论文部分内容阅读
偏光膜外观缺陷检测,目前主要检测方式仍为人工检测。然而该方式劳动强度大,且人眼易产生疲劳,致使检测可信度及速度偏低。近年来,随着机器视觉领域软硬件的快速发展及广泛应用,促使偏光膜外观缺陷检测技术不断发展。在此背景下,课题组致力于研究关于偏光膜外观缺陷的自动检测技术,从图像采集的硬件设计到图像处理的软件算法等各方面研究正逐步深入。本文主要研究图像处理算法部分,主要研究内容如下:1.空域中基于改进的Niblack局部二值化方法实现缺陷检测。该算法首先通过积分图算法对算法进行加速,突破原始算法速度上的瓶颈。然后改进原始算法中对于掩膜内的局部二值化阈值的计算方式,使算法能适用于对比度更小的缺陷,使其更具鲁棒性。同时通过与实验相结合,设计出掩膜的选择标准。最后对经验参数的值进行修正,使算法可以适用于不同周期的余弦背景,实现二值化阈值的自适应。该算法提升运行速度至耗时约2.3秒,检测准确率达到93%左右。2.变换域中基于小波变换与频域滤波的背景消除法实现缺陷检测。该算法根据图像背景灰度值呈余弦平滑过渡,缺陷占比较小且其灰度值发生突变的特点。在将图像通过DFT或DCT转换至频率域后,背景将是低频成分,而缺陷点将是高频信息,两者之间将存在较大的频率差值。同时通过小波变换的引入,实现对缺陷细节的聚焦分析,增强缺陷点的能量,进一步扩大缺陷点与背景的频率差值。然后选择具有合适截止频率的滤波器,滤除低频背景信息保留前景缺陷目标,并最终恢复至空间域实现自适应阈值二值化。该算法运行时间约0.85秒,检测准确率达95%左右,基本满足工业生产的要求。3.基于SVM+HOG+PCA的机器学习方法实现缺陷识别。该算法通过检测图像的Harris角点从而提取目标区域,经高斯滤波及非极大值抑制后,选取角点32*32大小的邻域范围,提取最终的Bounding Box。在特征提取方面,提取Bounding Box的HOG特征,再对提取的HOG特征进行PCA降维。在对SVM分类器训练时,引入难例分析以提高分类器的泛化能力,最终使用训练得到的SVM分类器对缺陷小目标进行检测。该算法运行时间约为0.520~0.625,其召回率达到0.88,F1值达到0.73,准确率达到80%,该方法具备可行性。