论文部分内容阅读
纹理缺陷视觉检测是机器视觉与工业自动化领域中的研究热点,被广泛地应用在工业制造、质量检测等场景中。纹理缺陷是一个与周边纹理颜色或结构不同的局部区域。只要采用工业相机获取产品的纹理表面图像,通过纹理缺陷检测算法能够在目标纹理图像中评估出缺陷区域。现有纹理检测方法适应性很差,一种纹理缺陷检测方法只能检测一种材料的纹理表面缺陷。本文提出了一种基于深度学习框架的纹理缺陷检测方法,能够同时检测多种材料的纹理表面缺陷。具体研究工作如下:(1)针对条码识别中的离焦模糊、噪声、非线性失真和非线性光照等问题,本文提出一种自适应边缘与模型映射的条码识别算法(Adaptive Edge Detection and a Mapping Model,AEDM),该算法采用基于梯度方向和基于块平均的扫描线初步获取条码条和空的边缘位置,并且对非线性失真、噪声和离焦模糊进行数学建模,迭代地调整条码条和空的边缘位置。所提出的AEDM方法在Wachenfeld创建的标准条码图像数据集上的识别率达到94.8%,在640 X 480像素大小图片上识别速度达到103ms,精度与速度均优于目前最优秀的Orazio、Wachenfeld算法和ZXing、DataSymbol商业解码系统。(2)针对纹理表面缺陷形状各异、尺度多变、对比度低、样本稀缺等问题,本文中提出了一种基于多尺度特征聚类的全卷积自编码缺陷检测算法(Multi-Scale Feature-Clustering-based Fully Convolutional Autoencoder,MS-FCAE),该算法利用不同尺度级别的多个全卷积自编码器(Fully Convolutional Autoencoder,FCAE)来重构纹理背景图像,并使用特征聚类来改善编码映射特征的判别性,从而提升纹理背景的重构精度。在从Kylberg Texture Dataset、Kylberg Sintorn Rotation、KTH-TIPS2、DAGM,薄膜晶体管液晶显示器(TFT-LCD)中选取的八个数据集上的精度达到0.780、0.810、0.360、0.533、0.524、0.854、0.742、0.830,在512×512像素大小的图像上,速度达到16.8ms,在精度和速度上均优于目前最优秀的LCA(Lowpass Coefficients Analysis)、PHOT(Phase Only Transform)、TEXEMS(Texture Exemplars)、ACAE(Convolutional Autoencoder for Anormaly Detection)、RCAE(Robust Convolutional Autoencoder)、MSCDAE(Muti-Scale Convolutional Denosing Autoencoder)纹理缺陷检测算法。(3)针对基于生成模型的纹理缺陷检测算法在纹理表面缺陷检测中产生的过检问题,本文提出了一种基于边缘引导的图像补全缺纹理陷检测算法(Edeg Guide Inpainting,EGI),该算法利用基于部分卷积的边缘补全网络来提取纹理图像的边缘,同时预测缺失的边缘区域,并将完整的边缘图像作为先验信息,在基于部分卷积的图像补全网络中引导纹理生成,进行高精度的纹理背景补全。在从Kylberg Texture Dataset、Kylberg Sintorn Rotation、KTH-TIPS2、DAGM,TFT-LCD中选取的八个数据集上的精度达到 0.824、0.869、0.782、0.388、0.700、0.917、0.839、0.920,大幅提升了MS-FCAE检测结果的准确度。本文不仅对各个算法进行了单独的性能测试,而且在TFT-LCD全自动光学检测设备(AOI)上进行相关的应用测试。在1920×1080像素大小的图片上,MS-FCAE的检测精度达到了0.95,速度达到了 82ms,能够满足在线检测应用的要求;EGI精度达到了0.97,能够满足高精度检测应用的要求。