谷歌缺陷检测算法_基于视觉的缺陷检测概述

图像采集

预处理

特征提取

缺陷分类

特征提取为其中的关键，缺陷特征提取的好坏直接影响检测的效果。

预处理的目的是减少图像的噪声，

提高目标与背景的对比度，

突出图像中的

缺陷特征。

小波技术在预处理中的应用：

1.

小波去噪

2.

小波融合

可以将不同角度拍摄的图像进行融合

采用小波融合方法既能够很好地保留几幅源图像基本信息，又能够突出图像

中的缺陷边缘、结构等高频信息，使融合后的图像信息更加全面、准确，图

像质量效果更加优良，全方位地表达了缺陷特征，可以为缺陷的进一步分类

识别提供充足的数据支持。

不具备明显纹理特征的图像检测

此类图像的特点为缺陷目标和背景对比度低，

瑕疵目标的形状比较复杂，

整

个瑕疵目标占整幅图像的比例非常小，受噪声影响大，图像没有纹理。

由于图像中无纹理，缺陷特征一般先用边缘检测算子提取缺陷区域的边缘，

在将其从目标图像中分割出来，提取其特征参数如周长，面积，质心，圆形度，

伸长度等，以此来进行缺陷检测和分类。

边缘检测算子：

1.

梯度算子

2.

LoG

算子

3.

canny

算子

边缘检测算子需要准确的提取瑕疵边缘，

又能抑制噪声的干扰，

同时该算法

还要具备快速、自适应性。需要寻找一种新或改进的算法。

为了辩识缺陷目标，

需要将其与源图像的背景中分离出来，

在此基础上进行

进一步的处理和分析。

图像分割的算法：

1.

阈值分割