CN113538360A - 一种塑料杯表面缺陷检测系统 - Google Patents
一种塑料杯表面缺陷检测系统 Download PDFInfo
- Publication number
- CN113538360A CN113538360A CN202110783730.3A CN202110783730A CN113538360A CN 113538360 A CN113538360 A CN 113538360A CN 202110783730 A CN202110783730 A CN 202110783730A CN 113538360 A CN113538360 A CN 113538360A
- Authority
- CN
- China
- Prior art keywords
- image
- algorithm
- feature
- detection
- defect 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 230000007547 defect Effects 0.000 title claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000012706 support-vector machine Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 230000000007 visual effect Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 2
- 230000000295 complement effect Effects 0.000 abstract description 2
- 238000002054 transplantation Methods 0.000 abstract 2
- 238000012549 training Methods 0.000 description 6
- 238000000034 method Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002861 polymer material Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000000126 substance Substances 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开一种塑料杯表面缺陷检测系统。通过摄像头读取塑料杯图像,传输给ZYNQ的PL上(ZYNQ的PL部分为可编程逻辑器件),进行图像缺陷分类,最后将结果显示在LCD屏上。图像缺陷检测算法采用BOW(视觉词袋)+SVM(支持向量机)的方式,在图像的特征提取上,本发明采用了FAST‑SUFT特征检测与描述算法,FAST算法检测速度快,检测的细节多,但并不涉及特征点的特征描述,这时利用SUFT算法生成特征描述符,两个算法可以互补,同时对FAST算法进行改进。在图像算法移植上,使用xilinx的HLS高层综合工具,方便移植到PL上。本发明实现了塑料杯表面缺陷的智能检测,具有良好的准确性和可靠性。
Description
技术领域
本发明涉及机器学习技术领域,主要涉及一种塑料杯表面缺陷检测系统。
背景技术
塑料作为一种与我们生活息息相关的高分子材料,因重量轻、密度小、耐磨性好、绝缘性好、化学性质稳定等众多优点,被广泛应用于建筑、工业、农业和生活的各个领域。其中塑料杯的使用十分广泛,在塑料杯的生产中会产生一些缺陷,及时的检测出有缺陷的塑料杯尤为的关键,这影响着塑料杯的销量和顾客对产品的满意度。
随着嵌入式技术的不断发展,处理速度和资源不断提高,嵌入式检测设备相比传统PC控制的大型设备具有价格低、体积小、功耗小的优势,结合机器视觉技术,可以有效的检测塑料杯表面缺陷。
发明内容
本发明的具体内容如下:
一种塑料杯表面缺陷检测系统,包括摄像头、ZYNQ开发板、LCD屏。通过摄像头读取塑料杯图像,传输给ZYNQ的PL上(ZYNQ的PL部分为可编程逻辑器件),进行图像缺陷分类,最后将结果显示在LCD屏上。
在本发明中,图像缺陷检测算法采用BOW(视觉词袋)+SVM(支持向量机)的方式,在图像的特征提取上,采用了FAST-SUFT特征检测与描述算法,FAST算法检测速度快,检测的细节多,但并不涉及特征点的特征描述,这时利用SUFT算法生成特征描述符,两个算法可以互补,同时对FAST算法进行改进,加快识别速度。
在本发明中,为了进行硬件加速设计,使用xilinx的HLS高层综合工具,将图像缺陷检测算法移植到PL端。本发明实现了塑料杯表面缺陷的智能检测,具有良好的准确性和可靠性。
本发明的有益效果是,能够快速提取特征点和和描述符,同时将图像缺陷检测算法和ZYNQ完美融合。利用PL并行处理的特点实现算法,节省时间。利用ZYNQ的PS(ZYNQ的PS部分为双A9的ARM核)运行操作系统,管理进程调度和资源分配。相比与PC机,功耗低,可靠性高,体积小,成本低,能够准确的检测出缺陷类型的塑料杯。
附图说明
附图1为本发明的系统框架图。
附图2为本发明的FAST特征点提取图。
附图3为本发明的PC端算法流程图。
附图4为本发明的ZYNQ端算法流程图。
具体实施方式
本发明不受下列实施例的限制,可根据本发明的技术方案与实际情况来具体的确定实施方式。
结合附图1,具体说明塑料杯表面缺陷检测系统的实施方式。摄像头1通过I2c接口进行寄存器配置,8位的并行数据输出。图像采集IP核2负责将摄像头的图像信息传递给图像处理IP核3。图像处理模块IP核3是由图像缺陷检测算法生成,负责识别出缺陷种类,将结果通过AXI总线6传递给PS。PS控制图像显示IP核4将采集到的图像和识别结果通过LCD屏5显示。AXI总线6是一种高性能、高带宽、低延迟的片内总线,实现PS和PL信息传递。DDR39为linux操作系统和程序提供运行空间。UART8作为串口输出linux操作系统启动信息。SD7用于存储uboot、Linux内核、根文件系统、PL端比特流文件、BOW词典和SVM分类文件。ARM10作为CPU控制整个系统。
在图像缺陷检测算法中,视觉词袋BOW(Bag of Visual Words,BoVW)模型是一种有效的图像表示方法,将图像中的特征点看作视觉单词,则图像就看作由大量无序的单词组成的集合,主要分三个步骤:1.特征提取:提取数据集中每幅图像的特征点,然后提取特征描述符,形成特征数据;2.学习词袋:把处理好的特征数据全部合并,利用聚类把特征词分为若干类,此若干类的数目由自己设定,每一类相当于一个视觉词汇;3.利用视觉词袋量化图像特征:每一张图像由很多视觉词汇组成,我们利用统计的词频直方图,可以表示图像属于哪一类。
SVM是一种用于分类与回归分析的监督式学习的机器学习算法。通过SVM对每类图像的BOW词汇进行监督训练,把每张图片的BOW描述作为特征向量,将图片所属的类别作为label标签,进而得到用于图像分类的分类器。当把训练器训练好了之后,再对未知的图像进行分类时,先计算每张图片的bag of words,然后去跟训练好的词典去匹配词汇,最后就可以利用训练好的多类分类器对图片进行分类操作。
结合附图2,具体说明在FAST特征点提取上的算法改进。
在特征提取上采用了FAST-SURF,FAST算法检测速度快,检测的细节多,但并不涉及特征点的特征描述,这时利用SUFT算法生成特征描述符,两个算法可以互补。
FAST算法改进如下:
FAST算法以检测中心点p为圆心构造一个半径为3的圆,圆周上的像素点以顺时针方向依次编号为1~16,通过比较p点与圆周上点的灰度值大小来判断该点是否为特征点。
假设I(p)、I(x)分别为中心点p和圆周上的任意一点x的灰度值,d为给定阈值,N为满足公式(1)的圆周上像素点x的个数,一般取值为12。
对于改进算法,首先检测候选点p周围编号为1、5、9、13位置上的点(间隔90),如果这4个像素点至少有3个满足公式(1),则再判断其他点,如若不满足,则认该候选点不是特征点。
附图3是在PC端的图像分类算法训练的流程,目的是生成BOW词典和SVM分类文本,附图4是在ZYNQ端的图像分类算法实际测试的流程,需要在PC端生成的BOW词典和SVM分类文本。
结合附图3,具体说明在PC端的图像缺陷检测算法训练的流程。
步骤A1:输入训练样本数据集;
步骤A2:对样本进行FAST特征点检测;
步骤A3:对样本进行SURF确定特征方向、生成特征描述;
步骤A4:根据FAST-SURF对特征点的提取进行K-mean++特征聚类;
步骤A5:根据聚类结果构造BOW词典,得到训练图片BOW模型特征向量;
步骤A6:训练SVM多分类器;
步骤A7:输出SVM分类文本。
结合附图4,具体说明在ZYNQ端的图像缺陷检测算法实际测试的流程。
步骤B1:输入摄像头采集的图像;
步骤B2:对图像进行FAST特征点检测;
步骤B3:对图像进行SURF确定特征方向、生成特征描述;
步骤B4:根据FAST-SURF对特征点的提取进行K-mean++特征聚类;
步骤B5:根据步骤A5得到的BOW词典,得到测试图片BOW模型特征向量;
步骤B6:根据步骤A7获得的SVM分类文本,对BOW模型特征向量进行分类;
步骤B7:输出缺陷结果。
凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (2)
1.一种塑料杯表面缺陷检测系统,实施方式如下:
摄像头1通过I2c接口进行寄存器配置,8位的并行数据输出。图像采集IP核2负责将摄像头的图像信息传递给图像处理IP核3。图像处理模块IP核3是由图像缺陷检测算法生成,负责识别出缺陷种类,将结果通过AXI总线6传递给PS。PS控制图像显示IP核4将采集到的图像和识别结果通过LCD屏5显示。AXI总线6是一种高性能、高带宽、低延迟的片内总线,实现PS和PL信息传递。DDR39为linux操作系统和程序提供运行空间。UART8作为串口输出linux操作系统启动信息。SD7用于存储uboot、Linux内核、根文件系统、PL端比特流文件、BOW词典和SVM分类文件。ARM10作为CPU控制整个系统。
2.根据权利要求1所述的一种塑料杯表面缺陷检测系统,其特征在于:图像缺陷检测算法采用BOW(视觉词袋)+SVM(支持向量机)的方式,在图像的特征提取上,采用了FAST-SUFT特征检测与描述算法,FAST算法检测速度快,检测的细节多,但并不涉及特征点的特征描述,这时利用SUFT算法生成特征描述符,两个算法可以互补,同时对FAST算法进行改进,加快识别速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110783730.3A CN113538360A (zh) | 2021-07-12 | 2021-07-12 | 一种塑料杯表面缺陷检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110783730.3A CN113538360A (zh) | 2021-07-12 | 2021-07-12 | 一种塑料杯表面缺陷检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113538360A true CN113538360A (zh) | 2021-10-22 |
Family
ID=78098509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110783730.3A Pending CN113538360A (zh) | 2021-07-12 | 2021-07-12 | 一种塑料杯表面缺陷检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113538360A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663401A (zh) * | 2012-04-18 | 2012-09-12 | 哈尔滨工程大学 | 一种图像特征提取和描述方法 |
US20150220808A1 (en) * | 2014-02-03 | 2015-08-06 | Steven White | Method for visual image detection |
CN105847766A (zh) * | 2016-05-30 | 2016-08-10 | 福州大学 | 一种基于Zynq-7000的运动目标检测与跟踪系统 |
US20190180094A1 (en) * | 2017-12-13 | 2019-06-13 | Abbyy Development Llc | Document image marking generation for a training set |
CN111311567A (zh) * | 2020-02-12 | 2020-06-19 | 北京交通大学 | 对轨道线路图像进行扣件和钢轨病害识别的方法 |
CN111627007A (zh) * | 2020-05-27 | 2020-09-04 | 电子科技大学 | 一种基于自优化匹配网络图像拼接的航天器缺陷检测方法 |
-
2021
- 2021-07-12 CN CN202110783730.3A patent/CN113538360A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663401A (zh) * | 2012-04-18 | 2012-09-12 | 哈尔滨工程大学 | 一种图像特征提取和描述方法 |
US20150220808A1 (en) * | 2014-02-03 | 2015-08-06 | Steven White | Method for visual image detection |
CN105847766A (zh) * | 2016-05-30 | 2016-08-10 | 福州大学 | 一种基于Zynq-7000的运动目标检测与跟踪系统 |
US20190180094A1 (en) * | 2017-12-13 | 2019-06-13 | Abbyy Development Llc | Document image marking generation for a training set |
CN111311567A (zh) * | 2020-02-12 | 2020-06-19 | 北京交通大学 | 对轨道线路图像进行扣件和钢轨病害识别的方法 |
CN111627007A (zh) * | 2020-05-27 | 2020-09-04 | 电子科技大学 | 一种基于自优化匹配网络图像拼接的航天器缺陷检测方法 |
Non-Patent Citations (4)
Title |
---|
产叶林 等: "基于FAST和SURF的特征点快速匹配算法", 《计算机工程与设计》, vol. 40, no. 12, 16 December 2019 (2019-12-16) * |
李捷: "基于机器视觉的贴花陶瓷盘表面缺陷检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
李捷: "基于机器视觉的贴花陶瓷盘表面缺陷检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 August 2019 (2019-08-15), pages 31 - 32 * |
魏新 等: "改进配准测度的SUFT红外图像快速配准算法", 《电光与控制》, vol. 19, no. 11, 31 October 2012 (2012-10-31) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230087526A1 (en) | Neural network training method, image classification system, and related device | |
CN105117740B (zh) | 字体识别方法及装置 | |
CN111950528B (zh) | 图表识别模型训练方法以及装置 | |
Schmitt et al. | Object classification and localization using SURF descriptors | |
CN108009567B (zh) | 一种结合图像颜色及hog和svm的粪便性状的自动辨别方法 | |
CN111737479B (zh) | 数据获取方法、装置、电子设备及存储介质 | |
CN107392221B (zh) | 分类模型的训练方法、分类ocr识别结果的方法及装置 | |
TW202004528A (zh) | 商品特定裝置、記錄媒體及學習方法 | |
CN113128565B (zh) | 面向预训练标注数据不可知的图像自动标注系统和装置 | |
CN108647711B (zh) | 基于引力模型的图像的多标签分类方法 | |
CN110508510A (zh) | 一种塑料泵缺陷检测方法、装置及系统 | |
CN113723558A (zh) | 基于注意力机制的遥感图像小样本舰船检测方法 | |
TW202232437A (zh) | 圖像分類與標示方法及系統 | |
Singhal et al. | Image classification using bag of visual words model with FAST and FREAK | |
CN117173154A (zh) | 玻璃瓶的在线图像检测系统及其方法 | |
CN113538360A (zh) | 一种塑料杯表面缺陷检测系统 | |
CN116630753A (zh) | 一种基于对比学习的多尺度小样本目标检测方法 | |
Bai et al. | An incremental structured part model for object recognition | |
CN111599444A (zh) | 智能舌诊检测方法、装置、智能终端和存储介质 | |
Li et al. | Out-of-distribution identification: Let detector tell which i am not sure | |
CN104680123A (zh) | 对象识别装置、对象识别方法和程序 | |
CN112418265A (zh) | 一种标签检测方法、装置及存储介质 | |
Venkateswara et al. | Multiresolution Match Kernels for gesture video classification | |
CN112990245A (zh) | 物品识别方法、装置、设备及存储介质 | |
Peng et al. | Defect detection in code characters with complex backgrounds based on BBE |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211022 |
|
RJ01 | Rejection of invention patent application after publication |