图像分割以及识别技术在帘子布疵点检测中的应用 .pdfVIP

图像分割以及识别技术在帘子布疵点检测中的应用

图像分割技术是图像处理中非常重要的一步，尤其对于一个在线监测系统来

说，分割的效果对图像分割的效果直接影响后续疵点缺陷的特征提取及疵点类型的

识别。现有的分割算法非常多，但是基本上是一种产品对应着一种分割算法。

1.引言

文章分析、比较了在图像分割以及图像分类识别的几种最为典型、常见的几

种传统方法的特点，并在每个部分都选取最优的算法，组合在一起构成了适用于帘

子布疵点检测的图像预处理体系。在图像分割部分，我们使用了经典的Otsu法，

此方法我们发现仿真结果使疵点有些失真；我们使用了基于统计学理论的阈值曲面

概念，在此方法中，为了规避传统阈值曲面方法的缺陷，对于阈值曲面的建立采取

了不一样的方法；同时，我们还使用了PCNN算法对疵点图像进行了分割。分割之

后，我们采用了一种基于距离的疵点缺陷聚类方法，以便对疵点信息有一个更好的

了解。在图像识别部分，采用了经典的BP神经网络对疵点类型进行分类，同时与

改进的SVM分类方法进行比较。实验表明，最终我们选择的算法能达到比较好的

识别效果，并且实时性比较强。

随着生产技术的进步，人们更加关注产品质量，尤其对以产品外观质量作为

附加价值的产品，比如一些印刷以及包装或者工艺品等；其次是那些表面缺陷会直

接影响产品使用的，这样就会带来比较大的损失。这样一来，产品质量的检测越来

越受到科研及生产的关注。而传统的产品检测都由人工进行，人对于产品的检测则

存在很多的不确定性。

首先，人不能全面的检测产品，尤其是在实时的生产线上；其次，受到心情

等主观因素的影响，人对于产品的检测准确性也会出现不稳定性。而随着计算机技

术的发展，人们开始考虑把计算机的快速性、可靠性、结果的可重复性与人类视觉

的高度智能化以及抽象力结合起来。从此，人们对于基于机器视觉的产品缺陷检测

系统的研究也就变得越来越关注。

2.机器视觉以及图像分割技术

机器视觉指的是基于视觉技术的机器系统或者学科，故此，机器人、图像系

统、基于视觉的工业测控设备等等统属于机器视觉范畴。但是，通常我们认为机器

视觉更多的是指基于视觉的工业测控系统。作为一个机器视觉系统，首先处理会是

视觉信息，通俗来说，就是系统中相机设备采集到得图片信息，相机在这样一个系

统中取代人眼。对图片信息的处理是这样一个机器视觉系统的核心，如何处理，处

理的结果如何，是研究的重点之所在。

图像处理技术是机器视觉的核心，而此技术也越来越在现代的工业进程中占

据着越来越重要的地位。根据2004年美国计算机协会图形图像分会年会报告的统

计，全球计算机图形图像在工业与商业领域的应用，在2004年度估计价值总量将

达到1087亿美元，而到2008年将达到1711亿美元，累计年增长率约为9%；其

中三维技术应用发展最迅猛，从2004年的474亿美元到达2008年的889亿美元，

累计年增长率约为13%。从这些数据不难看到，计算机图形图像产业孕育着巨大的

市场潜力，充满无限商机。

目前，机器视觉技术在国外已经发展的相对成熟，在很多的领域都有成熟应

用，如：IC封装、印刷、航天、地貌分析以及汽车生产领域都得到了应用。在国

内，则在一些低速、小系统方面已相对成熟，如：字符识别、玻璃瓶嘴的检测等领

域内，对于一些高要求的系统，我们可以依靠进口或者合作开发，但纯粹进口费用

太大，而且也不见得适合国内生产的需要，比如存在检测精度太高，或将非缺陷部

分检测成为缺陷部分；而合作开发存在的问题则是，我们只承担一些低端的机械方

面的工作，无法掌握核心的技术，如图像处理的算法。所以，我们急切的需要自主

研发的机器视觉系统，根据自身需要设计视觉检测机。

检测系统的实时性是衡量这样一个系统好坏的很重要的一个指标，甚至实时

性若过差将使得整个系统都无法正常的工作，而检测系统的实时性状况除了跟硬件

状况有关系外，最关键的还是图像处理算法的实时性水平。

我国对于机器视觉的研究起步较晚，但是国外早在上世纪八十年代左右就开

始了这方面的研究，经过几十年的发展，检测系统中的算法已经越来越能适应在线

系统的需要。传统的已经用于实际生产的算法通常都是先提取特征值，再进行分类

识别，且分类器的选择一般都是人工神经网络。

在线系统中，对于图像的处理一般经过预处理、分割、特征提取以致到最后

的分类识别。预处理过程相对简单，易处理。而剩下的几个过程就比较难以又需要

的高速度，故这几个过