高精度針孔檢測(cè)設(shè)備
More >>
您所在的位置：精質(zhì)視覺 > 新聞中心>工業(yè)帶材表面缺陷檢測(cè)系統(tǒng)
2022-07-19 11:06:42 精質(zhì)視覺
以帶狀表面缺陷檢測(cè)系統(tǒng)為例，其硬件框架主要由照明設(shè)備，CCD相機(jī)，圖像處理計(jì)算機(jī)和服務(wù)器組成，其照明設(shè)備采用特殊的紅外光源陣列。CCD線掃描攝像機(jī)組水平排列在帶鋼生產(chǎn)線上，水平和垂直可視范圍相互重疊，以確保沒有漏檢。CCD攝像機(jī)收集的圖像通過光纖傳輸?shù)綀D像處理計(jì)算機(jī)組，以進(jìn)行圖像處理和圖案識(shí)別。然后，將結(jié)果與生產(chǎn)線的相關(guān)信息一起發(fā)送到服務(wù)器數(shù)據(jù)庫進(jìn)行進(jìn)一步處理，并生成各種現(xiàn)場(chǎng)生產(chǎn)信息統(tǒng)計(jì)報(bào)告。用戶可以根據(jù)這些報(bào)告評(píng)估鋼卷的質(zhì)量等級(jí)，或者分析生產(chǎn)線異常的原因，從而實(shí)現(xiàn)對(duì)生產(chǎn)線的實(shí)時(shí)監(jiān)控。下圖顯示了典型的工業(yè)帶材表面缺陷檢測(cè)系統(tǒng)。
在表面缺陷檢測(cè)任務(wù)中，我們通常會(huì)根據(jù)統(tǒng)計(jì)結(jié)果對(duì)相關(guān)方法進(jìn)行定量評(píng)估，可將其分為四類：真陽性(TP)表示檢測(cè)到的實(shí)際缺陷為缺陷，真陰性(TN)表示檢測(cè)到的缺陷。實(shí)際缺陷被錯(cuò)誤地檢測(cè)為背景，假陽性(FP)表示錯(cuò)誤地將實(shí)際背景檢測(cè)為缺陷，而假陰性(FN)表示將實(shí)際背景檢測(cè)為背景。顯然，在理想情況下，TP和FN越大，檢測(cè)效果越好，而TN和FP越大，檢測(cè)效果越差。
其中，G均值以組合的方式衡量這兩類的準(zhǔn)確性，而G均值越大意味著TPR和TNR越高，這也是缺陷檢測(cè)應(yīng)用程序的要求。另一方面，F(xiàn)-measure根據(jù)準(zhǔn)確性和召回率評(píng)估缺陷檢測(cè)的總體性能。
現(xiàn)有的金屬平面材料表面缺陷檢測(cè)方法的二維視覺技術(shù)和模型，并進(jìn)行了討論和展望，檢測(cè)方法分類的總體結(jié)構(gòu)。值得注意的是，近年來深度學(xué)習(xí)的快速發(fā)展改變了這種模式?；谏疃葘W(xué)習(xí)的缺陷檢測(cè)方法越來越多地應(yīng)用于金屬平面材料。因此，本文將金屬平面材料的表面缺陷檢測(cè)方法分為四類：傳統(tǒng)的基于統(tǒng)計(jì)的方法，基于光譜的方法，基于模型的方法和新興的基于機(jī)器學(xué)習(xí)的方法。
方法1：基于統(tǒng)計(jì)的方法
從統(tǒng)計(jì)方法的角度來看，圖像紋理被視為隨機(jī)現(xiàn)象。統(tǒng)計(jì)方法通過測(cè)量像素空間分布的統(tǒng)計(jì)特性來研究像素強(qiáng)度的規(guī)則和周期性分布，以檢測(cè)金屬平面材料表面的缺陷。以下是對(duì)五個(gè)代表性統(tǒng)計(jì)方法的簡(jiǎn)要介紹，下表給出了這五個(gè)類別的幾種典型方法的比較。
其中，邊緣檢測(cè)是一種檢測(cè)被測(cè)圖像中的灰度或結(jié)構(gòu)突變的方法。缺陷區(qū)域和背景之間的灰度級(jí)差異導(dǎo)致邊界處出現(xiàn)明顯的邊緣，可用于檢測(cè)金屬平面材料的表面缺陷。由于圖像邊緣像素的不連續(xù)性，研究人員通常采用局部圖像微分技術(shù)來獲取邊緣檢測(cè)算子，金屬平面材料表面缺陷的常用邊緣檢測(cè)模板包括Prewitt，Sobel 和Canny 運(yùn)算符，下圖顯示了在相同缺陷樣本上這些原始運(yùn)算符的檢測(cè)結(jié)果。
這些模板也有自己的缺點(diǎn)，許多研究人員對(duì)其進(jìn)行了優(yōu)化，以獲得更好的結(jié)果。下表列出了傳統(tǒng)版本和優(yōu)化版本，并簡(jiǎn)要比較了這些運(yùn)算符的優(yōu)缺點(diǎn)。
方法2：基于頻譜的方法
在光照變化和偽缺陷干擾的情況下，許多統(tǒng)計(jì)方法都不可靠。幸運(yùn)的是，研究人員發(fā)現(xiàn)圖像在變換域中更有可能被分離出具有不同特征的信息，并且有可能找到比像素域中的直接處理方法更好的缺陷檢測(cè)方法。下表總結(jié)了一些轉(zhuǎn)換域方法，以下是這些類別的幾種典型方法的比較。
其中，小波變換具有更強(qiáng)的自適應(yīng)能力，非常符合人的視覺特征，它不僅可以定位時(shí)頻窗口，而且可以根據(jù)窗口中心頻率的變化自動(dòng)修改窗口大小。下圖顯示了二維圖像的二階小波分解的示意圖。
該二維圖像從標(biāo)度j +1分解為標(biāo)度J，然后分解為標(biāo)度J-1。小波分解的結(jié)果是將圖像劃分為子圖像的集合。為了有效地從信號(hào)中提取信息并分析函數(shù)或信號(hào)，比例變換和移位運(yùn)算已成為小波變換的顯著優(yōu)勢(shì)。在實(shí)際的生產(chǎn)線中，由于諸如水滴，氧化物水垢，照明不均勻或不利環(huán)境等缺陷，金屬板和帶材的表面缺陷的檢測(cè)越來越具有挑戰(zhàn)性。
方法3：基于模型的方法
除了基于統(tǒng)計(jì)和頻譜的方法外，還有一種基于模型的方法?；谀Ｐ偷姆椒ㄍㄟ^通過參數(shù)學(xué)習(xí)增強(qiáng)的特殊結(jié)構(gòu)模型將圖像塊的原始紋理分布投影到低維分布，從而更好地檢測(cè)各種缺陷。下表給出了這些類別的幾種典型方法的比較。
方法4：基于機(jī)器學(xué)習(xí)的方法
隨著人工智能技術(shù)的飛速發(fā)展，廣泛應(yīng)用的機(jī)器學(xué)習(xí)在各個(gè)領(lǐng)域都取得了良好的效果。下表列出了幾種典型方法。
機(jī)器學(xué)習(xí)的本質(zhì)是分析和學(xué)習(xí)數(shù)據(jù)(特征)，然后做出準(zhǔn)確的決策或預(yù)測(cè)。2005年，Liu等人使用雙層前饋神經(jīng)網(wǎng)絡(luò)將測(cè)試圖像的像素點(diǎn)分類為有缺陷的和無缺陷的。該任務(wù)的基本思想實(shí)際上是根據(jù)是否存在缺陷二分，因此仍可以歸類為缺陷檢測(cè)。卷積神經(jīng)網(wǎng)絡(luò)(CNN)是當(dāng)前基于監(jiān)督方式最常用的深度學(xué)習(xí)網(wǎng)絡(luò)。Chen等進(jìn)行了裂縫檢測(cè) 基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)和樸素貝葉斯數(shù)據(jù)融合方案的NB-CNN?？紤]到缺陷形狀的多樣性，Zhou等改進(jìn)了快速R-CNN，選擇了K-mean算法，根據(jù)“地面真相”的大小生成了錨框的長寬比，并將特征矩陣與不同的接收域融合在一起。該方法具有較好的微觀缺陷檢測(cè)能力，在光線變化時(shí)仍能準(zhǔn)確地識(shí)別出缺陷類型，易于移植到實(shí)際工業(yè)應(yīng)用中。隨后，隨著支持向量機(jī)(SVM)的發(fā)展和改進(jìn)，這種值得稱贊的支持?jǐn)?shù)據(jù)二進(jìn)制分類的廣義線性分類器通常被廣泛用于區(qū)分有缺陷和無缺陷區(qū)域。Ghorai等認(rèn)為分類器在缺陷檢測(cè)中的性能在很大程度上取決于特征和分類器的組合。因此，他們對(duì)不同的特征集(Haar，DB2，DB4)和不同的分類器(SVM和向量值正則化核函數(shù)逼近(VVRKFA))進(jìn)行置換和組合，并觀察缺陷檢測(cè)結(jié)果。
實(shí)驗(yàn)表明，具有第一級(jí)Haar特征的VVRKFA的性能在所有特征分類器組合中排名第一。與上述缺陷檢測(cè)方法不同，He和Xu等顛倒了ROI提取和對(duì)象分類的一般順序，他們提出了一個(gè)新的對(duì)象檢測(cè)框架：分類優(yōu)先級(jí)網(wǎng)絡(luò)(CPN)。首先通過多組卷積神經(jīng)網(wǎng)絡(luò)(MG-CNN)對(duì)測(cè)試圖像進(jìn)行分類，然后輸出更多的稀疏和合理的特征組。根據(jù)分類結(jié)果，CPN從可能包含缺陷的特征組中退回了缺陷邊界框，并分別在鋼板和鋼帶上進(jìn)行了測(cè)試，檢出率分別為94%和96%。然而，在現(xiàn)實(shí)世界的工業(yè)生產(chǎn)線中，收集和標(biāo)記大量圖像樣本是不切實(shí)際的，并且所得圖像樣本更加未被標(biāo)記。為了用少量的訓(xùn)練樣本獲得滿意的結(jié)果，數(shù)據(jù)擴(kuò)充以及遷移學(xué)習(xí)是訓(xùn)練網(wǎng)絡(luò)的關(guān)鍵要素。例如，Yun等使用條件卷積變分自編碼器(CCVAE)作為數(shù)據(jù)增強(qiáng)方法，并通過使用CCVAE學(xué)習(xí)給定缺陷數(shù)據(jù)的分布來生成各種缺陷圖像。實(shí)驗(yàn)表明，在使用CCVAE進(jìn)行數(shù)據(jù)增強(qiáng)的情況下，準(zhǔn)確性可以從96.27%提高到99.69%，F(xiàn)值也可以從96.27%提高到99.71%。通過應(yīng)用轉(zhuǎn)移學(xué)習(xí)，Neuhauser等人使用在ImageNet上預(yù)訓(xùn)練的網(wǎng)絡(luò)權(quán)重作為學(xué)習(xí)過程的初始權(quán)重;他們利用轉(zhuǎn)移學(xué)習(xí)來加快培訓(xùn)過程，并提高檢測(cè)擠壓鋁材缺陷的性能。遷移學(xué)習(xí)的基本前提是可以擴(kuò)展網(wǎng)絡(luò)的特征提取功能。如果源域和目標(biāo)域之間的相似度不夠，則結(jié)果將不理想。
