CN111667465A - 一种基于远红外图像的金属洗手盆缺陷检测方法 - Google Patents
一种基于远红外图像的金属洗手盆缺陷检测方法 Download PDFInfo
- Publication number
- CN111667465A CN111667465A CN202010443968.7A CN202010443968A CN111667465A CN 111667465 A CN111667465 A CN 111667465A CN 202010443968 A CN202010443968 A CN 202010443968A CN 111667465 A CN111667465 A CN 111667465A
- Authority
- CN
- China
- Prior art keywords
- classifier
- far infrared
- metal
- infrared image
- brightness
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 96
- 239000002184 metal Substances 0.000 title claims abstract description 65
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 230000002708 enhancing effect Effects 0.000 claims abstract description 7
- 238000012706 support-vector machine Methods 0.000 claims description 30
- 238000000034 method Methods 0.000 claims description 26
- 230000009977 dual effect Effects 0.000 claims description 12
- 238000010845 search algorithm Methods 0.000 claims description 12
- 238000003331 infrared imaging Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 17
- 230000004927 fusion Effects 0.000 abstract description 9
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 239000013589 supplement Substances 0.000 abstract 1
- 230000011218 segmentation Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000003466 welding Methods 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 229910052755 nonmetal Inorganic materials 0.000 description 3
- 239000002253 acid Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003707 image sharpening Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 101150055297 SET1 gene Proteins 0.000 description 1
- 101150117538 Set2 gene Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于远红外图像的金属洗手盆缺陷检测方法,首先,通过自行设计的锐化算子对红外图像进行增强;然后,经过选择性搜索(Selective Search,SS)算法从远红外图像中生成金属缺陷候选区域;进一步,构建双分类器同时对候选区域进行分类;最后,对双分类器所得的分类结果进行融合,获得最终的金属缺陷分类结果。系统包括:红外图像预处理模块、金属缺陷目标候选区域生成模块、分类器离线训练模块、候选区域双分类器分类模块、分类器结果融合模块。本发明利用远红外图像,能在黑暗场景成像,无需进行补光,且算法进行能够兼顾检测准确率和检测速度。
Description
技术领域
本发明属于计算机视觉与模式识别、图像处理和智能金属产品缺陷检测系统领域,尤其涉及一种基于远红外图像的金属洗手盆缺陷检测方法。
背景技术
洗手盆金属产品是人们日常生活过程中常用的生活产品。在其生成过程中,通常会造成其中的重要零部件缺失,对产品质量造成较大影响。传统的方式需要安排专门的质检人员用肉眼进行排查,费时费力、效果不够理想。无法全天候无人值守。目前,部分带有人工智能的金属制品缺陷检测系统,具备一定的自动识别功能,但由于缺陷类型比较多、金属存在反光,通常,当应用到具体的实际场景中时,实时性和准确率尚未能很好地满足实际应用的需求。故研究基于视频的金属洗手盆缺陷检测方法,直接来源于实际产品生产过程中的需求。
为对钢板表面缺陷进行检测,徐镪等(徐镪,朱洪锦,范洪辉,周红燕,余光辉.改进的YOLOv3网络在钢板表面缺陷检测研究[J].计算机工程与应用,2020)对表面缺陷检测进行有效检测,提出了一种改进的YOLOv3(You Only Look Once)网络检测方法,通过使用轻量级网络、加入空洞卷积和引入Inception 结构进行改进,虽然在实时性方面取得了提升,然而在很多计算能力受限的边缘计算场景,难以为基于深度学习的方法提供足够的计算开销。
为选择出能降低金属缺陷分类错误的特征信息,丛成等(丛成,吕哲,高翔,王敏.基于支持向量机的钢板缺陷分类问题的研究[J].智能处理与应用,2020, (04):33-36.)采用主成分分析对初始数据进行降维处理,然后采用支持向量机作为分类器,对钢板表面缺陷进行分类。该方法计算开销比较小,适用于实时运行的嵌入式系统。然而,单纯基于单一分类器进行分类,分类鲁棒性有待进一步提升。
针对金属板带材表面缺陷呈现形式存在多样性和随机性而导致难以快速定位并准确识别的问题,王海云等(王海云,王剑平,罗付华.融合多层次特征 Faster R-CNN的金属板带材表面缺陷检测研究[J].机械科学与技术,2020.)提出一种融合多层次特征的Faster R-CNN缺陷目标检测算法(Defect-Target Detection Network,DDN),该方法通过融合VGG-16提取的各层次特征图,得到具有丰富位置信息和语义信息的融合特征图,后续网络基于该融合特征图产生最终的缺陷检测结果。重点改进了深度网络的特征提取部分,取得了较高的检测准确率,然而该方法计算开销亦比较大。此外,每种缺陷需要训练数据量亦比较大,才能获得较好的检测效果。
在利用远红外图像进行金属缺陷检测方面,王海云等(陈涛,李伟忠,刘延雷,王飞,蒋诚航,周泓.金属管道未焊透缺陷红外在线检测可行性分析[J]. 红外技术,2019,41(12):1146-1150.)针对远红外成像技术对初步研究了高温金属管道的未焊透缺陷检测问题,使用有限元分析的方法,对含未焊透缺陷的金属管道焊接接头外表面温度分布进行了数值计算,对远红外成像检测的现场检验可行性进行了研究和探讨,该研究成果可以为在线运行的高温金属压力管道焊接缺陷远红外成像检测应用提供参考。该方法创新性地利用了远红外图像进行金属缺陷检测,然而使用的算法智能程度较低,尚未进行比较深程度的图像处理和模式识别算法进行远红外图像的缺陷检测。
综上所述,虽然基于视频的金属缺陷检测方法已经取得了一定的成果,但是,为了满足实际应用的要求,迫切需要在检测准确率、实时性方面做出进一步的改进。
发明内容
本发明实施例的目的在于提供一种基于远红外图像的金属洗手盆缺陷检测方法,旨在解决现有的基于视频的金属缺陷检测方法的识别准确率不达标和/ 或不尽如人意、实时性需要提高、鲁棒性不强的问题。
一种基于远红外图像的金属洗手盆缺陷检测方法,其特征在于针对金属洗手盆缺陷的特点,自行设计的增强算子对远红外图像进行增强,并构建一个双分类器联合分类的分类器对候选区域完成分类,具体包括:
步骤一,利用自行设计的锐化算子对远红外图像进行增强;
步骤二,基于选择性搜索算法获取金属缺陷候选区域;
步骤三,构建双分类器(基于亮度特征和局部二值模式特征)同时对候选区域进行分类;
步骤四,融合双分类器的分类结果以获得最终检测结果。
进一步,权利要求1所述基于远红外图像的金属洗手盆缺陷检测方法,其特征在于,步骤一所述的自行设计的锐化算子指,针对金属洗手盆缺陷的远红外成像特点,在Laplacian考虑45°和135°方向的算子基础上,对其算子中的数值乘以2,以构造新的算子形式,然后依次使用新的45°和135°算子,完成对红外图像的增强。
进一步,权利要求1所述基于远红外图像的金属洗手盆缺陷检测方法,其特征在于,步骤二所述的选择性搜索算法指,在每一帧远红外图像中,首先通过在灰度图像中,基于图的图像分割方法得到小尺度的区域,然后根据远红外亮度强度自相似性特征多次合并得到更大尺度的区域,在合并过程中生成的区域即为候选区域。
进一步,权利要求1所述基于远红外图像的金属洗手盆缺陷检测方法,其特征在于,步骤二所述的构建双分类器(基于亮度特征和局部二值模式特征) 同时对候选区域进行分类指,对同一个候选区域,构建双分类器同时进行分类;所述的双分类器指基于亮度特征的判别分类器和基于局部二值模式特征的支持向量机分类器;所述的基于亮度特征的判别分类器指,通过对1000张含有缺陷目标图片的平均亮度值进行统计分析所得到的亮度模型,图片的平均亮度大于 120时,该亮度特征分类器才会认为该候选区域为缺陷类别的概率为0.8,否则认为该候选区域为缺陷类别的概率为0.5;所述的基于局部二值模式特征的支持向量机分类器指提取候选区域的局部二值模式特征,并通过线性支持向量机学习算法获得支持向量机分类器。
进一步,权利要求1所述基于远红外图像的金属洗手盆缺陷检测方法,其特征在于,步骤二所述的融合双分类器的分类结果以获得最终检测结果指,对亮度判别分类器的输出结果和支持向量机分类结果进行加权融合,分别设置权重为0.3和0.7,以最终获得缺陷检测结果。
本发明提供的一种基于远红外图像的金属洗手盆缺陷检测方法,与现有的多少基于可见光视频的金属缺陷检测技术相比,本发明具有如下优点和效果:为了将信息不明显的金属洗手盆的缺陷在图像中得以凸显,针对金属洗手盆缺陷的特点,提出了一种自行构建的图像锐化算子对远红外图像进行增强;将用于可见光三通道图像的选择性搜索算法,适配到远红外单通道亮度图像中并修改了合并准则,如此进行候选区域获取,不仅能生成较好的缺陷候选区域,而且能同时在图像和视频中执行分割;同时设计了基于亮度统计特征的分类器和基于局部二值模式特征的支持向量机分类器联合决策的分类方式,相对于单一分类器的方法,能获得更高的分类精度;该训练所需要的训练样本数量,相对于目前流行的深度学习方法,在训练样本量不大的情况下,可以获得较好的分类器泛化能力。此外,本系统基于远红外图像进行检测,有别于目前多数的基于见光传感器的缺陷系统需要利用昂贵的补光灯进行补光,本系统无需进行补光即可稳定成像,较方便地满足实际应用的需求。
附图说明
图1是本发明实施例提供的一种基于远红外图像的金属洗手盆缺陷检测方法;
图2是本发明实施例提供的一种基于远红外图像的金属洗手盆缺陷检测系统结构示意图;
图中:A、远红外图像预处理模块;B、候选区域获取模块;C、候选区域双分类器分类模块;D、分类器结果融合模块;E、分类器离线训练模块;
图3是本发明实施例构建的双分类器(基于亮度特征和局部二值模式特征) 同时对候选区域进行分类的实施例图;
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
如图1所示,本发明实施例的一种基于远红外图像的金属洗手盆缺陷检测方法包括以下步骤:
S101,利用自行设计的锐化算子对远红外图像进行增强;
S102,基于选择性搜索算法获取金属缺陷候选区域;
S103,构建双分类器(基于亮度特征和局部二值模式特征)同时对候选区域进行分类;
S104,融合双分类器的分类结果以获得最终检测结果。
步骤S101所述的自行设计的锐化算子指,针对金属洗手盆缺陷的远红外成像特点,在Laplacian考虑45°和135°方向的算子基础上,对其算子中的数值乘以 2,以构造新的算子形式,然后依次使用新的45°和135°算子,完成对红外图像的增强。
步骤S102所述的选择性搜索算法指,在每一帧远红外图像中,首先通过在灰度图像中,基于图的图像分割方法得到小尺度的区域,然后根据远红外亮度强度自相似性特征多次合并得到更大尺度的区域,在合并过程中生成的区域即为候选区域。
步骤S103所述的构建双分类器(基于亮度特征和局部二值模式特征)同时对候选区域进行分类指,对同一个候选区域,构建双分类器同时进行分类;所述的双分类器指基于亮度特征的判别分类器和基于局部二值模式特征的支持向量机分类器;所述的基于亮度特征的判别分类器指,通过对1000张含有缺陷目标图片的平均亮度值进行统计分析所得到的亮度模型,图片的平均亮度大于 120时,该亮度特征分类器才会认为该候选区域为缺陷类别的概率为0.8,否则认为该候选区域为缺陷类别的概率为0.5;所述的基于局部二值模式特征的支持向量机分类器指提取候选区域的局部二值模式特征,并通过线性支持向量机学习算法获得支持向量机分类器。
步骤S104所述的融合双分类器的分类结果以获得最终检测结果指,对亮度判别分类器的输出结果和支持向量机分类结果进行加权融合,分别设置权重为 0.3和0.7,以最终获得缺陷检测结果。
如图2所示,本发明实施例的一种基于远红外图像的金属洗手盆缺陷检测方法主要由远红外图像预处理模块A、候选区域获取模块B、候选区域双分类器分类模块C、分类器结果融合模块D和分类器离线训练模块E组成。
远红外图像预处理模块A,用于通过改进远红外图像锐化算子,对红外图像进行增强。
候选区域获取模块B,用于通过在灰度图像中使用选择性搜索算法生成金属缺陷候选区域。
候选区域双分类器分类模块C,与候选区域选取模块A和分类器离线训练模块B连接,用于对候选区域进行双分类器的分类。
分类器结果融合模块D,与模块C连接,将模块C得到的双分类器的分类结果进行加权融合。
分类器离线训练模块E,用于训练基于亮度统计特征的亮度分类器与基于局部二值模式的支持向量机分类器。
本发明的具体实施例:
本发明方法的整体流程如图1所示,本发明方法主体包括三部分:1.利用自行设计的锐化算子对远红外图像进行增强;2.基于选择性搜索算法获取金属缺陷候选区域;3.构建双分类器(基于亮度特征和局部二值模式特征)同时对候选区域机进行融合分类。
1.利用自行设计的锐化算子对远红外图像进行增强
Laplacian算子利用二阶导数信息,与坐标轴方向无关,坐标轴旋转后梯度结果不变,具有各向同性。使得图像经过二阶微分后,在边缘处能产生一个陡峭的零交叉点,根据这个对零交叉点判边缘。传统的Laplacian变形算子如公式 (1)的H1所示。
为了改善锐化效果,可以脱离微分的计算原理,在原有的算子基础上,对模板系数进行改变,获得Laplacian变形算子,本专利考虑到远红外图像天然缺失纹理信息的成像特性,为增强金属缺陷的清晰度,在Laplacian考虑45°和135°方向的算子基础上,分别对其算子中的数值乘以2,依次得到新的H2和H3以构造新的算子形式,H2如公式(1)所示,H3如公式(3)所示。然后依次使用新的 H2和H3算子,完成对红外图像的增强。
2.基于选择性搜索算法获取金属缺陷候选区域
本发明在候选区域生成阶段,将目前的选择性搜索算法应用于单通道的远红外图像中。选择性搜索图像分割方法,主要包括两个步骤,第一步:生成初始的分割集;第二步:分割集融合生成候选区域。
2.1生成初始的分割集R
将增强后的远红外图像表示为G,每个像素点代表图的一个顶点,相邻的两个像素点构成一条边,像素亮度值的差异构成边的权值。权值越小,表示像素点之间的相似度就越高,反之,相似度就越低。所以,可以将原始输入图像按如下分割方式执行分割:1)对于红外图像G的所有边,按照权值进行排序(升序);2)假设S[0]是一个原始分割,相当于每个顶点是一个分割区域;3)根据上次S[q-1]的构建,选择一条边o[q](vi,vj),如果vi和vj在分割的互不相交的区域中,则比较这条边的权值与这两个分割区域之间的最小分割内部差M,如果o[q](vi,vj)<M,那么合并这两个区域,其他区域不变;否则,不执行任何操作,并且重复执行此步骤。最后得到的即使所求的分割S=S[m]。
2.2分割集融合生成候选区域
该阶段即将生成的分割集通过相似性准则进行多次融合,以获得多个候选区域。具体实施流程如下:1)计算区域集R中每个相邻区域的相似度;2)将相似度最高的两个区域进行合并(同时,删除掉这两个区域),得到一个新的区域,添加进R;3)计算新集与所有子集的相似度;4)跳至2),直至S为空为止。在1)中,对于每个相邻区域的相似度,传统的选择性搜索算法通过颜色、纹理、尺寸和空间交叠加权进行度量。本发明提出计算候选区域的亮度强度自相似性特征然后计算特征的欧式距离以完成相似性度量,强度自相似特征可以度量物体内部的自相似性,且所提取的特征维度更高、信息更充分,所以本发明的度量的准则与传统算法有所差异。强度自相似性通过计算强度自相似性特征的余弦距离进行度量。
3.构建双分类器(基于亮度特征和局部二值模式特征)同时对候选区域机进行融合分类
本专利的双分类器即亮度特征分类器和基于局部二值模式的支持向量机分类器。亮度特征分类器和基于局部二值模式的支持向量机分类器均包括分类器离线训练和在线检测两个部分。
3.1分类器离线训练
3.1.1训练样本准备
通过远红外摄像头、工控机和视频采集卡,在实际流水线中采集1000张包含洗手盆金属缺陷的图像,构成数据集Data_set1;5000张不包含洗手盆金属缺陷的图像,构成数据集Data_set2。在Data_set1中,人工裁剪金属缺陷目标的最小外接矩形获取缺陷图片样本P;在Data_set2中,通过选择性搜索分割方法,自动生成非金属缺陷目标样本Q。在此基础上,合并P和Q样本集,获得样本集R。
1)亮度统计特征分类器训练
通过在样本集P中,对含有缺陷目标图片的平均亮度值进行统计,然后取所有平均亮度值的众数,记为Object_T(本专利实验统计的Object_T值为120),当图片的平均亮度大于时Object_T时,该亮度特征分类器才会认为该候选区域为缺陷类别的概率为0.8,否则认为该候选区域为缺陷类别的概率为0.5。通过上述步骤,可以获得颜色模型分类器C1。
2)基于局部二值模式特征的支持向量机分类器训练
通过双线性插值算法对R样本集进行尺度调整,调整后的样本尺度为 100×100像素2,在这类尺度的训练集上训练基于局部二值模式特征(Local Binary Pattern,LBP)的线性支持向量机分类器,获得基于局部二值模式的支持向量机分类器C2。
为节省计算开销,计算局部二值模式特征,具体为LBP8,1特征,对每个样本平均地划分为两个局部块,即每一个候选区域得到256维LBP8,1特征,总共得到512维的局部二值模式特征。
3.2在线检测
金属缺陷检测属于二类分类问题,第一步,获取金属缺陷候选区域;第二步,金属缺陷在线分类。在第2节中已经介绍了获取金属缺陷候选区域的方法,先对金属缺陷的在线分类进行阐述。
1)基于亮度特征的分类
对某候选区域,统计其亮度平均值,当亮度平均值大于阈值Object_T时,该亮度特征分类器才会认为该候选区域为缺陷类别的概率为0.8,否则认为该候选区域为缺陷类别的概率为0.5;
2)基于局部二值模式的支持向量机分类
对某候选区域,提取局部二值模式特征,按照公式(4)所示的线性支持向量机的判决函数进行分类。
f(x)=wT·x+b (4)
其中w是线性支持向量机的权值向量,x是候选区域的局部二值模式特征向量(512维度大小),b是常量偏移,输入向量x的响应是f(x),若f(x)>0,则在双分支支持向量机分类阶段,判断其为金属缺陷目标,否则,支持向量机分类阶段,判断其为非金属缺陷目标。
3)融合双分类器的分类结果以获得最终检测结果
本发明的双分类器由亮度特征分类器和基于局部二值模式特征的支持向量机分类联合而成,在双分类器联合决策分类阶段,双分类器的联合策略为: a1×C1+a2×C2,其中a1、a2通过实验经验,设置为0.3和0.7,其中C1和C2分别代表亮度统计特征分类器和基于局部二值模式特征的分类器。当a1×C1+a2×C2>0.5 时,当前样本方被双分类器分类为最终金属缺陷,否则,判断其为非金属缺陷目标。上述融合分类器的分类结果即为金属缺陷检测系统最终识别结果。
Claims (5)
1.一种基于远红外图像的金属洗手盆缺陷检测方法,其特征在于针对金属洗手盆缺陷的特点,自行设计的增强算子对远红外图像进行增强,并构建一个双分类器联合分类的分类器对候选区域完成分类,具体包括:
步骤一,利用自行设计的锐化算子对远红外图像进行增强;
步骤二,基于选择性搜索算法获取金属缺陷候选区域;
步骤三,构建双分类器(基于亮度特征和局部二值模式特征)同时对候选区域进行分类;
步骤四,融合双分类器的分类结果以获得最终检测结果。
2.权利要求1所述基于远红外图像的金属洗手盆缺陷检测方法,其特征在于,步骤一所述的自行设计的锐化算子指,针对金属洗手盆缺陷的远红外成像特点,在Laplacian考虑45°和135°方向的算子基础上,对其算子中的数值乘以2,以构造新的算子形式,然后依次使用新的45°和135°算子,完成对红外图像的增强。
3.权利要求1所述基于远红外图像的金属洗手盆缺陷检测方法,其特征在于,步骤二所述的选择性搜索算法指,在每一帧远红外图像中,首先通过在灰度图像中,基于图的图像分割方法得到小尺度的区域,然后根据远红外亮度强度自相似性特征多次合并得到更大尺度的区域,在合并过程中生成的区域即为候选区域。
4.权利要求1所述基于远红外图像的金属洗手盆缺陷检测方法,其特征在于,步骤二所述的构建双分类器(基于亮度特征和局部二值模式特征)同时对候选区域进行分类指,对同一个候选区域,构建双分类器同时进行分类;所述的双分类器指基于亮度特征的判别分类器和基于局部二值模式特征的支持向量机分类器;所述的基于亮度特征的判别分类器指,通过对1000 张含有缺陷目标图片的平均亮度值进行统计分析所得到的亮度模型,图片的平均亮度大于120时,该亮度特征分类器才会认为该候选区域为缺陷类别的概率为0.8,否则认为该候选区域为缺陷类别的概率为0.5;所述的基于局部二值模式特征的支持向量机分类器指提取候选区域的局部二值模式特征,并通过线性支持向量机学习算法获得支持向量机分类器。
5.权利要求1所述基于远红外图像的金属洗手盆缺陷检测方法,其特征在于,步骤二所述的融合双分类器的分类结果以获得最终检测结果指,对亮度判别分类器的输出结果和支持向量机分类结果进行加权融合,分别设置权重为0.3和0.7,以最终获得缺陷检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010443968.7A CN111667465A (zh) | 2020-05-22 | 2020-05-22 | 一种基于远红外图像的金属洗手盆缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010443968.7A CN111667465A (zh) | 2020-05-22 | 2020-05-22 | 一种基于远红外图像的金属洗手盆缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111667465A true CN111667465A (zh) | 2020-09-15 |
Family
ID=72384367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010443968.7A Pending CN111667465A (zh) | 2020-05-22 | 2020-05-22 | 一种基于远红外图像的金属洗手盆缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111667465A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927223A (zh) * | 2021-03-29 | 2021-06-08 | 南通大学 | 一种基于红外热成像仪的玻璃幕墙检测方法 |
CN113240647A (zh) * | 2021-05-18 | 2021-08-10 | 哈尔滨工业大学(深圳) | 一种基于深度学习的手机外壳后盖缺陷检测方法和系统 |
WO2023282043A1 (ja) * | 2021-07-08 | 2023-01-12 | Jfeスチール株式会社 | 検査方法、分類方法、管理方法、鋼材の製造方法、学習モデルの生成方法、学習モデル、検査装置及び鋼材の製造設備 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101101669A (zh) * | 2007-07-13 | 2008-01-09 | 天津大学 | 根据边缘和亮度特征进行自适应调整的图像增强方法 |
CN102005054A (zh) * | 2010-11-24 | 2011-04-06 | 中国电子科技集团公司第二十八研究所 | 一种实时红外图像目标跟踪方法 |
CN109447935A (zh) * | 2018-11-16 | 2019-03-08 | 哈工大机器人(山东)智能装备研究院 | 红外图像处理方法、装置、计算机设备和可读存储介质 |
CN110210554A (zh) * | 2019-05-29 | 2019-09-06 | 广州澳盾智能科技有限公司 | 基于多分类器联合决策的森林烟火检测方法 |
-
2020
- 2020-05-22 CN CN202010443968.7A patent/CN111667465A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101101669A (zh) * | 2007-07-13 | 2008-01-09 | 天津大学 | 根据边缘和亮度特征进行自适应调整的图像增强方法 |
CN102005054A (zh) * | 2010-11-24 | 2011-04-06 | 中国电子科技集团公司第二十八研究所 | 一种实时红外图像目标跟踪方法 |
CN109447935A (zh) * | 2018-11-16 | 2019-03-08 | 哈工大机器人(山东)智能装备研究院 | 红外图像处理方法、装置、计算机设备和可读存储介质 |
CN110210554A (zh) * | 2019-05-29 | 2019-09-06 | 广州澳盾智能科技有限公司 | 基于多分类器联合决策的森林烟火检测方法 |
Non-Patent Citations (1)
Title |
---|
张一明: "金属零部件表面瑕疵缺陷的视觉检测技术研究" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927223A (zh) * | 2021-03-29 | 2021-06-08 | 南通大学 | 一种基于红外热成像仪的玻璃幕墙检测方法 |
CN113240647A (zh) * | 2021-05-18 | 2021-08-10 | 哈尔滨工业大学(深圳) | 一种基于深度学习的手机外壳后盖缺陷检测方法和系统 |
WO2023282043A1 (ja) * | 2021-07-08 | 2023-01-12 | Jfeスチール株式会社 | 検査方法、分類方法、管理方法、鋼材の製造方法、学習モデルの生成方法、学習モデル、検査装置及び鋼材の製造設備 |
JPWO2023282043A1 (zh) * | 2021-07-08 | 2023-01-12 | ||
JP7459957B2 (ja) | 2021-07-08 | 2024-04-02 | Jfeスチール株式会社 | 検査方法、分類方法、管理方法、鋼材の製造方法、学習モデルの生成方法、学習モデル、検査装置及び鋼材の製造設備 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lian et al. | Deep-learning-based small surface defect detection via an exaggerated local variation-based generative adversarial network | |
CN111223088B (zh) | 一种基于深层卷积神经网络的铸件表面缺陷识别方法 | |
Lu et al. | Salient object detection using concavity context | |
Anagnostopoulos et al. | A license plate-recognition algorithm for intelligent transportation system applications | |
CN108520226B (zh) | 一种基于躯体分解和显著性检测的行人重识别方法 | |
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
CN111160249A (zh) | 基于跨尺度特征融合的光学遥感图像多类目标检测方法 | |
CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN111667465A (zh) | 一种基于远红外图像的金属洗手盆缺陷检测方法 | |
CN104616032A (zh) | 基于深度卷积神经网络的多摄像机系统目标匹配方法 | |
CN110298297A (zh) | 火焰识别方法和装置 | |
CN111768388A (zh) | 一种基于正样本参考的产品表面缺陷检测方法及系统 | |
CN110929593A (zh) | 一种基于细节辨别区别的实时显著性行人检测方法 | |
Zang et al. | Traffic sign detection based on cascaded convolutional neural networks | |
CN107944354B (zh) | 一种基于深度学习的车辆检测方法 | |
CN113592911B (zh) | 表观增强深度目标跟踪方法 | |
CN113888461A (zh) | 基于深度学习的小五金件缺陷检测方法、系统及设备 | |
CN112102224A (zh) | 一种基于深度卷积神经网络的布匹疵点识别方法 | |
CN115082776A (zh) | 一种基于图像识别的电能表自动检测系统及方法 | |
Chen et al. | Multi-scale attention networks for pavement defect detection | |
CN106504211A (zh) | 基于改进surf特征匹配的低照度成像方法 | |
CN114067273A (zh) | 一种夜间机场航站楼热成像显著人体分割检测方法 | |
CN109815957A (zh) | 一种基于彩色图像在复杂背景下的文字识别方法 | |
CN110910497B (zh) | 实现增强现实地图的方法和系统 | |
CN112446340A (zh) | 结合行人局部特征和服饰属性分类的行人搜索方法、系统及存储介质 |
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 |