺陷检测方面的研究现状进行了综述,包括皮革表面缺陷检测的基本概念,机器视觉技术的基本原理,皮革表面缺陷检测技术的应用现状以及机器视觉技术在皮革表面缺陷检测方面的应用。指出了当今国内外皮革表面缺陷检测技术所存在的问题及进行优化的方向,并展望了发展趋势。