表面缺陷检测的机器视觉技术研究进展.pptxVIP

表面缺陷检测的机器视觉技术研究进展

-引言缺陷及表面缺陷检测的定义基于机器视觉的物体表面缺陷检测基于深度学习的表面缺陷检测方法1234

引言1

引言随着科技迅速发展和工业技术的进步，人工检测钢轨表面缺陷存在的检测效率低，这种传统的检测方法已经无法满足工业生产的需求，产品精度、产品质量和产品安全性等问题受到人们的日益关注，基于机器视觉的表面缺陷技术为产品表面的缺陷检测和识别提供了高效、可靠的保证本文结合工业缺陷检测需求，给出缺陷的定义、分类以及缺陷检测的一般步骤，阐述了使用传统图像处理方式、机器学习、深度学习进行缺陷检测的原理，将缺陷检测方法分为传统基于图像处理的缺陷检测、基于传统机器视觉的表面缺陷检测，机器视觉缺陷检测研究了缺陷特征的提取、特征选择以及模式分类器的设计，并利用提取的特征和分类器识别带钢表面缺陷图像类别对于深度学习方面，探索了基于卷积神经网络的表面缺陷识别方法，并对各种方法进一步细分归类和对比分析，实现对产品质量的保证，降低工厂人力检测的成本，提高滤网成品率和使用安全

缺陷及表面缺陷检测的定义2

缺陷及表面缺陷检测的定义缺陷的定义在工业生产工作过程中，由于现有技术、工作环境等因素，极易造成产品的质量问题，物体表面缺陷是产品质量问题最直观的体现。表面缺陷检测中的缺陷，是指物品表面应力感生的结果，不同缺陷伴随着不同的成因，某些缺陷会具有一定的安全性威胁，而不符合工业质检的标准，需要对有缺陷问题的物品进行检测问题出在哪一方面，在进行对机器的调试，但某些则不会，只是会影响物体的使用性和寿命等

缺陷及表面缺陷检测的定义表面缺陷检测的定义物体表面缺陷的检测，即对成品产品进行表面缺陷检查，可采用传统的图像处理算法，也可使用先进的机器学习技术，以识别工业生产过程中造成的划痕、污渍、凹坑等缺陷，并定位识别出现缺陷的位置，准确对物品的缺陷进行调整。常用的表面缺陷检测技术包括视觉检测技术、红外检查技术、超声波检测技术等。对表面缺陷检测可分为以下几个方面：一、机器视觉分析；二、图像预处理；三、缺陷的识别与分类

基于机器视觉的物体表面缺陷检测3

基于机器视觉的物体表面缺陷检测图像采集与预处理基于计算机视觉的表面检测技术对物体表面进行面扫描表面检测与线扫描表面检测俩种检测方式，通过机器视觉产品(图像摄取装置)将被测物转换成图像信号，并传送给专用的图像处理系统，采集出机器识别表面平整度不达标的物体图像对采集的图像使用图像预处理的方法将图像中的一些干扰去除，包括背景，噪声和对象的其他信息等，以提高后续处理的准确性

基于机器视觉的物体表面缺陷检测特征提取图像特征提取是指从原始图像数据中提取出能够精准、完整目不冗余地描述目标特征的关键信息，因而传统基于机器视觉的缺陷检测方法最关键的步骤就是从图像中提取缺陷的特征信息。基于形状特征的方法根据像素分布、形状、颜色、纹理等信息，将图像信息转换成数字信号，对这些信号进行各种运算可以提取目标特征，进而根据判别的结果控制现场的设备执行相应的动作

基于机器视觉的物体表面缺陷检测缺陷分类与检测图像预处理以及图像特征提取可突出不同种类缺陷的特征不完全一致，特征可以定量地区分不同种类的缺陷，再通过数据总线汇总至系统中心处理计算机进行汇总分析，实现显示、数据筛选，数据搜索、分区域、类型选择等诸多功能，总的目的就是方便用户有效快速的定位产品所需要关注的缺陷类型数据，便于实时掌握产品表面质量情况

传统的的机器视觉方法是在人工提取的特征信息上训练分类器，通过分类器来正确识别每个表面缺陷的类别。常用的分类算法有SVM、KNN、K-means聚类算法等

基于机器视觉的表面检测系统有关指数除配置参数外主要分为三个方面：检测性能，识别性能及系统稳定性。对缺陷样本进行比较，以确定是否存在缺陷。通过三方面检测技术物体表面可以实现高效、准确的缺陷检测，并提高生产效率和产品质量

基于深度学习的表面缺陷检测方法4

基于深度学习的表面缺陷检测方法无监督学习方法无监督的表面缺陷检测方法则不需要带标签的缺陷图像，而是仅使用正常无缺陷的样本进行网络训练。使用无监督学习训练样本时，计算机会在不借助任何人工的情况下，根据相似性自行对所有原始样本数据进行分类，目前，最常用与表面缺陷检测的无监督学习模型是基于正常样本学习的方法，主要方法有主成分分析、稀疏编码发、自编码器等相比于有监督学习模型,它能够检测到偏离预期的模式或没有见过的模式,这些模式都可以称为缺陷或者异常

基于深度学习的表面缺陷检测方法有监督学习方法有监督的表面缺陷检测方法需要使用带标签的缺陷图像进行训练，其目标是通过训练网络来识别和定位缺陷。一般来说，可以构建一个卷积神经网络(CNN)来进行分类，其特征提取部分由级联的卷积层+池化层组成，分类部分由全连接层和softmax组成。在训练过程中，网