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。     

带钢表面缺陷图像的增强和分割方法

对带钢表面缺陷进行检测时,由于光照不均匀,将导致缺陷难以识别和分割.针对此问题,提出了改进的图像增强与分割方法.首先,利用自适应二维高斯函数对图像背景进行估计,并结合图像的像素运算均匀图像背景灰度;然后,采用灰度变换函数提高缺陷区域与背景的对比度,增强细节信息;最后,采用最大相关准则方法选取阈值对缺陷图像进行分割.实验...     

低信噪比小检测目标光学薄膜缺陷图像分割算法研究*

结合测量误差分析理论,提出一种新的高效的图像分割算法,将薄膜的连续图像采样过程看做等精度测量过程,背景图像认为仅存在随机误差,缺陷像素视做粗大误差。算法在起始阶段通过连续多次采样建立标准背景图像,并统计各像素位置的灰度标准差,然后将实时待测图像中的每个像素与标准背景像素进行减法运算,以3σ作为检测判据,从而将缺陷的检测与分离等效为粗大误差的判别与剔除问题;同时,考虑缺陷像素点的空间分布特征,将上述过程扩展到像素邻域范围,以二维分割阈值取代一维阈值,对离散噪声有明显的抑制作用。实验结果表明,该算法运算速度快,对低对比度图像适应性好,对噪声不敏感,可实现对不同种类缺陷的准确、完整分割,适于实时光学薄膜检测应用。     

基于缺陷比例限制的背景差分钢轨表面缺陷检测方法

针对钢轨表面图像具有的光照不均匀、可识别特征有限、对比度低、反射特性易变等特性,提出基于缺陷比例限制的背景差分钢轨表面缺陷检测方法。该方法主要包括轨面图像预处理、背景建模与差分、缺陷比例限制滤波、缺陷比例限制最大熵阈值分割和连通区域标记5个步骤。首先结合轨面图像列灰度均值和列灰度中值进行快速背景建模,将预处理后的图像与背景图像进行差分操作;其次利用轨面图像缺陷占比较低的特征对差分图进行缺陷比例上限的阈值截断,以增强差分图的对比度;随后利用此特征改进最大熵阈值分割,采用自适应加权因子对目标熵进行全局可变加权,并选择出一个合适的阈值使熵值最大化,使得在保留真实缺陷的同时减弱诸如阴影、锈迹等噪声的干扰;最后利用连通区域标记法对阈值分割后的二值图像中的缺陷区域进行统计,并把缺陷面积低于钢轨损伤标准的区域判定为噪声并进行去除,以实现钢轨表面缺陷检测。仿真实验结果表明,新方法可以对钢轨表面缺陷进行很好的检测,其检测结果的召回率、精确率和加权调和平均值分别达到94.19%、88.34%和92.96%,平均错误分类误差值为0.006 4,具有一定的实用价值。     

基于缺陷比例限制的背景差分钢轨表面缺陷检测方法

针对钢轨表面图像具有的光照不均匀、可识别特征有限、对比度低、反射特性易变等特性，提出基于缺陷比例限制的背景差分钢轨表面缺陷检测方法。该方法主要包括轨面图像预处理、背景建模与差分、缺陷比例限制滤波、缺陷比例限制最大熵阈值分割和连通区域标记5个步骤。首先结合轨面图像列灰度均值和列灰度中值进行快速背景建模，将预处理后的图像与背景图像进行差分操作；其次利用轨面图像缺陷占比较低的特征对差分图进行缺陷比例上限的阈值截断，以增强差分图的对比度；随后利用此特征改进最大熵阈值分割，采用自适应加权因子对目标熵进行全局可变加权，并选择出一个合适的阈值使熵值最大化，使得在保留真实缺陷的同时减弱诸如阴影、锈迹等噪声的干扰；最后利用连通区域标记法对阈值分割后的二值图像中的缺陷区域进行统计，并把缺陷面积低于钢轨损伤标准的区域判定为噪声并进行去除，以实现钢轨表面缺陷检测。仿真实验结果表明，新方法可以对钢轨表面缺陷进行很好的检测，其检测结果的召回率、精确率和加权调和平均值分别达到94.19%、88.34%和92.96%，平均错误分类误差值为0.006 4，具有一定的实用价值。     

基于视觉显著性的零件缺陷检测

为了提高零件缺陷检测的准确率,提出了一种基于视觉显著性算法的零件缺陷检测方法。首先将采集零件缺陷图像进行高斯差分滤波,以最大程度消除背景信息的干扰。然后对高斯差分滤波后的零件缺陷图像进行超像素分割,并利用全局图像对比方法构建超像素图像显著图,从而有效的提高缺陷的显著性。最后,采用最大类间方差法分割缺陷。试验表明该方法能提高零件缺陷的检测准确率。     

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。     

炭素制品x射线图像缺陷的自动提取与分割

针对炭素制品X射线检测图像的特点，对其缺陷提取技术进行了研究。首先设计了目标边界提取和基于小波变换的图像增强算法，实现了原始图像中目标区域的增强及其背景的去除。在此基础上，提出对不同的缺陷类型，可分别通过两条途径来实现：一是采用小波变换提取缺陷边缘，二是采用数学形态学结合迭代阈值法提取缺陷区域。实验结果表明，两者均较好地实现了缺陷的自动提取与分割，为缺陷特征参数的提取与选择奠定了良好的基础。     

基于改进分水岭算法的硅片缺陷提取方法

为了提取硅片表面的缺陷,对其缺陷的提取技术进行了研究,提出了改进水分岭算法进行缺陷提取.该方法首先利用形态滤波对缺陷图像进行滤波,并对滤波后梯度图像进行平滑,在去除噪声的同时很好的保持物体轮廓和细节;为了克服分水岭算法的过度分割问题,利用区域强度准则和边界强度准则对过分割区域合并,很好的解决了过分割问题.实验表明,该方法可以提取精确且封闭的缺陷边缘轮廓,为进一步的缺陷特征量的提取奠定了基础.     

焊缝缺陷识别系统实现

文章提出了一种对金属构件焊缝缺陷识别和分类的方法，该方法在实现图像预处理时利用中值滤波有效地消除了图像随机噪声，并用边缘检测法进行图像分割，在此基础上进行特征提取，达到了比较好的识别效果。     

基于离散小波变换的织物疵点检测方法

提出了一种基于离散小波变换的织物疵点检测新方法。首先通过对采集织物图像进行小波变换,然后把子图分割为相互连接、互不交叠的子窗口,计算每个子窗口小波系数的标准差作为特征值,最后对这些特征值再次计算标准差与极差,以此作为依据与正常织物进行比较,实现对织物疵点的检测。通过对不同疵点进行检测实验,证明了该算法是可行有效的,检测的正确率平均可达90%以上。     

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。     

基于机器视觉的珍珠图像采集及缺陷检测

针对珍珠表面图像采集和缺陷检测中存在的特殊问题,采用穹顶形散射光源以减小珍珠的光斑效应并提高图像质量,设计了珍珠自由落体状态下准同步方式的多幅图像获取方案,提出了用基于距离变换的自适应非线性滤波器来增强缺陷区域的对比度,对增强后的图像通过区域生长提取可疑缺陷区域,在光斑及光晕的空间分布模型上利用形态学方法去除了光斑－光晕区域,最后提取出缺陷的纹理特征、几何形状等特征参数。实验表明,该方案和算法能有效地实现珍珠表面缺陷检测。     

基于机器视觉的护套编织线缺陷检测系统设计

针对导线编织护套在编织过程中存在的几种缺陷问题进行分析.利用滤波的方式获得清晰图片,由于采集过程为动态过程,需对图像坐标进行校对,并结合模板的基准坐标进行图像分割.针对编织线表面存在的黑斑、色差等缺陷问题制定模板图像,通过对实时检测的图像与模板图像进行比对运算得到差异图像,再对差异图像进行二值化处理和滤波得到差异特征,差异特征的区域和大小与设定的差异阈值比对,来判定实时图像是否存在缺陷.针对编织过程中经常出现的毛球缺陷进行分析,利用边缘检测、二值化处理和模板比较的方式得到边缘外的信息,根据其形状及面积大小与设定阈值的比对判定是否存在缺陷.经过对实时图像进行多次试验,其结果均能够准确地判断出编织线的缺陷问题.     

基于形态学重建滤波的脑部磁共振图像分割

在阐述形态学基本原理、形态学重建滤波原理和方法的基础上,提出了形态学交变序列重建滤波,并应用于脑部磁共振图像分割。试验结果表明,该方法能有效地滤除无用的信息而保留图像原始形状不变。再应用形态学梯度运算、测地距离和流域变换方法就能准确地分割出脑部磁共振图像的头盖骨和脑膜。     

CATALOG: a system for detection and rendering of internal log defects using computer tomography

This paper describes the design and implementation of a machine vision system CATALOG for detection and classification of some important internal defects in hardwood logs via analysis of computer axial tomography (CT or CAT) images. The defect identification and classification in CATALOG consists of two phases. The first phase comprises of the segmentation of a single CT image slice, which results in the extraction of 2D defect-like regions from the CT image slice. The second phase comprises of the correlation of the 2D defect-like regions across CT image slices in order to establish 3D support. The segmentation algorithm for a single CT image is a complex form of multiple-value thresholding that exploits both, the prior knowledge of the wood structure within the log and the gray-level characteristics of the image. The algorithm for extraction of 2D defect-like regions in a single CT image first locates the pith of the log cross section, groups the pixels in the segmented image on the basis of their connectivity and classifies each 2D region as either a defect-like region or a defect-free region using shape, orientation and morphological features. Each 2D defect-like region is classified as a defect or non-defect via correlation across corresponding 2D defect-like regions in neighboring CT image slices. The 2D defect-like regions with adequate 3D support are labeled as true defects. The current version of CATALOG is capable of 3D reconstruction and rendering of the log and its internal defects from the individual CT image slices. CATALOG is also capable of simulation and rendering of key machining operations such as sawing and veneering on the 3D reconstructions of the logs. The current version of CATALOG is intended as a decision aid for sawyers and machinists in lumber mills and also as an interactive training tool for novice sawyers and machinists. Received: 1 August 1997 / Accepted: 25 August 1999     

A computer-aided diagnosis system for malignant melanomas

The aim of this study is to provide an efficient way to segment the malignant melanoma images. This method first eliminates extra hair and scales using edge detection; afterward, it deduces a color image into an intensity image and approximately segments the image by intensity thresholding. Some morphological operations are used to focus on an image area where a melanoma boundary potentially exists and then used to localize the boundary in that area. The distributions of texture and a new feature known as AIBQ features in the next step provide a good discrimination of skin lesions to feature extraction. Finally, we rely on quantitative image analysis to measure a series of candidate attributes hoped to contain enough information to differentiate malignant from benign melanomas. The selected features are applied to a support vector machine to classify the melanomas as malignant or benign. By our approach, we obtained 95 % correct classification of malignant or benign melanoma on real melanoma images.     

一种结合形状与纹理特征的植物叶片分类方法

根据植物叶片识别植物种类对于生物科学与生态科学具有重要的辅助作用。针对叶片分类,提出了一种基于形状与纹理特征的分类算法。在进行了去噪等预处理后,通过阈值分割和数学形态学方法获取叶片区域;在分割得到的二值区域图像上提取了形状特征,在灰度图像上提取了纹理特征;在所得特征的基础上,利用BP网络对叶片进行分类。在实际图片上的实验结果表明,相比于已有算法,该方法可以达到更高的正确分类率。     

基于水平集的不规则透明表面缺陷检测设计

针对图像采集中,缺陷的灰度值和背景几乎不可区分,导致图像的低对比度的问题,目前,常规的表面缺陷检测图像预处理中常用阈值化和边缘检测技术,易出现漏检现象,即不适用于检测不规则表面边界处的细微瑕疵.为解决这一问题,从低对比度透明材料图像的非高斯统计特性出发,研究提出利用水平集智能分割具有复杂形状的目标对象,并利用小波变换进行缺陷特征提取的高效的智能缺陷检测方法.测试表明,所提出的基于水平集和小波变换的不规则表面缺陷检测系统的有效性,克服了检测区域边缘处的漏检缺陷问题.