CN110060249A - 一种涂泥木线条表面小点状缺陷的检测方法 - Google Patents
一种涂泥木线条表面小点状缺陷的检测方法 Download PDFInfo
- Publication number
- CN110060249A CN110060249A CN201910321528.1A CN201910321528A CN110060249A CN 110060249 A CN110060249 A CN 110060249A CN 201910321528 A CN201910321528 A CN 201910321528A CN 110060249 A CN110060249 A CN 110060249A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- wood moulding
- moulding surface
- value
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 239000002023 wood Substances 0.000 title claims abstract description 22
- 238000000465 moulding Methods 0.000 title claims abstract description 21
- 239000013598 vector Substances 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000010276 construction Methods 0.000 claims abstract description 7
- 238000012805 post-processing Methods 0.000 claims abstract description 6
- 238000013459 approach Methods 0.000 abstract description 2
- 238000010422 painting Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000004035 construction material Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明是一种涂泥木线条表面小点状缺陷的检测方法,其步骤如下:(1)采集原始图像,用相关向量机算法生成回归图像;根据原始图像和回归图像计算差图像;对差图像使用核相关系数进行后处理构造新图像,并对新图像进行取反并二值化;使用一个3×3的掩膜扫描二值化图像,计算掩膜覆盖部分的局部均值,以该均值作为灰度值构造缺陷检测图像;在缺陷检测图像中,利用阈值法检测缺陷。本发明使用相关向量机结合核相关系数后处理方法,对图像中的小缺陷进行检测,具有很好的检测性能。采用本发明方法进行涂泥木线条表面小点状缺陷检测,可获得较高信杂比;且背景抑制能力较强。
Description
技术领域
本发明涉及表面缺陷检测技术领域,特别是一种基于相关向量机回归的涂泥木线条表面小点状缺陷的检测方法。
背景技术
涂泥木线条具有美观、强度大、耐潮湿等优点,是一种使用非常广泛的建筑材料。我国是涂泥木线条的生产大国,除满足国内市场外,每年也有大量产品出口国际市场。为了保证木线条的产品质量,在生产过程中,对木线条表面进行缺陷检测,剔除缺陷产品,就显得尤为重要。近年来,数字图像处理和机器视觉技术得到快速发展,在木材工业中,人们已经利用这些技术成功实现木材表面缺陷检测(贾壮,戴天虹,李昊.木材缺陷的图像分割提取技术综述[J].西部林业科学,2015,44(05):148-152.)。但是对于表面小点状缺陷,因面积小、缺乏纹理特征,导致其检测非常困难。
现有的小目标检测方法较多基于滤波算法,利用小目标的高频特性实现检测,但噪声也是高频信号,这就经常产生缺陷的误报,检测性能并不好。
发明内容
本发明要解决的技术问题是针对现有技术的不足,提出一种新的涂泥木线条小点状缺陷的检测方法,该方法可提高涂泥木线条表面小点状缺陷的检测性能。
本发明方法的原理是:
对于给定的样本{xn,tn}(n=1,2,…,N),假设tn为函数值y与噪声εn的和:tn=y(xn;w)+εn (1);
其中,函数y(x;w)的表达式为:
式(2)中,W为权值向量,k(x,xi)为核函数。假定t是独立的,且εn服从均值为0方差为σ2的高斯分布。t的概率密度函数为:
式(3)中:t=(t1,t2,…,tN)T,w=(w1,w2,…,wN)T,Φ=[φ(x1),φ(x2),…,φ(xN)]T,φ(xn)=[k(x1,xn),φ(x2,xn),…,φ(xN,xn)]T。为了避免过拟合问题,W的先验概率分布定义为:
其中,α是N+1维超参数向量。由贝叶斯规则(Bayes′Rule),上述权向量W的后验分布为:
式中,协方差∑=(σ-2ΦTΦ+A)-1均值μ=σ-2∑ΦTt。其中A=diag(α0,α1,…αN),α和σ2都是需要估计的超参数。α和σ2按下式更新:
式中,μi为μ的第i个均值,γi=1-αi∑ii,∑ii为∑的第i个对角元素。
本发明所要解决的技术问题是通过以下的技术方案来实现的。本发明是一种涂泥木线条表面小点状缺陷的检测方法,其特征在于,其步骤如下:
(1)采集原始图像,用相关向量机算法生成回归图像;
(2)根据原始图像和回归图像计算差图像;
(3)对差图像使用核相关系数进行后处理构造新图像,并对新图像进行取反并二值化;
(4)使用一个3×3的掩膜扫描二值化图像,计算掩膜覆盖部分的局部均值,以该均值作为灰度值构造缺陷检测图像;在缺陷检测图像中,利用阈值法检测缺陷。
本发明所述的涂泥木线条表面小点状缺陷的检测方法,其进一步优选的技术方案是:
步骤(1)通过相关向量机生成回归图像,具体方法为:A、先通过视觉系统采集M×N原始图像I0,然后用大小为9×9的掩膜对其进行扫描,在每个像素I0(i,j)位置,截取一个与掩膜大小相同的子图像,并将其转化为一个81×1维向量其中向量中的元素为子图像的灰度值;
B、用相关向量机对向量进行回归计算,得到回归值用中第41个元素代替像素灰度值I0(i,j);
C、重复上述操作,直到所有像素都被扫描;
D、由所有回归值构造一幅回归图像
步骤(2)所述的计算差图像的像素值由下式来计算:
式中:I1(i,j)是指差图像的像素值,是指回归图像的像素值,I0(i,j)是指原始图像的像素值。
步骤(3)所述的使用核相关系数进行后处理,具体处理公式为:
式(9)中,k(·)为高斯核函数。
步骤(3)所述的对图像进行取反,具体公式为:对图像进行二值化,是将二值化得到二值化图像BI(i,j)。
步骤(4)所述的构造缺陷检测图像,具体为:用一个3×3的掩膜扫描二值图像BI(i,j),然后由以下公式求局部均值:
并以DetI(i,j)值作为灰度值构造缺陷检测图像。
本发明与基于滤波算法的缺陷检测算法相比,具有以下有益效果:本发明使用相关向量机结合核相关系数后处理方法,对图像中的小缺陷进行检测,具有很好的检测性能。采用本发明方法进行涂泥木线条表面小点状缺陷检测,可获得较高信杂比;且背景抑制能力较强。
附图说明
图1为本发明的算法流程框图;
图2为本发明的缺陷检测示例图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细描述,以便于本领域的技术人员进一步的理解本发明,而不构成对其权利的限制。需要强调的是,以下实施例仅是本发明的一种优选实施方式而已,对于本技术领域的技术人员来说,在不脱离本发明的核心思想和基本原理的前提下,对其进行改进和修改,或者利用本发明的主要方法、核心思想和基本原理解决其他领域的技术问题,都应视为本发明的保护范围。
实施例1,一种涂泥木线条表面小点状缺陷的检测方法,其步骤如下:
(1)采集原始图像,用相关向量机算法生成回归图像;
(2)根据原始图像和回归图像计算差图像;
(3)对差图像使用核相关系数进行后处理构造新图像,并对新图像进行取反并二值化;
(4)使用一个3×3的掩膜扫描二值化图像,计算掩膜覆盖部分的局部均值,以该均值作为灰度值构造缺陷检测图像;在缺陷检测图像中,利用阈值法检测缺陷。
步骤(1)通过相关向量机生成回归图像,具体方法为:A、先通过视觉系统采集M×N原始图像I0,然后用大小为9×9的掩膜对其进行扫描,在每个像素I0(i,j)位置,截取一个与掩膜大小相同的子图像,并将其转化为一个81×1维向量其中向量中的元素为子图像的灰度值;
B、用相关向量机对向量进行回归计算,得到回归值用中第41个元素代替像素灰度值I0(i,j);
C、重复上述操作,直到所有像素都被扫描;
D、由所有回归值构造一幅回归图像
步骤(2)所述的计算差图像的像素值由下式来计算:
式中:I1(i,j)是指差图像的像素值,是指回归图像的像素值,I0(i,j)是指原始图像的像素值。
步骤(3)所述的使用核相关系数进行后处理,具体处理公式为:
式(9)中,k(·)为高斯核函数。
骤(3)所述的对图像进行取反,具体公式为:对图像进行二值化,是将二值化得到二值化图像BI(i,j)。
步骤(4)所述的构造缺陷检测图像,具体为:用一个3×3的掩膜扫描二值图像BI(i,j),然后由以下公式求局部均值:
并以DetI(i,j)值作为灰度值构造缺陷检测图像。
实施例2,参照附图1,一种基于相关向量机回归的涂泥木线条表面小点状缺陷检测。具体实验步骤如下:
步骤S101:开始,采集实验图像,其中分别包含小缺陷;
步骤S102:用一个大小为9×9的掩膜对这两幅图像进行扫描,在每个像素I0(i,j)位置,截取一个与掩膜同等大小的子图像,并将这个子图像转化为一个81×1维向量
步骤S103:用相关向量机对向量进行回归计算,得到回归值用中第41个元素代替像素灰度值I0(i,j)。重复上述操作,直到所有像素都被扫描;
步骤S104:用这些回归值I0(i,j)可以构造一幅回归图像
步骤S105:由I0(i,j)和用公式(8)计算差图像,得像素值I1(i,j),由这些I1(i,j)构成突出小缺陷点的新图像I1;
步骤S106:用高斯核函数作为核函数对I1(i,j)进行后处理,得到γ(i,j),并取反得
步骤S107:将二值化,构造二值化图像BI(i,j);使用一个3×3的掩膜扫描图像BI;
步骤S108:使用一个3×3的掩膜扫描二值化图像BI,计算局部均值,并将均值作为像素值DetI(i,j),构造缺陷检测图像;
步骤S109:在图像DetI中,设定一个阈值对缺陷进行检测,确定缺陷的位置。
检测结果示例参照图2。
Claims (6)
1.一种涂泥木线条表面小点状缺陷的检测方法,其特征在于,其步骤如下:
(1)采集原始图像,用相关向量机算法生成回归图像;
(2)根据原始图像和回归图像计算差图像;
(3)对差图像使用核相关系数进行后处理构造新图像,并对新图像进行取反并二值化;
(4)使用一个3×3的掩膜扫描二值化图像,计算掩膜覆盖部分的局部均值,以该均值作为灰度值构造缺陷检测图像;在缺陷检测图像中,利用阈值法检测缺陷。
2.根据权利要求1所述的涂泥木线条表面小点状缺陷的检测方法,其特征在于:步骤(1)通过相关向量机生成回归图像,具体方法为:
A、先通过视觉系统采集M×N原始图像I0,然后用大小为9×9的掩膜对其进行扫描,在每个像素I0(i,j)位置,截取一个与掩膜大小相同的子图像,并将其转化为一个81×1维向量v,其中向量中的元素为子图像的灰度值;
B、用相关向量机对向量v进行回归计算,得到回归值用中第41个元素代替像素灰度值I0(i,j);
C、重复上述操作,直到所有像素都被扫描;
D、由所有回归值构造一幅回归图像
3.根据权利要求2所述的涂泥木线条表面小点状缺陷的检测方法,其特征在于,步骤(2)所述的计算差图像的像素值由下式来计算:
式中:I1(i,j)是指差图像的像素值,是指回归图像的像素值,I0(i,j)是指原始图像的像素值。
4.根据权利要求3所述的涂泥木线条表面小点状缺陷的检测方法,其特征在于,步骤(3)所述的使用核相关系数进行后处理,具体处理公式为:
式(9)中,k(·)为高斯核函数。
5.根据权利要求4所述的涂泥木线条表面小点状缺陷的检测方法,其特征在于,步骤(3)所述的对图像进行取反,具体公式为:对图像进行二值化,是将二值化得到二值化图像BI(i,j)。
6.根据权利要求5所述的涂泥木线条表面小点状缺陷的检测方法,其特征在于,步骤(4)所述的构造缺陷检测图像,具体为:用一个3×3的掩膜扫描二值图像BI(i,j),然后由以下公式求局部均值:
并以DetI(i,j)值作为灰度值构造缺陷检测图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910321528.1A CN110060249B (zh) | 2019-04-22 | 2019-04-22 | 一种涂泥木线条表面小点状缺陷的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910321528.1A CN110060249B (zh) | 2019-04-22 | 2019-04-22 | 一种涂泥木线条表面小点状缺陷的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110060249A true CN110060249A (zh) | 2019-07-26 |
CN110060249B CN110060249B (zh) | 2023-05-02 |
Family
ID=67319934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910321528.1A Active CN110060249B (zh) | 2019-04-22 | 2019-04-22 | 一种涂泥木线条表面小点状缺陷的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110060249B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114529545A (zh) * | 2022-04-22 | 2022-05-24 | 天津理工大学 | 一种基于无人机的道路缺陷自动检测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106124511A (zh) * | 2016-05-24 | 2016-11-16 | 浙江大学 | 一种基于自适应亮度回归矫正的水果表面缺陷检测方法 |
CN106250988A (zh) * | 2016-07-28 | 2016-12-21 | 武汉理工大学 | 基于样本特性的相关向量回归增量学习算法及系统 |
CN108716904A (zh) * | 2018-04-09 | 2018-10-30 | 水利部南京水利水文自动化研究所 | 基于有限测斜仪测点测值的坝体挠度获取方法 |
-
2019
- 2019-04-22 CN CN201910321528.1A patent/CN110060249B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106124511A (zh) * | 2016-05-24 | 2016-11-16 | 浙江大学 | 一种基于自适应亮度回归矫正的水果表面缺陷检测方法 |
CN106250988A (zh) * | 2016-07-28 | 2016-12-21 | 武汉理工大学 | 基于样本特性的相关向量回归增量学习算法及系统 |
CN108716904A (zh) * | 2018-04-09 | 2018-10-30 | 水利部南京水利水文自动化研究所 | 基于有限测斜仪测点测值的坝体挠度获取方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114529545A (zh) * | 2022-04-22 | 2022-05-24 | 天津理工大学 | 一种基于无人机的道路缺陷自动检测方法及系统 |
CN114529545B (zh) * | 2022-04-22 | 2022-07-12 | 天津理工大学 | 一种基于无人机的道路缺陷自动检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110060249B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mei et al. | An unsupervised-learning-based approach for automated defect inspection on textured surfaces | |
CN108520274B (zh) | 基于图像处理及神经网络分类的高反光表面缺陷检测方法 | |
Deng et al. | Image edge detection algorithm based on improved canny operator | |
Shrivakshan et al. | A comparison of various edge detection techniques used in image processing | |
Yu et al. | A machine vision method for measurement of machining tool wear | |
CN108648168A (zh) | Ic晶圆表面缺陷检测方法 | |
CN106780455B (zh) | 一种基于滑动的局部邻域窗口的产品表面检测方法 | |
JP6420529B2 (ja) | パッチ・ツー・パッチ比較を含む欠陥検出のための装置及び方法 | |
CN108280823A (zh) | 一种工业生产中光缆表面弱边缘瑕疵的检测方法及系统 | |
Islam et al. | Capsule image segmentation in pharmaceutical applications using edge-based techniques | |
CN112308872B (zh) | 基于多尺度Gabor一阶导数的图像边缘检测方法 | |
Rani et al. | Detection of edges using mathematical morphological operators | |
CN103866551B (zh) | 基于机器视觉的织物纬斜快速探测方法 | |
Halder et al. | Edge detection: A statistical approach | |
Shi et al. | Fabric defect detection via low-rank decomposition with gradient information | |
Ma et al. | An automatic detection method of Mura defects for liquid crystal display | |
Xia et al. | An automatic machine vision-based algorithm for inspection of hardwood flooring defects during manufacturing | |
Priyadarshini et al. | A new edge detection method based on additions and divisions | |
CN110060249A (zh) | 一种涂泥木线条表面小点状缺陷的检测方法 | |
CN113971681A (zh) | 一种复杂环境下带式输送机边缘检测方法 | |
Manjula | Image edge detection and segmentation by using histogram thresholding method | |
Sun et al. | Jump detection in regression surfaces using both first-order and second-order derivatives | |
Zhou et al. | Defect detection of printing images on cans based on SSIM and chromatism | |
Vignesh et al. | Performance and Analysis of Edge detection using FPGA Implementation | |
Janoriya et al. | Critical review on edge detection techniques in spatial domain on low illumination images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |