文档介绍：机器视觉检测分解
机器视觉检测分解
1/13
机器视觉检测分解
研究背景：
产品表面质量是产品质量的重要组成部分，也是产品商业价值的重要保障。产品表面缺陷检
测技术从最初的依靠人工目视检测到现在以CCD和
关键点：二维图像上缺陷研究的关键是如何准确地分割出缺陷目标。图像目标分割方法大多
机器视觉检测分解
机器视觉检测分解
13/13
机器视觉检测分解
是为特定应用设计的，具有较强的针对性和局限性。
缺陷分割就是指将感兴趣的缺陷目标从被测表面的背景信息（如颜色、轮廓、亮度、形状）
中分离出来，使缺陷直接成为分析和处理对象的过程，
是视觉检测的关键。
缺陷分割是后续
缺陷分析判别的基础，若分割中出现错误或误差而传播给后续的图像分析中，
将导致检测错
误或失败。因此，缺陷分割性能的优劣直接影响着后续的研究工作的进行，
是表面缺陷检测
中的一项关键技术。
全局阈值分割
双峰法、自适应迭代法和最大类间分割法
东北林业大学
纹理分割
（可否获得高质量的图像，突出缺陷？）
光源的作用是形成有利于后续检测算法复杂度降低和缺陷检测率提高的铸坯表面缺陷图像效果。光源的选择直接关系到采集图像的质量和图像中能否明显表露存在的缺陷。据统计，
至少30%的图像质量和应用效果受到光源选择的直接影响。采集到的理想图像应是完整的、均匀亮度、对比度强且没有畸变。
机器视觉检测分解
机器视觉检测分解
5/13
机器视觉检测分解
难点：由于生产环境而造成的伪缺陷的出现极大的影响了检测的精度和准确度，统的误动作。
引起检测系
机器视觉检测分解
机器视觉检测分解
13/13
机器视觉检测分解
多维视角分析
在上图一些步骤的基础上，增加了一些基于多维视角几何的分析步骤。多维视角分析的核心
思想是，它能够通过从不同的角度进行多维视角分析来获取待测物体的更多的信息。它是一
种在检测容易被误检的复杂对象时非常有用的方法，因为从不同角度对同一物体的两个或多
个视角能够提高只通过一张图像来检测缺陷的方法的正确率。（剔除伪缺陷，见文献[][][]）
机器视觉检测分解
机器视觉检测分解
13/13
机器视觉检测分解
图2多角度获取图像信息
特征提取：
对于表面缺陷检测，
在缺陷有效的分割之后，
要进行缺陷的判别。这里，缺陷的判别包
括缺陷识别、缺陷分类、真伪缺陷判断、缺陷参数给出等问题。
如果将缺陷的判别过程看做是一个“黑盒子”
，那么这个“黑盒子”的输入是
陷图
像的各种特征数据，输出是判别结果（类型、参数等）
。
征去除无意义特征。
纹理特征提取：
尽量缩小同类内样本特征值之间的差距，
增大不同类间特征值的差距，有助于提高分类器的
性能，降低分类器设计的复杂性。
Gabor滤波器：针对二维数字图像，二维的Gabor
滤波
器具有优良的滤波性能，并与生物视系统有相近的特点。二维
Gabor滤波器能够在方向、
径向频率带宽以及中心频方面进行定制，因此在空间域和频率域都能获得极佳的分辨率。
计算量大。
小波变换：将纹理图像看成是二维信号，
运用二维离散小波变换进行纹理图像的处理。
可将
图像在频域上分解为低频子带（纹理的基本结构）和若干方向上的高频子带（纹理细节）
，
然后提取各子带的特征形成特征向量。
统计几何特征提取方法
《基于非基于非