基于非线性扩散与图像配准的印刷品表面缺陷检测

针对目前工业印刷品表面缺陷检测时误判率高、检测效率较低以及缺陷区域信息有限等问题,笔者提出一种基于改进Perona Malik（P M）非线性扩散模型与图像差分模型配准的印刷品表面缺陷检测方法。该方法首先利用非线性扩散模型,在维持非缺陷区域平滑程度保持不变的情况下,对待测图像进行平滑处理,将原始图像与扩散后图像做差分运算以增强缺陷区域的对比度,从而得到差分图像;然后,将差分图像与标准模板图像进行配准,检测得到缺陷所在的区域的特征值,以便对印刷品印刷质量进行分析;笔者搭建了实验平台,来验证本方法的可行性。实验结果表明：该方法能够快速并且有效地将印刷品表面的缺陷检测出来,准确率高达99.97%。该项研究能够满足印刷品生产质量需求。     

基于L0梯度最小化和K Means聚类的织物缺陷检测研究

为了控制产品质量,保障织物的美观和舒适性,针对织物表面的缺陷,课题组提出了一种基于L0梯度最小化和K Means聚类的缺陷检测方法。主要分为2个步骤：首先,使用L0梯度最小化将缺陷图像进行平滑,去除背景纹理的影响,保留图像较大的边缘;然后,使用K Means聚类对平滑后的图像进行聚类,从而分割出缺陷区域。将该检测方法用于纺织厂收集的缺陷图像上进行验证,实验结果表明该方法能准确地检测出织物表面缺陷。该项研究提高了检测效率,满足织物生产的要求。     

基于深度学习的不规则特征识别检测技术

〖HK44〗〖HT5”H〗摘要：〖HT5”K〗针对目前工业上金属轴零件在加工的过程中可能由于加工失误、本身材质等原因产生不同缺陷,而传统的检测方法检测精 度和泛化能力有限的现状,课题组提出了基于深度学习的不规则特征识别技术,来提升对金属轴表面缺陷的检测效率。课题组设计了金属轴表面缺陷图像预处理 方法,提升采集的缺陷图像的质量;对传统深度学习Faster R CNN进行改进,设计了模型的特征提取网络、RPN网络、分类网络以及模型参数,提升模型的检测 性能。实验结果表明本技术能有效提升工业流水线对金属轴缺陷的检测效率和精度,可同时检测多种不同种类的缺陷。课题组的研究成果具备良好的泛化能力。     

机械零件图像表面瑕疵的检测算法

针对机械零件表面瑕疵检测问题,将机器视觉技术用于零件表面图像瑕疵的提取和分析,提出一种基于粒子群 优化算法加权模糊C均值聚类的零件缺陷图像智能分割算法,精确定位了机械零件表面的瑕疵区域。缺陷的形状特征 是判断其类型的重要依据,提取缺陷的形状特征,设计支持向量机分类器来检测划痕、裂纹、砂眼等表面瑕疵。研究结果 表明,该方法具有较强的实用性,在实验数据库上达到90%以上的正确识别率。     

基于字典的概率松弛法对焊缝图像中裂纹缺陷的提取

提出了一种在焊缝图像中提取裂纹缺陷的方法。该算法首先对含有裂纹缺陷的图像采用基于偏移量的Laplacian算子进行检测处理,对处理后的图像建立有12个基本容许结构的字典模型,应用字典法提供有效的搜索方法,通过迭代,从邻近目标中提取越来越多的上下文信息处理,有效去除噪声,提取裂纹缺陷。实验结果表明:该算法对纵向裂纹能获得较好的连接性及较清晰的轮廓,且有较好的抗噪性,是一种有效的弱显示裂纹检测方法。     

基于SURF算法的数码印花缺陷检测系统

针对数码印花生产过程中织物上出现的白丝、斑点以及褶皱等表面缺陷问题,课题组设计了基于加速鲁棒特征算法的印花织物表面缺陷检测系统。主要通过加速稳健特征算法（speeded up robust features,SURF）来进行图像配准;采用双向唯一性匹配法减少误配点,实现图像精准配准,并通过差分算法来提取缺陷信息。实验采用多幅图像对改进SURF算法的性能进行了验证。试验结果表明：新系统对印花织物表面缺陷的检测精度达到98%,达到了实际应用要求。     

基于改进Yolo v5的织物缺陷检测方法

针对纺织品表面缺陷检测算法速度低、泛化性能差及鲁棒性弱等问题，课题组提出了一种基于改进Yolo v5的织物表面缺陷检测方法。在Yolo v5骨干网络的基础上增加了卷积注意力模块，增强目标检测网络对特征图中重要信息提取并弱化无关特征；针对网络特征融合阶段特征尺度不一致造成的冲突问题，引入自适应空间特征融合的方法；在训练过程中使用迁移学习加快训练速度。实验结果表明：与未改进的Yolo v5算法相比，所提出的检测框架能够有效提高网络精度达98.8%，检测速度达83 帧/s。该检测方法能满足实际工业要求。     

基于HOG局部双线性插值的机械零部件检测与识别

传统方向梯度直方图(HOG)特征方法用于机械零部件检测时,对零部件的微小缺陷点的检测和识别不是很有效,因此课题组提出了一种局部双线性插值的HOG特征提取改进算法,将其用于小缺陷点的零件的检测和识别。首先,在图像内部的某个块上实现局部双线性插值;然后对局部双线性插值图像块进行梯度计算,提取新的梯度方向直方图;最后利用神经网络分类方法对具有微小缺陷点的零件进行检测。实验结果表明：局部双线性插值HOG特征提取方法比传统的HOG特征提取方法具有更好的检测性能;增强图像的抗混叠识别效果。     

一种应用于药品泡罩包装检测的改进分水岭算法研究

针对分水岭算法存在的过分割问题以及泡罩包装药品图像的特点,提出一种改进的分水岭分割算法对泡罩包装的药品进行分割。该方法将形态学重建运算与使用控制标记符的方法相结合,首先对原图像进行开闭重建,根据邻域像素连通性提取重建后图像的局部极大值作为标记,从而抑制其他的局部极小值,然后依据标记对原始的梯度图像进行修正,最后对修改后的梯度图像进行分水岭分割。试验表明,该方法在缺陷药品检测中,可以有效的抑制传统分水岭的过分割,分割效果良好。     

基于Inception V3模型的金属板材表面缺陷检测系统

针对传统检测设备对金属板材凹凸表面、边缘面等特殊部位缺陷检测困难、识别率低等问题，课题组提出并设计了金属板材表面缺陷自动检测系统。通过CCD相机获取待检测部位图片，使用以Inception V3模型为主的迁移学习算法实现对缺陷的检测。实验结果表明该系统能够准确、高效地检测出金属板材一般及特殊表面缺陷，能够满足工业生产需求。     

基于分形的快速最大熵红外图像特征检测

文章针对红外图像目标检测问题,提出一种基于分形的快速最大熵的红外图像特征检测算法.该算法利用DBC方法计算分维数,根据人造物和自然背景分形维差异,确定目标区域;最后,通过二维最大熵原则确定最佳阈值,实现对单目标或者多目标图像分割.该算法能够较好实现红外图像特征检测,有效抑制背景和噪声.     

基于深度学习的复杂背景下目标检测

针对某些静态图像背景复杂,受环境因素(光照、遮挡、掩盖等)影响较大的问题,提出一种基于深度学习算法的卷积神经网络(convolutional neural networks,CNN)结构对目标进行检测。利用CNN网络可自主提取图像特征并进行学习的优点,避免了复杂的人工特征选择和提取过程。通过一种区域合并的方法进行端到端的交替训练,在复杂背景图像的处理中体现出较优的性能。CNN的局部连接、权值共享及池化操作等特性使之可以有效地降低网络的复杂度、减少训练参数的数目、提高检测效率。试验验证结果表明:此方法在互联网图像数据库检测方面达到了较高的精度。采用坦克模型图像对复杂背景下的单目标、多目标以及不同程度的遮挡、伪装等情况进行试验,得出该方法具有一定的鲁棒性。     

基于图像结构张量的改进样本图像修复算法

由于Criminisi算法针对复杂结构待修复图像的修复效果不好,提出一种基于图像结构张量和改进Criminisi样本的图像修复算法,采用图像结构张量和图像梯度的组合对图像结构进行检测,以实现显著和非显著图像结构的区分。对Criminisi算法中的优先级函数进行改进,提出一种最佳距离启发式方法进行优先权重计算,充分考虑了待修复像素点周围的图像特征,从而增强了图像结构的影响。实验结果表明:所提算法的修复性能优于其他算法,能够有效实现图像修复。     

基于遗传算法与二维最大熵的编织袋缺陷检测

编织袋图像存在的灰度不均匀、噪声污染大等问题影响了缺陷检测的精度和效率，为此，课题组提出一种基于改进遗传算法与二维最大熵的编织袋缺陷快速检测方法。先对编织袋图进行预处理，消除图中存在的背景噪声以及细微像素点；接着利用与二维最大熵结合的改进遗传算法快速选取图像分割的最佳阈值，提高分割速度与精度；最后利用连通域标记对缺陷进行统计与定位。实验结果表明：该方法对编织袋缺陷的分割精度与速度优于迭代阈值法、一维最大熵法以及结合一般遗传算法的二维最大熵法。新方法能够精准、高效地检测出编织袋的质量缺陷。     

基于JPEG二次压缩的隐藏信息检测

针对图像隐写软件对图像(JPEG格式)进行二次压缩的过程,提出将待检图片是否被二次压缩作为图像是否被隐写的特征之一。为了对JPEG二次压缩后的图像进行有效检测,通过研究JPEG图像经二次压缩后所引起的DCT统计特性的变化及二次压缩前后的量化表q1、q2对二次压缩后图像的DCT统计所引起的变化的分析,提出了针对不同q1、q2 JPEG二次压缩的检测方法。实验证明本文的检测方法是有效的。     

基于多方向光源的色纱织物密度图像检测

针对色纱织物存在不同颜色,密度检测具有较大难度的问题,课题组提出了一种基于多方向光源的色纱织物密度图像检测算法。利用织物的3D表面结构来弱化色纱织物的色彩信号,使用正方形分布的4个定向光源在特定的照射角度下对色纱织物进行照明及采样,再把4个图像进行融合,使融合后的图像集成了每张图像中较清晰的部分。对于局部加权回归算法中宽度系数不能因为织物改变而自适应的问题,提出了自适应算法,让不同织物具有适合的宽度系数去平滑其投影曲线。实验结果表明提出的算法准确率可达99.17%,适合在色纱织物密度检测方面进行推广。     

一种视频图像中运动目标检测方法研究

针对序列图像中的运动目标检测问题,在独立分量分析的基本理论和算法的基础上,提出采用基于正交对称矩阵的快速定点算法对实际视频图像中的运动目标进行运动检测的方法。实验结果表明:该方法不仅能检测运动轨迹,还能提取运动目标的轮廓,并判断运动方向,是一种有效的运动目标检测方法。     

基于角点检测的焊缝图像ROI优化提取算法

为了解决焊缝表面缺陷检测中使用点云数据过于庞大而导致检测时间过长的问题,课题组针对Moravec角点检测算法进行优化,使用优化后的角点检测算法对激光中心线进行特征点提取并确定感兴趣区域（region of interest,ROI）。经过实验表明：优化后的角点检测算法能够有效避免伪角点的出现,提高了鲁棒性,同时经过ROI提取后的焊缝点云数据量减少了71.14%。该方法能够有效解决计算基于点云的焊缝表面缺陷检测数据量过大的问题。     

基于改进YOLOv5的陶瓷环缺陷检测算法

针对陶瓷环缺陷信息微弱且特征各异、种类繁多导致特征难以提取的问题，课题组提出了一种基于改进YOLOv5的陶瓷环缺陷检测算法。首先，在YOLOv5中的Backbone网络添加CBAM注意力机制模块，通过学习的方式在空间和通道上对特征图像进行权重分配，有效地提升模型对于不同类型缺陷通道特征和空间特征信息的提取能力；然后，采用CARAFE算子替换原YOLOv5中的最近邻上采样算子，该模块基于输入特征自适应生成上采样内核，有效的增加模型的感受域；最后，添加一个新的特征融合层，提取较低的空间特征并将其与深层的特征进行融合生成新的特征图，提升模型对小目标缺陷的检测能力。实验结果表明课题组提出的陶瓷环缺陷检测算法检测所有缺陷种类平均精度均值可以达到90.7%，能够实现陶瓷环缺陷的检测。     

基于FPGA的平板式数粒机检测系统

针对目前国内药品检测数粒机大多是多通道数粒机,存在稳定性差、检测精度低等缺陷,课题组提出了基于FPGA的平板式数粒机检测系统。采用现场可编程门阵列（FPGA）作为控制系统的核心,对面阵图像传感器进行参数配置、图像数据采集,并对原始图像进行增强预处理。再由FPGA运用Canny算法获取图像采集单元的药粒目标轮廓信息,运用质心法获取质心位置坐标,采用检测线目标位置预测计数方法实现药品的高速在线检测计数。实验结果表明,基于FPGA的面阵图像传感器数粒机系统可以实现高速度、高精度的在线计数。