紋理缺陷視覺檢測(cè)是機(jī)器視覺與工業(yè)自動(dòng)化領(lǐng)域中的研究熱點(diǎn),被廣泛地應(yīng)用在工業(yè)制造、質(zhì)量檢測(cè)等場(chǎng)景中。紋理缺陷是一個(gè)與周邊紋理顏色或結(jié)構(gòu)不同的局部區(qū)域。只要采用工業(yè)相機(jī)獲取產(chǎn)品的紋理表面圖像,通過紋理缺陷檢測(cè)算法能夠在目標(biāo)紋理圖像中評(píng)估出缺陷區(qū)域�，F(xiàn)有紋理檢測(cè)方法適應(yīng)性很差,一種紋理缺陷檢測(cè)方法只能檢測(cè)一種材料的紋理表面缺陷。本文提出了一種基于深度學(xué)習(xí)框架的紋理缺陷檢測(cè)方法,能夠同時(shí)檢測(cè)多種材料的紋理表面缺陷。具體研究工作如下:(1)針對(duì)條碼識(shí)別中的離焦模糊、噪聲、非線性失真和非線性光照等問題,本文提出一種自適應(yīng)邊緣與模型映射的條碼識(shí)別算法(Adaptive Edge Detection and a Mapping Model,AEDM),該算法采用基于梯度方向和基于塊平均的掃描線初步獲取條碼條和空的邊緣位置,并且對(duì)非線性失真、噪聲和離焦模糊進(jìn)行數(shù)學(xué)建模,迭代地調(diào)整條碼條和空的邊緣位置。所提出的AEDM方法在Wachenfeld創(chuàng)建的標(biāo)準(zhǔn)條碼圖像數(shù)據(jù)集上的識(shí)別率達(dá)到94.8%,在640 X 480像素大小圖片上識(shí)別速度達(dá)到103ms,精度與速度均優(yōu)于目前最優(yōu)秀的Orazio、Wachenfeld算法和ZXing、DataSymbol商業(yè)解碼系統(tǒng)。(2)針對(duì)紋理表面缺陷形狀各異、尺度多變、對(duì)比度低、樣本稀缺等問題,本文中提出了一種基于多尺度特征聚類的全卷積自編碼缺陷檢測(cè)算法(Multi-Scale Feature-Clustering-based Fully Convolutional Autoencoder,MS-FCAE),該算法利用不同尺度級(jí)別的多個(gè)全卷積自編碼器(Fully Convolutional Autoencoder,FCAE)來重構(gòu)紋理背景圖像,并使用特征聚類來改善編碼映射特征的判別性,從而提升紋理背景的重構(gòu)精度。在從Kylberg Texture Dataset、Kylberg Sintorn Rotation、KTH-TIPS2、DAGM,薄膜晶體管液晶顯示器(TFT-LCD)中選取的八個(gè)數(shù)據(jù)集上的精度達(dá)到0.780、0.810、0.360、0.533、0.524、0.854、0.742、0.830,在512×512像素大小的圖像上,速度達(dá)到16.8ms,在精度和速度上均優(yōu)于目前最優(yōu)秀的LCA(Lowpass Coefficients Analysis)、PHOT(Phase Only Transform)、TEXEMS(Texture Exemplars)、ACAE(Convolutional Autoencoder for Anormaly Detection)、RCAE(Robust Convolutional Autoencoder)、MSCDAE(Muti-Scale Convolutional Denosing Autoencoder)紋理缺陷檢測(cè)算法。(3)針對(duì)基于生成模型的紋理缺陷檢測(cè)算法在紋理表面缺陷檢測(cè)中產(chǎn)生的過檢問題,本文提出了一種基于邊緣引導(dǎo)的圖像補(bǔ)全缺紋理陷檢測(cè)算法(Edeg Guide Inpainting,EGI),該算法利用基于部分卷積的邊緣補(bǔ)全網(wǎng)絡(luò)來提取紋理圖像的邊緣,同時(shí)預(yù)測(cè)缺失的邊緣區(qū)域,并將完整的邊緣圖像作為先驗(yàn)信息,在基于部分卷積的圖像補(bǔ)全網(wǎng)絡(luò)中引導(dǎo)紋理生成,進(jìn)行高精度的紋理背景補(bǔ)全。在從Kylberg Texture Dataset、Kylberg Sintorn Rotation、KTH-TIPS2、DAGM,TFT-LCD中選取的八個(gè)數(shù)據(jù)集上的精度達(dá)到 0.824、0.869、0.782、0.388、0.700、0.917、0.839、0.920,大幅提升了MS-FCAE檢測(cè)結(jié)果的準(zhǔn)確度。本文不僅對(duì)各個(gè)算法進(jìn)行了單獨(dú)的性能測(cè)試,而且在TFT-LCD全自動(dòng)光學(xué)檢測(cè)設(shè)備(AOI)上進(jìn)行相關(guān)的應(yīng)用測(cè)試。在1920×1080像素大小的圖片上,MS-FCAE的檢測(cè)精度達(dá)到了0.95,速度達(dá)到了 82ms,能夠滿足在線檢測(cè)應(yīng)用的要求;EGI精度達(dá)到了0.97,能夠滿足高精度檢測(cè)應(yīng)用的要求。
【學(xué)位單位】：華中科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP391.41;TP18
【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題來源
    1.2 課題研究背景及意義
    1.3 紋理缺陷檢測(cè)算法研究現(xiàn)狀
    1.4 文章內(nèi)容和組織結(jié)構(gòu)
2 基于自適應(yīng)邊緣與模型映射的條碼識(shí)別算法
    2.1 引言
    2.2 條碼識(shí)別相關(guān)研究
    2.3 基于自適應(yīng)邊緣檢測(cè)與模型映射的條碼識(shí)別算法
    2.4 AEDM算法性能測(cè)試實(shí)驗(yàn)
    2.5 本章小結(jié)
3 基于多尺度特征聚類的全卷積自編碼缺陷檢測(cè)算法研究
    3.1 引言
    3.2 無監(jiān)督缺陷檢測(cè)算法相關(guān)研究
    3.3 基于多尺度特征聚類的全卷積自編碼缺陷檢測(cè)算法
    3.4 MS-FCAE算法性能測(cè)試實(shí)驗(yàn)
    3.5 本章小結(jié)
4 基于圖像補(bǔ)全的紋理缺陷檢測(cè)算法研究
    4.1 引言
    4.2 圖像補(bǔ)全算法相關(guān)研究
    4.3 基于邊緣引導(dǎo)的圖像補(bǔ)全缺陷檢測(cè)算法
    4.4 EGI算法性能測(cè)試實(shí)驗(yàn)
    4.5 本章小結(jié)
5 紋理缺陷檢測(cè)算法在TFT-LCD光學(xué)自動(dòng)檢測(cè)設(shè)備上的應(yīng)用
    5.1 全自動(dòng)AOI設(shè)備簡(jiǎn)介
    5.2 AEDM在AOI設(shè)備上的應(yīng)用
    5.3 MS-FCAE在AOI設(shè)備上的應(yīng)用
    5.4 EGI在AOI設(shè)備上的應(yīng)用
    5.5 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
附錄1 攻讀碩士學(xué)位期間投稿論文與申請(qǐng)專利

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 王克奇;馬曉明;白雪冰;;基于分形理論和數(shù)學(xué)形態(tài)學(xué)的木材表面缺陷識(shí)別的圖像處理[J];森林工程;2013年02期

2 溫兆麟;陳新;李克天;鄭德濤;;Gabor濾波器在彩色紋理表面缺陷檢測(cè)中的應(yīng)用[J];計(jì)算機(jī)應(yīng)用研究;2007年06期

3 戴哲敏,許增樸,于德敏,王永強(qiáng);計(jì)算機(jī)視覺在瓷磚表面顏色勻度分析中的應(yīng)用[J];中國(guó)陶瓷工業(yè);2002年04期

本文編號(hào)：2870643