CN112686890B - 一种基于奇异值分解的人造板表面缺陷检测方法 - Google Patents
一种基于奇异值分解的人造板表面缺陷检测方法 Download PDFInfo
- Publication number
- CN112686890B CN112686890B CN202110174792.4A CN202110174792A CN112686890B CN 112686890 B CN112686890 B CN 112686890B CN 202110174792 A CN202110174792 A CN 202110174792A CN 112686890 B CN112686890 B CN 112686890B
- Authority
- CN
- China
- Prior art keywords
- matrix
- value
- image
- artificial board
- defect
- 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 74
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 title claims description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 62
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 238000013507 mapping Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims 3
- 238000000034 method Methods 0.000 abstract description 9
- 230000008030 elimination Effects 0.000 abstract 1
- 238000003379 elimination reaction Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于奇异值分解的人造板表面缺陷检测方法，首先对人造板原始灰度图像进行消除行间差异处理；再将消除行间差异的灰度图像分割成n×n大小的图像块，并对每个图像块进行奇异值分解，取所述对角阵的第一个奇异值作为所选图像块的特征值，将该特征值存入特征矩阵F，统计出特征矩阵F的方差S和均值G，得到特征矩阵F的分割阈值T，T＝S+λG；建立潜在缺陷矩阵，将特征矩阵F中的每个元素值与分割阈值T比较，如果元素值大于分割阈值T，潜在缺陷矩阵对应位置的元素值设为1，否则设为0；再对潜在缺陷矩阵进行孤立点修正；修正后的缺陷矩阵中元素值为1的数量为0则判定为合格人造板，否则不合格。
Description
技术领域
本发明涉及一种利用奇异值分解的人造板表面缺陷检测方法，属于数字图像处理应用领域。
背景技术
随着人造板连续压机生产线技术的不断成熟，人造板自动生产水平不断提高，但末端的表面缺陷检测依然以人工肉眼识别为主。人工肉眼检测的方式存在许多不足，如识别率不高、检测效率低下以及易受外界因素的影响等，且长时间的工作不利于工人们的身体健康。研发自动识别缺陷系统已成为行业的迫切需要。利用机器视觉的检测方法是自动检测人造板表面缺陷的一种可行方法。
基于机器视觉的人造板表面缺陷检测系统中，表面缺陷检测算法是关键技术之一，通过某种算法对人造板图像进行分析，快速准确找到不同纹理背景下的缺陷。现阶段，主要的缺陷检测算法有贝叶斯、神经网络、支持向量机(SVM)、决策树(DT)、聚类等，取得较好的成果。贝叶斯分类方法需要计算出先验概率；神经网络，支持向量机分类算法存在计算量大、复杂、实时性不高；聚类算法采用穷举的方法计算量较大；DT决策树在训练模型的时候容易过拟合，以上算法均不适用于人造板在线表面缺陷检测。
本发明提供了一种基于奇异值分解的人造板表面缺陷检测方法，该方法不需要离线训练模型，计算简单，实时性高，符合人造板表面缺陷在线检测的要求。
发明内容
本发明的目的在于能够快速高效地检测人造板表面缺陷，从而能够提供一种能适应在线检测的人造板质量控制方法，以解决传统人工肉眼检测人造板表面缺陷误检率和漏检率高，易造成工人视觉疲劳等不足。本发明利用奇异值分解表征人造板表面纹理特性，有效地提取人造板表面缺陷，相比现有方法，在实时性方面有着明显优势。
本发明的目的是通过以下技术方案实现的：
本发明的一种基于奇异值分解的人造板表面缺陷检测方法，具体包括以下步骤：
S1：对线阵相机拍摄的人造板原始灰度图像Iorig中的每一个像素点的灰度值减去所在行灰度均值，得到消除行间差异的灰度图像I；所述消除行间差异的灰度图像I中各像素点的灰度值I(i，j)满足下式：
其中M，N分别为原始灰度图像Iorig的横纵坐标大小，Iorig(i，j)为原始灰度图像Iorig在(i，j)像素点处的灰度值；
S2：将步骤S1得到的消除行间差异的灰度图像I分割成横纵坐标大小为n图像块。考虑到原始灰度图像Iorig的横纵坐标M，N的大小并不一定是n的整数倍，图像边缘分割的图像块可部分重叠。对每一个图像块进行奇异值分解，其分解形式为：
Ipart＝UΣVT，
其中Ipart表示为所选图像块，U为所选图像块的左奇异矩阵，VT为所选图像块的右奇异矩阵，∑为所选图像块的对角矩阵，其中∑有表示形式如下：
取所述对角阵∑中的第一个奇异值σ1作为所选图像块Ipart的特征值f；
S3：将步骤S2中的每一个图像块的特征值存入特征矩阵F，其分布形式如下表示：
其中，X＝INT(M/n)+1为原始灰度图像分割后，在纵向方向上的图像块个数；相应地，Y＝INT(N/n)+1是在横向方向上的图像块个数。INT(·)为取整运算。统计出特征矩阵F的方差S和均值G，得到特征矩阵F的分割阈值T，T满足：
T＝S+λG，其中λ取经验值3～5
S4：根据特征矩阵F的行列维数，建立一个潜在缺陷矩阵D。将特征矩阵F中的每一个元素值fxy(x∈[1，X]，y∈[1，Y])与分割阈值T进行比较，如果元素值fxy大于分割阈值T，那么将该元素所在位置(X，y)映射到潜在缺陷矩阵D的对应位置(x，y)上，并将潜在缺陷矩阵D对应位置(x，y)的元素值dxy设为1，即认为该元素所在位置对应的原始图像块中含有潜在缺陷，否则设为0。
S5：为进一步消除噪声干扰带来的误检可能，对潜在缺陷矩阵D中每一个元素值dxy为1的潜在缺陷块位置点进行孤立点判断，若与潜在缺陷块位置点相邻的所以位置点的元素值均为零，则判定该潜在缺陷块位置点为孤立点，并将其元素值修正为0，得到修正后的缺陷矩阵D’。
S6：统计修正后的缺陷矩阵D’中元素值为1的数量。如果数量为0，则判定当前待检测人造板表面不存在缺陷，即为合格人造板；否则判定当前待检测人造板表面存在缺陷，即为非合格人造板，同时将修正后的缺陷矩阵D’中元素值为1的每个位置点映射到原始灰度图像Iorig中所对应的图像块区域，并将对应的图像块区域标记为缺陷块，得到缺陷检测标定图像。
有益效果；
本发明提供了一种基于奇异值分解的人造板表面缺陷检测方法，通过上述步骤，结合奇异值分解去相关性的思路，对人造板表面缺陷进行检测，保证了缺陷检测的准确性。本发明计算简单，准确性高，能替代人造板生产过程中的人工检测环节，提高人造板质量控制能力，同时可降低劳动力成本。
附图说明
图1是本发明检测方法的流程图；
图2是实施例中特征矩阵的三维显示图；
图3是实施例中潜在缺陷矩阵的分布情况图；
图4是实施例中的缺陷检测标定图像。
具体实施方式
下面结合附图和实施例对本发明的内容作进一步描述
实施例
以实际生产中检测某人造板为例，采用本发明提供的一种基于奇异值分解的人造板表面缺陷检测方法，具体流程如图1所示，具体包括以下步骤：
S1：通过线阵相机拍摄人造板，得到原始灰度图像Iorig；原始灰度图像Iorig中的每一个像素点的灰度值减去所在行灰度均值，得到消除行间差异的灰度图像I；所述消除行间差异的灰度图像I中各像素点的灰度值I(i，j)满足下式：
其中M，N分别为原始灰度图像Iorig的横纵坐标大小，Iorig(i，j)为原始灰度图像Iorig在(i，j)像素点处的灰度值；
S2：将步骤S1得到的消除行间差异的灰度图像I分割成许多横纵坐标大小为n图像块，n为32；然后对每一个图像块进行奇异值分解，其分解形式为：
Ipart＝UΣVT，
其中Ipart表示为所选图像块，U为所选图像块的左奇异矩阵，VT为所选图像块的右奇异矩阵，∑为所选图像块的对角矩阵，其中∑有表示形式如下：
取所述对角阵∑中的第一个奇异值σ1作为所选图像块Ipart的特征值f；
S3：将步骤S2中的每一个图像块的特征值存入特征矩阵F，其所述特征矩阵F的三维显示图如图2所示，其分布形式如下表示：
其中，X＝INT(M/n)+1为原始灰度图像分割后，在纵向方向上的图像块个数；相应地，Y＝INT(N/n)+1是在横向方向上的图像块个数。INT(·)为取整运算。
这里取M＝1664，N＝640，n＝32。
统计出特征矩阵F的方差S和均值G，得到特征矩阵F的分割阈值T，T满足：
T＝S+λG，这里λ取经验值3.5。
S4：根据特征矩阵F的行列维数，建立一个潜在缺陷矩阵D。将特征矩阵F中的每一个元素值fxy(x∈[1，X]，y∈[1，Y])与分割阈值T进行比较，如果元素值fxy大于分割阈值T，那么将该元素所在位置(x，y)映射到潜在缺陷矩阵D的对应位置(x，y)上，并将潜在缺陷矩阵D对应位置(x，y)的元素值dxy设为1，即认为该元素所在位置对应的原始图像块中含有潜在缺陷，否则设为0；所述潜在缺陷矩阵D的分布情况转换成二值图像D如图3所示。
S5：为进一步消除噪声干扰带来的误检可能，对潜在缺陷矩阵D中每一个元素值dxy为1的潜在缺陷块位置点进行孤立点判断，若与潜在缺陷块位置点相邻的所以位置点的元素值均为零，则判定该潜在缺陷块位置点为孤立点，并将其元素值修正为0，得到修正后的缺陷矩阵D’。
S6；统计修正后的缺陷矩阵D’中元素值为1的数量。如果数量为0，则判定当前待检测人造板表面不存在缺陷，即为合格人造板；否则判定当前待检测人造板表面存在缺陷，即为非合格人造板，同时将修正后的缺陷矩阵D’中元素值为1的每个位置点映射到原始灰度图像Iorig中所对应的图像块区域，并将对应的图像块区域标记为缺陷块，得到缺陷检测标定图像如图4所示。
Claims (1)
1.一种基于奇异值分解的人造板表面缺陷检测方法，其特征是具体包括以下步骤：
S1：对线阵相机拍摄的人造板原始灰度图像Iorig中的每一个像素点的灰度值减去所在行灰度均值，得到消除行间差异的灰度图像I；所述消除行间差异的灰度图像I中各像素点的灰度值I(i，j)满足下式：
其中M，N分别为原始灰度图像Iorig的横纵坐标大小，Iorig(i，j)为原始灰度图像Iorig在(i，j)像素点处的灰度值；
S2：将步骤S1得到的消除行间差异的灰度图像I分割成横纵坐标大小为n图像块，并对每一个图像块进行奇异值分解，其分解形式为：
Ipart＝U∑VT，
其中Ipart表示为所选图像块，U为所选图像块的左奇异矩阵，VT为所选图像块的右奇异矩阵，∑为所选图像块的对角矩阵，其中∑有表示形式如下：
取所述对角阵∑中的第一个奇异值σ1作为所选图像块Ipart的特征值f；
S3：将步骤S2中的每一个图像块的特征值存入特征矩阵F，其分布形式如下表示：
其中，X＝INT(M/n)+1为原始灰度图像分割后，在纵向方向上的图像块个数；相应地，Y＝INT(N/n)+1是在横向方向上的图像块个数，INT(·)为取整运算，统计出特征矩阵F的方差S和均值G，得到特征矩阵F的分割阈值T，T满足：
T＝S+λG，其中λ取经验值3～5
S4：根据特征矩阵F的行列维数，建立一个潜在缺陷矩阵D；将特征矩阵F中的每一个元素值fxy与分割阈值T进行比较，如果元素值fxy大于分割阈值T，那么将该元素所在位置(x，y)映射到潜在缺陷矩阵D的对应位置(x，y)上，并将潜在缺陷矩阵D对应位置(x，y)的元素值dxy设为1，即认为该元素所在位置对应的原始图像块中含有潜在缺陷，否则设为0；所述元素值fxy中，x∈[1，X]，y∈[1，Y]；
S5；对潜在缺陷矩阵D中每一个元素值dxy为1的潜在缺陷块位置点进行孤立点判断，若与潜在缺陷块位置点相邻的所以位置点的元素值均为零，则判定该潜在缺陷块位置点为孤立点，并将其元素值修正为0，得到修正后的缺陷矩阵D’；
S6：统计修正后的缺陷矩阵D’中元素值为1的数量；如果数量为0，则判定当前待检测人造板表面不存在缺陷，即为合格人造板；否则判定当前待检测人造板表面存在缺陷，即为非合格人造板，同时将修正后的缺陷矩阵D’中元素值为1的每个位置点映射到原始灰度图像Iorig中所对应的图像块区域，并将对应的图像块区域标记为缺陷块，得到缺陷检测标定图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110174792.4A CN112686890B (zh) | 2021-02-09 | 2021-02-09 | 一种基于奇异值分解的人造板表面缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110174792.4A CN112686890B (zh) | 2021-02-09 | 2021-02-09 | 一种基于奇异值分解的人造板表面缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112686890A CN112686890A (zh) | 2021-04-20 |
| CN112686890B true CN112686890B (zh) | 2024-02-20 |
Family
ID=75458224
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110174792.4A Active CN112686890B (zh) | 2021-02-09 | 2021-02-09 | 一种基于奇异值分解的人造板表面缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112686890B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113724257A (zh) * | 2021-11-01 | 2021-11-30 | 常州市宏发纵横新材料科技股份有限公司 | 一种碳板灰色污点检测方法、计算机设备及存储介质 |
| CN114723751B (zh) * | 2022-06-07 | 2022-09-23 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种基于无监督的带钢表面缺陷在线检测方法 |
| CN115855961B (zh) * | 2023-02-16 | 2023-05-05 | 广东靖邦电器有限公司 | 一种用于运行中的配电箱故障检测方法 |
| CN117828321B (zh) * | 2024-03-06 | 2024-05-03 | 四川交通职业技术学院 | 一种钢管混凝土桥梁的密实度检测方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102867299A (zh) * | 2012-08-09 | 2013-01-09 | 东华大学 | 一种基于奇异值分解的图像分析方法及应用于织物瑕疵检测的方法 |
| CN103292730A (zh) * | 2013-05-06 | 2013-09-11 | 浙江师范大学 | 高精度参考球面检测方法及装置 |
| CN103440654A (zh) * | 2013-08-27 | 2013-12-11 | 南京大学 | 一种lcd异物缺陷检测方法 |
| CN103473770A (zh) * | 2013-09-05 | 2013-12-25 | 东华大学 | 一种基于矩形窗口投影和奇异值分解的线性织物瑕疵检测方法 |
| CN103942777A (zh) * | 2014-03-13 | 2014-07-23 | 华南理工大学 | 一种基于主成分分析的手机玻璃盖板缺陷检测方法 |
| CN105469428A (zh) * | 2015-11-26 | 2016-04-06 | 河海大学 | 一种基于形态学滤波和svd的弱小目标检测方法 |
| CN107194920A (zh) * | 2017-05-19 | 2017-09-22 | 山东财经大学 | 一种基于奇异值分解的轮胎缺陷检测方法 |
| CN109801267A (zh) * | 2018-12-27 | 2019-05-24 | 北京航天福道高技术股份有限公司 | 基于特征点检测与svm分类器的巡检目标缺陷检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8705839B2 (en) * | 2011-11-18 | 2014-04-22 | Sharp Laboratories Of America, Inc. | Electronic devices for defect detection |
-
2021
- 2021-02-09 CN CN202110174792.4A patent/CN112686890B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102867299A (zh) * | 2012-08-09 | 2013-01-09 | 东华大学 | 一种基于奇异值分解的图像分析方法及应用于织物瑕疵检测的方法 |
| CN103292730A (zh) * | 2013-05-06 | 2013-09-11 | 浙江师范大学 | 高精度参考球面检测方法及装置 |
| CN103440654A (zh) * | 2013-08-27 | 2013-12-11 | 南京大学 | 一种lcd异物缺陷检测方法 |
| CN103473770A (zh) * | 2013-09-05 | 2013-12-25 | 东华大学 | 一种基于矩形窗口投影和奇异值分解的线性织物瑕疵检测方法 |
| CN103942777A (zh) * | 2014-03-13 | 2014-07-23 | 华南理工大学 | 一种基于主成分分析的手机玻璃盖板缺陷检测方法 |
| CN105469428A (zh) * | 2015-11-26 | 2016-04-06 | 河海大学 | 一种基于形态学滤波和svd的弱小目标检测方法 |
| CN107194920A (zh) * | 2017-05-19 | 2017-09-22 | 山东财经大学 | 一种基于奇异值分解的轮胎缺陷检测方法 |
| CN109801267A (zh) * | 2018-12-27 | 2019-05-24 | 北京航天福道高技术股份有限公司 | 基于特征点检测与svm分类器的巡检目标缺陷检测方法 |
Non-Patent Citations (5)
| Title |
|---|
| Automatic defect inspection for LCDs using singular value decomposition;Chi-Jie Lu et al.;《The International Journal of Advanced Manufacturing Technology volume》;53–61 * |
| Textile fabric flaw detection using singular value decomposition;K.L. Mak et al.;《 The 2010 International Conference on Green Circuits and Systems》;381-386 * |
| 基于亮度梯度的LCD屏的Black Mura缺陷检测;石光明;《电视技术》;第42卷(第11期);40-43 * |
| 基于变差函数的红外图像预处理算法;赵翠芳等;《激光与红外》;第40卷(第07期);779-783 * |
| 基于小波包变换和奇异值分解的机加工表面纹理特征提取;李国宾等;《润滑与密封》;第35卷(第02期);36-39+10 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112686890A (zh) | 2021-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112686890B (zh) | 一种基于奇异值分解的人造板表面缺陷检测方法 | |
| CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
| CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
| CN115239704B (zh) | 一种木材表面缺陷的精准检测修复方法 | |
| CN115439481B (zh) | 基于图像处理的除氧器焊接质量检测方法 | |
| CN111539935A (zh) | 一种基于机器视觉的电缆表面缺陷在线检测方法 | |
| CN103927534A (zh) | 一种基于卷积神经网络的喷码字符在线视觉检测方法 | |
| CN115546203B (zh) | 基于图像数据算法的生产监测分析方法 | |
| CN113506286A (zh) | 基于YOLOv5算法小样本数据集实现微波芯片缺陷检测方法 | |
| CN105046700A (zh) | 基于亮度校正与颜色分类的水果表面缺陷检测方法及系统 | |
| CN108364281A (zh) | 一种基于卷积神经网络的织带边缘毛疵缺陷检测方法 | |
| CN114708325A (zh) | 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法 | |
| CN116337879B (zh) | 一种电缆绝缘表皮磨损缺陷快速检测方法 | |
| CN110766016B (zh) | 一种基于概率神经网络的喷码字符识别方法 | |
| CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
| CN115880699B (zh) | 一种食品包装袋检测方法及系统 | |
| CN111783693A (zh) | 果蔬采摘机器人的智能识别方法 | |
| CN115019160A (zh) | 一种工厂仓库入库物流智能控制方法 | |
| CN110874825A (zh) | 一种复合绝缘子表面水迹二值图像提取方法 | |
| CN108734054B (zh) | 无遮挡的柑橘果实图像识别方法 | |
| CN115953776B (zh) | 基于机器学习的食品检测系统 | |
| CN115082465B (zh) | 基于扫描电镜图像处理的羊毛羊绒分类方法 | |
| CN115222735B (zh) | 一种基于麻点缺陷的金属模具质量检测方法 | |
| CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
| CN115222652A (zh) | 一种成捆钢筋端面的识别计数及中心定位方法与其存储器 |
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 |