结构型纹理背景工业产品图像缺陷检测研究

摘要

在竞争日益激烈的工业化自动生产过程中，对产品质量的把关，即缺陷检测起着至关重要的作用。对结构型背景纹理的工业产品进行缺陷检测，是指对其表面图像上的暗点、刮伤、划痕、裂痕等缺陷进行检测。传统的人工检测存在着效率低、不可靠等不足，而基于机器视觉的缺陷检测技术由于其高效、便捷、经济与安全的特点而成为研究的热点。结构型背景纹理的产品在工业生产中广泛存在例如:纺织品、木材、半导体产品等，因此本论文致力于结构型纹理背景工业产品图像缺陷检测研究，为结构型纹理背景的工业产品图像的缺陷检测提供可靠又高效的算法。
　　(1)特征提取和分类算法是结构型背景纹理产品缺陷检测算法中的关键。针对于特征提取，通过研究相关的特征提取的算法，对已有的LIO(Local inlier-outlier ratios)特征进行改进，提出了SD(similarity-dissimilarity ratios)特征，对于待测图像的分类有良好的效果;针对于结构型纹理背景工业产品缺陷图像分类，采用ELM(Extreme Learning Machine)分类算法，提出两种分类方法来实现结构型纹理工业产品图像简单的二分类:基于GLCM(Gray Level Co-occurrence Matrix)的分类方法，基于改进的局部二值化模式M-LBP(modified Local binary patterns)特征和SD特征的分类方法。
　　(2)针对于结构型纹理背景工业产品缺陷图像缺陷区域提取，本文提出了一种基于广义低秩逼近(generalized low-rank approximations of matrices，GLRAM)的缺陷区域提取方法。此方法首先利用广义低秩逼近做背景建模得到工业产品图像的纹理背景，接着利用背景差分得到含有缺陷与噪声的图像，最后通过简单的阈值分割算法，即可实现缺陷区域的提取。这种方法对于图像旋转、光照亮度变化都不敏感，且适用于各种结构型纹理背景的产品检测，是一种高效可靠的算法。
　　通过以上针对于特征提取、分类、缺陷提取的方法，实现了结构型纹理背景的工业产品图像的缺陷检测。最终实验表明，基于ELM的分类方法可以达94.46％的分类准确率;基于广义低秩逼近的缺陷提取方法，与已有文献结果相比，能够得到完整的缺陷提取结果，鲁棒性好。

目录

声明

致谢

摘要

1．1 课题研究背景与意义

1．2 国内外研究现状

1．3 缺陷检测算法评价指标

1．3．1 客观评价标准

1．3．2 主观评价标准

1．4 本文研究内容和结构

2 结构型纹理背景工业产品图像缺陷分类方法介绍

2．1 结构型纹理背景的工业产品图像特征提取算法

2．1．1 灰度共生矩阵

2．1．2 局部二值化模式

2．2 结构型纹理背景的工业产品图像分类算法

2．2．1 支持向量机

2．2．2 人工神经网络

2．3 矩阵低秩逼近相关方法综述

2．3．1 奇异值分解

2．3．2 鲁棒主成分分析

2．3．3 应用

2．4 本章小结

3 基于ELM的待测结构型纹理背景表面图像分类方法

3．1 实验数据

3．2 特征提取

3．2．1 SD特征

3．2．2 GLCM特征

3．3 分类器设计

3．4 实验步骤及结果分析

3．4．1 基于M-LBP和SD特征分类方法的实验步骤

3．4．2 基于GLCM特征和ELM分类的实验步骤

3．4．3 结果对比及分析

3．5 本章小结

4 基于广义低秩逼近算法的缺陷区域提取方法

4．1 背景建模

4．2 背景差分和阈值分割

4．3 实验结果及分析

4．3．1 结构型纹理背景工业产品表面图像缺陷提取

4．3．2 光照的影响

4．3．3 旋转的影响

4．4 本章小结

5．1 总结

5．2 展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集