论文部分内容阅读
机器视觉是用计算机来模拟人的视觉功能,从客观事物的图像中提取信息,进行处理并加以理解,最终用于实际检测、测量和控制的技术。该技术具有显著优势和良好的发展前景,已经取得了广泛的应用。视觉检测是机器视觉理论与技术在检测领域的应用。纹理表面缺陷检测是视觉检测中的重点和难点。论文围绕纹理图像分析及应用,深入研究了纹理特征描述方法、纹理表面缺陷检测方法、纹理分析在视觉检测中的应用等问题。主要内容及创新点如下:将离散序列的列率特性应用于图像纹理特征描述,提出一种基于局部Walsh谱的多尺度旋转不变纹理特征描述方法。视觉检测中图像旋转会给特征提取带来较大干扰,且单一尺度纹理特征无法全面有效地描述待测物表面纹理。利用离散Walsh变换功率谱的循环移位不变性,实现了图像纹理特征旋转不变性,同时可以有效提取不同尺度纹理特征。基于序列的列率特性,构造了新的两族局部Walsh谱,并揭示了局部Walsh谱与局部二值模式之间的联系。纹理分类和纹理分割实验结果表明:局部Walsh谱具有较好的纹理鉴别能力和良好的旋转不变性,且实现简单,计算量小等优点。研究用复数小波系数相位信息描述图像纹理特征,提出一种结合双树复数小波系数幅度和相位统计分布模型的特征提取方法。双树复数小波相比传统实数小波的显著特征之一是能够提供相位信息,但在图像纹理分析中小波系数相位信息的利用是一个难点。首先对双树复数小波各子带系数的相位和幅度进行局部差分运算,然后利用循环正态分布和广义高斯分布分别描述子带系数相位和幅度的边缘统计特性,最后用各方向子带系数统计分布模型参数组成特征向量描述纹理特征。纹理分类实验结果表明:综合利用双树复数小波系数幅度和相位的边缘统计分布可以有效描述纹理特征,分类效果显著高于基于实数离散小波的纹理特征提取方法。从图像空域特征出发,研究利用单类分类的统计方法检测纹理表面缺陷。针对单类分类器模型参数优化选择难的问题,提出一种基于体积占空比的参数优化选择方法,用于支持向量数据描述分类器的核参数选择。通过计算样本影响区域体积和分类域体积之比,得到单类分类器的体积占空比。利用分类器体积占空比描述分类器边界对目标样本分布的拟合程度,指导分类器参数的优化选择。在此基础上,采用支持向量数据描述等单类分类器对砂纸、瓷砖、铸件等随机纹理表面缺陷进行检测。实验结果表明:采用体积占空比可以有效指导支持向量数据描述核参数的优化选择;通过对正常纹理表面样本学习,单类分类器能够有效检测出随机纹理表面缺陷。从纹理图像频谱特性出发,研究利用频域特征消除图像纹理背景,同时增强局部异常的途径,提出一种基于双树复数小波重构的纹理表面缺陷检测方法。在分析纹理图像双树复数小波各子带系数共生矩阵特性的基础上,设计了分解层数确定和重构系数选择的算法。通过选择合适的分解层数,消除含纹理信息丰富的细节系数,然后进行小波重构,将复杂的纹理表面缺陷检测问题转化为无纹理表面缺陷检测,利用简单的阈值法即可完成检测。实验结果表明,这种方法适合用于各向异性(规则性)纹理表面的缺陷检测,检测效果优于现有的基于实数离散小波的方法。以某型航空发动机均压孔径向裂纹视觉检测为背景,研究了圆形轮廓检测和孔类部件径向裂纹识别方法。为了保证圆检测的准确性和可靠性,同时降低Hough变换的计算量,提出一种模糊快速Hough变换算法。采用局部梯度信息降低参数空间的维数,对参数空间进行多分辨率分级,由粗到精逐步细化参数空间,减少无用的积累矩阵,降低计算的复杂度,采用模糊投票的方法减少边缘像素位置和梯度方向等误差对检测准确性的干扰。针对孔类部件径向裂纹的视觉检测,提出基于链码分析和基于纹理分析的两种裂纹识别方法,并对两种方法进行实验验证和比较。实验结果表明,模糊快速Hough变换算法可以快速准确地检测出待测目标的圆形轮廓;基于链码分析的方法和基于纹理分析的方法的检测准确率分别为91.2%和95%,由于基于纹理分析的方法综合利用了区域内边缘的密度和方向,其准确率更高,受反光和阴影的干扰小。针对飞机骨架构件铆接部位、操纵钢索等不易接近且表面特征复杂部位的外场检测需求,设计并实现了相关的基于纹理分析的视觉检测算法。对骨架构件铆接部位表面异常检测时,采用LWS和Radon变换标准差描述铆接兴趣区域的纹理特征,实现图像的旋转不变和缩放不变,同时抑制光照引起的图像灰度等级变化的影响,利用k-NN单类分类器实现检测。对操纵钢索纹理表面缺陷检测时,用纹理分割方法识别钢索边界,并确定兴趣区域,采用一致性检验法和双树复数小波重构法进行检测。实验结果表明:基于纹理分析的视觉检测方法可有效地检测出飞机骨架构件铆接部位和操纵钢索表面的异常与缺陷;该视觉无损检测系统能延伸人眼视距,增大检测的可达范围,对特定部位能够利用机器视觉检测技术辅助检测人员做出判断。以上研究结果表明,在无损检测中应用机器视觉检测技术,可以克服目视检测的局限性,增大检测的可达范围,提高检测的准确性和自动化程度。