LBP与低秩分解的网状织物纹理缺陷检测方法

针对网状织物纹理复杂,缺陷检测难度大的问题,提出一种基于局部二值模式(LBP)与低秩稀疏矩阵分解的网状织物纹理缺陷检测方法.首先,采用等价旋转不变的局部二值模式算法提取网状织物纹理特征,获得纹理特征矩阵;其次,根据纹理特征矩阵构建低秩稀疏分解模型;最后,通过最佳阈值分割算法对网状织物低秩稀疏分解产生的显著图进行分割.实验结果表明,与K-奇异值分解(K-SVD)算法相比,该方法的平均准确率达到89.94%,平均召回率达到93.88%,分类总正确率达到92%以上。     

LBP与低秩分解的网状织物纹理缺陷检测方法

针对网状织物纹理复杂,缺陷检测难度大的问题,提出一种基于局部二值模式(LBP)与低秩稀疏矩阵分解的网状织物纹理缺陷检测方法.首先,采用等价旋转不变的局部二值模式算法提取网状织物纹理特征,获得纹理特征矩阵;其次,根据纹理特征矩阵构建低秩稀疏分解模型;最后,通过最佳阈值分割算法对网状织物低秩稀疏分解产生的显著图进行分割.实验结果表明,与K-奇异值分解(K-SVD)算法相比,该方法的平均准确率达到89.94%,平均召回率达到93.88%,分类总正确率达到92%以上。     

基于主结构提取与签名算法的织物缺陷检测

为解决目前基于图像处理的织物缺陷检测算法中,因织物组织纹理结构复杂、花型繁多造成的检测效果差的问题,提出一种基于主结构提取与图像签名算法的纹理织物缺陷检测方法。首先,使用改进的总变差模型去除织物纹理提取主结构;其次,利用高斯变换对待检测图像进行多尺度分解,构建高斯金字塔;然后根据视觉注意力机制提取颜色特征,通过图像签名算法对疵点进行显著性检测,最后利用自适应阈值的方法分割得到疵点区域。实验结果表明,算法可有效地提取各种织物的主结构,实现不同纹理织物图像的缺陷检测。     

基于改进SAE网络的织物疵点检测算法

针对传统织物缺陷检测手工提取特征困难,疵点样本有限的问题,结合卷积自编码器(CAE),提出一种基于Fisher准则的栈式去噪自编码器算法(FSDAE)。首先从原始图像中截取若干小块图像,采用稀疏自编码器(SAE)训练,得到小块图像的稀疏性特征;其次利用该特征,初始化CAE网络参数,提取原始图像的低维特征;最后将该特征数据送入FSDAE网络进行疵点检测分类。分别对3类织物进行测试,实验结果表明,算法能够有效地提取织物图像的分类特征,且通过加入Fisher准则,提高了织物疵点的检测率。     

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%。     

基于Mean Shift 滤波的织物疵点检测方法

为了实现自动织物疵点检测,提出了一种基于Mean Shift滤波的织物疵点检测方法。该算法首先求取织物样本的熵图像,反映原始图像信息的变化程度,然后对熵图像进行Mean Shift平滑滤波,达到去除噪声和增强织物疵点部分的目的,从而利于疵点的分割,最后对滤波后的图像进行阈值分割,得到二值化检测结果。对6种纹理织物进行处理,共检测出18种疵点,92.5%的疵点可以被成功检测并定位。另外,实验中还将Mean Shift滤波与Gabor滤波的检测结果进行了比较,结果表明Mean Shift滤波对某些类型的疵点的检测效果更为理想。     

基于LBP和HOG特征的图案织物缺陷检测

为解决图案织物缺陷检测时传统人工的误检率、漏检率较高的问题,提出一种基于局部二值模式(local binary pattern,LBP)和方向梯度直方图(histogram of oriented gradient,HOG)特征相结合的检测算法。首先,将织物图像分解为多个重复单元(repeat units,RUs),提取其LBP和HOG特征,并对特征降维;其次,根据标记每个RUs特征的类别和对应在织物图像上的位置训练支持向量机(SVM);最后,利用分类器判别RUs特征中有无缺陷,并定位出RUs在织物图像中的位置。实验结果表明,与灰度共生矩阵(GLCM)作为特征矩阵的方法相比,该算法对图案织物常见的6种缺陷图像可实现提高检测效率、缩短检测时间,获取准确位置的目的。     

基于背景估计的焊缝缺陷检测

针对射线检测图像中缺陷识别率低的问题,利用背景估计和差分运算来增强缺陷、抑制复杂背景和噪声。该方法首先利用Otsu分割获得的掩模图像提取焊缝区域;其次通过改进的中值滤波对焊缝区域进行背景估计,反背景差分获得含有缺陷的差分图像;随后根据缺陷与误检边缘处梯度方向的差异性,利用多方向多级梯度有效解决背景残余问题;最后通过自适应阈值分割将含有缺陷的差分图像二值化。实验结果表明,该方法具有较高的缺陷识别率,召回率和准确率分别达91.90%和 90.95%,在实际中具有较好的应用价值。     

基于特征融合的风机叶片表面缺陷检测模型

针对风机叶片表面缺陷检测识别率低、且易受光照影响的特点。提出一种基于卷积神经网络特征融合局部二值模式特征及核极限学习机的风机叶片表面缺陷检测方法。利用引入注意力机制的卷积神经网络提取图像深层次信息,然后提取描述图像浅层纹理信息的局部二值模式特征,采用主成分分析方法降低局部二值模式特征维度;将两种从不同层面描述图像的互补特征串行融合。用改进的麻雀搜索算法优化核极限学习机参数,利用融合的特征训练模型,得到最优模型进行缺陷识别。通过实验,在自建数据集训练后的分类准确率达到了97.5%,kappa系数达到95.1。相比利用单一特征检测,分类准确率有明显的提高。经风电场实际验证,本模型的平均分类准确率为96.3%,Kappa系数为94.5,漏报率明显降低。     

基于机器视觉的圆网印花机对花检测系统

针对圆网印花对花检测问题,提出利用机器视觉的方法来检测印染过程中对花误差的大小.首先介绍了印染织物图像的特点,并结合“错花”图像的特点,采用JSEG算法对织物图像进行分割;选取各颜色区域的边缘轮廓作为匹配的特征信息,通过两次基于Fourier-mellin变换的曲线匹配,完成误差的检测.最后给出了“错花”误差的计算结果...     

一种改进的印刷丝网布疵点快速检测算法

为提高印刷丝网布疵点检测的速度和准确性,提出了一种基于傅里叶变换和改进阈值分割的印刷丝网布疵点的检测算法。以无图案的印刷丝网布为研究对象,首先对采集到的印刷丝网布图像进行傅里叶变换,得到印刷丝网布图像的频谱图;然后利用Butterworth低通滤波器对频谱图像进行滤波,滤除傅里叶空间的高频分量;最后对逆变换得到的滤波图像进行改进的迭代法阈值分割,从而实现印刷丝网布的疵点检测。实验结果表明,该算法能够实现脏污、划痕、飞丝、破洞等常见疵点的快速准确检测。     

基于DCGAN和改进YOLOv5s的钢丝帘布缺陷检测方法

为解决钢丝帘布表面缺陷检测准确率低且泛化能力不强的问题,提出了一种基于DCGAN和改进YOLOv5s的缺陷检测方法。首先,通过调整DCGAN网络参数并优化超参数,使生成器能够生成具有丰富特征和清晰纹理的钢丝帘布缺陷图像,从而扩充数据集;其次,采用K-means++算法对钢丝帘布缺陷数据重新聚类锚框,以获得更优的锚框参数,实现锚框与实际缺陷的精确匹配;然后,在YOLOv5s主干网络中的C3模块添加坐标注意力机制,以增强模型的特征提取能力和精确定位能力;最后,引入MPDIoU损失函数替换YOLOv5s原损失函数,进一步提高检测精度。实验结果表明,在实测钢丝帘布缺陷数据集上,采用DCGAN数据增强和改进后的YOLOv5s检测模型,缺陷检测平均精度提高了6.6%,达到了89.4%,并且检测准确率和召回率也有所提高。与其他主流检测模型相比,该模型不仅在检测速度上提高了约30%,还保持较高的检测精度。在公开的NEU-DET数据集上,该模型的mAP值达到了82.6%,较原始YOLOv5s模型提高了3.8%。     

基于图像识别的铁路机车转向架螺栓紧固状态检测

为通过可视化图像分析手段辅助机务检修作业人员进行铁路机车转向架螺栓紧固状态检测,提出一种基于图像识别的铁路机车转向架螺栓紧固状态检测方法。首先,使用YOLOv7算法快速定位图像中的螺栓,利用深度学习算法的强鲁棒性和泛化能力,在机务检修各场景下准确获得包含螺栓及其定位漆的螺栓目标检测结果图像。其次,将螺栓目标检测结果图像转换至YCbCr空间,结合螺栓定位漆的色彩特征,提取Cr分量图像并应用自适应分割算法,有效滤除背景像素后得到仅包含螺栓定位漆的二值化图像。最后,针对螺栓定位漆的形状、位置和角度差异,提取Hu矩特征作为螺栓定位漆状态信息的定量表征,并结合SVM建立分类模型得到最终的螺栓紧固状态检测结果。实验结果表明,该方法充分利用了铁路机车转向架螺栓的特点,在保证螺栓目标检测准确率和螺栓定位漆分割精度的情况下,在所有场景下的铁路机车转向架螺栓紧固状态查准率为92.42%,查全率为94.55%,平均正确率为93.28%。     

改进 YOLOv5 网络的带钢表面缺陷检测方法

带钢表面缺陷检测已成为保证带钢生产质量的重要环节之一。 针对当前带钢缺陷检测算法精度有待提高等问题,提出 了一种基于 YOLOv5 网络改进的算法模型 MT-YOLOv5。 首先在主干网络中引入 Transformer 自注意力机制,使主干网络更聚焦 于图像全局特征信息的提取;其次采用 T-BiFPN 网络结构,将 Transformer 层与 BiFPN 网络结构相结合,进一步增强了图像浅层 特征信息与深层特征信息的融合;然后引入改进后的轻量化网络 RepVGG 替换主干网络中的部分卷积层,增强主干网络的特征 提取能力;最后增加预测层,检测不同尺度的目标。 实验结果表明,MT-YOLOv5 算法在 NEU-DET 数据集上的均值平均精度 (mAP)达到了 82. 4%,较原 YOLOv5s 算法提高了 5. 3%,检测速度为 65. 4 fps,更好地均衡了检测速度与检测精度。     

基于多特征融合的红外弱小目标检测

为解决红外弱小目标检测领域中基于单类先验知识的人类视觉系统检测方法检测准确率低、虚警率高以及显著图计算复杂等问题,提出一种在复杂背景条件下对红外弱小目标多种特性进行融合处理的检测方法。通过融合红外弱小目标的局部灰度值大、自身灰度信息符合二维高斯分布以及与邻域相似度低的三大特性,利用协方差检测和相似度对比计算得到显著图,对显著图进行简单阈值分割得到真实目标。对不同复杂背景和不同数据类型的红外源图像进行弱小目标检测实验,结果表明:与基线算法相比本文所提算法检测结果背景抑制因子和信杂比增益均提高2~3倍,交并比为HVS类方法最优,ROC曲线在较低虚警率时获得最高检测准确率。本文方法将红外源图像中弱小目标多个特性进行有效融合,提高检测精度的同时降低了显著图计算复杂度,在不同复杂背景和杂波干扰的情况下仍能取得较好的目标定位和背景抑制效果。     

基于空-频域映射与虚警抑制的弱小目标检测算法

为了有效控制红外弱小目标检测过程中的虚警率,提高复杂云背景下的目标检测准确度,提出了基于空域-频域映射与虚警抑制的弱小目标检测算法。根据红外中心像素不同方向上的强度值,构建了方向最大中值滤波器,有效消除噪声;并利用中心像素与其邻域像素的强度差异,形成背景抑制滤波,充分增强弱小目标;考虑云区域的特有属性,联合非线性滤波,定义了云区域识别机制,提取空域映射;引入Butterworth差异低通滤波器,对去噪图像中的显著目标完成初步识别;基于其幅度信息,进行显著目标的精细检测;再利用细显著性检测结果,计算阈值,利用二值分割方法来获取去噪红外图像的频域映射;联合空域映射与频域映射,提取红外图像中的候选目标;根据真实动目标与虚警之间的运动特征差异,利用多尺度改进的管道滤波来抑制虚警,准确识别出真实目标。实验数据表明,相对于已有的弱小目标识别方案,所提方案能够准确地识别出真实目标,拥有更好的ROC特性曲线。     

基于SIFT算法的疵病图像配准

光学技术的发展对光学元件提出了更高的要求,检测的精度和准确性是其重要的部分,而疵病图像的配准是一个很重要的环节,因此对疵病图像的配准进行研究很有必要。针对疵病图像配准算法进行了阐述,并对基于特征点匹配的SIFT算法的原理及过程进行了介绍,用MATLAB软件进行编程,搭建实验平台获取疵病图像,并采用尺度不变特征变换（SIFT）算法对所获取的疵病图像进行配准、拼接,得到了完整的疵病图像。实验结果表明,该算法能有效地对疵病图像进行配准,为后续的疵病信息提取打下良好的基础。     

基于机器视觉的拆回旧电表参数信息检测技术研究

针对拆回旧智能电能表的回收分类存在人工检定准确率不高、效率低下的问题,提出了一种基于机器视觉的参数信息检测方法,通过检测智能电能表的额定参数信息,完成电能表的分类回收工作。在以C#与Halcon为软件平台建立智能电能表图像检测系统的基础上,采用Blob分析算法,对图像进行ROI(感兴趣区域)提取,采用直方图均衡化对提取后的图像进行处理,以增强背景与目标区域之间的对比度,获取质量较高的电能表图片,通过OTSU算法对Canny边缘检测算法进行改进,提高图像阈值范围的自适应性,获取更完整的图像外观轮廓,最后对图像进行字符分割处理,得到电能表的额定参数信息。经过实验验证,该方法能够准确检测识别电能表铭牌的额定参数信息,实验数据显示检测准确率达99.5%,平均每台电能表检测耗时0.62 s,很大程度上节省了电能表分类工作的检定时间,提升了工作的效率与准确性。