融合改进小波变换的小型磁瓦表面缺陷检测方法研究

针对磁瓦表面光照不均匀且表面纹理复杂的问题,提出一种改进小波自适应阈值去噪方法来消除磁瓦表面复杂的纹理,同时又能较好的保持边缘;针对传统的阈值分割方法面对磁瓦表面照明不均匀不能较好的分离背景和前景问题,将自适应阈值分割方法进行了改进,经过形态学处理和边缘检测实现了磁瓦缺陷的检测。研究表明,所用的滤波方法运行时间为0.0866秒,检测准确度达到了90.6%,并且改进后的自适应阈值分割更有利于提取缺陷,为磁瓦的缺陷检测提供了一种可实现的解决方案。     

基于改进的均值漂移算法的羽毛图像降噪

为了减少羽毛纹理背景对羽毛片缺陷分割的影响,需要对羽毛片图像平滑降噪,提出了一种改进的均值漂移去噪方法。通过基于近邻的方法构建正定矩阵,利用样本的邻域信息刻画局部空间结构从而获得各向异性核函数。并且通过定义采样点权重,克服了图像过度平滑问题。实验结果表明该方法在有效地滤除羽毛纹理背景信息同时,能获得更高的峰值信噪比、边缘保持指数和更好的视觉效果,为实现基于机器视觉的羽毛片缺陷检测系统中的缺陷分割和识别奠定了基础。     

机器视觉在TFT-LCD暗画面缺陷检测中的应用

针对目前TFT-LCD缺陷检测普遍采用的人工视觉检测方法,介绍了一种基于机器视觉的检测系统。运用阈值迭代算法实现了对TFT-LCD暗画面下缺陷图像的分割和检测,利用MIL图像处理软件实现了对缺陷的自动检测。实验结果表明,该系统能够准确地实现暗画面下可见缺陷的自动检测功能。     

针对不均匀光照高反光 注塑工件图像的缺陷定位和分割

光照不均匀的现象在高反光注塑工件检测过程中十分常见,对于缺陷的定位和提取造成了很大影响.为了解决注塑工件图像中普遍存在的光照不均匀问题,提高缺陷提取的成功率,提出了一种基于行像素灰度校正的不均匀光照图像增强算法,使用二次定位的阈值图像分割方法对柱状注塑工件进行了缺陷定位和分割.建立新的行像素灰度校正系数模型,对图像的每...     

HSI颜色空间下的直线导轨表面缺陷检测方法

为解决直线导轨表面微小缺陷受背景纹理影响、无法准确检测的问题,提出了一种HSI颜色空间下的直线导轨表面缺陷视觉检测方法。将直线导轨表面图像由RGB空间转换到HSI空间,得到色调、饱和度和亮度的分量图;采用主成分分析法对各分量图像进行降维,建立混合灰度模型;利用粒子群算法优化其相应的加权系数;通过阈值分割完成缺陷检测。实验及计算结果表明,相比RGB空间的缺陷提取,该方法能准确检测出常见的直线导轨表面四种类型缺陷。     

基于导向滤波Retinex和自适应Canny的图像边缘检测

机器视觉识别常用金属制品边缘时,表面亮度不均易导致边缘误识别,且传统的边缘检测算法去噪的同时也抑制了大量边缘信息,降低了边缘检测质量。本文提出一种基于导向滤波Retinex和自适应Canny的图像边缘检测算法。该算法采用基于导向滤波的Retinex法得到金属制品图像的反射分量,通过加权分布的自适应伽马校正提升反射分量图像对比度;然后,采用自适应各向异性扩散滤波对增强后图像进行去噪处理,抑制增强后图像的噪声及低对比度纹理,再采用改进四方向Sobel梯度模板提取图像边缘;最后沿用传统Canny算法的非极大值抑制及双阈值分割进一步细化边缘。实验结果表明,新算法检测典型金属小零件时,图像锐度指标由原图的47.11提升至68.39,金属表面的亮度标准差从原图的44.76下降至20.16;噪声指标从原图的1.1下降到0.15左右,并且在去噪的同时较好地保留了图像边缘锐度。新方法有效改善了金属表面图像因亮度不均导致的边缘误识别问题,并且提取的边缘连接性较好。     

结合Retinex校正和显著性的主动轮廓图像分割

为了实现对亮度不均匀和含有复杂背景自然图像的快速准确分割,本文提出一种结合Retinex校正和显著性分析的主动轮廓分割模型。通过引入Retinex校正,获取图像中物体本身的反射分量,可以抑制由非均匀光照带来的亮度不均影响;另一方面,经过Retinex校正后的图像更加客观地反映图像的本质,确保了后续显著性信息提取的精确性,使其更具实际指导意义。将显著性信息引入到主动轮廓模型之中,有助于对含有复杂背景的图像进行有效分割。结合Retinex校正和显著性信息,得到新的主动轮廓模型能量方程,运用水平集方法指导曲线演化,达到图像分割的目的。通过实验分析,本文提出的主动轮廓模型可以实现快速、有效及鲁棒的图像分割。在MSRA数据库上平均处理速度为4.277秒/幅,F均值达到0.735。     

挠性印制电路板焊盘表面缺陷的检测

针对挠性印制电路板(FPC)上的焊盘表面缺陷,提出一种基于图像处理技术的智能检测方法。首先,根据缺陷的表现形式对焊盘缺陷进行归纳与分类,采用最大熵值法量化提取焊盘的颜色特征和面积特征;然后,通过评估灰度共生矩阵(GLCM)对纹理颜色变化特征与纹理结构特征量化的有效性,将其应用于焊盘纹理特征的量化与提取。实验分析显示,缺陷焊盘与非缺陷焊盘在某个或多个特征上存在着明显的差异。基于该特点,建立了BP神经网络,以焊盘的颜色、面积、纹理结构、纹理颜色变化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,最终实现对FPC焊盘表面缺陷的检测,检测准确率高达94.6%,50个焊盘的检测时间为300ms。实验结果表明:本文提出的检测方法不仅能够有效地对焊盘表面缺陷进行识别,而且能够满足在线检测对速度的要求。     

基于视觉反馈的工业机器人打磨抛光检测系统应用研究

研究通过基于计算机视觉反馈的表面粗糙度和缺陷检测,实现对各种缺陷的判断和根据粗糙度检测,搭建基于计算机视觉反馈的工业机器人打磨抛光系统,针对金属表面的复杂纹理和缺陷较小容易造成误检或者漏检的情况工件复杂底纹的缺损的检测提出一种基于机器视觉的手机外壳复杂纹理缺陷检测方法;表面粗糙度检测方面,采用非接触式的光学散射表面粗糙度检测方法,测得其散射特征值并与已知表面粗糙度标准样块参数值建立关系曲线从而测得其表面粗糙度,系统具有结构简单、体积小、易于集成产品、动态响应好和不损伤工件表面等优点。     

主从特征融合驱动的铝型材表面缺陷检测

针对因仅考虑纹理特征而造成铝型材表面缺陷检测精度较低的问题,提出一种主从特征融合驱动的表面缺陷检测模型。该模型的构建主要包括3个部分：首先采用经Focal-Loss损失函数优化的UNet模型完成缺陷分布不均匀的样本分割与定位;然后集合卷积神经网络(CNN)与反向传播神经网络(BPNN)构建融合图像纹理特征、梯度信息和缺陷形状特征的主从特征预分类层;最后通过级联特定模糊规则的模糊神经网络完成缺陷的最终分类。利用阿里天池比赛的铝型材数据集中的5类缺陷样本对模型进行了实验验证,平均分类检测精度达到97.2%,为铝型材表面缺陷检测提供了新方法。