改进的精密机械加工零件表面缺陷检测算法

对加工表面纹理缺陷进行可靠的检测分析可以有效提高机械加工零件表面精加工的水平。基于计算机视觉技术对机械加工零件表面实现自动缺陷检测,由于机械加工零件表面纹理的特殊性,常用的灰度图像分割方法对机械加工零件表面缺陷的检测不适用;且其表面的缺陷信息无法预先得知,其图像分割是一个非监督纹理分割问题,对此提出了一种改进的模糊聚类缺陷检测算法,实现了对机械加工零件表面缺陷的自动化检测,实验结果证明了该算法的可行性。     

基于Gabor小波变换的帘子布疵点检测研究

Gabor小波变换已经成功地应用到各种机器视觉实例中,如纹理分割、边缘检测等。给出了一种基于多通道Gabor滤波器技术实现高速实时帘子布疵点检测方法。在多尺度多方向上分别对具有规则纹理结构的织物图像进行Gabor滤波,并对滤波后的多幅子图像进行融合分割处理,将疵点从织物背景中分割出来,从而实现对织物疵点的实时检测。该方法用于帘子布的缺陷检测,具有识别能力强、实时性好等优点,实验结果证明该方法是有效可行的。这种方法也可以用于检测有规则纹理结构的表面及物体。     

带钢缺陷图像的自动阈值分割研究

文章根据带钢缺陷图像的特点,提出了基于灰度统计特性的图像边缘检测方法,结合纹理检测、聚类分析,实现了对带钢缺陷图像的自动阈值分割。实验结果表明,该方法具有在精度和速度方面的优势,适合对带钢表面图像的缺陷进行实时检测。     

Gabor小波变换在帘子布疵点检测中的应用

给出一种基于多通道Gabor滤波器技术实现高速实时帘子布疵点捡测方法。在多尺度多方向上分别对具有规则纹理结构的织物图像进行Gabor滤波,并对滤波后的多幅子图像进行融合分割处理,将疵点从织物背景中分割出来,从而实现对织物疵点的实时检测。该方法用于帘子布的缺陷检测,具有识别能力强,实时性好等优点。可以用于检测有规则纹理结构的表面及物体。     

基于小波分解的带钢缺陷检测

带钢缺陷是带钢质量检验的重要组成部分,通过相关的理论分析,本文提出了一种基于小波分解的带钢缺陷检测方法。首先对带钢图像进行小波分解;然后,选择子图进行融合,从而有效地抑制了背景纹理信息;在此基础上,对带钢的融合图像进行图像分割和形态学滤波,实现对带钢缺陷的位置和面积的准确检测。实验结果表明,该检测方法是有效的。     

基于图像的颗粒物检测研究

针对复杂背景下的显微图像中的颗粒物检测,提出了一种快速、准确的颗粒图像分割新方法;该方法利用Canny算子得到图像中的颗粒边缘,采用格雷厄姆法计算颗粒边缘的凸壳,得到局部闭合区间;通过对单个闭合计区间内像素值信息的统计,得到局部阈值,利用局部阈值进行阈值分割得到颗粒二值图像;实验结果表明该方法有效克服了背景中纹理的影响,准确地分割出了颗粒图像,基于该算法开发的接触式表面洁净度检测仪具有较高的检测精度,得到了较好的应用。     

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。     

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。实验结果表明,与典型的图像增强和分割方法相比,所提出的方法表现优异,对非均匀光照下带钢表面缺陷图像的识别与分割具有较好的应用价值。     

融入结构张量和活动轮廓的硅钢表面缺陷分割

为了解决在纹理背景下冷轧硅钢表面缺陷的分割问题,提出了基于局部信息结构张量和活动轮廓模型的硅钢表面缺陷分割方法。将图像的局部信息引入到结构张量中;在结构张量提取的特征空间中,以KL距离作为区域的概率密度相似性度量建立分割图像的活动轮廓模型;采用Split-Bregman数值解法对模型进行求解。运用提出的分割方法对硅钢表面的一些常见缺陷如纵向划伤、横向划伤、异物和孔洞等进行分割实验。实验结果表明,该方法可以准确地分割出硅钢表面缺陷区域,验证了该方法的有效性。     

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。     

Fault segmentation in fabric images using Gabor wavelet transform

Gabor wavelets have been successfully applied for a variety of machine vision applications such as Texture segmentation, Edge detection, Boundary detection etc. As the Fourier transform is not suitable for detecting local defects, and the Wavelet transforms posses only limited number of orientations, Gabor wavelet transform is chosen and applied to detect the defects in fabrics. Gabor filters scheme that imitates the early human vision process is applied to the sample under inspection. Defects can be automatically segmented from the regular texture by applying the proposed method. Proper thresholding ensures segmentation of the defect from the texture background. The results obtained using this method confirms its efficiency. This can also be applied to detect defects on surfaces and materials that have regular periodic texture.     

基于图像融合的木板表面缺陷特征提取方法研究

木材和实木家具表面在生产过程中有时会出现裂纹、凹点等缺陷,不同纹理背景和油漆反光会给缺陷识别带来很大困难。为了识别木板表面缺陷,通过光源对同一木板表面在4个不同角度照明并获取相应的4幅图像,组成图像序列,以获得更丰富的细节信息。提出一种基于主元分析法的图像序列融合方法,其融合了一组图像序列所包括的4幅图像的互补性信息,获取的融合结果可使缺陷特征更加明显。该方法引入了主元子空间之间的概念,可以在保留原有数据信息特征的基础上,提取主要信息。实验结果表明,基于主元分析方法的图像序列融合能更好地提取木板表面缺陷特征。所获得的特征图像可用于下一步对缺陷进行自动识别和分类。     

Defect detection in inhomogeneously textured sputtered surfaces using 3D Fourier image reconstruction

Texture analysis techniques have been used extensively for surface inspection, in which small defects that appear as local anomalies in textured surfaces must be detected. Traditional surface inspection methods are mainly concentrated on homogeneous textures. In this paper, we propose a 3D Fourier reconstruction scheme to tackle the problem of surface inspection on sputtered glass substrates that contain inhomogeneous textures. Such sputtered surfaces can be found in touch panels and liquid crystal displays (LCDs). Since an inhomogeneously textured surface does not have repetition, self-similarity properties in the image, a sequence of faultless images along with the inspection image are used to construct a 3D image so that the periodic patterns of the surface can be observed in the additional frame-axis. Bandreject filtering is used to eliminate frequency components associated with faultless textures in the spatial domain image, and the 3D inverse Fourier transform is then carried out to reconstruct the image. The resulting image can effectively remove background textures and distinctly preserve anomalies. This converts the difficult defect detection in complicated inhomogeneous textures into a simple thresholding in nontextured images. Experimental results from a number of sputtered glass surfaces have shown the efficacy of the proposed 3D Fourier image reconstruction scheme.     

Wavelet-based defect detection in solar wafer images with inhomogeneous texture

Solar power is an attractive alternative source of electricity. Multicrystalline solar cells dominate the market share owing to their lower manufacturing costs. The surface quality of a solar wafer determines the conversion efficiency of the solar cell. A multicrystalline solar wafer surface contains numerous crystal grains of random shapes and sizes in random positions and directions with different illumination reflections, therefore resulting in an inhomogeneous texture in the sensed image. This texture makes the defect detection task extremely difficult. This paper proposes a wavelet-based discriminant measure for defect inspection in multicrystalline solar wafer images.The traditional wavelet transform techniques for texture analysis and surface inspection rely mainly on the discriminant features extracted in individual decomposition levels. However, these techniques cannot be directly applied to solar wafers with inhomogeneous grain patterns. The defects found in a solar wafer surface generally involve scattering and blurred edges with respect to clear and sharp edges of crystal grains in the background. The proposed method uses the wavelet coefficients in individual decomposition levels as features and the difference of the coefficient values between two consecutive resolution levels as the weights to distinguish local defects from the crystal grain background, and generates a better discriminant measure for identifying various defects in the multicrystalline solar wafers. Experimental results have shown the proposed method performs effectively for detecting fingerprint, contaminant, and saw-mark defects in solar wafer surfaces.     

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。     

基于纹理特征的磁片表面刀纹缺陷检测

表面缺陷检测在工业生产中对产品质量可以起到有效的监督控制作用,而目前对磁性材料表面刀纹缺陷检测的方法各自存在自身的局限性,如成本过高、检测速度太慢而不能满足工业生产中实时检测的需求等。为了能够达到实时稳定的检测磁片表面刀纹缺陷的目的,本文借助于计算机工业视觉系统,基于纹理特征,通过图像预处理,采用增强缺陷部分并抑制背景部分的方法,使得各种缺陷具有了统一性,从而能设计适合的掩模来提取出缺陷部分,实现了对磁片表面刀纹缺陷的检测。实验结果表明,采用本文提出的方法可以实时完成对磁片表面刀纹缺陷的检测并且对于多种缺陷类型都适用。     

周期纹理背景中的表面缺陷检测技术

基于机器视觉原理的自动光学表面缺陷检测技术是当今工业生产中在线检测表面缺陷的一种新的技术方法,是精密制造与组装工业过程中保证零部件表面质量的重要检测手段.以液晶面板TFT阵列表面缺陷自动光学检测为例,介绍了表面缺陷自动光学检测的基本组成原理,阐述了周期纹理背景表面上的表面缺陷检测方法、缺陷信息处理的基本过程与实用算法.针对表面缺陷检测图像处理技术难题,详细论述了表面缺陷扫描图像中的周期纹理背景傅里叶变换频域滤波方法、缺陷分割双阈值统计控制法,并用实验结果给出了例证.     

基于傅里叶变换的随机纹理瓷砖的高精度表面缺陷检测

针对经典缺陷检测算法不能很好地提取随机纹理瓷砖图像的缺陷的问题,提出一种基于傅里叶变换的随机纹理瓷砖表面缺陷高精度检测方法。在此基础上,完成了瓷砖表面缺陷检测硬件系统设计。对采集的瓷砖图像,首先利用傅里叶变换得到频率谱图像,然后研究截止频率参数对滤波的影响,设计最优化滤波器进行滤波,再通过傅里叶逆变换获得重构图像,达到抑制背景纹理信息,加强缺陷区域信息的目的,最后通过阈值化和形态学操作获得缺陷区域。实验结果表明: 本方法对不同的随机纹理瓷砖样本进行缺陷检测的准确率高,在瓷砖缺陷检测中具有较高的实用价值。     

A smart surface inspection system using faster R-CNN in cloud-edge computing environment

Automated surface inspection has become a hot topic with the rapid development of machine vision technologies. Traditional machine vision methods need experts to carefully craft image features for defect detection. This limits their applications to wider areas. The emerging convolutional neural networks (CNN) can automatically extract features and yield good results in many cases. However, the CNN-based image classification methods are more suitable for flat surface texture inspection. It is difficult to accurately locate small defects in geometrically complex products. Furthermore, the computational power required in CNN algorithms is usually high and it is not efficient to be implemented on embedded hardware. To solve these problems, a smart surface inspection system is proposed using faster R-CNN algorithm in the cloud-edge computing environment. The faster R-CNN as a CNN-based object detection method can efficiently identify defects in complex product images and the cloud-edge computing framework can provide fast computation speed and evolving algorithm models. A real industrial case study is presented to illustrate the effectiveness of the proposed method. The results show that the proposed method can provide high detection accuracy within a short time.