基于纹理脊线特征融合的木材表面裂缝检测

裂缝是木材表面一种严重缺陷,对木材的加工和使用影响极大,然而,由于裂缝与木材表面的矿物线具有诸多相似之处,因此如何准确地将裂缝纹理识别出来是一个亟待解决的问题。提出了一种基于纹理脊线特征融合的检测方法,首先建立纹理脊线灰度和形态特征提取基本模型;然后分割出木材表面全部纹理区域,并根据模糊规则提取出条状纹理,包括裂缝和矿物线;最后根据建立的模型提取条状纹理的两种脊线特征,并进行特征信息融合得到复合判别因子,最终通过融合结果与预设阈值的数值关系识别裂缝纹理。在自建图库上进行了测试,结果显示所用方法对裂缝缺陷识别的等误率仅为4.64%,相对于其他经典特征提取和纹理识别方法其等误率最少降低了10.06%,表明了本方法的高效性,具有实际应用价值。     

结合噪声估计的NRLBP铆钉表面缺陷检测

针对铆钉表面缺陷纹理形态复杂多变,传统纹理特征提取方法难以获取准确纹理信息、铆钉缺陷识别率较低的问题,提出一种自适应阈值抗噪LBP的铆钉表面缺陷检测算法AT_NRLBP。首先,将铆钉图像均匀分块后提取铆钉子块;然后,基于PCA分解铆钉子块的协方差矩阵,估计子块图像的噪声水平。根据图像噪声强度计算NRLBP阈值,编码铆钉子块得到NRLBP纹理特征。最后,训练SVM单分类器分类铆钉子块,检测并标记出缺陷子块。实验结果表明,这里算法能有效地检测出铆钉表面缺陷,误检率明显降低;与其他纹理分类算法相比,这里算法在KTH-TIPS数据集上的分类准确率较高。     

一种新的轮胎激光散斑检测缺陷识别方法

在轮胎缺陷识别系统中,提出将轮胎ESPI缺陷图像灰度纹理特征和一种改进的Hu不变矩特征的组合作为特征因子,结合支持向量机的方法应用于轮胎ESPI缺陷图像的分类识别。理论分析和仿真实验表明使用Hu不变矩以及Hu不变矩和灰度纹理特征结合分类效果较好,总体识别率达到了96.7%。     

基于机器视觉的手机电池表面缺陷检测

针对手机电池表面质量人工检测情况,开发了电池表面缺陷无损检测系统软件。首先电池表面经过倾斜矫正、感兴趣区域提取和字符灰度值修改等预处理操作,通过基于灰度密度分布和灰度差的自适应阈值亮度法对感兴趣区域进行子图像遍历,融合有重合区域的缺陷子图像并滤除没有明显缺陷的区域;然后采用支持向量机多种类分类法,提取二值图像像素分布规律作为训练特征,识别电池表面缺陷种类;最后设计了人机交互界面,确定最佳的可变参数,实验测试缺陷识别率达95%以上。     

基于Tetrolet变换的热轧钢板表面缺陷识别方法

通过Tetrolet变换将热轧钢板表面图像分解成不同尺度和方向的子带,提取子带的Tetrolet高通系数矩阵特征,得到一个高维的特征矢量。利用核保局投影算法对高维特征矢量进行降维,将降维后的低维特征矢量输入支持向量机,从而实现热轧钢板表面缺陷的分类识别。对现场采集到的热轧钢板表面图像样本进行试验,包括横向裂纹、纵向裂纹、横向划伤、纵向划伤、结疤、麻点、网纹、压痕等8类常见热轧钢板表面缺陷,以及氧化铁皮和无缺陷等样本。试验结果表明基于Tetrolet变换方法对样本图像的识别率可达97.38%,比基于Curvelet变换、Contourlet变换等方法得到的识别率提高1%左右。     

基于深度学习模型融合的铸件缺陷自动检测

针对目前铸件缺陷检测漏检率高的问题,提出一种基于深度学习模型融合的铸件缺陷检测方法。 首先对 Faster RCNN 网络进行改进,利用特征金字塔结构改进特征提取网络模块,实现多尺度的特征融合,完成铸件缺陷的特征提取;然后,基于 ROI Align 对网络中的 ROI 池化层进行改进,将 IOU 分数引入 NMS 算法判定过程;再将改进后的网络与 Cascade RCNN 以及 YOLOv3 进行融合;最后进行实验研究,验证了融合模型能够有效降低铸件缺陷的漏检率。 实验结果表明,将感兴趣区域池化 改进后,在 Faster RCNN 模型中的缺陷召回率提升了 1. 73% ,在本文网络模型中的缺陷召回率提升了 4. 08% ;采用模型融合的 方法在不考虑分类准确度的情况下,整个模型的缺陷识别率达到 95. 71% ,与单个模型相比,在保证铸件缺陷检测准确率的同 时,提高了缺陷检测的召回率,满足了工业应用的要求。     

基于颜色和数学形态学的木材缺陷检测研究

木材天然美丽的纹理、优雅的色泽使其在建筑、家具得以广泛应用,因此人们除对木材纹理特别注重外,对其颜色也近于挑剔.本文根据传统的分割方法、木材的特点、实际生产过程中时间短的的要求,提出了基于色差和数学形态学木质板材分割方法.在HSI空间中,重点选择对H分量和I分量先进行形态学边缘检测,不考虑其中过小的像素块,采用中值滤波将其清除,保留住准确的边缘图像,为此边缘检测以颜色模型的H分量为特征,然后再基于边缘信息进行区域生长.为了克服伪边缘(断边、毛刺等)缺陷,本文又利用边界信息自动选择种子点,以各区域边界为区域模型进行区域生长,最后得到分割结果,很好的分割出木材的缺陷部分.     

实时带钢表面质量检测算法研究与应用

针对现有带钢表面质量检测技术在检测精度、数据实时吞吐量等方面存在的问题,提出了一种基于纹理特征编码的带钢表面缺陷检测方法。首先,利用高斯滤波器的差分响应模拟人类视觉的纹理感知模型,在原始图像空间内进行缺陷可疑点检测;然后对疑似缺陷位置进行纹理特征的提取与编码,在纹理特征编码空间内完成缺陷的精密定位。实验结果表明,该方法可以对带钢表面常见的氧化、孔洞、边裂、麻点等十几种不同类型缺陷进行精确地检测,降低了系统的误检率,同时提高了缺陷检测的识别率和算法的计算效率。     

一种自然纹理背景下的图像目标检测方法

本文根据被测图像纹理背景和目标区域在小波变换域内图像能量的分布不同,以及经过多尺度分解后在各子空间信息分布的不同,运用与背景纹理的方向无关,对目标的变化具有旋转、平移以及尺度不变性的能量特征作为检测目标的依据.为了有效地提高目标边界的定位精度,抑制背景噪声,本文提出了能量特征图和基于多尺度分析的边缘特征图相融合的特征融合方法进行目标检测.实验证明该方法具有较好的适应性.     

基于几何纹理与Anscombe变换的蜂窝材料太赫兹图像降噪模型

为解决太赫兹（Terahertz,THz）图像内泊松高斯混合噪声导致芳纶纤维蜂窝材料脱粘缺陷轮廓检测精度低的问题,基于Anscombe变换与小波阈值法构建了THz图像降噪模型。高斯噪声方差为降噪模型的必要参数,但实际THz图像噪声分布未知,且噪声与纹理在高频混叠,给方差准确估计提出了挑战。为此,首先以样件纹理几何形状为先验信息,构造Benzene-ring算子去除THz图像纹理,使其小波域高频分量中仅含有噪声;然后提出改进的Logistic混沌映射提高样本集的多样性,以训练Elman神经网络准确建立高频分量与高斯噪声方差间映射关系;最后依据噪声方差估计值,基于Anscombe变换将泊松高斯混合噪声转化为高斯噪声,并利用小波阈值法与Anscombe逆变换得到了最终THz降噪图像。仿真与试验结果表明,所提出的方法降噪效果最佳并有效提高缺陷轮廓检测精度,相比于高斯滤波、小波阈值以及非局部均值法,平均梯度指标分别提升12%、33%、9%,缺陷面积绝对误差分别降低234 mm²、304 mm²、263 mm²。     

BGA焊球视觉检测算法及系统设计

为了实现对BGA焊球的自动检测,建立了自动视觉检测系统。对系统所采用的焊球特征进行提取及缺陷识别,基于高斯混合模型的分类器对检测算法进行研究。根据焊球的形状和尺寸特征设计了焊球缺陷识别和分类算法,并以锡多、锡少和毛刺缺陷为例,分析典型缺陷的识别算法。以焊球形状的圆度和特征区域的面积等特征参数为评价标准,构建二维特征空间。在二维特征空间线性组合的基础上,构建基于高斯混合模型的分类器。构建了训练样本集,并对该分类器进行训练,根据训练结果并结合应用实际修正了模型,并采用测试集对该分类器进行测试验证。实验结果表明,焊球缺陷检测算法的准确度为97.06%,漏判率为0%,检测可靠度为100%。该视觉检测系统满足了工程运用中对识别准确度、稳定性、可靠性等方面的要求。     

滚动轴承保持架缺陷的图像处理及模式识别方法研究

轻系列滚动轴承保持架由于兜孔直径小、两半保持架之间钉孔距离相对较大等因素导致在铆压过程中易出现变形,造成铆压歪斜缺陷。为此,本文提出了基于图像纹理特征的模式识别方法用于保持架歪斜缺陷的准确识别。首先,改进了轴承图像归一化展开算法,实现了轴承图像展开起点的自动优化选择以避免误分割保持架、铆钉和滚动体;其次,设计了轴承图像保持架区域定位分割算法,准确分离出7个保持架区域;最后,分别提取保持架区域的Hu矩和旋转不变均匀局部二值模式(LBPrPiu,2R)作为纹理特征,并结合PCA降维方法构建轴承保持架缺陷识别的SVM分类模型。结果表明,基于Hu矩和LBPrPiu2,R的SVM模型的正确识别率分别为85%和100%。因此,轴承LBPrPiu2,R特征结合SVM模型对轴承保持架歪斜缺陷具有较好的识别效果。该方法有望为滚动球轴承保持架铆压工艺缺陷的自动识别提供参考。     

钢板缺陷识别的Volterra-SVM模型研究

针对钢板缺陷识别问题,结合超声波脉冲反射原理,提出一种基于Volterra级数和支持向量机的钢板缺陷识别方法。首先,利用Volterra级数模型建立起钢板缺陷的特征模型;其次,使用分数阶粒子群优化算法提取出原始信号中的特征参数,即Volterra级数时域核;最后,将提取到的特征向量输入支持向量机模型进行训练与测试,完成对钢板缺陷的分类识别。设计实验得到多组数据样本,进行模型验证,实验结果表明：基于Volterra级数和支持向量机的识别模型能够较好的完成对钢板缺陷的分类识别,识别准确率达93.3%。     

焊接缺陷磁光成像动态检测与识别

为了实现焊接缺陷的自动检测,研究一种交变磁场激励下焊缝表面及亚表面缺陷的磁光成像动态无损检测方法。分析了基于法拉第磁致旋光效应的焊接缺陷磁光成像机理,并结合交变磁场原理推导出励磁变化与动态磁光成像的关系。探索低碳钢板的亚表面焊缝磁光成像特征试验,验证了所提方法可用于检测焊缝亚表面的未熔合缺陷。最后对高强钢焊缝特征的动态磁光图像进行分析,采用主成分分析法和支持向量机(PCA-SVM)模式识别方法建立了焊接缺陷分类模型。试验结果表明,所提方法可以识别高强钢焊件中的焊缝特征(未熔透、裂纹、凹坑和无缺陷),缺陷分类模型的整体识别率达到92.6%,能够实现焊缝表面及亚表面缺陷的自动检测。     

基于泡沫纹理信度分配SVM的矿物浮选工况识别

针对矿物浮选过程中泡沫纹理各向异性、纹理特征信度差异以及类间样本数分布不均等问题,提出一种浮选工况的自动识别方法.首先基于多角度融合的空间灰度共生矩阵计算角二阶矩、熵、惯性矩、逆差矩和相关性等二阶统计量描述泡沫纹理特征,然后引入信息熵的概念,以二阶统计量的信息增益分配各种纹理特征对分类器的信度,再通过类间样本数加权策略消除样本分布的不平衡性,最后实现了一对一加权支持向量机的浮选工况识别.工业现场泡沫图像测试结果表明,该方法能够有效降低小样本的错分率,提高整体识别率.     

Support vector machine and optimised feature extraction in integrated eddy current instrument

Eddy current, especially pulsed eddy current (PEC), is known as an effective tool to detect defects in aircraft structures. Current PEC defect classification methods require highly trained personnel and the results are usually influenced by human subjectivity. Therefore, automated defect classification is desirable in a PEC instrument. In this work, five eddy current based methods are integrated into an instrument using a universal model and modular structure. Then, a Support Vector Machine (SVM) is used to build the classifier model and predict the type of defect. Principal component analysis (PCA) and independent component analysis (ICA) are investigated for feature extraction and compared for classification results using SVM. Two-layer Al–Mn alloy specimens with four kinds of defects are used for classification. The experimental results show that the proposed methods have great potential for in-situ defect inspection of multi-layer aircraft structures.     

改进的核费舍尔方法识别材料微缺陷

由于微缺陷信号易受到材料结构噪声的影响,使得传统的分类方法对微缺陷信号的分类准确率有待进一步提高。因此,将核费舍尔方法用于微缺陷信号的分类识别中,并提出自适应的核参数优化方法。改进后的核费舍尔分类方法能够根据待分类数据的特点选择出最优核参数,因此对微缺陷信号的分类识别具有较高的准确率。为证明方法的有效性,用100 MHz高频聚焦探头对典型金属材料进行检测,采集夹杂、裂纹、缩孔和正常4类超声信号,分别从时域、频域和小波域提取出20个特征量,实验结果表明:利用改进的核费舍尔方法对4类微缺陷信号识别的准确率达到96.25%,比其他分类方法具有更高的准确率。     

一种改进的高斯混合模型的玻璃缺陷分割方法

针对传统玻璃缺陷检测技术准确率较低、时间长、精度低等难点,提出了一种改进高斯混合模型的玻璃缺陷图像分割方法。首先,基于分数阶微分运算获取灰度特征,并利用灰度共生矩阵提取纹理特征,构建玻璃缺陷完整的双特征观测数据;然后,引入相邻像素间的空间关联性和约束性,通过交替进行基于双特征随机场评估像素点与标号场之间的对应关系和空间约束来完成玻璃缺陷分割;最后,在不同温度系数参数β下对分割算法进行了性能测试实验,同时,与当前流行的分割算法对4种不同类型的玻璃缺陷进行了性能比较实验。实验表明该算法能够提高图像分割的鲁棒性和精确性。