CN104574353A - 基于视觉显著性的表面缺陷判定方法 - Google Patents
基于视觉显著性的表面缺陷判定方法 Download PDFInfo
- Publication number
- CN104574353A CN104574353A CN201410463588.4A CN201410463588A CN104574353A CN 104574353 A CN104574353 A CN 104574353A CN 201410463588 A CN201410463588 A CN 201410463588A CN 104574353 A CN104574353 A CN 104574353A
- Authority
- CN
- China
- Prior art keywords
- saliency map
- visual saliency
- width
- image
- visual
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
Abstract
本发明公开了一种基于视觉显著性的表面缺陷判定方法,首先采集待检测产品的表面图像样本、并利用视觉显著性模型计算其视觉显著图,再采用快速最大类间方差法对显著图像进行阈值分割,然后计算显著图的特征值,最后选取特征值阈值,判断图像中是否存在缺陷。本发明算法简洁实用,准确率高,且排除了表面褶皱对缺陷检测的影响。
Description
技术领域
本发明涉及一种表面缺陷判定方法,具体涉及一种基于视觉显著性的表面缺陷图像的缺陷判定方法。
背景技术
物体表面缺陷的检测对于很多生产过程的质量控制都很重要。由于传统的人眼在线检测方式很容易造成误检、漏检及人的视力疲劳,因而对自动检测检测系统的研究具有重要意义。
人类能快速有效的识别出缺陷,无论反光强弱、缺陷性状、纹理结构的变化。人类拥有强大的图像理解和模式识别的能力,模仿人类视觉机制的基于视觉显著性的,对于工业生产中纸张、带钢、布匹、薄膜等的表面缺陷检测方法,得到了广泛研究。
目前,应用最广泛的视觉显著性模型有GBVS模型、Itti模型以及在此基础上改进的一些模型。根据视觉显著性原理,各模型均通过生成视觉显著图,反应视觉上对于原图像的注意力分布性,因而每幅图像都存在其视觉显著区域。当所检测对象图像中存在缺陷,则其显著区域即为缺陷区域;而没有缺陷时,显著区域就有可能被误检。
发明内容
本发明的发明目的是提供一种基于视觉显著性的表面缺陷判定方法,适用于各种视觉显著性模型,通过提取视觉显著图的灰度特征,分析其有无缺陷时各自的特征,达到区分存在缺陷与无缺陷的效果。
为达到上述发明目的,本发明采用的技术方案是:一种基于视觉显著性的表面缺陷判定方法,包括如下步骤:
(1)采集待检测产品的n幅表面图像样本;
(2)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;
(3)采用快速最大类间方差法分割第 幅视觉显著图,并求取其阈值;
(4)计算各视觉显著图的显著特征值;
(5)对显著特征值取阈值,并判定图像中是否存在缺陷。设0表示无缺陷,1表示存在缺陷,则第幅图像对应的判定结果为
其中,。
上述技术方案中,所述步骤(1)中,采用线性图像控制器(Charge-coupled Device,CCD)相机采集待检测产品的表面图像样本。
上述技术方案中,所述步骤(4)中,显著特征值为各视觉显著图中灰度值处于范围的所有像素点的灰度平均值。
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:
本发明采用对各显著图特征值的分割,能够在视觉显著图最大类间方差法的灰度分割之后,准确利用其显著性灰度分布上的特点,判断出图中是否存在缺陷,算法简洁实用,准确率高,且排除了表面褶皱对缺陷检测的影响,本发明适用于不同视觉显著性模型在表面缺陷检测的应用中。
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Itti视觉显著图部分表面图像缺陷判定结果图。
图3是实施例一中GBVS视觉显著图部分表面图像缺陷判定结果图。
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,一种基于视觉显著性的表面缺陷判定方法,包括如下步骤:
(1)采用线性CCD相机采集待检测产品的n幅表面图像样本;
(2)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;
(3)采用快速最大类间方差法分割第幅视觉显著图,并求取其阈值;
所述视觉显著图包含不同视觉显著性模型得到的显著图,本实施例中选用Itti模型、GBVS模型对化纤布图像分析所得的视觉显著图,参见图2和3所示。
设显著图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
其中,为区域和的概率,为区域和的平均灰度。则使得最大的值便是最佳区域分割值。
(4)计算各显著图中灰度值处于范围的所有像素点的灰度平均值:
并将其作为其显著图特征值,部分布匹图像对应的显著图特征值参见图2和3所示。
(5)对显著图特征值取阈值,并判定图像中是否存在缺陷。设0表示无缺陷,1表示存在缺陷,则第幅图像对应的判定结果为
其中,。参见图2和3所示,布匹中存在瑕疵与无瑕疵的显著图特征值存在相当大的距离,能达到较高的分类准确率。
本发明不仅仅局限于纺织领域,对于各种产品的基于不同视觉显著性的表面缺陷检测方法,均可采用本方案对对象中是否存在缺陷进行判断。
Claims (2)
1.一种基于视觉显著性的表面缺陷判定方法,其特征在于,包括如下步骤:
(1)采集待检测产品的n幅表面图像样本;
(2)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;
(3)采用快速最大类间方差法分割第 幅视觉显著图,并求取其阈值;
(4)计算各视觉显著图的显著特征值;
(5)对显著特征值取阈值,并判定图像中是否存在缺陷,设0表示无缺陷,1表示存在缺陷,则第幅图像对应的判定结果为
其中,。
2.根据权利要求1所述的一种基于视觉显著性的表面缺陷判定方法,其特征在于:所述步骤(4)中,显著特征值为各视觉显著图中灰度值处于范围的所有像素点的灰度平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410463588.4A CN104574353B (zh) | 2014-09-12 | 2014-09-12 | 基于视觉显著性的表面缺陷判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410463588.4A CN104574353B (zh) | 2014-09-12 | 2014-09-12 | 基于视觉显著性的表面缺陷判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104574353A true CN104574353A (zh) | 2015-04-29 |
CN104574353B CN104574353B (zh) | 2017-08-01 |
Family
ID=53090329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410463588.4A Active CN104574353B (zh) | 2014-09-12 | 2014-09-12 | 基于视觉显著性的表面缺陷判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104574353B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069778A (zh) * | 2015-07-16 | 2015-11-18 | 西安工程大学 | 基于目标特征显著图构建的工业产品表面缺陷检测方法 |
CN105354831A (zh) * | 2015-09-30 | 2016-02-24 | 广东工业大学 | 一种基于图像分块方差-加权特征值的多缺陷检测方法 |
CN106097380A (zh) * | 2016-08-03 | 2016-11-09 | 中国电力科学研究院 | 一种基于图像的绝缘子芯棒缺陷在线检测的系统和方法 |
CN106529510A (zh) * | 2016-12-12 | 2017-03-22 | 中国科学院合肥物质科学研究院 | 一种用于电容薄膜的褶皱识别方法及装置 |
CN107194908A (zh) * | 2016-03-14 | 2017-09-22 | 株式会社理光 | 图像处理装置以及图像处理方法 |
CN107845086A (zh) * | 2017-09-19 | 2018-03-27 | 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 |
CN108663382A (zh) * | 2018-05-10 | 2018-10-16 | 苏州大学 | 基于视觉显著性的纸张表面缺陷检测的方法及装置 |
CN109085248A (zh) * | 2018-07-03 | 2018-12-25 | 内蒙古科技大学 | 承压管道壁冲击源的定位方法、装置及系统 |
CN109872300A (zh) * | 2018-12-17 | 2019-06-11 | 南京工大数控科技有限公司 | 一种摩擦片外观缺陷的视觉显著性检测方法 |
CN110060247A (zh) * | 2019-04-18 | 2019-07-26 | 深圳市深视创新科技有限公司 | 应对样本标注错误的鲁棒深度神经网络学习方法 |
CN110687123A (zh) * | 2019-09-24 | 2020-01-14 | 西安工程大学 | 基于图像重构和分块阈值分割的钢轨缺陷检测方法 |
CN111145163A (zh) * | 2019-12-30 | 2020-05-12 | 深圳市中钞科信金融科技有限公司 | 一种纸张褶皱缺陷检测方法及装置 |
CN112233090A (zh) * | 2020-10-15 | 2021-01-15 | 浙江工商大学 | 基于改进注意力机制的薄膜瑕疵检测方法 |
CN112750119A (zh) * | 2021-01-19 | 2021-05-04 | 上海海事大学 | 一种面向白玻璃盖板表面微弱缺陷的检测与测量方法 |
CN112767339A (zh) * | 2021-01-13 | 2021-05-07 | 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 (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7545985B2 (en) * | 2005-01-04 | 2009-06-09 | Microsoft Corporation | Method and system for learning-based quality assessment of images |
US20130188866A1 (en) * | 2012-01-24 | 2013-07-25 | Telefonica, S.A. | Method to assess aesthetic quality of photographs |
CN103544709A (zh) * | 2013-11-07 | 2014-01-29 | 东北大学 | 基于显著活动轮廓模型的硅钢板表面微小缺陷检测方法 |
CN103729842A (zh) * | 2013-12-20 | 2014-04-16 | 中原工学院 | 基于局部统计特征与整体显著性分析的织物疵点检测方法 |
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 |
US20140240537A1 (en) * | 2011-09-02 | 2014-08-28 | Nikon Corporation | Electronic camera, image-processing apparatus, and image-processing program |
-
2014
- 2014-09-12 CN CN201410463588.4A patent/CN104574353B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7545985B2 (en) * | 2005-01-04 | 2009-06-09 | Microsoft Corporation | Method and system for learning-based quality assessment of images |
US20140240537A1 (en) * | 2011-09-02 | 2014-08-28 | Nikon Corporation | Electronic camera, image-processing apparatus, and image-processing program |
US20130188866A1 (en) * | 2012-01-24 | 2013-07-25 | Telefonica, S.A. | Method to assess aesthetic quality of photographs |
CN103544709A (zh) * | 2013-11-07 | 2014-01-29 | 东北大学 | 基于显著活动轮廓模型的硅钢板表面微小缺陷检测方法 |
CN103729842A (zh) * | 2013-12-20 | 2014-04-16 | 中原工学院 | 基于局部统计特征与整体显著性分析的织物疵点检测方法 |
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 |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069778B (zh) * | 2015-07-16 | 2017-06-23 | 西安工程大学 | 基于目标特征显著图构建的工业产品表面缺陷检测方法 |
CN105069778A (zh) * | 2015-07-16 | 2015-11-18 | 西安工程大学 | 基于目标特征显著图构建的工业产品表面缺陷检测方法 |
CN105354831A (zh) * | 2015-09-30 | 2016-02-24 | 广东工业大学 | 一种基于图像分块方差-加权特征值的多缺陷检测方法 |
CN105354831B (zh) * | 2015-09-30 | 2018-11-09 | 广东工业大学 | 一种基于图像分块方差-加权特征值的多缺陷检测方法 |
CN107194908A (zh) * | 2016-03-14 | 2017-09-22 | 株式会社理光 | 图像处理装置以及图像处理方法 |
CN106097380A (zh) * | 2016-08-03 | 2016-11-09 | 中国电力科学研究院 | 一种基于图像的绝缘子芯棒缺陷在线检测的系统和方法 |
CN106529510A (zh) * | 2016-12-12 | 2017-03-22 | 中国科学院合肥物质科学研究院 | 一种用于电容薄膜的褶皱识别方法及装置 |
CN106529510B (zh) * | 2016-12-12 | 2019-07-05 | 中国科学院合肥物质科学研究院 | 一种用于电容薄膜的褶皱识别方法及装置 |
CN107845086A (zh) * | 2017-09-19 | 2018-03-27 | 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 |
CN108663382A (zh) * | 2018-05-10 | 2018-10-16 | 苏州大学 | 基于视觉显著性的纸张表面缺陷检测的方法及装置 |
CN109085248B (zh) * | 2018-07-03 | 2021-04-06 | 内蒙古科技大学 | 承压管道壁冲击源的定位方法、装置及系统 |
CN109085248A (zh) * | 2018-07-03 | 2018-12-25 | 内蒙古科技大学 | 承压管道壁冲击源的定位方法、装置及系统 |
CN109872300A (zh) * | 2018-12-17 | 2019-06-11 | 南京工大数控科技有限公司 | 一种摩擦片外观缺陷的视觉显著性检测方法 |
CN109872300B (zh) * | 2018-12-17 | 2021-02-19 | 南京工大数控科技有限公司 | 一种摩擦片外观缺陷的视觉显著性检测方法 |
CN110060247A (zh) * | 2019-04-18 | 2019-07-26 | 深圳市深视创新科技有限公司 | 应对样本标注错误的鲁棒深度神经网络学习方法 |
CN110687123A (zh) * | 2019-09-24 | 2020-01-14 | 西安工程大学 | 基于图像重构和分块阈值分割的钢轨缺陷检测方法 |
CN110687123B (zh) * | 2019-09-24 | 2022-04-19 | 西安工程大学 | 基于图像重构和分块阈值分割的钢轨缺陷检测方法 |
CN111145163A (zh) * | 2019-12-30 | 2020-05-12 | 深圳市中钞科信金融科技有限公司 | 一种纸张褶皱缺陷检测方法及装置 |
CN112233090A (zh) * | 2020-10-15 | 2021-01-15 | 浙江工商大学 | 基于改进注意力机制的薄膜瑕疵检测方法 |
CN112233090B (zh) * | 2020-10-15 | 2023-05-30 | 浙江工商大学 | 基于改进注意力机制的薄膜瑕疵检测方法 |
CN112767339A (zh) * | 2021-01-13 | 2021-05-07 | 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 |
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 |
CN112750119A (zh) * | 2021-01-19 | 2021-05-04 | 上海海事大学 | 一种面向白玻璃盖板表面微弱缺陷的检测与测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104574353B (zh) | 2017-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104574353A (zh) | 基于视觉显著性的表面缺陷判定方法 | |
CN109410230B (zh) | 一种可抗噪声的改进Canny图像边缘检测方法 | |
CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
CN107203990B (zh) | 一种基于模板匹配与图像质量评估的标贴破损检测方法 | |
WO2020038389A1 (zh) | 一种焊缝底片缺陷识别方法 | |
CN111179225B (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
CN103499585B (zh) | 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置 | |
CN111080622B (zh) | 神经网络训练方法、工件表面缺陷分类与检测方法及装置 | |
CN103871053A (zh) | 一种基于视觉显著性的布匹瑕疵检测方法 | |
CN104198497A (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 | |
CN104077594B (zh) | 一种图像识别方法和装置 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN104101600A (zh) | 连铸坯断面微小裂纹检测方法及装置 | |
CN114972356B (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
CN111260629A (zh) | 基于图像处理的受电弓结构异常检测算法 | |
CN104616275A (zh) | 一种缺陷检测方法和装置 | |
CN102305798A (zh) | 基于机器视觉的玻璃缺陷的检测与分类方法 | |
CN104792794A (zh) | 基于机器视觉的光学薄膜表面缺陷检测方法 | |
CN104751474A (zh) | 一种级联式快速图像缺陷分割方法 | |
CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN104458766A (zh) | 一种基于结构纹理法的布匹表面瑕疵检测方法 | |
CN110059635B (zh) | 一种皮肤瑕疵检测方法及装置 | |
Hoseini et al. | Fabric defect detection using auto-correlation function | |
CN104637067A (zh) | 一种纹理表面的缺陷检测方法 | |
CN116228651A (zh) | 一种布匹缺陷检测方法、系统、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |