CN104198497B - 一种基于视觉显著图和支持向量机的表面缺陷检测方法 - Google Patents
一种基于视觉显著图和支持向量机的表面缺陷检测方法 Download PDFInfo
- Publication number
- CN104198497B CN104198497B CN201410464490.0A CN201410464490A CN104198497B CN 104198497 B CN104198497 B CN 104198497B CN 201410464490 A CN201410464490 A CN 201410464490A CN 104198497 B CN104198497 B CN 104198497B
- Authority
- CN
- China
- Prior art keywords
- visual saliency
- saliency map
- visual
- support vector
- vector machine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000000007 visual effect Effects 0.000 title claims abstract description 50
- 230000007547 defect Effects 0.000 title claims abstract description 24
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 239000000284 extract Substances 0.000 abstract description 4
- 230000002950 deficient Effects 0.000 abstract description 2
- 239000004744 fabric Substances 0.000 description 7
- 238000011160 research Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000004753 textile Substances 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于视觉显著图和支持向量机的表面缺陷检测方法，首先对待检测产品表面图像样本，采用GBVS模型计算其视觉显著图，通过最大类间方差法将视觉显著图进行自适应阈值分割，提取视觉显著区，计算视觉显著图灰度平均值、显著图中视觉显著区域的灰度平均值，并各自进行归一化处理，构成二维特征，再将上述所得视觉显著图的二维特征作为支持向量机训练样本，选取二维情况下实现分类的最优分类线，基于该最优分类线，对二维特征进行分类，从而区分图像中的产品是否存在缺陷。本发明能够有效节省劳力，降低劳动强度，提高工作效率，且辨识精度高。
Description
技术领域
本发明涉及一种表面缺陷检测方法，具体涉及一种基于视觉显著图和支持向量机的表面缺陷检测方法。
背景技术
在纺织、金属等生产领域，如何能够及时发现并解决产品表面的缺陷，是一个广受关注的问题。目前国内生产厂家大多采用人工目测方法来完成检测工作，这种方法劳动强度大，工作效率低，且易受检测人员主观因素影响。因此，自动表面缺陷检测技术的研究具有重要意义。
视觉显著性模型是近年来国内外学者研究的热点之一，广泛应用于遥感、冶金、纺织、农业生产等领域。此模型模仿人类视觉注意机制，通过视觉认知机制整合图像特征，从而获取特征显著图像。对于产品表面缺陷检测，视觉显著性的使用也必然推进了表面缺陷自动检测设备的研究。
发明内容
本发明的发明目的是提供一种基于视觉显著图和支持向量机（Support VectorMachine，SVM）的表面缺陷检测方法，能够有效节省劳力，降低劳动强度，提高工作效率，且辨识精度高。
为达到上述发明目的，本发明采用的技术方案是：一种基于视觉显著图和支持向量机的表面缺陷检测方法，包括如下步骤：
（一）对视觉显著图提取特征：
（1）将待检测产品的n幅表面图像样本，利用视觉显著性（Graph-based VisualSaliency，GBVS）模型计算其视觉显著图；
（2）通过最大类间方差法将步骤（1）中所得视觉显著图进行自适应阈值分割，提取其视觉背景区域；
（3）计算视觉显著图的全局显著关联值、背景区域显著关联值，并各自进行归一化处理，构成二维特征：
（二）样本训练：
将步骤（一）所得n幅视觉显著图的二维特征作为支持向量机训练样本，选取二维情况下实现分类的最优分类线；
（三）缺陷检测：
（1）采集待检测产品的表面图像；
（2）将待检测产品的表面图像，利用步骤（一）所述方法，提取其二维特征；
（3）基于步骤（二）所得最优分类线，对二维特征进行分类，从而区分图像中的产品是否存在缺陷。
上述技术方案中，所述步骤（一）中，所计算的全局显著关联值为视觉显著图的灰度平均值，背景区域显著关联值为视觉背景区域的灰度平均值。
上述技术方案中，所述步骤（三）中，采用线性图像控制器（Charge-coupledDevice，CCD）相机采集待检测产品的表面图像。
由于上述技术方案运用，本发明与现有技术相比具有下列优点：
本发明通过视觉显著模型与最大类间方差法相结合，提取出准确的视觉显著区域，由灰度显著图提取的二维特征，特征典型、区分明显且计算量下，利用SVM算法对显著图进行分类，兼顾训练误差与测试误差的最小化，选取最优分类线，达到了很高的分类准确率。
附图说明
图1是实施例一中本发明的流程图。
图2是实施例一中待检测图像及其视觉显著图、视觉显著二值图。
图3是实施例一中SVM分类器对有无缺陷表面图像的分类结果图。
具体实施方式
下面结合附图及实施例对本发明作进一步描述：
实施例一：参见图1所示，一种基于视觉显著图和支持向量机的表面缺陷检测方法，包括如下步骤：
（一）对视觉显著图提取特征：
（1）对待检测产品的250幅表面图像样本，采用GBVS模型计算其各自的视觉显著图；如图2（a）所示，表示原布匹图像，通过提取亮度特征和方向特征，利用GBVS模型得到每幅图像的视觉显著图，如图2（b）所示。
（2）通过最大类间方差法（OTSU）将步骤（1）中所得视觉显著图进行自适应阈值分割得二值图，提取其视觉背景区域，如图2（c）所示；
设图像中灰度为的像素数为，灰度范围为图中像素被阈值分成两类和，两区域的总方差为
(1)
其中，为区域和的概率，为区域和的平均灰度。
则在内，使得最大的值便是最佳区域分割值。则二值图为
(2)
其中，值为0的区域就是视觉背景区域，如图2（c）黑色区域。令此区域对应的视觉显著图背景区域为。
（3）计算视觉显著图的全局显著关联值、背景区域显著关联值，并各自进行归一化处理，构成二维特征。
全局显著关联值为视觉显著图的灰度平均值，背景区域显著关联值为视觉背景区域的灰度平均值：
(3)
(4)
并利用公式，对上述二维特征进行归一化处理得和。
（二）样本训练：
将步骤（一）所得250幅视觉显著图的二维特征作为支持向量机训练样本，选取二维情况下实现分类的最优分类线。
所有布匹图像样本可分为表面有缺陷和无缺陷两类，如图2所示中的第(1)、(2)组为存在表面缺陷布匹图像，而第(3)、(4)无缺陷。和构成训练样本。
进行分类的目标就是寻找最优分割超平面（二维时，即为最优分类线），即根据训练样本确定最大分类间隔的分割超平面。要找这样的最优超平面，就是在约束条件：
(5)
的限制下，使如下公式最小化：
(6)
通过对式(5)中的每一个约束条件乘上一个拉格朗日乘数，然后代入式(6)，可将此条件极值问题转化为不受约束的优化问题，即关于、和来最小化。
(7)
求出上述各系数、和对应的最优解、和，即可得最优分类线。
（三）缺陷检测：
（1）采用线性CCD相机采集待检测产品的500幅表面图像；
（1）将待检测产品的500幅表面图像，利用步骤（一）所述方法，提取其二维特征，此二维特征构成待分类对象向量；
（2）基于步骤（二）所得最优分类线，对二维特征进行分类，从而区分图像中的产品是否存在缺陷。
由步骤二所得的最优解、和，得到如下的最优分类函数：
(8)
本发明中, 从视觉显著图中，随机抽取250个训练样本进行训练（1表示布匹表面有瑕疵；0表示布匹表面无瑕疵），得到最优分类线，基于此最优分类线，对待检测500幅图像进行分类，从而达到对待检测布匹图像的准确判别。分类结果如图3所示。
本发明通过分析视觉显著图的特点，针对待解决的问题准确提取特征向量，进而利用支持向量机对有无表面缺陷的布匹图像进行分类，且判别结果准确，多次计算其平均值为98.28%。
Claims (2)
1.一种基于视觉显著图和支持向量机的表面缺陷检测方法，其特征在于，包括如下步骤：
（一）对视觉显著图提取特征：
（1）将待检测产品的n幅表面图像样本，利用视觉显著性模型计算其视觉显著图；
（2）通过最大类间方差法将步骤（1）中所得视觉显著图进行自适应阈值分割，提取其视觉背景区域；
（3）计算视觉显著图的全局显著关联值、背景区域显著关联值，并各自进行归一化处理，构成二维特征；
（二）样本训练：
将步骤（一）所得n幅视觉显著图的二维特征作为支持向量机训练样本，选取二维情况下实现分类的最优分类线；
（三）缺陷检测：
（1）采集待检测产品的表面图像；
（2）将待检测产品的表面图像，利用步骤（一）所述方法，提取其二维特征；
（3）基于步骤（二）所得最优分类线，对二维特征进行分类，从而区分图像中的产品是否存在缺陷。
2.根据权利要求1所述的一种基于视觉显著图和支持向量机的表面缺陷检测方法，其特征在于：所述步骤（一）中，所计算的全局显著关联值为视觉显著图的灰度平均值，背景区域显著关联值为视觉背景区域的灰度平均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410464490.0A CN104198497B (zh) | 2014-09-12 | 2014-09-12 | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410464490.0A CN104198497B (zh) | 2014-09-12 | 2014-09-12 | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104198497A CN104198497A (zh) | 2014-12-10 |
| CN104198497B true CN104198497B (zh) | 2017-01-25 |
Family
ID=52083822
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410464490.0A Active CN104198497B (zh) | 2014-09-12 | 2014-09-12 | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104198497B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105574063B (zh) * | 2015-08-24 | 2019-02-22 | 西安电子科技大学 | 基于视觉显著性的图像检索方法 |
| JP6625475B2 (ja) * | 2016-04-22 | 2019-12-25 | 株式会社 東京ウエルズ | 欠陥検査方法および欠陥検査システム |
| US10223615B2 (en) | 2016-08-23 | 2019-03-05 | Dongfang Jingyuan Electron Limited | Learning based defect classification |
| CN106290378B (zh) * | 2016-08-23 | 2019-03-19 | 东方晶源微电子科技（北京）有限公司 | 缺陷分类方法和缺陷检查系统 |
| CN106338520A (zh) * | 2016-09-18 | 2017-01-18 | 南京林业大学 | 一种表板为拼板的多层实木复合地板表面缺陷的识别方法 |
| CN107292879B (zh) * | 2017-07-17 | 2019-08-20 | 电子科技大学 | 一种基于图像分析的金属板材表面异常检测方法 |
| CN107845086B (zh) * | 2017-09-19 | 2020-10-27 | 佛山缔乐视觉科技有限公司 | 一种皮革表面显著性缺陷的检测方法、系统及装置 |
| CN107749058B (zh) * | 2017-10-23 | 2021-05-04 | 中南大学 | 一种锅炉管道表面缺陷的机器视觉检测方法及系统 |
| CN108764252B (zh) * | 2018-05-07 | 2022-05-10 | 苏州苏相机器人智能装备有限公司 | 基于机器视觉的装饰合金片的正反面识别方法 |
| CN110349125A (zh) * | 2019-06-17 | 2019-10-18 | 武汉大学 | 一种基于机器视觉的led芯片外观缺陷检测方法及系统 |
| CN111476310B (zh) * | 2020-04-16 | 2021-02-05 | 中国科学院半导体研究所 | 一种图像分类方法、装置及设备 |
| CN112767339B (zh) * | 2021-01-13 | 2023-12-29 | 哈尔滨工业大学 | 一种基于视觉注意模型的表面缺陷检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101661004A (zh) * | 2009-07-21 | 2010-03-03 | 湖南大学 | 一种基于支持向量机的电路板焊接质量视觉检测方法 |
| CN102129556A (zh) * | 2011-04-14 | 2011-07-20 | 电子科技大学 | 一种虹膜图像清晰度判别方法 |
| CN103871053A (zh) * | 2014-02-25 | 2014-06-18 | 苏州大学 | 一种基于视觉显著性的布匹瑕疵检测方法 |
| CN103942570A (zh) * | 2014-04-29 | 2014-07-23 | 深圳大学 | 图像分类方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8108324B2 (en) * | 2008-05-15 | 2012-01-31 | Intel Corporation | Forward feature selection for support vector machines |
-
2014
- 2014-09-12 CN CN201410464490.0A patent/CN104198497B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101661004A (zh) * | 2009-07-21 | 2010-03-03 | 湖南大学 | 一种基于支持向量机的电路板焊接质量视觉检测方法 |
| CN102129556A (zh) * | 2011-04-14 | 2011-07-20 | 电子科技大学 | 一种虹膜图像清晰度判别方法 |
| CN103871053A (zh) * | 2014-02-25 | 2014-06-18 | 苏州大学 | 一种基于视觉显著性的布匹瑕疵检测方法 |
| CN103942570A (zh) * | 2014-04-29 | 2014-07-23 | 深圳大学 | 图像分类方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于小波和统计学习理论的布匹瑕疵检测与分类技术研究;王新民;《中国优秀硕士学位论文全文数据库 信息科技辑 》;20130415(第4期);第27-56页 * |
| 织物疵点检测与自动化等级评定系统研究;梁金祥;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑 》;20120615(第6期);第34-67页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104198497A (zh) | 2014-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104198497B (zh) | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 | |
| CN104574353B (zh) | 基于视觉显著性的表面缺陷判定方法 | |
| CN110490847B (zh) | 基于视觉的led芯片质量检测方法 | |
| CN102937595B (zh) | 一种pcb板检测方法、装置及系统 | |
| CN103871053B (zh) | 一种基于视觉显著性的布匹瑕疵检测方法 | |
| CN101256157B (zh) | 表面缺陷检测方法和装置 | |
| CN110133049B (zh) | 基于电子鼻和机器视觉的茶叶等级快速无损检测方法 | |
| CN102221559A (zh) | 基于机器视觉的织物疵点在线自动检测方法及其装置 | |
| CN111415329A (zh) | 一种基于深度学习的工件表面缺陷检测方法 | |
| CN103984951B (zh) | 一种磁粉检测缺陷自动识别方法及系统 | |
| CN105277567B (zh) | 一种织物瑕疵检测方法 | |
| CN111275679A (zh) | 一种基于图像的太阳能电池缺陷检测系统及方法 | |
| CN111784633A (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
| CN107093175B (zh) | 一种动力电池焊接质量检测方法 | |
| CN102654464A (zh) | 基于多特征模糊识别的铜带表面缺陷检测系统 | |
| CN104237121B (zh) | 一种精子活力性能检测方法 | |
| CN101995412B (zh) | 一种鲁棒的玻璃划伤缺陷检测方法及其装置 | |
| Laga et al. | Image-based plant stornata phenotyping | |
| CN102305798A (zh) | 基于机器视觉的玻璃缺陷的检测与分类方法 | |
| KR101477665B1 (ko) | 불균일한 텍스쳐 표면의 불량 검출방법 | |
| CN103778624A (zh) | 一种基于最优阈值分割的织物疵点检测方法 | |
| CN108181316A (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
| WO2021109011A1 (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
| CN110161035A (zh) | 基于图像特征与贝叶斯数据融合的结构表面裂缝检测方法 | |
| CN111667475A (zh) | 一种基于机器视觉的大枣分级检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20170607 Address after: 310, room 1, ten Zi Zi street, Suzhou District, Jiangsu, Suzhou 215006, China Patentee after: He Zhiyong Address before: Suzhou City, Jiangsu province 215137 Xiangcheng District Ji Road No. 8 Patentee before: Soochow University |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20191206 Address after: Room 513, building 2, Yangchenghu international science and Technology Venture Park, No. 116, Chengyang Road, Xiangcheng economic and Technological Development Zone, Suzhou, Jiangsu Patentee after: Suzhou Jia seet Intelligent Technology Co., Ltd. Address before: 310, room 1, ten Zi Zi street, Suzhou District, Jiangsu, Suzhou 215006, China Patentee before: He Zhiyong |
|
| TR01 | Transfer of patent right |