CN105447512B - 一种精粗结合的光学表面缺陷的检测方法及装置 - Google Patents
一种精粗结合的光学表面缺陷的检测方法及装置 Download PDFInfo
- Publication number
- CN105447512B CN105447512B CN201510779518.4A CN201510779518A CN105447512B CN 105447512 B CN105447512 B CN 105447512B CN 201510779518 A CN201510779518 A CN 201510779518A CN 105447512 B CN105447512 B CN 105447512B
- Authority
- CN
- China
- Prior art keywords
- image
- suspected defects
- those suspected
- block diagram
- detection
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 92
- 238000001514 detection method Methods 0.000 title claims abstract description 73
- 230000003796 beauty Effects 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 claims description 41
- 201000011243 gastrointestinal stromal tumor Diseases 0.000 claims description 36
- 239000013598 vector Substances 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000007667 floating Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000002087 whitening effect Effects 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims 2
- 238000011084 recovery Methods 0.000 claims 2
- 230000002159 abnormal effect Effects 0.000 abstract description 10
- 230000003287 optical effect Effects 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000007689 inspection Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 229910052779 Neodymium Inorganic materials 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- QEFYFXOXNSNQGX-UHFFFAOYSA-N neodymium atom Chemical compound [Nd] QEFYFXOXNSNQGX-UHFFFAOYSA-N 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
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
- G06T2207/30164—Workpiece; Machine component
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)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种粗精结合的光学表面缺陷检测方法及装置，本发明涉及光学表面检测领域。本发明是要解决传统的肉眼识别的检测方式效率低下、检测精度有限、自动化水平低的问题，从而提出一种基于图像处理和模式识别技术的光学表面缺陷识别方法。该方法是分为两个步骤，步骤一对输入的原始图像直接利用基于图像建模的方差信息进行快速粗检测，获取异常区域的位置及其区域；步骤二是对区域中疑似缺陷利用基于Gist的模式识别方法进行精检测，最后输出结果。本发明应用于光滑表面的定量损伤检测和污渍分析，检测效率快，精度高。
Description
技术领域
本发明属于图像模式识别领域，特别是涉及一种精粗结合的光学表面 缺陷的检测方法及装置。
背景技术
如今高透光性的光学元件已是各种图像采集设备和显示设备中重要 的组件。在光学元件检测的过程中，光学表面的洁净度与损伤检测是一个 非常重要的环节。目前多数检测依靠人工肉眼识别。依靠人工肉眼识别的 方式不仅耗费时间，且由于视觉疲劳的影响，容易出现遗漏现象。目前较 为先进的检测方式是采用机器视觉手段获取放大的光学表面图像，进而通 过模式识别的方式进行损伤检测。
目前主要应用于光学表面污渍损伤分析的手段主要有：Canny算子进 行边缘检测法、灰度共生矩阵法、不变矩法以及频域分析方法等；其中， Canny边缘检测要求前景相对于背景具有较为显著的轮廓，当目标物呈絮 状、点划线状时，难以提取；灰度共生矩阵方法计算图像的纹理信息，通 过比较灰度共生矩阵的能量、熵、对比度、方差等参数，可以有效的区分 不同的纹理；不变矩是通过计算图像的几何不变矩，从而区分不同几何特 征；而纯粹频域分析法只能分析图像的整体特征，忽略了图像的局部特征。
光学表面的损伤具有良好的直线性特征，在提取出的图像上呈现一条 水平的或略带弯曲的细实线或者是虚线形式存在。然而光学表面上的污渍 没有固定的方向性、纹理信息不统一、位置分布各异。因此，基于边缘提 取或者是整体特征分析的方法在进行损伤和污渍的区分时表现不佳。
发明内容
为了解决上述问题，本发明的目的在于提供一种有效的基于图像处理 和模式识别技术的精粗结合的光学表面缺陷的检测方法。
为了达到上述目的，本发明提供了一种精粗结合的光学表面缺陷的检 测方法，其包括：
步骤一：对材料表面的图像进行直接利用建模的方差信息进行快速粗 检测，确定疑似缺陷区域位置及轮廓；
步骤二：对疑似缺陷区域利用基于Gist的模式识别方法进行精检测， 得到图像的GIST特征向量；
步骤三：以所述GIST特征向量为缺陷分类依据，输入到分类器进行 分类，对分类结果进行分析，输出最终精检测后的损伤信息；
其中，步骤一中通过将原始图像进行分块得到多个块图像，并根据块 图像的方差判断其是否为疑似缺陷块图像，对于超出预定方差阈值的块图 像判断为疑似缺陷块图像，将未超出预定方差阈值的块图像判断为非疑似 缺陷块图像；根据疑似缺陷块图像得到整个图像上的疑似缺陷区域；
步骤二具体包括：
根据所述疑似缺陷区域的方向对所述图像进行旋转，使得旋转后疑似 缺陷区域的外接矩形的主轴与水平方向重合；
对旋转后的所述图像进行归一化处理；
对归一化后的所述图像进行GIST特征提取，得到GIST特征向量；
将所述GIST特征向量进行PCA降维，使得PCA覆盖能量在90％以 上的维数，
步骤三中利用所述降维后的所述GIST特征向量进行分类。
本发明还提供了一种精粗结合的光学表面缺陷的检测装置，其包括：
粗检测模块，对材料表面的图像进行直接利用建模的方差信息进行快 速粗检测，确定疑似缺陷区域位置及轮廓；
精检测模块，对疑似缺陷区域利用基于Gist的模式识别方法进行精检 测，得到图像的GIST特征向量；
分类模块，以所述GIST特征向量为缺陷分类依据，输入到分类器进 行分类，对分类结果进行分析，输出最终精检测后的损伤信息；
其中，粗检测模块通过将原始图像进行分块得到多个块图像，并根据 块图像的方差判断其是否为疑似缺陷块图像，对于超出预定方差阈值的块 图像判断为疑似缺陷块图像，将未超出预定方差阈值的块图像判断为非疑 似缺陷块图像；根据疑似缺陷块图像得到整个图像上的疑似缺陷区域；
所述精检测模块具体进行如下处理：
根据所述疑似缺陷区域的方向对所述图像进行旋转，使得旋转后疑似 缺陷区域的外接矩形的主轴与水平方向重合；
对旋转后的所述图像进行归一化处理；
对归一化后的所述图像进行GIST特征提取，得到GIST特征向量；
将所述GIST特征向量进行PCA降维，使得PCA覆盖能量在90％以 上的维数，
所述分类模块利用所述降维后的所述GIST特征向量进行分类。
本发明提供的基于图像处理和模式识别技术的一种精粗结合的光学 表面缺陷的检测方法在进行损伤检测中表现出色，检测速度快，精度较高。 该方法充分利用了图像的区域性，直接利用建模的方差信息进行快速粗检 测，利用图像的方向性，在进行精检测之前先对图像的方向进行了矫正， 并且对图像进行了归一化处理。进而计算图像的Gist场景信息，使用一个 高维的特征向量来表征图像的局部特征以及局部特征。图像的矫正使得所有图像的场景信息基于同一个参考系，因此可以使用线性的SVM分类器 对图像进行精检测分类。实验结果表明，本发明提供的粗精结合的检测方 法具有良好的检测效果和高度的稳定性。
附图说明
图1为本发明中精粗结合的光学表面损伤检测方法流程图；
图2为本发明实施例中索引矩阵样例示意图；
图3为本发明实施例中异常区域样本及检测效果图；
图4为本发明实施例中异常区域最小外接矩形轮廓提取图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实 施例，并参照附图，对本发明作进一步的详细说明。
如图1所示，本发明提供的一种精粗结合的光学表面缺陷的检测方法 包括按顺序进行的下列步骤：
步骤一：对材料表面的(灰度)图像进行直接利用建模的方差信息进行 快速粗检测，确定异常区域位置及轮廓；
该步骤具体包括：
步骤101：将原始图像分割为64*64像素的多个方块；
步骤102：对每个方块实行方差分析，以方差为依据判定区域 是否异常，将超出预定方差阈值的方块判定为疑似缺陷区域；其中方 差阈值的选取依据为：对图像进行全局的灰度直方图分析，使用灰度 值的均匀分布模型对其进行建模，利用该均匀分布模型的方差作为初 始方差阈值，根据数据集合进行校正；设拟合出的均值分布区间为 [μ-r,μ+r]，μ为拟合均匀分布区间中心点，r为拟合均匀分布的半径。 则初始方差阈值的取值为
步骤103：根据方差判断生成疑似缺陷区域的索引矩阵Ind，如图2 所示，若第i行、第j列的方块被标记为受污染区域，则Indij＝1，否则Indij＝0；
步骤104：对索引矩阵进行闭运算操作，消除索引矩阵中的空洞或者 是空隙；窗口半径为w的闭运算定义为半径为w的膨胀和腐蚀的复合运 算；
步骤105：利用索引矩阵将原图像映射成等尺寸的二值图像，每一个 索引值对应步骤101中分割出的原图像的一个方块；若索引值等于1，则 其对应的方块使用255进行填充；若索引值等于0，则其对应的方块使用 0进行填充。如图3所示，异常区域利用索引矩阵检测绘制的效果图；
步骤106：在生成的二值图像上进行轮廓查找，并计算出轮廓的最小 外接矩形作为疑似缺陷区域的粗检测定界线，如图4所示；轮廓的质心为 粗检测后疑似缺陷的位置；
步骤二：对疑似缺陷区域利用基于Gist的模式识别方法进行精检测， 得到图像的GIST特征向量。
其中，所述疑似缺陷区域为步骤一确定的异常区域的粗检测定界线所 界定的区域。
步骤二具体包括：
步骤201：对粗检测出的疑似缺陷区域进行旋转，对其区域的方向进 行校正。其中，该步骤中主要通过拟合出疑似缺陷区域的外接矩形，计算 矩形主轴与水平方向的夹角，旋转后使得主轴与水平方向重合。
步骤202：对旋转后的图像进行归一化处理。
步骤203：对归一化后的图像进行GIST特征提取，其中GIST特征由 一个512维的向量描述；
步骤204：将Gist特征进行PCA降维，使得PCA覆盖能量在90％以 上的维数；步骤三中利用所述降维后的向量输入到使用线性SVM分类器， 输出的结果包含两个类别，即损伤和非损伤(干扰污渍)；其中非损伤不 计入损伤检测信息；
其中，步骤201中对粗检测区域进行旋转校正的具体过程为：
(1)异常区域粗检测返回矩形区域；利用最小外接矩形的坐标计算矩 形的倾斜角；
(2)将原图按(1)计算出的倾斜角反向旋转；此时，目标矩形区域成水平 放置，如果矩形中存在损伤，则损伤成水平方向；
(3)提取方向已校正后的目标区域。
其中，步骤202和203中图像归一化处理和GIST特征提取的具体过 程为：
(1)将图像缩放至64*64像素的正方形；
(2)图像灰度值调整，将图像的灰度级线性变换值区间[0,255]；
(3)将图像的数据类型由单个字节的无符号整型转化为双精度浮点型 数据类型，并对图像进行白化处理；接下来所有图像的存储均采用双精度 浮点型数据存储；
(4)对图像进行填补操作，填补方式选用对称填补，填补为原图像宽度 的八分之一，即为8个像素，具体为在图像边缘扩展出8个像素，相当于 以图像四周像素为镜子对图像进行镜像。
(5)建立四个尺度，每个尺度为八个方向的Gabor核，即选取四个不同 的方差，每一个方差计算八个角度上的Gabor核；每一个核的尺寸与填补 后的图像保持一致；
(7)使用Gabor函数对图像进行卷积运算，I为原始图像，g为gabor 函数，Ig为卷积后图像，(x，y)为像素坐标；
Ig(x，y)＝I(x，y)*g(x，y)
为了提高运算效率，采用快速傅里叶变换进行加速
Ig(x，y)＝ifft{fft[I(x，y)]×fft[g(x，y)]}
其中，ifft表示反傅立叶变换，fft表示傅立叶变换。
(8)去除图像中的填充区域，使图像恢复至原来的尺寸；
(9)图像实数化，将Ig(x，y)归一化到[0-1]；
Ig(x，y)＝Norm(Ig(x，y))，Norm表示归一化处理；
(10)分割滤波后且实数化后的图像，将其等分为4*4的正方形方块；
(11)计算每个方块内的滤波响应均值，
mk＝mean(Ik)
其中，mk为第k个方块Ik区域中的图像平均值；
以此值作为图像特征之一；一幅图可产生4*4*8*4个特征值，构成图 像的一个512维的GIST特征向量；
步骤三：以上述GIST特征向量缺陷分类依据，输入到分类器中对损 伤进行分类。对分类结果进行分析，输出最终精检测后的损伤信息，如图 3所示。统计的信息包括：缺陷类别(通过分类得到)，所在位置(通过粗 定位矩形区域得到)，面积(通过粗定位矩形区域得到)，方向(即走向信 息)。各类别缺陷的总数量、所占比例等；即实现了一种精粗结合的光学 表面缺陷的检测方法。
实验结果
本发明提供的精粗结合的光学表面缺陷的检测方法通过以下实验进 一步说明。
实验采用的数据源为20 000余幅拍摄于钕玻璃表面的暗场图像，这些 数据记录覆盖了7块800*400mm2的玻璃表面。
本发明提供的基于图像处理和模式识别技术的光学表面缺陷检测方 法的异常区域检测效果如图2、图3和图4所示。图2中的白色区域表示 索引矩阵中值等于1的位置；图3中的白色方格是将索引矩阵映射至原图 的结果；图4中的白色矩形框是根据索引矩阵表征的位置信息在原图上计 算出的异常区域最小外接矩形轮廓。几乎图像中的所有异常区域都可以通 过本发明提供的表面缺陷检测方法所检测，并且位置误差较小。
实验中，使用本发明提供的基于图像处理和模式识别技术的精粗结合 的光学表面缺陷的检测方法对从20000余张图像中提取出的700多个样本 进行了GIST特征计算与SVM分类测试，实验结果表明，在线性SVM分 类器下，GIST特征用于区分污渍与划痕的准确度可以平均达到90％以上。 实验结果表明，本发明提供的基于图像处理和模式识别技术的精粗结合的 光学表面缺陷的检测方法既能有快速定位图像表面的缺陷，又能以高精度 对光学表面的损伤进行精检测，该方法的性能相当稳定，能满足于工业化 检测的需求。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行 了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已， 并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、 等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种精粗结合的光学表面缺陷的检测方法，其包括：
步骤一：对材料表面的图像进行直接利用建模的方差信息进行快速粗检测，确定疑似缺陷区域位置及轮廓；
步骤二：对疑似缺陷区域利用基于Gist的模式识别方法进行精检测，得到图像的GIST特征向量；
步骤三：以所述GIST特征向量为缺陷分类依据，输入到分类器进行分类，对分类结果进行分析，输出最终精检测后的损伤信息；
其中，步骤一中通过将原始图像进行分块得到多个块图像，并根据块图像的方差判断其是否为疑似缺陷块图像，对于超出预定方差阈值的块图像判断为疑似缺陷块图像，将未超出预定方差阈值的块图像判断为非疑似缺陷块图像；根据疑似缺陷块图像得到整个图像上的疑似缺陷区域，其中，所述方差阈值如下选取：
对图像进行全局的灰度直方图分析，使用灰度值的均匀分布模型对其进行建模，利用所述均匀分布模型的方差作为初始方差阈值并根据数据集合进行校正；设拟合出的均值分布区间为[μ-r,μ+r]，μ为拟合均匀分布区间中心点，r为拟合均匀分布的半径，则初始方差阈值的取值为：
步骤二具体包括：
根据所述疑似缺陷区域的方向对所述图像进行旋转，使得旋转后疑似缺陷区域的外接矩形的主轴与水平方向重合；
对旋转后的所述图像进行归一化处理；
对归一化后的所述图像进行GIST特征提取，得到GIST特征向量；
将所述GIST特征向量进行PCA降维，使得PCA覆盖能量在90％以上的维数，
步骤三中利用所述降维后的所述GIST特征向量进行分类。
2.根据权利要求1所述的精粗结合的光学表面缺陷的检测方法，其特征在于：步骤一中所述根据疑似缺陷块图像得到整个图像上的疑似缺陷区域具体包括：
根据疑似缺陷块图像得到索引矩阵Ind，若第i行、第j列的块图像被标记为意思缺陷块图像，则Indij＝1，否则Indij＝0；
对索引矩阵进行闭运算操作，消除索引矩阵中的空洞或者是空隙；
利用索引矩阵将图像映射成等尺寸的二值图像，每一个索引值对应一个块图像；
在生成的二值图像上进行轮廓查找，并计算出轮廓的最小外接矩形作为疑似缺陷区域的粗检测定界线。
3.根据权利要求1所述的精粗结合的光学表面缺陷的检测方法，其特征在于：步骤二中所述根据所述疑似缺陷区域的方向对所述图像进行旋转具体过程为：
利用所述疑似缺陷区域的最小外接矩形的坐标计算所述最小外界矩形的倾斜角；
将所述图像按照所述倾斜角反向旋转；
提取旋转后的图像中的疑似缺陷区域。
4.根据权利要求1所述的精粗结合的光学表面缺陷的检测方法，其特征在于：步骤二中对所述图像进行归一化处理和对归一化处理后的所述图像进行GIST特征提取的具体过程为：
将所述图像缩放至64*64像素的正方形；
将所述图像的灰度级线性变换值区间[0,255]；
将所述图像的数据类型由单个字节的无符号整型转化为双精度浮点型数据类型，并对图像进行白化处理；
对所述图像进行填补操作，填补方式选用对称填补，填补为原图像宽度的八分之一；
建立四个尺度，每个尺度为八个方向的Gabor核，即选取四个不同的方差，每一个方差计算八个角度上的Gabor核；每一个核的尺寸与填补后的图像保持一致；
使用Gabor函数对所述图像进行卷积运算；
去除卷积后所述图像中的填充区域，使图像恢复至原来的尺寸；
将恢复后的所述图像实数化，取输出像素为输入像素的范数；
分割经过上述处理后的所述图像，将其等分为4*4的正方形方块；
计算每个方块内的滤波响应均值，以该滤波响应均值作为所述图像的一个GIST特征向量元素。
5.一种精粗结合的光学表面缺陷的检测装置，其包括：
粗检测模块，对材料表面的图像进行直接利用建模的方差信息进行快速粗检测，确定疑似缺陷区域位置及轮廓；
精检测模块，对疑似缺陷区域利用基于Gist的模式识别方法进行精检测，得到图像的GIST特征向量；
分类模块，以所述GIST特征向量为缺陷分类依据，输入到分类器进行分类，对分类结果进行分析，输出最终精检测后的损伤信息；
其中，粗检测模块通过将原始图像进行分块得到多个块图像，并根据块图像的方差判断其是否为疑似缺陷块图像，对于超出预定方差阈值的块图像判断为疑似缺陷块图像，将未超出预定方差阈值的块图像判断为非疑似缺陷块图像；根据疑似缺陷块图像得到整个图像上的疑似缺陷区域，其中，所述方差阈值如下选取：
对图像进行全局的灰度直方图分析，使用灰度值的均匀分布模型对其进行建模，利用所述均匀分布模型的方差作为初始方差阈值并根据数据集合进行校正；设拟合出的均值分布区间为[μ-r,μ+r]，μ为拟合均匀分布区间中心点，r为拟合均匀分布的半径，则初始方差阈值的取值为：
所述精检测模块具体进行如下处理：
根据所述疑似缺陷区域的方向对所述图像进行旋转，使得旋转后疑似缺陷区域的外接矩形的主轴与水平方向重合；
对旋转后的所述图像进行归一化处理；
对归一化后的所述图像进行GIST特征提取，得到GIST特征向量；
将所述GIST特征向量进行PCA降维，使得PCA覆盖能量在90％以上的维数，
所述分类模块利用所述降维后的所述GIST特征向量进行分类。
6.根据权利要求5所述的精粗结合的光学表面缺陷的检测装置，其特征在于：粗检测模块中所述根据疑似缺陷块图像得到整个图像上的疑似缺陷区域具体包括：
根据疑似缺陷块图像得到索引矩阵Ind，若第i行、第j列的块图像被标记为意思缺陷块图像，则Indij＝1，否则Indij＝0；
对索引矩阵进行闭运算操作，消除索引矩阵中的空洞或者是空隙；
利用索引矩阵将图像映射成等尺寸的二值图像，每一个索引值对应一个块图像；
在生成的二值图像上进行轮廓查找，并计算出轮廓的最小外接矩形作为疑似缺陷区域的粗检测定界线。
7.根据权利要求5所述的精粗结合的光学表面缺陷的检测装置，其特征在于：精检测模块中所述根据所述疑似缺陷区域的方向对所述图像进行旋转具体过程为：
利用所述疑似缺陷区域的最小外接矩形的坐标计算所述最小外界矩形的倾斜角；
将所述图像按照所述倾斜角反向旋转；
提取旋转后的图像中的疑似缺陷区域。
8.根据权利要求5所述的精粗结合的光学表面缺陷的检测装置，其特征在于：精检测模块中对所述图像进行归一化处理和对归一化处理后的所述图像进行GIST特征提取的具体过程为：
将所述图像缩放至64*64像素的正方形；
将所述图像的灰度级线性变换值区间[0,255]；
将所述图像的数据类型由单个字节的无符号整型转化为双精度浮点型数据类型，并对图像进行白化处理；
对所述图像进行填补操作，填补方式选用对称填补，填补为原图像宽度的八分之一；
建立四个尺度，每个尺度为八个方向的Gabor核，即选取四个不同的方差，每一个方差计算八个角度上的Gabor核；每一个核的尺寸与填补后的图像保持一致；
使用Gabor函数对所述图像进行卷积运算；
去除卷积后所述图像中的填充区域，使图像恢复至原来的尺寸；
将恢复后的所述图像实数化，取输出像素为输入像素的范数；
分割经过上述处理后的所述图像，将其等分为4*4的正方形方块；
计算每个方块内的滤波响应均值，以该滤波响应均值作为所述图像的一个GIST特征向量元素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510779518.4A CN105447512B (zh) | 2015-11-13 | 2015-11-13 | 一种精粗结合的光学表面缺陷的检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510779518.4A CN105447512B (zh) | 2015-11-13 | 2015-11-13 | 一种精粗结合的光学表面缺陷的检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105447512A CN105447512A (zh) | 2016-03-30 |
| CN105447512B true CN105447512B (zh) | 2018-09-25 |
Family
ID=55557671
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510779518.4A Active CN105447512B (zh) | 2015-11-13 | 2015-11-13 | 一种精粗结合的光学表面缺陷的检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105447512B (zh) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106501278B (zh) * | 2016-11-08 | 2019-06-07 | 浙江科技学院 | 基于旋转不变纹理特征的灯管表面瑕疵分类方法及系统 |
| CN106682685B (zh) * | 2016-12-06 | 2020-05-01 | 重庆大学 | 基于微波加热温度场分布特征深度学习的局部温度变化异常检测方法 |
| JP6786035B2 (ja) * | 2017-03-27 | 2020-11-18 | 三菱重工業株式会社 | 航空機用部品の欠陥検出システム及び航空機用部品の欠陥検出方法 |
| CN106990119A (zh) * | 2017-04-27 | 2017-07-28 | 中科慧远视觉技术（洛阳）有限公司 | 一种自动检测白玻表面缺陷的视觉检测系统及检测方法 |
| US10502697B2 (en) * | 2017-09-11 | 2019-12-10 | The Boeing Company | High speed pipe inspection system |
| CN108445020B (zh) * | 2018-01-31 | 2021-11-09 | 彩虹显示器件股份有限公司 | 一种玻璃基板缺陷聚集识别方法 |
| CN110057828A (zh) * | 2019-04-28 | 2019-07-26 | 广东工业大学 | 一种基于机器视觉的表面检测方法及系统 |
| CN110567965A (zh) * | 2019-07-31 | 2019-12-13 | 华南理工大学 | 一种智能手机玻璃盖板边缘视觉缺陷检测方法 |
| CN110517233A (zh) * | 2019-08-15 | 2019-11-29 | 浙江赤霄智能检测技术有限公司 | 一种基于人工智能的缺陷分类学习系统及其分类方法 |
| CN110599470B (zh) * | 2019-08-30 | 2022-04-08 | 武汉科技大学 | 一种磁瓦表面缺陷检测系统和方法 |
| CN113012128B (zh) * | 2021-03-18 | 2022-04-15 | 长鑫存储技术有限公司 | 缺陷表征方法和装置 |
| CN113240579A (zh) * | 2021-04-02 | 2021-08-10 | 维库（厦门）信息技术有限公司 | 一种工业产品缺陷智能检测方法、装置及其计算机存储介质 |
| CN113129300A (zh) * | 2021-05-10 | 2021-07-16 | 深圳市水务工程检测有限公司 | 一种降低误检率的排水管道缺陷检测方法、装置、设备及介质 |
| CN114120318B (zh) * | 2021-11-29 | 2024-04-26 | 哈尔滨工业大学 | 一种基于集成决策树的暗场图像目标点精确提取方法 |
| CN114965481B (zh) * | 2022-05-12 | 2023-11-07 | 湖南晶讯光电股份有限公司 | 一种自动光学检测缺陷检测方法、系统和设备 |
| CN115797340A (zh) * | 2023-02-03 | 2023-03-14 | 西南石油大学 | 一种基于多示例学习的工业表面缺陷检测方法 |
| CN116109638B (zh) * | 2023-04-13 | 2023-07-04 | 中铁四局集团有限公司 | 一种钢轨折断检测方法及系统 |
| CN118096766B (zh) * | 2024-04-28 | 2024-07-19 | 西安乾景防务技术有限公司 | 一种用于快速拆装便携吸盘的表面缺陷检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006220528A (ja) * | 2005-02-10 | 2006-08-24 | Toppan Printing Co Ltd | 不良分類システムおよび不良分類方法 |
| CN101996405A (zh) * | 2010-08-30 | 2011-03-30 | 中国科学院计算技术研究所 | 一种快速的玻璃图像缺陷检测及分类方法及其装置 |
| CN103743750A (zh) * | 2014-01-14 | 2014-04-23 | 中国科学院自动化研究所 | 一种大口径光学元件表面损伤分布图的生成方法 |
| CN104200215A (zh) * | 2014-08-27 | 2014-12-10 | 中国工程物理研究院激光聚变研究中心 | 一种大口径光学元件表面灰尘与麻点识别方法 |
| 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 |
-
2015
- 2015-11-13 CN CN201510779518.4A patent/CN105447512B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006220528A (ja) * | 2005-02-10 | 2006-08-24 | Toppan Printing Co Ltd | 不良分類システムおよび不良分類方法 |
| CN101996405A (zh) * | 2010-08-30 | 2011-03-30 | 中国科学院计算技术研究所 | 一种快速的玻璃图像缺陷检测及分类方法及其装置 |
| CN103743750A (zh) * | 2014-01-14 | 2014-04-23 | 中国科学院自动化研究所 | 一种大口径光学元件表面损伤分布图的生成方法 |
| CN104200215A (zh) * | 2014-08-27 | 2014-12-10 | 中国工程物理研究院激光聚变研究中心 | 一种大口径光学元件表面灰尘与麻点识别方法 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105447512A (zh) | 2016-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105447512B (zh) | 一种精粗结合的光学表面缺陷的检测方法及装置 | |
| CN110543837B (zh) | 一种基于潜在目标点的可见光机场飞机检测方法 | |
| CN111310558A (zh) | 一种基于深度学习和图像处理法的路面病害智能提取方法 | |
| EP1944731A2 (en) | Method and apparatus for detecting objects in an image | |
| CN106610969A (zh) | 基于多模态信息的视频内容审查系统及方法 | |
| CN110473201A (zh) | 一种刹车片表面缺陷的自动检测方法及装置 | |
| CN109191421A (zh) | 柱形锂电池圆周面凹坑视觉检测方法 | |
| CN109255792B (zh) | 一种视频图像的分割方法、装置、终端设备及存储介质 | |
| Galsgaard et al. | Circular hough transform and local circularity measure for weight estimation of a graph-cut based wood stack measurement | |
| CN112488211A (zh) | 一种织物图像瑕疵分类方法 | |
| CN106780437B (zh) | 一种快速qfn芯片塑封图像获取与放大方法 | |
| CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
| Ghosh et al. | Counterfeit IC detection by image texture analysis | |
| WO2023231262A1 (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
| CN109635679B (zh) | 一种实时的靶纸定位及环线识别方法 | |
| CN114581658A (zh) | 一种基于计算机视觉的目标检测方法及装置 | |
| Magnier et al. | Texture removal by pixel classification using a rotating filter | |
| CN116309561B (zh) | 一种基于防漏电绝缘材料的表面缺陷识别方法 | |
| CN115984806B (zh) | 道路标线破损动态检测系统 | |
| CN110276260B (zh) | 一种基于深度摄像头的商品检测方法 | |
| Cheng et al. | Power pole detection based on graph cut | |
| CN112884002B (zh) | 智能电表版本分类方法 | |
| Deb et al. | Optical Recognition of Vehicle license plates | |
| Zhang et al. | Research on multiple features extraction technology of insulator images | |
| Khryashchev et al. | Evaluation of face image quality metrics in person identification problem |
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 |