基于机器视觉的铝型材表面瑕疵检测方法

铝型材的表面瑕疵影响其质量、外观以及安全性,如何准确、快速和高效地识别铝型材的表面瑕疵至关重要。为解决检测铝型材表面瑕疵的问题,提出一种基于机器视觉的铝型材表面瑕疵检测方法。该方法基于铝型材的瑕疵种类和特性,采用非线性的双边滤波,并对其定义域核函数作出空间域改进,改进后的滤波算法能够较好地抑制噪声,保留瑕疵边缘信息。预处理后采用改进的Canny算法对图像进行梯度计算并且通过非极大值抑制得到候选边缘,对缺陷进行定位。为了有效地对瑕疵进行分类,对其数据集进行数据增强,防止过拟合情况的发生,结合光照等外界因素对瑕疵特征的影响,采用HOG算法进行特征提取,并将卷积神经网络多层的特征与HOG特征进行融合,对卷积核采用相关系数法优化,解决传统HOG+SVM模型泛化能力和鲁棒性差的问题,铝型材表面瑕疵检测准确率提升至90.26%,平均每张测试集仅需58.34 ms,符合目前对铝型材表面质量检测的需求。