欠陥検出（画像処理部）

論文1：ワーク表面の微小欠陥の検出・識別方法

 「画素探索アルゴリズムに基づく微小欠陥検出手法」を提案。

まず、ヒストグラム均等化を使用して背景と欠陥ターゲット間のコントラストを改善し、メディアンおよび平均フィルタリングによって画像のノイズを除去し、欠陥ピクセル検索アルゴリズムでターゲットの決定と誤ったターゲットの除去を行い、最後に長方形次数を使用して欠陥特徴を抽出します。およびエリアデューティサイクル。

焦点: 欠陥ピクセル検索に基づくオブジェクト分割アルゴリズム

該当するシーン:

(1) 画像の背景領域とターゲット領域の間の灰色のコントラストは、全体的には明らかではありませんが、小さな領域で背景とターゲットを分離できます。

(2) 画像の分散は、画像のグレー値の変化範囲を反映することができます。

(3) 隣接するピクセル間のグレーの差の大きさは、そのピクセルが属する領域を反映することができます。

(4) 均一性と連結性の原則を満たしながら、対象領域が孤立して存在しない

手順: (1) まず、前処理された画像 X をいくつかの均一な小さなブロック X = { X1, X2, ..., Xn } に分割します。セグメント化する場合、各小さなブロックはすべて背景、または背景と欠陥の組み合わせになる可能性がありますが、すべての欠陥が含まれるわけではありません。次に、各小さな画像の分散を計算し、分散の小さいものから大きいものへの順序で整然としたシーケンス { σ2 1 ( j) } に配置し、小さいものから大きいものへ 60% を削除します ( 小さな分散に対応する画像ブロック画像全体の面積に対する欠陥領域の面積の比率が 0.5 未満である値）、{ σ2 1 ( j) } の残りの 40% の分散が新しい分散列を形成し、このとき、｛σ２ １ｃ （ｊ）｝に対応する画像ブロックの中には、欠陥を含む画像ブロックもあれば、背景領域の画像ブロックもある。

(2) { σ2 1c ( j) } に対応する各画像ブロックに対して次の操作を実行します。まず、欠陥対象点を予め定め、各画像ブロックの平均値を計算し、これをfmeanとして記録する。各画像ブロックのピクセルを左から右、上から下に移動します。ピクセル fi, j が次の条件を満たす場合、背景点としてマークされます: fi, j > fmean

fi, j を通過した後のピクセルが次の条件を満たす場合: fi, j + 1 - fi, j < αfmean、ピクセル fi, j + 1 は前のピクセル fi, j と同じ特性を持つとみなされ、背景点または欠陥ターゲット点としてマークされます。それ以外の場合、現在のピクセルは前のピクセルの反対になります。

(3) 最初の走査の後、各小さな画像内のピクセルは、背景と欠陥ターゲット、擬似ターゲット点の 2 つの部分に分割されます。欠陥ターゲットは一定サイズの連結された領域に存在し、最初の走査でマークされた欠陥ピクセルが実際の欠陥であるかどうかを判断するために、現在のピクセルをコアとして 3 × 3 のウィンドウを形成します。欠陥が含まれている場合はその画素を欠陥点とみなし、式(5)を用いて以降の画素特性を再判定する

論文2：マシンビジョンに基づく金属表面欠陥検出手法の研究とシステム実装

従来のノイズ除去方法: 画像のノイズ除去方法は、フィルターベースのノイズ除去、モデルベースのノイズ除去、および学習ベースのノイズ除去に分類できます。その中で、フィルタベースのノイズ除去方法は、画像ノイズ除去の分野で最初に研究開発された方法です。フィルターのノイズ除去方法は、空間ドメイン ベースのノイズ除去と変換ドメイン ベースのノイズ除去に分類できます。

        空間領域に基づくフィルタノイズ除去方法は、一般に、特定のサイズのウィンドウ内のグレースペース内の中心ピクセルと他の隣接ピクセルとの間の直接接続を分析することによって新しい中心ピクセルを取得し、ノイズ除去された画像を形成します。空間ドメインに基づくノイズ除去方法には、平均フィルタリング、メディアン フィルタリング、バイラテラル フィルタリング、ガウス フィルタリング、ウィナー フィルタリング、および非局所平均フィルタリングが含まれます。変換ドメインに基づくノイズ除去方法は、画像を空間ドメインから変換ドメインに変換し、ノイズ特性に応じて変換係数を変更し、画像を空間ドメインに変換して新しい画像を取得します。ノイズ除去の目的を達成します。変換ドメインに基づく一般的なノイズ除去方法には、フーリエ変換、離散コサイン変換、ウェーブレット変換などが含まれます。

セグメンテーション手法：閾値ベースのセグメンテーション手法は、実装が簡単、計算量が少なく、実装が容易であることが主な特徴であり、対象物と背景の差が大きい状況で使用されます。エッジベースのセグメンテーション方法は、主に微分演算子を使用して、画像内のグレー値の不連続かつ突然の変化のエッジを検出し、ターゲットと背景を区別します。一次微分演算子には、ソーベル演算子、ロバート演算子などがあり、計算は簡単で高速ですが、位置決めは正確ではありません。2 次微分演算子には、Canny 演算子、Log 演算子、およびラプラシアン演算子が含まれます。このタイプのオペレータは正確なエッジ位置決めを行いますが、ノイズに敏感です。したがって、2階微分演算子を使用する場合には必要な画像ノイズ除去処理が必要となります。

Canny エッジ検出プロセス:

a) 画像の平滑化とフィルタリング; 
b) 画像の勾配と方向の計算; 
c) 非最大抑制によって最大の局所勾配を持つ点を保持し、洗練されたエッジを取得; d 
) 二重閾値によって実際のエッジと潜在的なエッジを検出してエッジを形成画像をご確認ください。 

ROI 輪郭スクリーニング:

このような ROI の外側のエッジ情報は別途削除する必要があります。上述の理由とそのようなエッジ情報の発現から、形成される輪郭の長さや面積などの幾何学的特徴はROI輪郭よりもはるかに小さいことがわかります。したがって、エッジ画像における境界輪郭の幾何学的特徴の違いに従って、ＲＯＩの外側の干渉点を簡単に区別することができる。具体的な実装手順としては、画像のエッジ情報を抽出し、境界輪郭のリストにまとめ、各輪郭の幾何特徴サイズを計算し、特定の判定閾値を選択し、以下の輪郭に相当するエッジ情報を除去する。しきい値。まず、ROI の外側のエッジ情報をフィルタリングする前に、図 2-6(a) に示すように、エッジ画像に対して形態学的クロージング操作を実行する必要があります。クロージング操作は、最初に形態的拡張操作を実行し、次に収縮操作を実行することです。拡張段階では、閉じていないエッジのピクセル線分を接続された領域の一部に変換でき、侵食段階では、より大きな ROI 領域の輪郭が変更されないことを保証できます。その利点は、第一に、輪郭特徴を計算するときに計算される輪郭の数を減らすことができること、第二に、後続の処理で輪郭の内部領域を埋めるのに便利であることです。次に、図 2-6(a) に基づいて画像エッジ輪郭情報を抽出し、輪郭シーケンスに従って画像輪郭の幾何学的特徴を計算する際に輪郭の領域サイズのみを考慮します。ここでは、図 2-6(b) に示すように、すべての輪郭面積の合計の平均値を閾値 T として使用し、面積が閾値 T より小さい輪郭を選別します。このうち、図 2-5 の輪郭列 (合計 374 個の輪郭) を直接抽出する場合と比較して、クローズド操作後の画像輪郭の数は 254 個少ない 120 個であり、その後の輪郭スクリーニングの計算量が大幅に削減されます。 。 

 欠陥分類手法の研究：

画像セグメンテーション、形態素処理、連結領域解析

連結領域解析では、画像の連結領域輪郭の幾何特徴量と設定された判定閾値を直接比較し、欠陥を特定します。まず、画像中の独立した連結領域が欠陥に属するかどうかを判定する。幾何学的特徴の中で、欠陥のサイズを単純かつ直観的に反映する、独立した接続された各ドメイン輪郭の面積と周囲長が選択されます。画像の輪郭面積 Area は輪郭（内側の輪郭を除く）に含まれる画像のピクセル数の合計として定義され、計算式は (3-1) に示され、画像の輪郭の長さ Length は次の合計として定義されます。輪郭境界の周囲のピクセル数の計算式は(3-2)のようになります。Rは輪郭領域の画素範囲を表します。 

 分類認識データセット:

 論文 3: マシンビジョンに基づく製品表面欠陥のオンライン検査システムの設計

 

 システム設計の原理は主に、ドラムが移動するときにエンコーダを回転駆動することであり、回転エンコーダは外部トリガー信号をラインアレイカメラに出力し、それによって画像取得にラインスキャンを使用するようにラインアレイカメラを制御します。マルチフレーム画像データはギガビットネットワークを介して産業用コンピュータに送信され、画像処理ソフトウェアはマルチフレーム画像データを画像にフレーム化してBMP形式で生成し、画像処理を実行してターゲット製品かどうかを検出します。欠陥が検出されると、産業用コンピュータは制御信号を出力して、後続の処理のためにアクチュエータを制御します。

検出アルゴリズムの設計: 画像強調

画像セグメンテーション: キャプチャされた画像はグレースケール画像であるため、グレースケール閾値セグメンテーションが必要です。この記事では、画像のグレースケール ヒストグラム情報に基づいて画像セグメンテーションの閾値を選択し、グローバル閾値を採用しています (非常に推奨されません)。

形態素処理を行う：拡張 -> スケルトン抽出 -> 特徴抽出

 

 

 論文4：マシンビジョンによる電池表面欠陥検出技術の研究

 光源の選択:

部品の欠陥検出のための光源の選択のほとんどは、リング光、球面積分光、および同軸光を中心に行われます。この記事では、リング光と同軸光を比較しています。

 

 オブスクラでの同軸照明の使用を最終決定する

画像処理および分析モジュールは、システム ソフトウェアの焦点です。画像がマシン ビジョン ハードウェア システムによって収集される場合、次の手順を含むコンピュータ ソフトウェアによって処理および分析する必要があります。画像を収集すると、プログラムは 
カメラが提供するドライバー API 関数を呼び出して、カメラの最下層からメモリに画像を読み取ります。 
2. 画像処理コードは、画像の前処理を完了し、その後の分析に便利な画像を取得できます。処理アルゴリズムには、正確に位置を特定するための前処理、ターゲットの位置決め、文字補正などが含まれます。元のバッテリー イメージ内のターゲットを設定し、前処理を完了します
。 
3. 特徴分析コードは画像全体または局所領域の固有値を計算し、画像の一部の特徴を測定できるベクトルを返します;パターン認識コードは特徴ベクトルを計算して識別結果を取得します。 

 画像処理アルゴリズム：

 メディアンフィルターが最適に機能します

 画像補正:

(1) ヒストグラム均等化

(2) 制限付きコントラスト適応型ヒストグラム等化

(3) ウェーブレット強調

バイナリ画像:

OTSU アルゴリズムを使用して最適なしきい値 T を計算します

形態学的処理:

膨張、腐食

 画像処理後、画像の位置決めと補正が必要です。

(1) 複数目標位置検出

(2) 文字の傾き角度の計算

(3) 画像の回転 

領域の位置決め: ROI (関心領域) は画像内の関心領域であり、図 4.2 に示すように、各バッテリー ターゲットが位置する正方形の領域が ROI です。元の並列検出画像に 4 つのバッテリー ターゲットが含まれている場合、つまり、画像に 4 つの ROI 領域があり、各 ROI 領域の辺の長さは d です。電池の輪郭の半径を r とすると、d の値は 2r よりわずかに大きくなるはずです。図 4.2 に示すバッテリー目標領域から各目標中心点 Oi (i=1, 2, 3, 4) の座標を素早く計算でき、Oi を中心として適当な辺をもつ外接正方形を設定します。 length 。バッテリーの輪郭曲線は円であるため、外接正方形には各バッテリー オブジェクトを含めることができます。実際には、画像取得の過程で、異なる時間に取得された画像の各ターゲット中心点 Oi の座標値は固定されず、さまざまな誤差や制御精度、ターゲットからの距離 x および y 値の影響を受けます。元の画像の境界から ROI 領域までは可変です。したがって、各バッテリーターゲットを正確に配置するには、ターゲット中心の座標Oi (i=1,2,3,4)を正確に計算する必要があります。 

 アルゴリズム設計: 曲線フィッティング アルゴリズム。各バッテリー ターゲット輪郭ピクセル点に対してフィッティング計算を実行して、曲線の関連パラメータを取得し、曲線の中心の座標値を計算します。 

最小二乗法に基づく楕円フィッティング計算方法を使用します。

1. 元のグレースケール画像の 2 値化には、より低いセグメンテーションしきい値を使用します。このしきい値は、2 値化後に円内の文字領域と背景領域のピクセル値が変化するように、表面文字のグレースケール値よりも低くする必要があります。二値化後の無関係な輪郭の数をある程度減らす; 
2. 二値画像を取得した後、輪郭追跡計算を通じて二値画像の各連結領域の輪郭画素点セットを取得する、つまり、複数の 2 次元点セットのセット; 非バッテリー ターゲットによって形成される の 2 値輪郭は小さく、輪郭ピクセルがほとんどありません アルゴリズムでしきい値を設定してそれを破棄することで、無関係なターゲットの干渉を排除できるだけでなく、目標を達成するだけでなく、その後のフィッティングの効率も向上します; 3. 最小値を使用します 
楕円フィッティングに二次法が使用され、中心座標と軸半径が取得されます; 
4. 中心座標、長軸半径、短軸に従って半径、検出ターゲットの有効性が判断されます; 
5. 検出ターゲットが有効な場合、それが使用されます ROI 領域が元の画像から分離され、アルゴリズムが終了します。 

補正アルゴリズム:

画像内のバッテリーのキャラクターは向きが異なるため、その後の研究に多くの困難が生じます。したがって、文字の傾き角度を計算し、画像を回転させて補正を完了する必要があります。中でも難しいのが角度計算で、角度計算にズレがあると回転後に修正することができません
。 

 まず、修飾され完全に補正されたバッテリー画像を標準テンプレートとして使用し、それを I0 に設定し、それを 1 度間隔で反時計回りに回転させ、同じ画像サイズでバッテリー キャラクターの傾き角度が異なる 360 個のテンプレート画像を生成します。標準テンプレート I0 と比較して、反時計回りに 1 度回転すると画像の名前が I1、反時計回りに 2 度回転すると画像の名前が I2 というように、これら 360 度の標準画像はそれぞれI1 ～ I360 という名前で、すべての画像に対して一貫した寸法を持つ 1 セットのテンプレートで構成されます。この方法はテンプレート マッチングと似ていますが、異なる点は、テンプレート マッチングがテンプレートを使用してテスト対象の画像に対して全角探索を実行する最良の類似性に基づく画像認識方法であることです。 。

 図 4.7 に示すように、テスト対象の電池の画像 Ix は一定のサイズを持ち、そのキャラクターの左回りの傾き角度の値を x とし、Ix と 360 枚のテンプレート画像の類似度を 1 つずつ計算します。 , n ∈ {1,2...,360} の場合、回転角 θ=n となります。類似度は 2 つの画像の相関係数を計算することで求めることができ [35]、類似度関数を S(IA, IB) とし、値が大きいほど全体の類似度が高いことを示します。次に、同じ解像度サイズの画像行列を I、I' とし、Imn、Imn' をそれぞれ I または I' の m 行目、n 列目に対応する画像のピクセル値、類似度関数 S(I, I '） と定義されている： 

 算出された相関係数値rは±1の間であり、|r|の値が大きいほど類似度が高く、|r|=1であれば2つの画像は完全に類似していることを意味する。補正対象画像 Ix と全角テンプレート画像 I1 ～ I360 の画像類似度係数を計算するプロセスでは、最大類似度の概念を導入でき、最大類似度関数 kmax=max{S(Ix,I1) , S(Ix,I2), …, S(Ix,I360)}, S(IX,Imax) は、理論上、最大類似度関数 kmax に対応します。最大値は文字の反時計回りの傾斜角にすぎず、Ix は、標準テンプレートセット内の文字の傾き角度が同じ画像全体である 類似度が最も大きい。 

その後、元の画像ピラミッドをダウンサンプリングに使用すると、効率が向上します。

文字画像領域のローカリゼーションとセグメンテーション

1. テンプレートマッチング 

 一般的な画像マッチングには 2 つのタイプがあります。1 つは、既存のテンプレート画像に基づいて、別の画像内のテンプレート画像に最も近いターゲット領域を横断して検索することです。もう 1 つは、2 つの画像が異なる取得デバイスから取得されたものであるか、異なる画像である場合です。視点と時間、画像マッチング研究を通じて 2 つの画像間の対応関係を確立します。 

テンプレート領域を配置した後、2 つの文字削除アルゴリズムが使用されます。

1. テンプレート減算により文字領域を直接削除する; 2. 文字領域を背景領域から分離する。

テンプレート直接減算アルゴリズムはアイデアがシンプルで実装が簡単ですが、研究で見つかった多くの制限があります。主な内容: 1. バッテリー表面の文字傾き補正後、補正が完了しておらず傾きエラーがある場合、図に示すように、テンプレートから画像の文字領域を差し引いた後にエッジシャドウが表示されます。 5.7(a)。2. 欠陥がたまたま文字領域を覆っていた場合、図 5.7(b) に示すように、テンプレートが事前に荒らされているため、欠陥領域は減算後に深刻なダメージを受け、その後の欠陥特徴量の計算に影響を与えます。