基于视觉显著性的印刷辊筒表面缺陷分类方法研究

针对印刷辊筒表面缺陷分类精度不高、效率低等问题,本研究提出基于视觉显著性的印刷辊筒表面缺陷分类方法。通过视觉显著性算法与深层信息融合算法抑制背景纹理中的高频分量,采用多组卷积并联结构充分提取图像特征信息,以加强网络的多尺度表达能力并提升分类性能,通过激活函数PReLU保留推理过程中的负值信息,提升网络的非线性表达能力。实验结果表明,该方法可有效区分印刷辊筒表面缺陷,准确率可达98.50%,基本满足印刷工业的生产要求。

基于机器视觉的印刷辊筒表面缺陷增强与检测

印刷辊筒表面缺陷边界模糊、形状不规则、对比度低,导致表面缺陷检测困难,为解决传统表面缺陷检测算法检测准确率低的问题,本研究提出了改进的CLAHE图像增强算法与改进的视觉显著性辊表面缺陷算法。首先采用引导滤波将原始辊筒缺陷图像分为基础图像和细粒图像,采用CLAHE算法对基础图像增强,大幅增加缺陷区域对比度;采用拉普拉斯变换处理细粒图像,突出缺陷边缘。将两幅图像线性叠加得到增强后的辊筒缺陷图像。最后将增强后的辊筒缺陷图像进行视觉显著性检测并采用自适应阈值分割,实现辊筒表面缺陷的检测。测试结果显示:采用本算法,缺陷特征提取时间、漏检率和误检率均低于传统算法,可有效抑制辊筒纹理背景,突出缺陷显著区域,实现辊筒表面缺陷的有效检测,准确率为97.9%,满足工业检测的需求。