紋理缺陷視覺檢測是機器視覺與工業(yè)自動化領域中的研究熱點,被廣泛地應用在工業(yè)制造、質量檢測等場景中。紋理缺陷是一個與周邊紋理顏色或結構不同的局部區(qū)域。只要采用工業(yè)相機獲取產品的紋理表面圖像,通過紋理缺陷檢測算法能夠在目標紋理圖像中評估出缺陷區(qū)域。現有紋理檢測方法適應性很差,一種紋理缺陷檢測方法只能檢測一種材料的紋理表面缺陷。本文提出了一種基于深度學習框架的紋理缺陷檢測方法,能夠同時檢測多種材料的紋理表面缺陷。具體研究工作如下:(1)針對條碼識別中的離焦模糊、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邊緣與模型映射的條碼識別算法(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,并且對非線性失真、噪聲和離焦模糊進行數學建模,迭代地調整條碼條和空的邊緣位置。所提出的AEDM方法在Wachenfeld創(chuàng)建的標準條碼圖像數據集上的識別率達到94.8%,在640 X 480像素大小圖片上識別速度達到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)針對紋理表面缺陷形狀各異、尺度多變、對比度低、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算法(Multi-Scale Feature-Clustering-based Fully Convolutional Autoencoder,MS-FCAE),該算法利用不同尺度級別的多個全卷積自編碼器(Fully Convolutional Autoencoder,FCAE)來重構紋理背景圖像,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)中選取的八個數據集上的精度達到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)紋理缺陷檢測算法。(3)針對基于生成模型的紋理缺陷檢測算法在紋理表面缺陷檢測中產生的過檢問題,本文提出了一種基于邊緣引導的圖像補全缺紋理陷檢測算法(Edeg Guide Inpainting,EGI),該算法利用基于部分卷積的邊緣補全網絡來提取紋理圖像的邊緣,同時預測缺失的邊緣區(qū)域,并將完整的邊緣圖像作為先驗信息,在基于部分卷積的圖像補全網絡中引導紋理生成,進行高精度的紋理背景補全。在從Kylberg Texture Dataset、Kylberg Sintorn Rotation、KTH-TIPS2、DAGM,TFT-LCD中選取的八個數據集上的精度達到 0.824、0.869、0.782、0.388、0.700、0.917、0.839、0.920,大幅提升了MS-FCAE檢測結果的準確度。本文不僅對各個算法進行了單獨的性能測試,而且在TFT-LCD全自動光學檢測設備(AOI)上進行相關的應用測試。在1920×1080像素大小的圖片上,MS-FCAE的檢測精度達到了0.95,速度達到了 82ms,能夠滿足在線檢測應用的要求;EGI精度達到了0.97,能夠滿足高精度檢測應用的要求。
【學位單位】：華中科技大學
【學位級別】：碩士
【學位年份】：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 紋理缺陷檢測算法研究現狀
    1.4 文章內容和組織結構
2 基于自適應邊緣與模型映射的條碼識別算法
    2.1 引言
    2.2 條碼識別相關研究
    2.3 基于自適應邊緣檢測與模型映射的條碼識別算法
    2.4 AEDM算法性能測試實驗
    2.5 本章小結
3 基于多尺度特征聚類的全卷積自編碼缺陷檢測算法研究
    3.1 引言
    3.2 無監(jiān)督缺陷檢測算法相關研究
    3.3 基于多尺度特征聚類的全卷積自編碼缺陷檢測算法
    3.4 MS-FCAE算法性能測試實驗
    3.5 本章小結
4 基于圖像補全的紋理缺陷檢測算法研究
    4.1 引言
    4.2 圖像補全算法相關研究
    4.3 基于邊緣引導的圖像補全缺陷檢測算法
    4.4 EGI算法性能測試實驗
    4.5 本章小結
5 紋理缺陷檢測算法在TFT-LCD光學自動檢測設備上的應用
    5.1 全自動AOI設備簡介
    5.2 AEDM在AOI設備上的應用
    5.3 MS-FCAE在AOI設備上的應用
    5.4 EGI在AOI設備上的應用
    5.5 本章小結
6 總結與展望
    6.1 總結
    6.2 展望
致謝
參考文獻
附錄1 攻讀碩士學位期間投稿論文與申請專利

【參考文獻】

相關期刊論文 前3條

1 王克奇;馬曉明;白雪冰;;基于分形理論和數學形態(tài)學的木材表面缺陷識別的圖像處理[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中的應用[J];計算機應用研究;2007年06期

3 戴哲敏,許增樸,于德敏,王永強;計算機視覺在瓷磚表面顏色勻度分析中的應用[J];中國陶瓷工業(yè);2002年04期

本文編號：2870643