針對鋁帶表面缺陷高精度檢測要求以及傳統(tǒng)算法識別率不佳的問題,提出端到端的表面缺陷檢測與識別方法.從鋁帶表面初始圖像序列中快速計算出平均圖像,視為無缺陷背景圖像,用于初始化ViBe算法的背景模型.采用ViBe算法從當(dāng)前圖像中分割出缺陷區(qū)域,對缺陷區(qū)域二值圖像進(jìn)行中值濾波和形態(tài)學(xué)運算,以去除噪聲點和修補邊緣,實現(xiàn)缺陷區(qū)域的準(zhǔn)確提取.利用當(dāng)前圖像實時更新ViBe背景模型,以增加對光照變化的適應(yīng)能力.提取缺陷外接矩形區(qū)域圖像,歸一化后輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行識別分類,得到分類結(jié)果.實驗結(jié)果表明,提出方法的缺陷檢出率為93.02%,缺陷識別率為99.86%,具有較好的應(yīng)用價值. 

【文章來源】：浙江大學(xué)學(xué)報(工學(xué)版). 2020,54(10)北大核心EICSCD

【文章頁數(shù)】：9 頁

【參考文獻(xiàn)】：
期刊論文
[1]摩擦片表面缺陷的視覺顯著性檢測算法[J]. 秦鐘偉,陳捷,洪榮晶,吳偉偉.  浙江大學(xué)學(xué)報(工學(xué)版). 2019(10)
[2]一種非線性擴(kuò)散與圖像差分的金屬表面缺陷檢測方法[J]. 安宗權(quán),王勻.  表面技術(shù). 2018(06)
[3]國內(nèi)外鋁加工行業(yè)狀況淺析[J]. 康軍偉,張建輝,曾宏凱.  有色金屬加工. 2017(06)
[4]深度卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展及其在計算機(jī)視覺領(lǐng)域的應(yīng)用[J]. 張順,龔怡宏,王進(jìn)軍.  計算機(jī)學(xué)報. 2019(03)
[5]面向運動目標(biāo)檢測的ViBe算法改進(jìn)[J]. 徐久強,江萍萍,朱宏博,左偉.  東北大學(xué)學(xué)報(自然科學(xué)版). 2015(09)
[6]國內(nèi)鋁板帶箔加工行業(yè)的現(xiàn)狀分析[J]. 陳良.  有色金屬加工. 2014(03)
[7]基于Vibe的鬼影抑制算法[J]. 陳亮,陳曉竹,范振濤.  中國計量學(xué)院學(xué)報. 2013(04)

碩士論文
[1]基于機(jī)器視覺的板材表面缺陷檢測與識別算法研究[D]. 陳凱華.華東交通大學(xué) 2012



本文編號：3373247