CN105354598B - 一种在线检测连续带状泡沫金属材料漏镀缺陷的方法 - Google Patents
一种在线检测连续带状泡沫金属材料漏镀缺陷的方法 Download PDFInfo
- Publication number
- CN105354598B CN105354598B CN201510834863.3A CN201510834863A CN105354598B CN 105354598 B CN105354598 B CN 105354598B CN 201510834863 A CN201510834863 A CN 201510834863A CN 105354598 B CN105354598 B CN 105354598B
- Authority
- CN
- China
- Prior art keywords
- image
- classifier
- plating leakage
- product
- region
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种在线检测连续带状多孔金属材料漏镀缺陷的方法,分类器训练和分类器测试两个步骤。训练分类器时,取部分正常产品的图像经Gabor滤波后再相加取平均值作为模板图像,再计算模板图像特征值组成特征向量,余下的正常产品图像以及含漏镀缺陷的产品图像经Gabor滤波,计算特征值后,再分别与模板图像相对应位置特征向量相减取绝对值后,分别作为正样本和负样本,输入到分类器中进行训练。完成训练后,再取待测产品按训练器分类的条件与步骤得出特征向量,再与模板图像相对应位置特征向量相减取绝对值后输入到分类器得到分类结果。本发明可针对多孔金属材料能在线自动检测其中的漏镀缺陷的方法,不仅准确率高、可以在生产的同时实现自动检测,并且还可实现无损检测。
Description
技术领域
本发明涉及一种无损检测材料缺陷的方法,特别涉及一种在线检测连续带状泡沫金属材料漏镀缺陷的方法。
背景技术
泡沫金属材料是一种由金属基体和大量孔隙组成的结构功能一体化的新型金属基复合材料。因其密度低、比表面积大而具有独特的优势,在高新技术领域得到了广泛的应用。但在连续化的工业生产过程中,产品的漏镀缺陷(即未镀覆金属),严重影响产品质量。目前检测这种缺陷的方法一般是在光线充足的条件下,用人工目测,这种方法效率低、准确度差、成本高,且严重依赖操作员工的经验,与连续化生产不相适应。因此,开发出一种能在线自动检测泡沫金属材料漏镀缺陷的方法,是行业内急需要解决的重大技术难题。
发明内容
本发明旨在提供一种可实现在线连续化自动检测泡沫金属材料漏镀缺陷的方法,本发明通过以下方案实现:
一种在线检测连续带状泡沫金属材料漏镀缺陷的方法,包括分类器训练、分类器检测两个步骤,其中分类器训练,得到符合要求的正负样本特征向量,然后输入到分类器中进行训练,具体步骤如下:
(I)使用相同的可采集图像数据装置,在相同光源和相同拍摄距离条件下,拍摄同一规格的带状泡沫金属产品图像,从拍摄的图像中选取N张正常产品图像和P张包含漏镀缺陷的产品图像,其中N≥100和P≥10;
(Ⅱ)从N张正常产品图像集中随机选取N1张图像,Gabor滤波后相加取平均值,得到正常区域图像模板,其中N1≥20;
(Ⅲ)将正常区域图像模板平均分成M个大小为n×n像素的区域块,其中n为不小于150的正整数,计算每个区域块的灰度均值、梯度不均匀性、相关度、共生和方差五个特征值;
(Ⅳ)每张包含漏镀缺陷的产品图像经Gabor滤波后分成M个大小为n×n像素的区域块,计算每个区域块的灰度均值、梯度不均匀性、相关度、共生和方差五个特征值;
(Ⅴ)计算第Ⅳ步中得到的每个区域块特征值与正常区域图像模板相对应位置区域块特征值之差的绝对值,并将它们按一定顺序组成一个行向量,作为正样本特征向量;
(Ⅵ)从正常产品图像集除去已选取的N1张外的图像中,随机选取K张图像,其中10≤K≤20,经Gabor滤波后将每一张图像分成M个大小为n×n像素的区域块,计算每个区域块的灰度均值、梯度不均匀性、相关度、共生和方差五个特征值;
(Ⅶ)计算第Ⅵ步中得到的每个区域块特征值与正常区域图像模板相对应位置区域块特征值之差的绝对值,并将它们按一定顺序组成一个行向量,作为负样本特征向量;
(Ⅷ)将正、负样本特征向量分别给出不同的标识后输入到SVM分类器中,完成分类器训练。
完成SVM分类器的训练后,采用与训练SVM分类器完全相同的数据图像采集条件,实时采集待测产品的图像;待检测图像经过Gabor滤波后,将其分成M个大小为n×n像素的区域块,计算每个区域块的灰度均值、梯度不均匀性、相关度、共生和方差五个特征值,组成特征向量;计算待测产品图像与正常区域图像模板相对应位置区域块的特征值之差的绝对值,并将它们按一定顺序组成一个行向量,输入到已训练好的SVM分类器中,输出分类结果。
为提高检测精度,在所述的第(I)步中选取包含漏镀缺陷的产品图像的张数优选P≥50。所述图像的大小选取为2056×2448。
由于图像采集系统本身硬件原因,获得的泡沫金属材料图像往往光照不均匀,一般正对镜头的中央部分亮度大于周围部分。训练分类器需要利用能够将漏镀区域与正常区域区分开的图像特征,光照不均匀造成一部分漏镀区域图像特征与正常区域图像特征相似,降低了分类的准确率,因此要消除光照不均对图像特征造成的影响。由于相同规格泡沫金属材料的两幅不同图像相对镜头同一位置的光照强度大致相同,因此,可以用正常区域图像模板相应位置的光照强度作为参考,去除待检测图像光照对图像特征的影响。
本发明针对连续带状泡沫金属材料,能在线自动检测其中的漏镀缺陷,不仅准确率高、可以在生产的同时实现自动检测,并且还可实现无损检测,可提高泡沫金属材料的质量和合格率,减轻生产成本,提高生产效率。
具体实施方式
实施例1
一种在线检测连续带状泡沫金属镍材料漏镀缺陷的方法,首先按以下步骤完成SVM分类器的训练:
(I)采用分辨率为2056×2448的Vieworks VH-4M高清相机,在同一光照条件下,垂直距泡沫镍材料10cm拍摄产品图像,泡沫镍材料的规格为PPI135、厚度1.0mm,镍的密面度为350g/m2,从拍摄的产品图像中选取100张正常产品图像和50张包含漏镀缺陷的产品图像,选取的图像大小为2056×2448;
(Ⅱ)从100张正常产品的图像集中随机选取20张图像,Gabor滤波后相加取平均值,得到正常区域图像模板;
(Ⅲ)将第Ⅱ步中得到的正常区域图像模板平均分成460个大小为150×150像素的区域块,计算每个区域块的灰度均值、梯度不均匀性、相关度、共生和方差五个特征值;
(Ⅳ)每张包含漏镀缺陷的产品图像经Gabor滤波后也分成460个大小为150×150像素的区域块,计算每个区域块的灰度均值、梯度不均匀性、相关度、共生和方差五个特征值;
(Ⅴ)计算第Ⅳ步中得到的每个区域块的特征值与正常区域图像模板相对应位置区域块特征值之差的绝对值,并将它们按一定顺序组成一个行向量,作为正样本特征向量;
(Ⅵ)从正常产品图像集除已选取的20张外的图像中,随机取50张,经Gabor滤波后将每一张图像都分成460个大小为150×150像素的区域块,计算每个区域块的灰度均值、梯度不均匀性、相关度、共生和方差五个特征值;
(Ⅶ)计算第Ⅵ步中得到的每个区域块特征值与正常区域图像模板相对应位置区域块特征值之差的绝对值,并将它们按一定顺序组成一个行向量,作为负样本特征向量;
(Ⅷ)将正、负样本特征向量分别给出不同的标识后输入到SVM分类器中,完成分类器训练。
完成SVM分类器的训练后,采用与训练SVM分类器完全相同的数据图像采集条件,实时采集待测产品的图像;待检测图像经过Gabor滤波后,将其分成460个大小为150×150像素的区域块,计算每个区域块的灰度均值、梯度不均匀性、相关度、共生和方差五个特征值,组成特征向量;计算待测产品图像与正常区域图像模板相对应位置区域块的特征值之差的绝对值,并将它们按一定顺序组成一个行向量,输入到已训练好的SVM分类器中,输出分类结果。
Claims (3)
1.一种在线检测连续带状泡沫金属材料漏镀缺陷的方法,包括分类器训练和分类器测试两个步骤,其中分类器训练具体步骤如下:
(I)使用相同的可采集图像数据装置,在相同光源和相同拍摄距离条件下,拍摄同一规格的带状泡沫金属产品图像,从拍摄的图像中选取N张正常产品图像和P张包含漏镀缺陷的产品图像,其中N≥100和P≥10;
(Ⅱ)从N张正常产品图像中随机选取N1张图像,Gabor滤波后相加取平均值,得到正常区域图像模板,其中N1≥20;
(Ⅲ)将正常区域图像模板平均分成M个大小为n×n像素的子区域块,其中n为不小于150的正整数,计算每个子区域块的灰度均值、梯度不均匀性、相关度、共生和方差五个特征值;
(Ⅳ)每张包含漏镀缺陷的产品图像经Gabor滤波后分成M个大小为n×n像素的子区域块,计算每个子区域块的灰度均值、梯度不均匀性、相关度、共生和方差五个特征值;
(Ⅴ)计算第Ⅳ步中得到的每个子区域块特征值与正常区域图像模板相对应位置区域块特征值之差的绝对值,并将它们按一定顺序组成一个行向量,作为正样本特征向量;
(Ⅵ)从正常产品图像集除去已选取的N1张外的图像中,随机选取K张,其中10≤K≤20,经Gabor滤波后将每一张图像分成M个大小为n×n像素的区域块,计算每个区域块的灰度均值、梯度不均匀性、相关度、共生和方差五个特征值;
(Ⅶ)计算第Ⅵ步中得到的每个区域块特征值与正常区域图像模板相对应位置区域块特征值之差的绝对值,并将它们按一定顺序组成一个行向量,作为负样本特征向量;
(Ⅷ)将正、负样本特征向量分别给出不同的标识后输入到SVM分类器中,完成分类器训练;
完成SVM分类器的训练后,采用与训练SVM分类器完全相同的数据图像采集条件,实时采集待测产品的图像;待检测图像经过Gabor滤波后,将其分成M个大小为n×n像素的区域块,计算每个区域块的灰度均值、梯度不均匀性、相关度、共生和方差五个特征值,组成特征向量;计算待测产品图像与正常区域图像模板相对应位置区域块的特征值之差的绝对值,并将它们按一定顺序组成一个行向量,输入到已训练好的SVM分类器中,输出分类结果。
2.如权利要求1所述的在线检测连续带状泡沫金属材料漏镀缺陷的方法,其特征在于:在所述的第(I)步中选取包含漏镀缺陷的产品图像的张数为P≥50。
3.如权利要求1所述的在线检测连续带状泡沫金属材料漏镀缺陷的方法,其特征在于:所述图像的大小选取为2056×2448。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510834863.3A CN105354598B (zh) | 2015-11-25 | 2015-11-25 | 一种在线检测连续带状泡沫金属材料漏镀缺陷的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510834863.3A CN105354598B (zh) | 2015-11-25 | 2015-11-25 | 一种在线检测连续带状泡沫金属材料漏镀缺陷的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105354598A CN105354598A (zh) | 2016-02-24 |
CN105354598B true CN105354598B (zh) | 2019-01-01 |
Family
ID=55330565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510834863.3A Active CN105354598B (zh) | 2015-11-25 | 2015-11-25 | 一种在线检测连续带状泡沫金属材料漏镀缺陷的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105354598B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886791A (zh) * | 2016-12-28 | 2017-06-23 | 四川木牛流马智能科技有限公司 | 一种基于条件随机场的二维ct图片中脂肪位置识别方法 |
US11315231B2 (en) * | 2018-06-08 | 2022-04-26 | Industrial Technology Research Institute | Industrial image inspection method and system and computer readable recording medium |
CN115841491B (zh) * | 2023-02-24 | 2023-05-05 | 杭州电子科技大学 | 一种多孔金属材料的质量检测方法 |
CN116309553B (zh) * | 2023-05-12 | 2023-07-28 | 东莞市希锐自动化科技股份有限公司 | 一种非平面电镀五金件电镀缺陷检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745461A (zh) * | 2013-03-17 | 2014-04-23 | 北京理工大学 | 一种基于区域组合特征的印刷图像缺陷检测方法 |
CN104392432A (zh) * | 2014-11-03 | 2015-03-04 | 深圳市华星光电技术有限公司 | 基于方向梯度直方图的显示面板缺陷检测方法 |
CN104794491A (zh) * | 2015-04-28 | 2015-07-22 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
CN104834939A (zh) * | 2015-05-12 | 2015-08-12 | 先进储能材料国家工程研究中心有限责任公司 | 一种在线自动检测多孔金属材料空洞缺陷的方法 |
CN104850858A (zh) * | 2015-05-15 | 2015-08-19 | 华中科技大学 | 一种注塑制品缺陷检测识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8203606B2 (en) * | 2008-11-07 | 2012-06-19 | Toyota Motor Engineering & Manufacturing North America, Inc. | Gradient image processing |
-
2015
- 2015-11-25 CN CN201510834863.3A patent/CN105354598B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745461A (zh) * | 2013-03-17 | 2014-04-23 | 北京理工大学 | 一种基于区域组合特征的印刷图像缺陷检测方法 |
CN104392432A (zh) * | 2014-11-03 | 2015-03-04 | 深圳市华星光电技术有限公司 | 基于方向梯度直方图的显示面板缺陷检测方法 |
CN104794491A (zh) * | 2015-04-28 | 2015-07-22 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
CN104834939A (zh) * | 2015-05-12 | 2015-08-12 | 先进储能材料国家工程研究中心有限责任公司 | 一种在线自动检测多孔金属材料空洞缺陷的方法 |
CN104850858A (zh) * | 2015-05-15 | 2015-08-19 | 华中科技大学 | 一种注塑制品缺陷检测识别方法 |
Non-Patent Citations (4)
Title |
---|
《On hybrid-fuzzy classifier design: An empirical modeling scenario for corrosion detection in gas pipelines》;Uvais Qidwai等;《2008 IEEE/ACS International Conference on Computer Systems and Applications》;20081231;全文 |
《基于BP神经网络的带钢表面缺陷的识别与分类》;韩英莉等;《仪器仪表学报》;20061231;第27卷(第12期);全文 |
《基于Gabor特征的木材表面缺陷的分块检测》;马大国等;《东北林业大学学报》;20131031;第41卷(第10期);全文 |
《基于逆向P-M扩散的医用输液容器组合盖缺陷检测系统》;张辉等;《电子测量与仪器学报》;20150531;第29卷(第5期);全文 |
Also Published As
Publication number | Publication date |
---|---|
CN105354598A (zh) | 2016-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105354598B (zh) | 一种在线检测连续带状泡沫金属材料漏镀缺陷的方法 | |
CN104834939A (zh) | 一种在线自动检测多孔金属材料空洞缺陷的方法 | |
CN105430376B (zh) | 一种全景相机一致性的检测方法及装置 | |
TW200716969A (en) | Defect detecting method and defect detecting device | |
CN109167928A (zh) | 基于显示面板缺陷检测的快速自动曝光方法及系统 | |
CN103955109B (zh) | 镜头安装平整度的实时调整方法及装置 | |
MY188165A (en) | System and method for inspecting a wafer | |
CN102479321B (zh) | 差异影像自动识别系统及方法 | |
CN107013811B (zh) | 一种基于图像处理的管道液体泄漏监测方法 | |
CN111047655A (zh) | 基于卷积神经网络的高清摄像机布料疵点检测方法 | |
CN104749801B (zh) | 高精度自动光学检测方法和系统 | |
US20170048518A1 (en) | Method and apparatus for adjusting installation flatness of lens in real time | |
CN101207834A (zh) | 数码相机清晰度的检测方法 | |
CN108445008A (zh) | 一种带钢表面缺陷的检测方法 | |
CN105701797B (zh) | 连续带状多孔金属材料漏镀缺陷的判定方法 | |
CN105427335B (zh) | 一种连续带状多孔金属材料漏镀缺陷的检测并定位的方法 | |
CN102937592B (zh) | 陶瓷天线罩气孔及材质疏松缺陷自动检测方法 | |
WO2005008223A3 (en) | Methods for defect detection and process monitoring based on sem images | |
CN104155306B (zh) | 一种单焊片灯头焊片缺陷检测方法 | |
CN107705284B (zh) | 一种基于贝叶斯小样本学习的表面缺陷检测方法 | |
CN105551051B (zh) | 一种连续带状多孔金属材料漏镀缺陷区域的定位方法 | |
CN109191439A (zh) | 一种靶材工件表面刀纹缺陷检测方法 | |
CN110243475B (zh) | 一种基于机器视觉识别技术的织物色差检测方法 | |
CN111524107B (zh) | 缺陷检测方法、缺陷检测装置及计算机可读存储介质 | |
TWI540550B (zh) | 檢測顯示模組間隙寬度的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |