论文部分内容阅读
随着计算机技术和自动化技术的飞速发展,基于机器视觉的表面缺陷检测技术为产品表面的缺陷检测和识别提供了高效、可靠的保证,受到了国家、各大企业的高度重视,已经在带钢、铁轨、液晶面板以及纺织品等领域得到广泛的应用。本文深入研究了相关的图像处理以及传统机器学习技术,并对前沿的深度学习技术进行了探索。对于图像处理技术,鉴于表面缺陷图像从背景角度可分为非模式背景、模式纹理背景以及模式复杂背景,主要研究了非模式背景的表面缺陷分割、模式纹理背景的表面缺陷检测;对于传统的机器学习技术,主要研究了缺陷特征的提取、特征选择以及模式分类器的设计,并利用提取的特征和分类器识别带钢表面缺陷图像类别;对于深度学习方面,主要探索了基于卷积神经网络的表面缺陷识别方法,本文的主要研究工作如下:首先,研究了一种基于Shannon熵和改进布谷鸟优化的非模式背景表面缺陷分割方法。考虑到非模式背景较单一,可通过全局阈值分割算法将缺陷分割出来。因此,本文依据最简单但被证明是非常有效的Shannon熵确定最佳阈值,旨在通过计算图像中缺陷目标和背景区域的熵找到最优分割阈值。为了进一步缩短搜索最优阈值的时间,采用近年来提出的布谷鸟优化方法优化阈值参数,使得缺陷目标和背景区域Shannon熵之和最大,并改进传统布谷鸟优化方法,使得传统布谷鸟优化方法中步长缩放因子以及宿主鸟发现外来鸟的概率自适应更新,提高算法的自适应能力。实验结果表明,所提方法对各类非模式背景表面缺陷图像分割的效果较好,包括:金属图像、木材图像、玻璃图像及薄膜图像等,可以得到最优阈值,收敛速度较快,运行时间最短,具有明显的优势。然后,提出了一种基于LGD（Log-gabor DAISY）和低秩稀疏分解的模式纹理背景表面缺陷检测方法。首先,充分结合Log-Gabor滤波器良好的纹理描述能力以及DAISY描述子准确的定位性能,构建LGD特征;其次,通过低秩稀疏分解模型分解LGD特征,得到稀疏部分和低秩部分,稀疏部分即为缺陷部分,使用L1范数恢复稀疏部分即得到缺陷区域;最后,通过简单的阈值分割算法二值化缺陷区域和背景区域。与近年来4种同类方法在接收机操作特性（Receiver Operating Characteristic,ROC）曲线、精度-召回（Precision-Recall,PR）曲线、F-measure及均值绝对误差（Mean Absolute Error,MAE）4种准则下进行比较,实验结果表明,所提方法适用于各种模式纹理背景的表面缺陷检测,包括:星形、方形及点形模式纹理背景的表面缺陷图像,定位精度更高,对缺陷区域的描述更准确,检测性能更优越。其次,提出了一种基于融合特征的噪声鲁棒带钢表面缺陷识别方法。完整局部二值模式（Completed Local Binary Patterns,CLBP）描述子提高了局部二值模式（Local Binary Pattern,LBP）描述子对不同表面缺陷类型的判别能力,代表图像精细的纹理细节特征。旋转不变二值化Gabor模式（Rotation Invariant Binary Gabor Pattern,BGPri）描述了图像形状、结构特性和较粗尺度的纹理特征,两者优势互补。在融合两特征之前,采用主成分分析（Principal Component Analysis,PCA）分别对两特征降维,去除冗余信息,使用最近邻分类器（Nearest Neighbor Classifier,NNC）和随机森林（Random Forest,RF）分类器分别对缺陷特征分类。将本文方法与近年来提出的4种同类识别方法在NEU数据集上测试,实验结果表明,在不添加高斯噪声情况下,各方法平均识别精度都较高,本文方法最高;在添加不同信噪比（Signal Noise Radio,SNR）的高斯噪声情况下,其它各方法在SNR小于30dB时平均识别精度明显下降,而本文方法仍然能保持相当高的识别精度,并且在运行时间上也具有一定的优势。最后,探索了一种基于残差网络（Residual Network,ResNet）的表面缺陷识别方法。考虑到基于传统的机器学习方法不能实现端到端的识别,识别精度严重依赖提取的特征以及设计的分类器,并且对于新的任务不具有泛化能力,而基于卷积神经网络的识别方法可以完美地解决传统方法的不足,为基于机器视觉的表面缺陷识别提供了一种全新的思路。由于ResNet网络收敛速度较快,识别率较高,采用ResNet-50识别表面缺陷图像。为了解决由于数据集较少造成的过拟合问题,采用迁移学习和微调技术,通过预训练网络的参数初始化本文模型参数,并去掉原始ResNet-50网络最后的分类层,新增一层Softmax分类层,固定前面所有层的参数,仅用缺陷数据集微调最后分类层的参数。与第三章提出的LGD特征描述子和随机森林分类器的识别方法、第四章提出的识别方法以及基于视觉几何组网络（Visual Geometry Group Network,VGGNet）的识别方法在NEU数据集以及Lumber数据集上测试基于ResNet的表面缺陷识别方法的有效性,实验结果表明,基于ResNet的表面缺陷识别方法可以将特征提取与模式分类过程相结合,实现端到端的识别,在两个数据集上都能得到较高的识别精度,而且收敛速度较快。