基于深度学习的零件表面细微划痕检测方法

由于加工工艺的影响,应用零件表面划痕形态也会呈现出多种不同的表现形式,受到背景纹理样式的干扰,零件表面的细微划痕依然难以得到准确分辨与检测,为解决此问题,设计基于深度学习的零件表面细微划痕检测方法。在深度学习网络的彩色空间环境中,对滞后多阈值进行分割处理,再联合投资回报率(return on investment, ROI)提取权限条件,完成基于深度学习的划痕特征参量提取。在此基础上,建立边缘模板,通过处置细微划痕配准需求的方式,实现对划痕的准确定位,完成基于深度学习零件表面细微划痕检测方法的设计与应用。与机器视觉型检测方法相比,深度学习型检测方法能够根据划痕所表现出的具体形态,对其进行检测与分辨,可避免背景纹理样式对于零件加工工艺的影响。

基于Gabor和纹理抑制的手机配件划痕检测

经典的划痕检测方法通常采用各种边缘检测算子来完成,由于对纹理和噪声十分敏感,因此常造成大量的误判。在具有复杂纹理的金属表面检测中,误判现象尤其严重。为此,利用Gabor滤波的条形模式检测原理,同时结合各向异性纹理抑制和滞后多阈值处理技术,提出一种用于手机配件金属表面划痕的检测方法。对金属表面图像进行Gabor滤波,提取出划痕的骨架结构,利用各向异性纹理抑制方法抑制金属表面的纹理,再用滞后多阈值准确提取划痕。实验结果表明,该方法能极大程度地抑制非划痕区域的金属纹理,同时完整地提取出细微的划痕图像,其误检率、漏检率和轮廓检测缺失概率分别为2%,3.7%和5.5%,明显优于基于边缘算子的划痕检测方法。

病变视网膜图像的血管骨架提取方法研究

现有血管提取方法很少考虑到视网膜病变后,受病变区域边界干扰,很难正确提取血管结构。针对眼底视网膜病变图像,利用不同相位下Gabor滤波函数对不同特征模式的响应特性,提出一种基于Gabor滤波的非血管结构抑制血管提取方法,同时结合非极大值抑制细化以及滞后多阈值处理技术,最终实现眼底图像血管骨架提取。实验结果表明,该方法优于同类高斯匹配滤波方法和不采用非血管结构抑制的Gabor滤波方法。

基于多特征的复杂场景运动目标检测

为提高复杂场景下运动目标检测的完整性和准确性,提出了一种多特征结合的运动目标检测方法。提出了一种自适应的高斯混合建模算法对颜色特征进行建模;通过滞后多阈值建模的方法,同时利用颜色和改进的局域二值模式纹理特征对环境背景进行了建模,并采用邻域补偿策略将基于两种特征提取得到的目标区域进行了结合;采用结合Canny思想改进的Kirsch方法进行了边缘提取,消除了鬼影误识别像素,改善了前景目标边缘。实验结果表明,所提方法在运动目标检测的完整性、准确性等指标上优于传统算法的,实时性也较好。