梯度空间下的丝饼表面缺陷检测

为解决工业生产中人工检测丝饼表面缺陷效率低、漏检率高的问题,提出了一种在梯度空间下根据图像信息熵变化和能量分布的差异来检测丝饼表面缺陷的方法。首先设计一套基于机器视觉的丝饼图像采集装置,用于获取传输过程中的丝饼表面图像;然后将丝饼图像转换到梯度空间域,构建一个信息熵和能量的组合特征用来表征缺陷,选择适当的临界阈值区分丝饼缺陷区域与正常区域;最后对分割出的丝饼缺陷利用形态学处理得到最终的检测结果。实验结果表明,该方法对丝饼表面污渍、压痕、起毛等缺陷具有较好的检测效果,缺陷识别准确率高、速度快,可满足工厂对检测准确性和实时性的要求,实现丝饼表面缺陷的自动化检测。     

基于树莓派的深度学习色织物疵点检测研究

研究基于树莓派的深度学习色织物疵点检测效果。设计了一种基于树莓派的深度学习疵点检测系统。采用多线程并发执行思路,将系统任务划分为图像采集、图像处理和人工交互三个线程;采用改进的Inception-v3模型图像处理算法,实现了织物图像疵点检测和分类;通过人工交互界面,实时显示系统的运行数据,根据色织物疵点报警停车。结果表明:该系统实现了色织物疵点检测和分类,平均准确率达94%。认为:该织物疵点检测方法可达到工业现场在线检测的要求。     

融合颜色和边缘特征的织物图像检索算法

为解决单一特征检索精度不高的问题,提出一种基于分块颜色直方图和边缘方向直方图的检索算法。将图像转换到HSV颜色空间,并进行图像分块得到子块颜色特征;通过Canny算子提取图像边缘信息,获得边缘方向特征;利用卡方距离分别度量颜色特征与边缘特征的相似性,实现图像检索。该算法对织物图像的平均检索查准率达80.83%。认为:该织物图像检索系统对织物检索有较高针对性,能够获得较好的检索效果。     

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。     

墙面发霉的原因及对策

指出墙面霉菌不仅影响居室的美观,也给人们的身心健康带来极大的危害,从霉菌的生长繁殖条件、墙面发霉的原因、位置及对策等几方面进行分析论述,以期对大家的防霉除霉有所帮助。     

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。