基于光度立体和图像显著性的皮革缺陷检测

为了提高皮革缺陷检测效率,提出一种基于光度立体视觉和图像显著性的皮革缺陷检测算法。搭建光度立体视觉平台,完成不同角度的皮革样本采集,利用光度立体视觉技术计算皮革样本的合成图和表面法向量图;对表面法向量图进行曲率滤波操作,用近似表面粗糙度特征自适应选择合成图或滤波图;利用显著性目标检测算法完成皮革缺陷检测与定位。实验结果表明,与现有皮革缺陷检测方法相比,该算法能很好地检测不同材质皮革的多种缺陷,且准确率高,速度快。

基于卷积神经网络与显著性特征的皮革缺陷检测

针对目前皮革缺陷形态多样、检测难度高的问题,提出卷积神经网络与显著性特征组合的检测方法。以9种常见的皮革缺陷为检测目标,应用卷积神经网络方法对其进行初步检测,结果表明此方法对其中几种缺陷的检测准确性不够。对皮革缺陷的几何和灰度特征进行数理统计,归纳出缺陷显著性特征描述,提出以卷积神经网络为主、显著性特征为辅的组合检测方法。通过试验验证得出,组合检测方法的准确率可达90%以上,相比卷积神经网络法,检测准确率有所提升且平均处理时间的增幅很小,可满足实际皮革缺陷检测需求。

基于AC图像显著性的皮革缺陷检测

皮革缺陷检测是皮革生产过程中极为重要的一道工序,现有技术在检测效率和准确率方面仍存在较大挑战。利用红外热成像和图像融合技术提出一种基于图像显著性的皮革缺陷检测方法。首先采用拉普拉斯金字塔将自然光图像和红外热成像图像分解,基于融合规则对不同图层融合并重构融合图像。提出一种改进的AC显著性检测算法对融合图像生成显著图,并利用最大类间阈值分割算法检测其中缺陷。实验结果表明,相比传统方法该算法可检测出皮革孔洞和表面缺陷,缺陷分割完整、轮廓清晰,检测精度可达87.7%,平均交并比为0.8654,虚警率为4%。

天然皮革缺陷在线检测系统研制

针对天然皮革在自然状态下表面呈现凸凹不平的弯曲状态问题,设计一种三维立体展平装置,使皮革在运动过程中实现自然展平,降低褶皱以及荷叶边对缺陷检测影响。结合皮装生产工艺特点,设计皮革缺陷检测综合判断方法,并分析皮革表面缺陷的显著性特征,最终完成整张皮革表面缺陷识别。实验结果表明,该检测系统的缺陷检测准确率达到97.5%,且在一定程度上提高皮革表面可用区域的利用率,对皮装自动化生产具有指导意义。

基于图像检测技术的皮革缺陷检测的分析

在皮革缺陷监测方面当前主要是依据熟练工人经验进行手工的皮革表面缺陷查找,这样工人的主观因素与疲劳必然导致错误率的提高,本文研究了图像检测技术的皮革缺陷检测,分析了图像检测技术相关的概述与图像检测系统,探讨了皮革缺陷检测包括图像检测的皮革系统、皮革缺陷检测系统分析以及实践应用小结,这一研究对于数字图像技术的推广具有一定的意义。

基于改进U-Net的皮革表面缺陷精细化分割方法

针对皮革缺陷形态多变、局部相似程度高导致细节信息难以提取、类型错分的问题,提出一种基于改进U-Net结构的表面缺陷精细化分割方法.编码端,在保留原始图像细节特征的同时嵌入级联扩张卷积模块获取全局特征,同时在跳跃连接中添加特征融合模块,改善因高低特征张量直接拼接造成的局部信息丢失;解码端使用基于通道注意力机制的解码模块代替原始卷积层,自适应地指导网络关注缺陷区域;为进一步整合高层信息,还嵌入全局平均池化模块,将输出结果作为解码端的语义指导增强网络对相似缺陷的分辨能力.在包含7种缺陷的皮革数据集上进行实验的结果表明,所提方法在PA,MPA,FWIoU和MIoU上分别达到99.17%,93.27%,98.39%和88.88%,对比U-Net分别提升0.28,2.78,0.53和4.03个百分点;定性分析和定量分析结果表明,该方法对于皮革缺陷能得到更加精细的分割结果.

基于计算机图像处理技术的皮革表面缺陷检测研究现状及展望

皮革表面缺陷的检测对皮革制品的生产销售具有重要的影响。本文立足现有研究资料,汇总介绍了目前计算机图像处理技术在皮革表面缺陷检测中的流程及常用方法,发现计算机图像处理技术虽然能够提升皮革表面缺陷检测的速度,但其准确度及稳定性仍存在较大的改进空间,需加以完善。

基于“机器视觉+深度学习”目标检测的皮革表面缺陷检测系统研究

针对皮革表面缺陷人工检测效率低、准确率低等问题,基于机器视觉和深度学习算法等构建了一种皮革表面缺陷检测系统。对该系统的主要框架及核心功能进行分析,以一般皮革表面光学检测系统为对象进行检测精度与检测效率对比。结果表明,基于“机器视觉+深度学习”的皮革表面缺陷检测系统检测精度更高,在应用初期的检测效率与一般检测系统较为接近,但随着应用时间的增长,系统检测效率优势也会逐渐显现。

深度学习改进FasterRCNN算法皮革材料缺陷机器视觉检测研究

FastRCNN或FasterRCNN算法常用于对皮革材料表面缺陷进行检测,但其存在检测精度不高、准确率一般等问题。本文以深度学习改进传统算法得到改进Faster RCNN算法,并将改进后的算法用于皮革材料缺陷机器视觉检测工艺中,通过原图位置坐标改进、池化层算法设计及卷积神经网络特征提取等步骤实现了皮革材料缺陷机器视觉检测的优化。

基于纹理分水岭的皮革表面缺陷检测理论研究

目前皮革生产领域对皮革材质的要求不断提高,为了更精准地测定皮革表面存在的缺陷,本文引入了纹理分水岭算法,改善了皮革表面缺陷测定。通过纹理梯度运算,得到皮革局域纹理图像的纹理梯度排列情况,得到纹理缺陷信息的子带特征,提高系统缺陷测定的精准度。同时结合灰度法,实现了较为稳定的纹理图像测定,并根据皮革材的料特征,实现了皮革表面缺陷定位,从而进一步提高了测定结果的准确性。

高清整皮表面缺陷自动检测与定位

针对传统CCD皮革检测系统成像视场小,以及传统皮革缺陷检测方法主要对皮革局部区域进行检测,应用在整张皮革缺陷检测上还需进行图像拼接等问题,提出一种高清整张皮革表面缺陷自动检测方法。首先根据高清整皮一次成像系统获取的整张皮革(整皮)图像特点,提出基于饱和度的整张皮革有效区域提取方法提取皮革区域(Region of Interest,ROI);然后,为了在整皮图像ROI区域内一次对多种不同类型缺陷进行检测与定位,提出基于增强缺陷边缘的算法对皮革表面缺陷进行自动检测与定位。与传统皮革局部区域缺陷检测方法相比,该方法直接对整皮图像进行检测,无须再应用图像拼接算法得到最终结果,且能在一定程度上克服光照不均的影响,因此可以快速、准确地自动检测与定位整张皮革缺陷。