图像就是一切--实时的皮革缺陷检测系统

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

皮革分级对于确定其价值至关重要，但是这个过程是复杂的，劳动密集型的并且容易出现人为错误。中央皮革研究所的Malathy Jawahar解释了如何使用基于人工神经网络的图像处理技术来实现智能的实时皮革缺陷检测系统。

检验质量对于评估皮革的有效切割价值非常重要。作为一种天然材料，其质量因固有的变化而变化。皮革或皮革的价格与选择有很大的差异，所以对皮革产品分级至关重要。

然而，手工检查是非常主观的，出现任何质量问题都可能导致买卖双方之间的纠纷。并且繁琐而重复，疲劳等可能会导致缺陷被忽视，导致检查不准确。

使用图像处理技术的智能自动皮革缺陷检测是解决这些问题的可能方案。提取最佳的纹理特征，如熵，能量，对比度，相关性，簇突出标准差，平均值和局部均匀性 - 区分正常和有缺陷的皮革。正常和有缺陷的皮革使用人工神经网络功能进行分类。在皮革缺陷图像库数据库上的实验结果表明，使用基于使用人工神经网络（ANN）的特征提取技术的图像处理可以使缺陷的识别自动化。

消费品日益受到严格审查。全球市场对质量提出了更高的要求，这意味着皮革生产的质量控制从未如此重要，某种形式的客观质量评估对满足用户要求起着至关重要的作用。

明显缺陷

在制造过程中确定切割值是基于皮革基底上缺陷的数量和位置。正因为如此，皮革的价格差异很大，这就是为什么有经验的分工是必要的。目前还没有普遍接受的评分制度来描述表面缺陷，每个买卖双方都有自己的规则，这就瑞容易产生纠纷。

计算机辅助分析为自动表面检查和缺陷识别提供了一种方法。已经使用基于纹理的数学算法的图像审查和模式识别来了解由工业CCD相机捕获的缺陷的性质。

图像的纹理分析给出了像素的空间分布的整体透视图。图像纹理给出关于图像中强度的空间排列的信息。它的工作方式类似于人类的视觉感知，并且非常有效地处理不确定性。纹理分析包括局部像素区域的集体分析，而不是依靠单个像素的空间信息。目标是一个智能，实时的缺陷检测系统，能够定量描述皮革表面图像进行分类。

小波变换

小波变换对于检测和匹配应用程序非常有用。多分辨率分析是其重要特征之一。重复的低通滤波器和高通滤波器的应用给出了近似（低频/低频），水平（低频/高频），垂直（高频/低频）和对角线（高频/高频）等四个象限的系数。。

有几个基准可用。已经使用基于熵的方法来选择小波。为了优化小波选择，使用信息提取标准和分布误差标准。根据信号/图像的属性，选择小波。没有独特的技术或参数来选择小波。母小波选择方法的研究给出了小波选择方法的更广泛的观点。

选择离散，正交性和紧凑支撑性质的属性来将小波的选择缩小为15个小波中的四个小波。四个选定的小波是哈尔，Daubechies，Symlet和Coiflet。分解的层次提供了一个增强的图像概念。基于子带的能量，停止分解的水平。由于能量含量为零，因此进行二级分解并且不需要进一步分解，因此进行两级分解。

智能化的实时皮革缺陷检测系统可自动识别表面缺陷。皮革成像装置包括一个送纸轮和一个送纸轮以及一个安装在扫描车上的CCD摄像头。当皮革由滚筒传送时，扫描托架水平移动照相机，每行捕捉10个图像（行数在10和12之间变化）。每个获取的图像的大小约为1600×1200像素。数据库包含一组有缺陷和无缺陷的样品，用于培训和测试。

图像处理工具箱技术来捕捉整个皮革表面：图像帮助缺陷和无缺陷区域的实时监测（参见图1）。为了加快计算时间，将图像转换成灰度并转换成小波域。

皮革图像的小波分析提供了反映像素分布的粗糙度，平滑度，对比度和随机性的纹理特征的重要信息。统计测量，如高阶矩和相关性表示像素的相似性。

包括均值，标准差（SD），偏度kutosis，均匀性，逆差动量（IDM）的功能集，平均能量，平均绝对偏差（MAD），共方差（CV），四分位数间距（IQR），角放射分区（ARP）和变换域特征作为预测器系数来识别皮革表面缺陷。

划时代的技术

好的皮革表面非常光滑和均匀。这在SD，MAD，CV和IQR方差非常小时很明显。类似的随机性显着减少与较低的熵值。缺陷 - 如细菌感染，真菌侵袭，谷物损伤，痘痕和石灰喷砂 - 表现出粗糙和粗糙质地的多孔斑块。

这导致高的SD，MAD和CV值和随机性，具有高熵值。铬斑，染色斑等缺陷表现为具有可变强度斑块的光滑纹理。

特征值反映出这些缺陷具有较高的平均强度，概率分布（峰度），偏度值和均匀性。

提取的判别式纹理特征值作为ANN的输入，将皮革表面图像分类为缺陷和无缺陷（见图2）。最初，在已知的投入 - 产出配对的情况下，该网络被培训了10,000个时期。网络经过8,552个历元收敛，误差门限为0.118，强调了测试数据的准确性。在训练之后，网络被用来识别未知的全皮图像的缺陷区域和非缺陷区域。分类准确度在90％以上，铬和染料斑块缺陷显示边缘紧密。

使用图像处理算法和神经网络用于识别缺陷皮革似乎是实现自动检测的一个有希望的手段，并已示出的智能实时检查系统，该系统将消除人为错误的技术可行性。自动检测系统可以准确识别表面缺陷，提供一致的质量检测，从而提高生产力和可靠性。

好消息！

小白学视觉知识星球

开始面向外开放啦

图像就是一切--实时的皮革缺陷检测系统相关推荐

基于改进YOLOv5的挖机铲斗缺陷检测系统（源码＆教程）
1.研究背景针对现有电铲斗齿检测方法存在实时性较差.误报率较高等问题,提出了一种基于机器视觉的电铲斗齿缺失检测方法.该方法利用红外热像仪采集铲斗图像,基于模板匹配原理对复杂背景下斗齿的目标区域进行准 ...
AI智能缺陷检测系统
AI智能缺陷检测系统是基于深度学习的智能工业视觉缺陷检测解决方案,多数被用于解决工业复杂缺陷分类.检测等问题,适用于各种工业复杂环境.numimag DLIA为AI智能缺陷检测技术应用于工业质检应用场 ...
基于深度学习的智能PCB板缺陷检测系统（Python+清新界面+数据集）
摘要:智能PCB板缺陷检测系统用于智能检测工业印刷电路板(PCB)常见缺陷,自动化标注.记录和保存缺陷位置和类型,以辅助电路板的质检.本文详细介绍智能PCB板缺陷检测系统,在介绍算法原理的同时,给出P ...
基于AidLux+YOLOv5s-DA的路面缺陷检测系统
目录一.项目简介二.预期效果三.操作流程 1.yolov5 环境部署与训练 1.1 Yolov5代码下载 1.2 安装Pycharm+Conda+Python 1.3 环境配置 1.4 ...
基于机器视觉的散热器钎焊缺陷检测系统研发
人工智能技术与咨询点击蓝字 · 关注我们来源:< 图像与信号处理> ,作者吕广贤关键词: 机器视觉:缺陷检测:钎焊摘要: 摘要: 为解决散热器钎焊缺陷在工业检测过程中效率低.差错 ...
钢材缺陷检测系统-ui界面
钢材缺陷检测系统-ui界面之前写过这个博客: 工业缺陷检测项目实战(二)--基于深度学习框架yolov5的钢铁表面缺陷检测里面介绍了使用yolov5进行训练的步骤.今天我们一起学习利用qt将缺陷检 ...
基于深度学习和3D图像处理的精密加工件外观缺陷检测系统
由于精密五金加工工艺特殊.零件形状复杂,表面存在金属材质纹理.加工残留纹路以及加工工艺的干扰,如切削液.油污.电镀.喷砂.氧化处理不良等.这样的金属加工件外观缺陷难以使用普通2D视觉检测系统进行高效检 ...
自动化缺陷检测系统01-项目总体方案设计
作者介绍项目总体规划 1.需求分析 2.项目总体方案设计 2.1 软件方案设计 3.1 硬件方案设计作者介绍张伟伟,男,西安工程大学电子信息学院,2019级硕士研究生,张宏伟人工智能课题组. 研 ...
显微镜镜头缺陷检测系统基于matlab的图像处理系统
第一步可以见到的显微镜镜头的圆形显示镜头的轮廓图像处理后,可以框选感兴趣的区域,并且将镜头位置处粗略显示出来定位一部分缺陷位置得到缺陷的轮廓研究了一种sobel改进的方法,并且得到最佳的数 ...

图像就是一切--实时的皮革缺陷检测系统

图像就是一切--实时的皮革缺陷检测系统相关推荐

最新文章

热门文章