针对复杂纹理的手机外壳缺陷检测方法

针对手机表面存在纹理复杂、缺陷细小和缺陷多样性等特点,提出一种应用于复杂纹理的手机外壳缺陷检测方法。该方法首先对手机外壳表面划分区域进行放大处理,并抑制放大后的纹理。然后进行图像的主结构提取,再采用一种自适应边缘检测Roberts方法来进行缺陷轮廓提取。最后运用一系列的中值滤波、形态学运算等方法来综合处理并提取缺陷。实验表明,对手机外壳的划痕、污渍等缺陷误检率低,具有良好的检测效果。     

基于深度学习的螺纹钢表面缺陷检测

螺纹钢是土建工程中必不可少的建筑材料, 在轧制过程中因受轧辊磨损、钢坯质量等因素影响, 导致表面缺陷, 如不能及时发现就会生产出大量废品, 严重影响企业经济效益. 本文提出一种基于深度学习的螺纹钢缺陷检测方法, 通过生产现场工业相机采集螺纹钢图像, 对表面缺陷进行分类标记, 建立样本数据集, 利用深度卷积对抗生成网络DCGAN对数据集增强. 采用Faster RCNN构建螺纹钢缺陷检测模型, 利用迁移学习方法实现小样本螺纹钢表面缺陷检测, 通过对损失函数、优化方法、学习率、滑动平均参数的设置来评估优化螺纹钢缺陷检测模型. 实验表明所设计的方法具有较好的稳定性和实用性, 能有效地解决人工检测过程中效率低、误检率高等问题.     

基于改进相干增强扩散与纹理能量测度和高斯混合模型的导光板表面缺陷检测方法

针对液晶屏(LCD)导光板表面缺陷检测方法存在漏检率和误检率较高,对产品表面复杂渐变的纹理结构适应性差的问题,提出一种基于改进相干增强扩散(ICED)与纹理能量测度和高斯混合模型(TEM-GMM)的LCD导光板表面缺陷检测方法。首先,构建ICED模型,基于结构张量引入平均曲率流扩散(MCF)滤波,使得相干增强扩散(CED)模型对缺陷的细线状纹理有良好的边缘保持效果,并利用相干性得到缺陷纹理增强和背景纹理抑制的滤波后图像;然后,根据Laws纹理能量测度(TEM)提取图像纹理特征,将图像的背景纹理特征作为离线阶段高斯混合模型(GMM)的训练数据,使用期望最大化(EM)算法估计GMM参数;最后,计算待检测图像各像素的后验概率,并将其作为在线检测阶段缺陷像素的判断依据。实验结果表明,该检测方法在导光颗粒随机、规则两种分布的缺陷图像测试数据组上的漏检率和误检率分别为3.27%、4.32%和3.59%、4.87%。所提检测方法适用范围广,可有效检测出LCD导光板表面划痕、异物、脏污和压伤等类型的缺陷。     

图像处理技术在CCL表面缺陷自动检测中的应用

CCL表面的质量标准日益严格,人工检验表面缺陷的传统方法已不能适应市场要求。该文研究了CCL图像的特点,提出了实现CCL 表面质量自动检测的图像处理过程。阐述了利用图像的边缘特征,通过边缘检测、连接和区域填充来分割缺陷的方法,以及一种获取缺陷识 别所需特征值的扫描算法。实验结果表明,利用所提出的图像处理过程,缺陷的漏检率为1％,误检率为3％。     

钢球表面缺陷的图像差分检测算法

针对轴承钢球表面缺陷高精度高效率的检测要求,提出一种检测算法.首先提出一种圆形轮廓外接矩形重绘算法,将目标钢球区域与背景区域分离,获取感兴趣区域;然后利用图像差分法将待检钢球图像与标准图像相减,获取差值图像;最后对差值图像中钢球中间环带区域二值化处理并提取缺陷特征.基于VC++6.0开发环境、Open CV计算机视觉库实验验证并评价算法性能.结果表明:该算法适用于多种钢球缺陷,处理单幅图像的平均耗时小于30 ms,缺陷识别率超过97%,误检率小于3%,针对直径为5.953 mm钢球的检测效率可达12 000个/h,满足工业检测要求,具有良好的应用前景.     

基于机器视觉的钢带缺陷检测研究

针对钢带缺陷传统的人工检测效率低、误检率高以及危险程度大等问题,提出了一种基于机器视觉的缺陷检测和识别的研究方案。采用工业摄像头采集钢带生产线上的视频图像,通过中值滤波和小波分析相结合的方法去噪,并用Canny算子实现边缘检测,再以缺陷图像的圆形度等特征完成识别分类,从而实现对钢带缺陷的检测和统计。实验结果表明,该缺陷检测方案能够实时准确有效地识别钢带缺陷,证明了该方法的可行性。     

基于深度学习算法的风电机组叶片开裂缺陷分析

为实现对风电机组叶片表面缺陷检测的智能化,本研究应用无人机技术、图像视觉技术和深度学习算法,建立风电机组叶片缺陷检测系统,提高了对叶片上开裂缺陷的检测精度。系统使用 算子计算图像横向和纵向的梯度,并对图像进行阈值分割和去噪处理。构建深度学习模型提取图像缺陷的特征信息,加入了SPP-Net网络进行卷积操作,增加了模型的输入数据尺度,得到特征图后在利用PRN网络筛选特征图。实验结果显示本研究系统能够去除大量无用的背景信息,开裂缺陷部位的特征信息保留完整,对验证集中的图像进行测试后,本研究系统识别出的开裂缺陷数最高可达到50个。     

基于目标特征的机械零件表面缺陷检测方法

针对机械零件表面缺陷的特点,提出了一种基于目标特征的检测方法。首先,通过对测试图像进行均值滤波,以消除噪声对检测的影响;其次,通过分析表面缺陷特征设置分割阈值,在此基础上,实现对检测目标分割;最后,采用形态学滤波消除噪声和孤立点对检测结果的影响。实验表明,本文采用的方法能够有效抑制图像背景干扰,能够有效的实现机械零件表面缺陷准确检测。     

一种基于机器视觉的笔杆表面缺陷检测方法

医疗器械产品生产中的笔杆表面缺陷是不可避免的问题,基于机器视觉的自动检测方法可以克服传统人工检测效率低、漏检及误检率高等问题。在分析笔杆结构和缺陷的基础上,文章重点研究笔杆边缘直线拟合、缺陷灰度值差异、图像边缘平滑和稳定等检测方法;通过实验证明,该方法准确率可达到98.8%,每个笔杆的检测时间为8.3 s,相较于人工检测,明显提高了检测精度和速度,可以满足对笔杆实时自动缺陷检测的要求。     

基于反向P-M扩散的钢轨表面缺陷视觉检测

研制了一种基于反向P-M（Perona-Malik）扩散的钢轨表面缺陷视觉检测装置,该装置可 自动获取钢轨表面图像,并实现实时检测与定位钢轨表面缺陷. 钢轨图像具有光 照变化、反射不均、特征少等特点,为了在运动过程中 从复杂的钢轨表面图像提取缺陷,首先将图像进行反向P-M扩散,然后将扩散后的图像与原图像进 行差分,从而减小了上述因素的影响,最后将差分图像进行二值化操作,根据 缺陷边缘特性和面积进行滤波,分割出缺陷图像. 实验仿真和现场测试结果表明,该方法能很好地识别块状缺陷和线状缺陷,并且检测速度、精度、识别 率和误检率都能很好地满足要求.     

基于卷积去噪自编码器的芯片表面弱缺陷检测方法

芯片表面缺陷会影响芯片的外观和性能,因此表面缺陷检测是芯片生产过程中的重要环节。具有缺陷与背景对比度低、缺陷较小等特点的弱缺陷给传统检测方法带来了挑战。因为近年来深度学习在机器视觉领域展现出了强大的能力,所以文中采用基于深度学习的方法来研究芯片表面弱缺陷的检测问题。该方法将芯片表面缺陷看作噪音,首先应用卷积去噪自编码器(Convolutional Denoising Auto-encoders,CDAE)重构无缺陷图像,然后用重构的无缺陷图像减去输入图像,获得包含缺陷信息的残差图。因为残差图中已经消除了背景的影响,所以最后可以基于残差图较容易地进行缺陷检测。由于基于CDAE重构芯片背景的无缺陷图像时存在随机噪音,导致弱缺陷可能会湮没在重构噪音中,为此,文中提出了重叠分块策略抑制重构噪音,以便更好地检测弱缺陷。因为CDAE是无监督学习网络,所以训练时无需进行大量的人工数据标注,这进一步增强了该方法的可应用性。通过对真实芯片表面数据进行测试,验证了所提方法在芯片表面检测上的有效性。     

基于ButterWorth滤波和EM算法的电子布疵点检测

为了精确定位和分割电子布生产过程中产生的疵点,提出一种基于ButterWorth滤波和EM算法的电子布疵点检测方法。因电子布的背景纹理对疵点检测存在影响,首先采用ButterWorth滤波弱化图像背景纹理信息;再应用高斯混合模型对预处理后的图像进行表征,通过EM算法迭代模型的最优解,对像素进行标记;最后,根据标记结果分离背景与疵点区域,定位并分割疵点。实验结果表明,该方法既能准确定位疵点位置,又能有效保留疵点的细节信息,并且能够检测多种类型的疵点,在疵点检测方面具有一定的参考价值。     

傅里叶重建图像法检测磁片表面刀纹缺陷

磁片在被切割为更小的片时表面上可能会出现缺陷,这些缺陷将严重影响磁性材料产品的性能和使用寿命,因此表面刀纹缺陷自动检测成为磁片生产中一个重要的任务。针对经典缺陷检测算法不能很好地提取颜色暗、对比度低的磁片图像的缺陷的问题,提出一种基于傅里叶变换重建图像的磁片表面图像处理方法。用傅里叶变换获取磁片图像的频谱图像,缺陷在频谱图像中被显示为一条亮线。用霍夫变换检测亮线的角度,去除这条亮线的频率分量,使用傅里叶反变换得到去除掉缺陷的正常灰度图像。缺陷区域则可以通过评估原始图像和重建图像之间的灰度差来获得。对大量的磁片图像进行实验后表明,该方法可以准确、高效地检测磁片表面的刀纹缺陷。     

钢板表面低对比度微小缺陷图像增强和分割

目的 环境干扰及光学元件不稳定等因素往往会造成钢板表面图像照度不均,钢板表面的微小缺陷具有图像灰度不均、对比度低、形态微小等特点,给后续图像分析和缺陷识别带来因难。为此,提出一种钢板表面低对比度微小缺陷图像增强和分割算法,以消除照度不均并突出缺陷信息,从而有效分割缺陷目标。方法 采用小波-同态滤波算法进行图像增强处理,即先利用小波变换对图像进行分解,再基于同态滤波对小波低频系数进行图像灰度修正,同时对高频系数进行高通滤波,然后将处理后的小波低频系数和高频系数进行重构得到增强的图像,从而达到消除照度不均、增强缺陷细节信息的目的。最后利用最大类间方差法（Otsu法）确定自适应阈值提供给Canny算子进行边缘检测。结果 采用本文算法对钢板表面多类型低对比度表面微小缺陷进行研究,有效消除了光照不均;单一的Otsu阈值分割和Canny算子难以有效检测这些缺陷,而本文Otsu-Canny算法的正确检测率达96%。结论 采用小波-同态滤波进行图像增强处理后,再利用Otsu-Canny算法对钢板表面多类型、低对比度的微小缺陷进行边缘检测取得了良好效果。     

Automatic inspection system of LED chip using two-stages back-propagation neural network

This study proposed an automatic LED defect detection system to investigate the defects of LED chips. Such defects include fragment chips, scratch marks and remained gold on the pad area, scratch marks on the luminous zone, and missing luminous zone respectively. The system was based on positioning and image acquisition, appearance feature recognition, and defect classification. The normalized correlation coefficient method was used to locate the chip and acquire its image, the K-means clustering method was used to distinguish the appearance, pad area, and luminous zone of chips. In terms of pad area detection, histogram equalization was used to enhance the pad image contrast, and statistical threshold selection and morphological closing were applied to modify the impure points in the pad. Feature values of the pad area were then calculated. The optimal statistical threshold separated the luminous zone and background from the substrate. After processed with closing operation, features of the luminous zone were extracted. Finally, features of each part were clarified by an efficient two-step back-propagation neural network, where a designed appearance classifier and an internal structure classifier were used for recognition. From experiments, total recognition rate of this study achieved 97.83 %, proving that the detection method proposed by this study can efficiently detect LED chip defects.     

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。     

基于轻量化重构网络的表面缺陷视觉检测

基于深度学习的方法在某些工业产品的表面缺陷识别和分类方面表现出优异的性能,然而大多数工业产品缺陷样本稀缺,而且特征差异大,导致这类需要大量缺陷样本训练的检测方法难以适用.提出一种基于重构网络的无监督缺陷检测算法,仅使用容易大量获得的无缺陷样本数据实现对异常缺陷的检测.提出的算法包括两个阶段:图像重构网络训练阶段和表面缺陷区域检测阶段.训练阶段通过一种轻量化结构的全卷积自编码器设计重构网络,仅使用少量正常样本进行训练,使得重构网络能够生成无缺陷重构图像,进一步提出一种结合结构性损失和L1损失的函数作为重构网络的损失函数,解决自编码器检测算法对不规则纹理表面缺陷检测效果较差的问题;缺陷检测阶段以重构图像与待测图像的残差作为缺陷的可能区域,通过常规图像操作即可实现缺陷的定位.对所提出的重构网络的无监督缺陷检测算法的网络结构、训练像素块大小、损失函数系数等影响因素进行了详细的实验分析,并在多个缺陷图像样本集上与其他同类算法做了对比,结果表明重构网络的无监督缺陷检测算法有较强的鲁棒性和准确性.由于重构网络的无监督缺陷检测算法的轻量化结构,检测1 024×1 024像素图像仅仅耗时2.82 ms,...     

小波统计法的表面缺陷检测方法

针对铜带表面缺陷的特点,基于小波统计方法设计了对铜带表面缺陷检测的系统.首先把铜带表面图像分为互不重叠的子图像,再把子图像分为多个小波处理单元,对每个小波处理单元进行db4紧支集正交小波一级分解,在此基础上进行HotellingT2统计检测缺陷.最后利用支持向量机进行缺陷分类.实验中将基于小波的统计方法和基于灰度的差影法进行比较,结果证明本文提出的方法识别率高,特别对于用一般算法识别率较低的"起皮"缺陷达到96.7%的识别率.     

Anisotropic diffusion with generalized diffusion coefficient function for defect detection in low-contrast surface images

In this paper, an anisotropic diffusion model with a generalized diffusion coefficient function is presented for defect detection in low-contrast surface images and, especially, aims at material surfaces found in liquid crystal display (LCD) manufacturing. A defect embedded in a low-contrast surface image is extremely difficult to detect, because the intensity difference between the unevenly illuminated background and the defective region is hardly observable and no clear edges are present between the defect and its surroundings.The proposed anisotropic diffusion model provides a generalized diffusion mechanism that can flexibly change the curve of the diffusion coefficient function. It adaptively carries out a smoothing process for faultless areas and performs a sharpening process for defect areas in an image. An entropy criterion is proposed as the performance measure of the diffused image and then a stochastic evolutionary computation algorithm, particle swarm optimization (PSO), is applied to automatically determine the best parameter values of the generalized diffusion coefficient function. Experimental results have shown that the proposed method can effectively and efficiently detect small defects in various low-contrast surface images.     

基于机器学习算法的光伏组串故障诊断技术研究

常规缺陷检测方法中,主要依据光伏电站面板异常状态数据检测面板缺陷,检测结果存在着一定的随机性,导致缺陷检测结果不清晰。因此,利用了无人机影像技术,设计了光伏电站面板缺陷检测方法。提取出图像中的缺陷特征,结合无人机影像技术,通过灰度共生矩阵将缺陷图像与完整图像分割开来,识别可见光图像缺陷位置,并将缺陷图像放在光伏面板缺陷检测模型中进一步检测,使图像纹理特征与形状特征高度融合,从而实现光伏电站面板缺陷的精准检测。采用对比实验的方式,验证了该检测方法的检测置信度更高,检测精准度随之升高,能够应用于实际生活中。