摘要:如何通过机器视觉对纹理表面图像进行缺陷检测是工业自动化控制和数字图像处理领域中的难题。一方面,工业产...如何通过机器视觉对纹理表面图像进行缺陷检测是工业自动化控制和数字图像处理领域中的难题。一方面,工业产品表面图像与一般自然场景图像不同,它所包含丰富的纹理信息是缺陷检测过程中的一个阻碍,容易导致结果误判;另一方面,目前大部分算法只是针对缺陷存在的局部区域进行处理,忽略了缺陷检测在实际的工业应用中,检测完整的产品表面图像时,无法解决大尺寸图像检测结果对光照敏感的问题。因此区分图像的目标和纹理,并且提高信息量较大的二维图像的缺陷检测速度与准确率,对促进基于机器视觉的表面缺陷检测研究的理论探索及满足当前国内自动化制造业市场的迫切需求有着重要的意义。本文以提高工业产品表面缺陷检测的速度、准确率和通用性为目的,对纹理背景中的表面缺陷检测算法进行了研究与改进,它的主要研究内容如下:首先,提出一种基于聚类的图像显著性检测对纹理图像的目标进行初步定位。根据工业产品表面缺陷检测的实际情况,选取合适的图像特征来建立显著性模型。接着利用Brodatz纹理库进行产品表面缺陷检测的模拟实验,实验证明该算法适用于不同种类的纹理图像。然后,针对纹理背景中的缺陷提取,改进基于相对全变分(Relative Total Variation,RTV)模型的结构提取算法,从而提高原算法保留结构去除纹理的能力。其次,通过分析发现,算法中有大量稀疏矩阵的计算,直接应用于数据量较大的高像素图像时,无法满足工业检测的速度要求,甚至会因内存不够导致程序崩溃。因此该算法需要依靠图像显著性检测算法定位缺陷可能存在的区域,才能进一步对这些可疑区域进行缺陷的的精确提取。接着,对图像显著性检测算法定位出来的各个缺陷区域分别进行结构提取算法的处理,来提高缺陷提取过程中阈值分割的精确度。其余区域作为背景区域,所有像素的灰度值被置零。最后,利用本文图像显著性检测算法和结构提取算法分别对木板和织物进行缺陷检测的实验,证明本文的研究方法的有效性。该方法还可以扩展到玻璃、钢轨等表面的缺陷检测上,应用前景广阔。更多还原显示全部