CN105354831B - 一种基于图像分块方差-加权特征值的多缺陷检测方法 - Google Patents
一种基于图像分块方差-加权特征值的多缺陷检测方法 Download PDFInfo
- Publication number
- CN105354831B CN105354831B CN201510646314.3A CN201510646314A CN105354831B CN 105354831 B CN105354831 B CN 105354831B CN 201510646314 A CN201510646314 A CN 201510646314A CN 105354831 B CN105354831 B CN 105354831B
- Authority
- CN
- China
- Prior art keywords
- defect
- variance
- image
- subgraph
- image block
- 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
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
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明是一种基于图像分块方差‑加权特征值的多缺陷检测方法,本发明利用图像分块提取子图像,加权协方差计算加权特征值来确定缺陷。图像分块目的是利用图像方差与分块子图像的方差比较,去除图像方差值较小的子图像,得到包含潜在缺陷的子图像,作为下一步加权特征值计算输入。然后利用主元成分分析方法构建加权协方差矩阵,通过计算加权特征值来确定缺陷位置。本发明能对条状物体表面多处缺陷实现同时在线检测,能够一次性检测图像中存在多处表面缺陷,准确实现对条状物体多缺陷目标的检测与定位。具有检测速度快、实时性好、检测准确率高特点。
Description
技术领域
本发明针对条状物体表面存在多个缺陷,提出基于图像分块方差-加权特征值(IPV-WEV)的多缺陷检测方法。本发明适用于条状物体或者类似物体的表面多缺陷在线检测,属于机器视觉、包装工程等交叉领域,属于本发明是一种基于图像分块方差-加权特征值的多缺陷检测方法的创新技术。
背景技术
条状物体,例如:火腿肠、工业***等,的包装是产品生产最后一道工序,包装质量的好坏直接影响产品的质量。由于诸多原因,在包装过程中会导致条状物体包装表面出现缺陷,并且图像中存在多处表面裂痕缺陷。这些包装质量有缺陷的物体一旦漏检进入用户环节,将会给用户和企业带来严重的经济损失以及负面影响。因此,条状物体的表面多缺陷检测是包装过程的重要环节。
目前人工检测是主要手段,通过人眼观察条状物体外表面等部位,实现对工业***的全面检测与质量控制。但存在以下问题:1)人工检测产品,难以满足生产效率的需求;2)检测工作需要大量工人,极大的增加了生产成本;3)人工检测劳动强度大,容易疲劳,检测标准不一致,容易误漏检。为此,采用机器视觉技术实现工业***的缺陷检测可以减少劳动成本,提高产品检测的质量。
条状物体表面缺陷表现为物体轮廓无异常,但物体表面出现裂痕,表面缺陷产生原因在于侧端热封不牢固或者运动过程的摩擦。实际生产过程中,此种缺陷的条状物体数量相对较少,但是,表面缺陷仍然是影响产品质量的一个重要原因,而且该类缺陷的在线检测相对较困难。原因在于:条状物体表面缺陷不规则、位置随机分布,无法事先预知,且表面有文字,文字位置也不确定;该类缺陷只占全部目标检测区域的很少部分,通常不多于5%;在包装过程中,条状物体呈现快速运动的特点。因此,传统的全部目标区域检测的方法,不适用于条状物体包装过程的快速检测要求。
发明内容
针对上述问题,本发明提出一种检测速度快、抗干扰强、实时性好、检测准确率高的基于图像分块方差-加权特征值多缺陷在线检测方法。本发明可用于条状物体表面多缺陷在线检测,实时高效地对目标对象的表面缺陷识别与定位。
为解决条状物体的表面多缺陷在线检测问题,本发明的技术方案如下:
本发明的基于图像分块方差-加权特征值的多缺陷在线检测方法,包括如下步骤:
1)缺陷图像预处理,得到一幅m×n显著性图SM;
2)图像分块,先将预处理的一幅m×n显著性图SM分成p×q块子图像,即:
其中S表示显著性图SM,每个子图像Skl是mk×nl矩阵形式,其中
3)提取包含潜在缺陷的子图像,由于显著性图像SM中缺陷处像素与非缺陷位置像素特征不同,包含缺陷的图像方差明显要比没有缺陷图像的方差大;因此,通过计算子图像方差,与整幅图像均方差对比,确定包含潜在缺陷的子图像位置;
4)构建加权协方差矩阵,利用PCA的思想,构建加权协方差矩阵;
5)加权特征值λ1,λ2计算;
6)识别与定位缺陷位置,通过判断λ1,λ2的值确定子图像是否包含缺陷:若λ1,λ2的值相近,则该子图像块中无缺陷;若λ1远远大于λ2,则该子图像块中存在缺陷。
上述步骤3)中,确定包含潜在缺陷的子图像的具体算法描述如下:
21)计算全幅显著性图像SM的均值和方差:
式中E(k,l)、σ2(k,l)分别为显著性图像SM的均值,方差。
22)计算分块子图像Skl均值和方差:
式中(2ω+1)×(2ω+1)为图像分块大小,ω为整数,ESkl(k,l)、
分别为子矩阵Skl的均值、方差;
23)对于整幅图像,图像个体偏离总体波动不大,也就是方差不是很大;而对于分块的子图像,如果不包含缺陷,其方差小于整幅图像均方差;如果包含缺陷,则子图像的方差必定大于整幅图像均方差,因此判别函数可定义为:
包含缺陷子图像(k=1,2,...,p;l=1,2,...,q)。
else,无缺陷子图像
上述步骤4)中,确定显著性图SM缺陷位置的具体步骤描述如下:
31)定义子图像的中心像素点为:
32)子图像的加权协方差矩阵M定义为:其中
上述步骤5)中,加权特征值λ1,λ2计算,根据式M-λ·I=0计算λ1,λ2,其中λ1,λ2分别为:
上述步骤23)中,图像个体是指单个像素点灰度值,总体是指整幅图像的灰度值。
本发明充分利用图像预处理技术和视觉注意力模型。首先采用图像预处理运算,进行背景估计与差分,利用改进视觉注意力模型(Itti/Koch模型),对条状物体进行图像增强,得到显著性图像;其次该图像进行图像分块方差计算,确定缺陷子图像;最后采用加权特征值计算缺陷子图像的特征值,判断并确定最终缺陷位置。相比现有技术,本发明具有以下有益效果:
1)提取潜在缺陷子图像速度快,具有自适应能力。首先对图像进行分块处理,根据图像方差与分块子图像方差进行比较,提取潜在缺陷的子图像;然后对缺陷子图像构建加权协方差矩阵,通过计算加权特征值从而将多缺陷目标检测出来。由于缺陷只占检测对象很小部分区域,而该算法关注缺陷的显性特征区域,减少了处理区域,因此提高了检测速度。
2)检测准确率高,该算法受外界环境(例如:光照、震动等)影响小,检测漏检率和误检率低,适合条状物体表面缺陷在线检测。
3)该算法只需要计算分块子图像方差,根据分块子图像方差与整幅图像均方差作比较,利用方差作为判别函数,就可以一次将图像中多处缺陷检测出来,不需要逐个像素点进行搜索或者“充电”,所以在检测时间上该算法远优于其它WTA模型算法和区域生长等算法。
附图说明
图1为本发明基于图像分块方差-加权特征值的多缺陷检测方法流程图;
具体实施方式
本发明采用基于图像分块方差-加权特征值的多缺陷在线检测方法,是一种改进性和综合性方法。其目的是同时将图像中所有缺陷目标检测出来。该方法首先对预处理后的图像进行分块处理,通过比较图像方差与分块子图像方差,提取出潜在缺陷位置子图像;然后对于缺陷子图像进行加权处理,构建多维加权协方差矩阵,然后计算加权协方差矩阵特征值,最后判断加权特征值λ1,λ2的值确定子图像是否包含缺陷:
Step1:若加权特征值λ1,λ2的值相近,则该子图像块中无缺陷;
Step2:若加权特征值λ1远远大于加权特征值λ2,则该子图像块中存在缺陷,从而最终检测并定位缺陷位置。
方法具体步骤如下:
步骤1:缺陷图像预处理。本发明通过对背景信息估计,使表面缺陷与背景信息分割,并利用图像变换突出缺陷部分像素亮度,具体过程如下:
1)采用开运算,对目标图像先腐蚀处理,再膨胀操作。通过结构元滑动既消除条状物体表面文字等像素干扰,又保留缺陷信息,获得背景估计图像;
2)将源图像与背景估计图像进行差分运算。对于一幅图像为M×N矩阵,差分矩阵Δ[i,j]=S[i,j]-T[i,j],S[i,j],T[i,j]分别为源图像与背景估计图像,其中Δ[i,j]中任意元素非负,最大值小于255。
3)采用亮度变换方法,通过伽马(gamma)变化,增强或者减少图像亮度,达到突出表面缺陷目的。
4)利用视觉注意力模型,处理上述步骤得到图像,获得显著性图像SM。
步骤2:图像分块。先将一副m×n的显著性图SM分成p×q块子图像,即:
k=1,2,…,p;l=1,2,…,q
(1)
其中S表示显著性图SM,每个子图像Skl是mk×nl矩阵形式,其中、
步骤3:提取缺陷子图像。由于显著性图像S中缺陷处的像素与非缺陷位置的像素特征不同,其方差可以更好体现缺陷显著特征,并且方差是描述图像中像素值与均值之间变化程度,包含缺陷图像方差明显要比没有缺陷图像方差大。因此,可以通过计算子图像方差,通过与整幅图像均方差对比,确定缺陷位置,具体算法描述如下:
a)计算整幅显著性图像S均值和方差:
式中E(k,l)、σ2(k,l)分别为显著性图像S均值,方差。
b)计算分块子图像Skl均值和方差:
式中(2ω+1)×(2ω+1)为图像分块大小,ω为整数,ESkl(k,l)、分别为子图像矩阵Skl的均值、方差。
c)对于整幅图像而言,大部分像素点灰度值相近,仅仅包含缺陷区域灰度值较大,因此整幅图像个体(单个像素点灰度值)偏离总体(整幅图像的灰度值)波动不大,也就是方差不是很大;而对于分块的子图像,如果不包含缺陷,则灰度值差别不大,其方差小于整幅图像的方差;如果包含缺陷,灰度值相差较大,其值波动也大,这时子图像的方差必定大于整幅图像的方差。因此判别函数可定义为:
由此,可根据判别函数确定子图像是否包含缺陷。
步骤4:构建加权协方差矩阵,利用上述步骤确定的疑似缺陷子图像,本文利用PCA的思想,构建加权协方差矩阵,具体步骤描述如下:
a)定义子图像中心像素点为:
b)子图像加权协方差矩阵M定义为:其中
步骤5:加权特征值计算,根据式M-λ·I=0计算λ1,λ2,其中λ1,λ2分别为:
步骤6:识别与定位缺陷位置,通过判断λ1,λ2的值确定子图像是否包含缺陷:若λ1,λ2的值相近,则该子图像块中无缺陷;若λ1远远大于λ2,则该子图像块中存在缺陷。
Claims (5)
1.一种基于图像分块方差-加权特征值的多缺陷检测方法,其特征在于包括如下步骤:
1)缺陷图像预处理,得到一幅m×n显著性图SM;
2)图像分块,先将预处理的一幅m×n显著性图SM分成p×q块子图像,即:
其中S表示显著性图SM,每个子图像Skl是mk×nl矩阵形式,其中
3)提取包含潜在缺陷的子图像,由于显著性图像SM中缺陷处像素与非缺陷位置像素特征不同,包含缺陷的图像方差明显要比没有缺陷图像的方差大;因此,通过计算子图像方差,与整幅图像均方差对比,确定包含潜在缺陷的子图像位置;
4)构建加权协方差矩阵,利用PCA的思想,构建加权协方差矩阵;
5)加权特征值λ1,λ2计算;
6)识别与定位缺陷位置,通过判断λ1,λ2的值确定子图像是否包含缺陷:若λ1,λ2的值相近,则该子图像块中无缺陷;若λ1远远大于λ2,则该子图像块中存在缺陷。
2.根据权利要求1所述的基于图像分块方差-加权特征值的多缺陷检测方法,其特征在于上述步骤3)中,确定包含潜在缺陷的子图像的具体算法描述如下:
21)计算全幅显著性图像SM的均值和方差:
式中E(k,l)、σ2(k,l)分别为显著性图像SM的均值,方差;
22)计算分块子图像Skl均值和方差:
式中(2n+1)2为图像分块大小,n为整数,分
别为子矩阵Skl的均值、方差;
23)对于整幅图像,图像个体偏离总体波动不大,也就是方差不是很大;而对于分块的子图像,如果不包含缺陷,其方差小于整幅图像均方差;如果包含缺陷,则子图像的方差必定大于整幅图像均方差,因此判别函数可定义为:
3.根据权利要求1所述的基于图像分块方差-加权特征值的多缺陷检测方法,其特征在于上述步骤4)中,构建加权协方差矩阵的具体步骤描述如下:
31)定义子图像的中心像素点为:
32)子图像的加权协方差矩阵M定义为:其中
4.根据权利要求1所述的基于图像分块方差-加权特征值的多缺陷检测方法,其特征在于上述步骤5)中,加权特征值λ1,λ2计算,根据式M-λ·I=0计算λ1,λ2,其中λ1,λ2分别为:
5.根据权利要求2所述的基于图像分块方差-加权特征值的多缺陷检测方法,其特征在于上述步骤23)中,图像个体是指单个像素点灰度值,总体是指整幅图像的灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510646314.3A CN105354831B (zh) | 2015-09-30 | 2015-09-30 | 一种基于图像分块方差-加权特征值的多缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510646314.3A CN105354831B (zh) | 2015-09-30 | 2015-09-30 | 一种基于图像分块方差-加权特征值的多缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105354831A CN105354831A (zh) | 2016-02-24 |
CN105354831B true CN105354831B (zh) | 2018-11-09 |
Family
ID=55330798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510646314.3A Active CN105354831B (zh) | 2015-09-30 | 2015-09-30 | 一种基于图像分块方差-加权特征值的多缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105354831B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106093066B (zh) * | 2016-06-24 | 2018-11-30 | 安徽工业大学 | 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法 |
CN106530291B (zh) * | 2016-10-28 | 2019-01-22 | 重庆工商职业学院 | 一种基于图像处理的抛光表面检测方法及其*** |
CN106780455B (zh) * | 2016-12-07 | 2019-11-19 | 五邑大学 | 一种基于滑动的局部邻域窗口的产品表面检测方法 |
CN110415203A (zh) * | 2018-04-26 | 2019-11-05 | 比亚迪股份有限公司 | 图片检测方法、装置和电子设备 |
CN109801288A (zh) * | 2019-01-25 | 2019-05-24 | 淮阴师范学院 | 一种基于方向统计特性的图像聚焦测度实现方法 |
CN110476864B (zh) * | 2019-09-17 | 2022-05-06 | 广东工业大学 | 一种智能鱼缸*** |
CN110879050B (zh) * | 2019-10-19 | 2021-04-23 | 深圳市贝优全盛有限公司 | 规则程度大数据分析*** |
CN111008964B (zh) * | 2019-11-27 | 2023-06-23 | 易启科技(吉林省)有限公司 | 一种部件表面缺陷检测方法 |
CN111652319A (zh) * | 2020-06-09 | 2020-09-11 | 创新奇智(广州)科技有限公司 | 一种布匹缺陷检测方法及装置 |
CN115063400B (zh) * | 2022-07-22 | 2022-11-01 | 山东中艺音美器材有限公司 | 利用视觉手段的乐器生产缺陷检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013165565A1 (en) * | 2012-04-30 | 2013-11-07 | Nikon Corporation | Method of detecting a main subject in an image |
CN104458755A (zh) * | 2014-11-26 | 2015-03-25 | 吴晓军 | 一种基于机器视觉的多类型材质表面缺陷检测方法 |
CN104574353A (zh) * | 2014-09-12 | 2015-04-29 | 苏州大学 | 基于视觉显著性的表面缺陷判定方法 |
-
2015
- 2015-09-30 CN CN201510646314.3A patent/CN105354831B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013165565A1 (en) * | 2012-04-30 | 2013-11-07 | Nikon Corporation | Method of detecting a main subject in an image |
CN104574353A (zh) * | 2014-09-12 | 2015-04-29 | 苏州大学 | 基于视觉显著性的表面缺陷判定方法 |
CN104458755A (zh) * | 2014-11-26 | 2015-03-25 | 吴晓军 | 一种基于机器视觉的多类型材质表面缺陷检测方法 |
Non-Patent Citations (3)
Title |
---|
基于显著性模型和区域生长法的;刘学福等;《科学技术与工程》;20150228;第15卷(第4期);全文 * |
基于视觉注意模型和互补性融合的关键帧提取;王灿灿;《济南大学学报( 自然科学版)》;20140331;第28卷(第2期);全文 * |
窗口加权协方差矩阵特征值检测织物瑕疵;康雪娟等;《电子测量与仪器学报》;20140831;第28卷(第8期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105354831A (zh) | 2016-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105354831B (zh) | 一种基于图像分块方差-加权特征值的多缺陷检测方法 | |
CN103439342B (zh) | 基于热图时序特征的红外无损检测方法 | |
CN105046700B (zh) | 基于亮度校正与颜色分类的水果表面缺陷检测方法及*** | |
CN105426889A (zh) | 基于pca混合特征融合的气液两相流流型识别方法 | |
CN104268505A (zh) | 基于机器视觉的布匹疵点自动检测识别装置及方法 | |
CN108198181A (zh) | 一种基于区域分割和图像融合的红外热图像处理方法 | |
CN105913415A (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN108960255A (zh) | 基于颜色相似性和位置聚集性的显著性织物疵点检测方法 | |
CN110245650B (zh) | 振动智能检测方法及相关产品 | |
CN112488211A (zh) | 一种织物图像瑕疵分类方法 | |
CN104166986A (zh) | 一种条状物体表面缺陷在线视觉注意力检测方法 | |
CN111539927B (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测方法 | |
CN112862744A (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
Birla et al. | An efficient method for quality analysis of rice using machine vision system | |
CN114937036B (zh) | 基于人工智能的高炉设备运行评估方法及*** | |
CN104535589A (zh) | 一种低压电流互感器在线检测方法和装置 | |
CN106442122B (zh) | 基于图像分割和辨识的钢材料落锤撕裂试验断口韧性断面百分比检测方法 | |
CN105913032A (zh) | 一种矿用皮带工作状态检测方法及*** | |
Kaur et al. | Geometric feature extraction of selected rice grains using image processing techniques | |
CN115855961B (zh) | 一种用于运行中的配电箱故障检测方法 | |
US20240233110A1 (en) | Method for detecting a pomelo flesh mass edible ratio based on x-ray images | |
CN113361369B (zh) | 基于训练样本选择的电力现场着装规范检测方法 | |
Wang et al. | Damage Object Detection of Steel Wire Rope-Core Conveyor Belts Based on the Improved YOLOv5 | |
O'Byrne et al. | Effects of turbidity and lighting on the performance of an image processing based damage detection technique |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |