视觉注意机制在带钢表面缺陷检测中的应用

合集下载

机器视觉技术在钢铁质量检测中的应用研究

机器视觉技术在钢铁质量检测中的应用研究随着科技的发展，机器视觉技术得以大力应用于各个领域，其中钢铁行业也不例外。

钢铁作为制造业的重要领域之一，质量问题一直是制约行业发展的重要因素之一。

而机器视觉技术因为其高效、准确的特点，为钢铁质量检测提供了更为可靠的方法。

一、机器视觉在钢铁生产中的作用在传统的钢铁生产中，质量检测需要大量人工参与，耗时耗力，而且易出现疏漏和误判。

而现在，机器视觉技术的崛起，显著提高了钢铁生产的效率和准确性。

运用机器视觉技术，可以对各个环节的生产过程进行监控和检查，避免了产品在生产过程中出现缺陷，使得生产的钢铁质量更为稳定可靠。

二、机器视觉在钢铁表面缺陷检测中的应用钢铁表面的缺陷一直是行业中的难点之一。

而机器视觉技术可以有效地检测钢铁表面的缺陷，并给出准确的分析结果。

常用的方法是通过对图像进行处理，运用计算机深度学习算法，实现对缺陷的精准识别。

该方法不仅可以提高缺陷的检测准确率和稳定性，而且还可以减轻劳动力的负担和降低检测成本。

三、机器视觉在测量中的应用如果说钢铁表面的缺陷检测是机器视觉技术的一个基本应用，那么钢铁尺寸的测量则是其另一个重要应用方向。

使用机器视觉技术的测量方式，可以消除人为因素的干扰，使得测量结果更为准确可靠。

这种方式可以对各种样本的尺寸进行测量，不仅可以满足钢铁生产的需要，也可以广泛应用于各个领域的测量中。

四、机器视觉的价值钢铁质量检测中的机器视觉技术，是为行业提供了一种全新的检测手段。

与传统的质检方式相比，该技术的效率、精度和自动化水平都得到了大幅提高。

并且，随着其不断完善和推广，机器视觉技术很有可能成为钢铁行业质检的主流方法。

这样一来，将会导致人力成本和检测成本的大幅减少，而且通过精确检测，钢铁的产品质量也将大大提高，这对于整个钢铁行业来说，都是一个重要的利好消息。

总而言之，机器视觉技术的发展和应用，带来了对于钢铁制造业的无限生机。

它可以在生产中提供全面合理的质量检测和测量方案，进一步实现行业的自动化、智能化，带来业内的质量和效益的质变。

机器视觉方法在带钢表面缺陷检测中的应用研究

机器视觉方法在带钢表面缺陷检测中的应用研究摘要：目前机器视觉检测技术因其非接触性、灵敏度高和响应快等优点被广泛应用于各行各业。

冷轧极薄带钢是冶金企业的主要产品，是应用于汽车外壳、国防、建筑结构和各种电子器件的主要原料。

为追求高成品率、合格率、优质率的冷轧极薄带钢，对其表面缺陷正确检测与分类已成为当今研究热点。

因此文章以冷轧极薄带钢为研究对象，重点就机器视觉方法在其表面缺陷检测中的应用进行探讨。

关键词：机器视觉方法；冷轧极薄带钢；表面缺陷；检测冷轧极薄带钢在工业领域是极其重要的原材料，近年来，冷轧带钢生产技术的发展主要有以下几个方面：①提高机组和轧机的速度。

目前最高轧制速度已超过了40m/s；②提高产品厚度精度；③改善板形；④提高自动化程度。

目前对于冷轧带钢的缺陷检测主要采用人工和传统检测算法，针对不同缺陷特征采用相应的仪器设备，例如孔洞型缺陷采用孔洞仪设备，划痕采用超声波探伤仪检测，涂污类缺陷利用肉眼检测，这些检测方法只适合在速度要求不高的场合，而极薄带钢轧制速度很快，就要求检测方法相应地要适应高速状态。

普通带钢的视觉检测现下主要是针对几种缺陷进行检测，而像冷轧极薄带钢特有缺陷（塔形、色差）等没有相应的检测方法，这就有必要对极薄带钢的缺陷进行研究。

一、机器视觉概述机器视觉即将机器用于检测与识别工作，根据图像的灰度、形状、纹理等信息提取其特征信号，并将其转化为数字信号输入识别系统，最后根据识别结果指导实际生产线上的工作。

其灵活性较高，且自动化地实现各功能，适用于在一些危险环境中或要求高速运转的工业领域。

目前利用人工识别经常会出现漏检、误检的情况，采用机器视觉的方法能明显提高检测的精度。

机器视觉主要用于检测和机器人视觉两个方面：其中检测包含确定目标位置、尺寸，产品的外观检测等；后者用于指引机器人操作与行动。

计算机、神经网络智能发展也推动着机器视觉系统实用化，使得自动化检测线高效、快速完成质量检测任务，提高企业产品信誉度。

基于机器视觉的钢丝绳表面缺陷检测

基于机器视觉的钢丝绳表面缺陷检测机器视觉技术的应用在各个领域都得到了广泛的认可和应用。

在工业领域中，钢丝绳的表面缺陷检测一直是一个重要而困难的问题。

传统的人工检测方法不仅费时费力，而且准确性也存在一定的问题。

基于机器视觉的钢丝绳表面缺陷检测技术的出现，为解决这一问题提供了新的思路和方法。

一、机器视觉在钢丝绳表面缺陷检测中的优势相比传统的人工检测方法，机器视觉技术具有以下几个显著优势：1. 高效性：机器视觉系统能够高速地处理图像信息，具备较强的计算和处理能力，能够实时地对钢丝绳表面进行检测，大大提高了工作效率。

2. 准确性：机器视觉系统能够精确地捕捉和分析图像中的细节和特征，对钢丝绳表面缺陷进行准确的检测和分类，避免了人为因素对检测结果的影响。

3. 自动化：机器视觉系统能够自动地完成图像采集、处理和分析等一系列操作，无需人工干预，提高了工作效率和减少了人力成本。

二、基于机器视觉的钢丝绳表面缺陷检测方法1. 图像采集：使用高分辨率的工业相机对钢丝绳表面进行图像采集。

采集时需注意光照条件、背景干扰等因素对图像质量的影响。

可采用多角度、多方位的方式进行图像采集，以获取更全面的表面信息。

2. 图像预处理：采集到的图像可能存在噪声、模糊等问题，需要进行预处理以提高后续处理的准确性和稳定性。

常用的图像预处理方法包括去噪、图像增强、边缘检测等。

3. 特征提取：通过对图像进行特征提取，提取钢丝绳表面的纹理、颜色、形状等特征信息。

常用的特征提取方法包括灰度共生矩阵、小波变换、形态学处理等。

4. 缺陷检测：通过对提取的特征进行分析和处理，检测出钢丝绳表面的缺陷。

可以采用传统的机器学习算法，如支持向量机、随机森林等，也可以借助深度学习算法，如卷积神经网络、循环神经网络等进行缺陷检测。

5. 结果评估：对检测结果进行评估和分析，判断钢丝绳表面的缺陷类型和严重程度。

可以采用准确率、召回率、F1值等指标进行评估，根据评估结果进行进一步的优化和改进。

基于机器视觉的工件表面缺陷检测算法研究与应用

基于机器视觉的工件表面缺陷检测算法研究与应用随着工业发展的不断推进，工件表面缺陷的检测变得越来越重要。

其中，机器视觉技术的应用为工件缺陷检测提供了一种有效的手段。

本文将针对基于机器视觉的工件表面缺陷检测算法进行研究与应用，探讨其原理和优势。

一、机器视觉技术在工件表面缺陷检测中的应用机器视觉技术是一种利用计算机视觉系统对图像进行感知、分析和处理的技术。

在工件表面缺陷检测中，机器视觉技术可以通过图像采集、处理和分析，实现对工件表面缺陷的自动检测和分类。

二、工件表面缺陷检测的算法原理1. 图像采集与预处理在工件表面缺陷检测中，首先需要采集工件表面的图像数据。

通过合适的光源和相机等设备，获取高质量的图像。

然后，进行图像预处理，包括图像去噪、图像增强等处理，以提高后续算法的准确性和稳定性。

2. 特征提取与选择提取工件表面缺陷图像中的特征是缺陷检测的关键一步。

常用的特征包括纹理特征、形状特征、颜色特征等。

根据具体情况，选择适合的特征进行提取，并进行适当的降维处理，以减少特征的维度和冗余信息。

3. 缺陷检测与分类在特征提取后，利用机器学习算法对工件图像进行缺陷检测和分类。

常用的算法包括支持向量机（SVM）、卷积神经网络（CNN）等。

通过训练模型和测试样本，实现对工件缺陷的有效检测和分类。

三、基于机器视觉的工件表面缺陷检测算法的优势1. 高效性机器视觉技术可以实现对工件表面缺陷的自动检测和分类，大大提高了检测的效率。

相比于传统的人工检测方法，机器视觉算法可以在短时间内处理大量图像数据，提高了生产力和效益。

2. 准确性基于机器学习算法的工件缺陷检测可以通过大量的样本训练和测试，从而提高检测的准确性。

机器视觉算法可以自动识别和分析工件缺陷，避免了人眼视觉疲劳和主观判断的影响，减少了误检和漏检的问题。

3. 稳定性机器视觉算法可以稳定地运行在工业生产线上，实时地对工件进行检测。

相比于人工检测的系统，机器视觉算法可以克服环境变化对检测结果的影响，并且不受人为因素的干扰。

机器视觉在金属表面缺陷检测中的原理是什么

机器视觉在金属表面缺陷检测中的原理是什么
如今，机器视觉这项技术发展愈发成熟，也逐步落地于各行各业，对于金属的外观检测便是其中一项应用，那么它是如何能够精准识别出金属表面缺陷的呢，来和国辰机器人小编一起看看吧。

基于机器视觉检测的金属表面缺陷检测设备经过一系列的图像处理算法，可以识别金属卷材、带材表面的缺陷，如常见的辊印、划痕、锈痕、羽纹、粘结、折印等，广泛应用于钢铁、有色金属，有助于减少漏检发生率，提高了产品的质量，使冶金带钢的生产管理者彻底摆脱了无法全面掌握产品表面质量的状态。

它的工作原理是采用高速CCD工业相机对板材表面进行实时拍照，照片经数字化处理后，送入主机进行图像处理，通过参数计算，对板材图片提取特征，以检测表面缺陷信息，然后进行分类定等级。

其次，利用视觉检测设备以数字的形式对信号进行采集、滤波、检测、均衡、去噪、估计等处理，从而得到符合需要的信号形式，包括图像变换，图像编码，图像增强，图像恢复，图像分割，图像理解，识别系统等。

基于机器视觉检测的金属表面缺陷检测设备可用于冷轧板、酸洗板、汽车钢板、不锈钢板、彩钢板、镀锌板、镀锡板、镀金板、有色金属带材及各类复合带材卷材表面质量检测。

可广泛安装于冷轧线、开卷线、分卷线、钢板配送中、其它金属材料材生产加工线等领域。

机器视觉技术在工件表面质量检测中的应用

机器视觉技术在工件表面质量检测中的应用近年来随着科技的不断发展，机器视觉技术作为一种全新的检测手段逐渐被应用到了工业生产领域。

其中，机器视觉技术在工件表面质量检测中的应用更是得到了广泛的关注，下面本文将就此方面展开探讨。

一、机器视觉技术在工件表面质量检测中的应用概述机器视觉技术在工件表面质量检测中的应用是指通过对工件表面图像的数据采集和处理，快速、精准地检测出工件表面是否存在缺陷、裂纹、毛刺等质量问题。

相比传统的目视检测方法，机器视觉技术具有检测速度快、效率高、稳定性好等优点，可以大大提高生产效率和产品质量。

二、机器视觉技术在工件表面缺陷检测中的应用在工件生产中，常常会出现表面缺陷的问题，如划痕、裂纹、气泡等。

这些缺陷往往会影响到工件的性能和质量，给企业带来诸多损失。

针对这些问题，机器视觉技术在工件表面缺陷检测中的应用已经越来越成熟。

通过对工件表面图像进行采集和处理，机器视觉系统可以自动识别不同类型的缺陷，并及时发出报警信号，方便操作人员进行及时的工艺调整，保证产品质量。

三、机器视觉技术在工件表面外观检测中的应用除了表面缺陷，工件的外观问题也是生产中常见的问题，如色差、图案偏移等。

这些问题虽不会影响到工件的内在性能，但对于一些高端消费品、电子产品等有着极高的要求。

针对这些问题，机器视觉技术同样可以发挥重要作用。

通过对工件表面的颜色、形状、大小等因素进行综合分析，机器视觉系统可以自动判断工件是否达到了要求的规格、外观质量等级等，实现对工件外观的自动化检测。

四、机器视觉技术在工件表面几何形状检测中的应用针对一些具有特殊形状或规格的工件，其几何形状是否符合标准也是一个必须考虑的问题。

传统的检测方法需要操作人员逐个对工件进行测量，工作量大、效率低。

而运用机器视觉技术，可以使得对工件表面几何形状的检测更为精准、快速。

机器视觉系统通过对工件表面进行拍摄，再自动分析处理出所需的几何参数，可以快速地评估出工件几何形状是否符合标准。

视觉检测技术冶金应用方向

视觉检测技术冶金应用方向标题：视觉检测技术在冶金应用中的前景引言：现代冶金行业离不开高效、准确的质量检测技术。

近年来，随着人工智能和图像处理技术的迅速发展，视觉检测技术在冶金行业中的应用越来越受到关注。

本文将探讨视觉检测技术在冶金应用中的方向和前景，并分享个人对这一主题的观点与理解。

目录：1. 介绍2. 视觉检测技术在冶金行业的应用现状3. 视觉检测技术在冶金应用中的关键挑战4. 视觉检测技术在冶金应用中的未来发展方向5. 结论1. 介绍视觉检测技术是一种基于图像处理和模式识别的先进技术，通过获取、分析和解释图像来实现自动化检测和质量控制。

在冶金行业中，视觉检测技术可以用于实时监测生产过程中的各个环节，提高生产效率和质量稳定性，并减少人为错误的发生。

2. 视觉检测技术在冶金行业的应用现状目前，视觉检测技术在冶金行业中的应用主要集中在以下几个方面：2.1 钢铁生产中的质量控制：视觉检测技术可以用于检测和分析钢铁轧制过程中的缺陷，如表面裂纹、气泡、夹杂物等。

通过自动检测和分类，可以及时对具有问题的产品进行剔除或调整生产参数，以提高产品质量和生产效率。

2.2 铝合金生产中的合金成分分析：视觉检测技术可以通过图像采集和处理，实现对铝合金中元素含量的快速检测和分析。

这种非接触式的检测方法，可以大大提高检测效率，减少对样品的破坏性。

2.3 焊接质量评估：视觉检测技术可以对焊缝的质量进行自动评估，从而提供关键的质量指标，如焊缝宽度、凹陷等。

通过实时监测和分析，可以帮助冶金工程师及时发现问题，并采取相应的修正措施，提高焊接质量和可靠性。

3. 视觉检测技术在冶金应用中的关键挑战虽然视觉检测技术在冶金应用中有着广阔的应用前景，但在实际应用中依然面临一些挑战：3.1 多样性和复杂性：冶金行业的生产环境复杂多样，涉及到各种材料、工艺和设备。

对于视觉检测技术来说，如何适应不同材料的表面特征、工艺条件的变化以及设备的差异性是一个关键问题。

浅谈基于视觉显著性的钢板表面缺陷检测研究

基于视觉显著性的钢板表面缺陷检测研究在工业生产中，钢板的表面质量是至关重要的。

而钢板表面的缺陷检测则是钢板质量检测中的关键环节之一。

传统的钢板表面缺陷检测方法多为人工检测或利用机器视觉进行缺陷检测。

然而，人工检测的效率较低，准确率和稳定性也存在一定问题；机器视觉方法则需要对图像进行前处理，而前处理的结果往往受到显著性检测的影响。

因此，近年来基于视觉显著性的钢板表面缺陷检测方法越来越受到研究者的关注。

1. 视觉显著性的基础理论与算法视觉显著性理论认为，人类视觉系统的注意力会在图像中集中在具有显著性的区域。

显著性区域的定义与否与观察者的任务相关。

不同任务所需的显著性区域可能不同。

基于视觉显著性的图像处理方法旨在利用人类视觉注意区域的选择和分离，从而解决图像和视频处理中的许多关键问题。

视觉显著性检测方法可以分为两类：传统的手工设计方法和深度学习方法。

传统的手工设计方法基于图像低层次特征（如颜色、亮度、对比度等）和高层次特征（如纹理、边缘等）进行分析，通过量化图像不同部分对人眼的视觉吸引力或引导程度进行显著性分析。

而深度学习方法则利用神经网络学习提取特征，直接学习显著图（saliency map）。

2. 基于视觉显著性的钢板表面缺陷检测方法（1）钢板缺陷区域的前景检测在缺陷区域检测的过程中，需要首先进行前景检测，即将缺陷和非缺陷区域分离开来。

基于视觉显著性的前景检测方法可以通过生成显著性图，再通过二值化将显著性图转化为二值图进行前景检测。

目前来说，基于神经网络的深度学习方法可以获得更高的前景识别准确率，但是基于神经网络的方法需要大量的训练数据，并且需要更复杂的处理技术。

因此，在实际应用中，基于传统显著性检测方法的前景检测方法还是更加常用。

（2）缺陷检测通过前景检测，我们可以得到钢板表面的缺陷区域。

在缺陷检测方法中，我们考虑两种情况。

一是对于表面的小坑洞或者凹陷，可以通过显著性图选择缺陷聚焦区域，然后对聚焦区域进行细粒度的分析，寻找缺陷。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

［］合。Ｂ如ｒｏａｄｂｅｎｔ７在１９５８年提出滤波器模型，
可以看出Ｇｋ决定了滤波器方向的个数，ａｂｏｒ滤波器具有很好的方向选择性。和分别为高 σ σ ｘｙ斯包络在ｘ和ｙ方向上的标准差，它们决定了高除了具有时间－频率域的最斯包络的空间扩展。佳滤波器对图像的亮度和对比度变化具有一定的鲁棒性。
０引言
带钢表面缺陷检测技术作为先进的带钢生产受到钢铁企业和科研院所越来越质量监测手段，多的重视。传统的人工目视抽检早已不能满足现代带钢生产的需求，研制和应用基于机器视觉的带钢表面质量检测系统以实现带钢表面缺陷的连续、实时自动检测，已越来越重要。为了满足在线／，检测速度要求能够达到３这需要检测要求，０ｍｓ采集和传输大量的图像数据，但值得注意的是，一方面，图像数据的增加速度远比计算机处理能力的提高速度要快，另一方面，人们所关心的内容通如何尽快常只是整个数据集合中很小的一部分，地从众多数据中找到并提取与任务相关的那部分 “ 、 “ 重要的 ” 有用的 ” 和“ 值得关注的 ” 信息，成为研究中需要解决的重要问题。带钢表面缺陷具有类别多样、缺陷形态复杂等特点，同一条生产线产生的缺陷数量和类别差因此对于缺陷的总结比较困难。图别可能很大，像中存在着低对比度缺陷、微小缺陷，如果只根据缺陷灰度图像是很难判别出缺陷的存在的。随着
图１视觉注意机制滤波器模型
人类视觉系统处理视觉信息采用多通道机制，视觉信息按其特征在不同的通道范围中进行这些通道调谐于特定频率和方向。用于人处理，类视觉系统多通道结构建模的是Ｇ本ａｂｏｒ变换，原视觉皮层中简单细胞的感受野调谐于特定的频率和方向，仅对特定的空间频率进行响应，并且这一响应的带宽限制在倍频程内，其轮廓类似于二维Ｇ因此使得Ｇａｂｏｒ函数，ａｂｏｒ变换成为自然的选择。利用Ｇ即其逼近ａｂｏｒ变换良好的仿生特性，神经元感受野的分布功能，保证了对视觉信息的感知能达到信息论标准的最佳效果，恰当地选择参数，Ｇａｂｏｒ变换可以出色地提供理解信息的有效途径，这对研究图像目标检测非常有用。利用有利于获得具有空间Ｇａｂｏｒ变换进行图像处理，、频率空间位置和方向取向选择性的图像局部特征。Ｇａｂｏｒ函数可以很方便地进行尺度伸缩和方向旋转，建立多通道模型，实现带钢缺陷图像具有尺度选择性和方向选择性的多分辨特征提取。２ＤＧａｂｏｒ滤波器是一加２Ｄ高斯窗的傅里叶变
１－５］。如果在机器视觉中引入并研究这种选觉等［
择性注意机制，对于更好地解决数据筛选问题，提高机器视觉系统的目标检测与信息处理效率将具有重大意义。视觉心理学研究表明，人类视觉系统选择性 ·１１８９·
中国机械工程第２２卷第１０期２０１１年５月下半月
Ｇ（ｘ，ｘ，Ｉ（ｘ，＋ｊｙ）＝Ｒ（ｙ）ｙ）Ｒ（ｘ，ｙ）＝
１２２２［／（］ · ｅｘｘ２－（＋ｙ） σ）ｐ２ π σ σ ｘｙ（）６１２２２［／（］ · ｅｘｘ２－（＋ｙ） σ）ｐ２ π σ σ ｘｙ（）７（）５
注意机制主要包括两个子过程：ｏｔｔｏｍ－ ①采用ｂ该机制是基于输入图ｕｐ控制策略的预注意机制，属于低级的认知过程；像的显著性计算的， ② 采用它通过调整选Ｔｏｏｗｎ控制策略的注意机制，ｐ－ｄ从而达到将注意择准则以适应外界命令的要求，力集中于特定目标的目的，属于高级的认知过程。本文的研究是基于ｂｏｔｔｏｍ－ｕｐ控制策略的应
图１所示，图中视觉信息输入通道的数量较多，而经过滤波器进入高级分析阶段的通道只有一条，这种滤波器模型体现出了视觉注意的选择作用。
２基于人类视觉注意机制的缺陷检测
视觉注意机制模型的基本思想是，在单一分辨率图像上通过构建Ｇａｂｏｒ滤波器建立多尺度、多方位的多通道图像，通过全波整流和各通道间得到多尺度、多方位的方位特的对比度增益控制，征图，这些特征图的线性组合则为显著性图。待检测目标在显著性图中得到明显增强，有利于检测的实现。２．１Ｇａｂｏｒ滤波器Ｇａｂｏｒ滤波器Ｇ（ｘ，ｙ）为复函数：
［］用。该模型是Ｉ利用生ｔｔｉ等６于１９９８年提出的，
ｘｃｏｓｓｉｎ＝ｘ θ θ ｋ＋ｙｋ θ ｋ
ｓｉｎｃｏｓ＝－ｘ θ θ ｋ＋ｙｋｙ θ ｋ
（）２（）３
其中， λ 和θ λ、 σ σ ｋ分别是正弦波的波长和方向。ｘ、ｙ反映了Ｇａｂｏｒ滤波器的多尺度特性。 θ ｋ的定义：如下
收稿日期：２０１０—０７—１９基金项目：国家高技术研究发展计划（资助项目８６３计划）（）；）国家自然科学基金资助项目（２００８ＡＡ０４Ｚ１３５５０５７４０１９
人工智能的提出和发展，机器视觉已广泛应用到产品检验和质量控制等环节中，采用机器视觉检测方法可以大大提高生产效率和生产的自动化程度。基于机器视觉的带钢表面缺陷检测系统集成了微电子、计算机、工程光学、数字图像处理和识别等先进技术，是机器视觉检测技术在钢铁生产制造领域的一个研究方向。
１人类视觉系统生物学基础
人类具有异常突出的数据筛选能力。面对每时每刻都在变化的各种信息，人们总能迅速察觉到那些与其息息相关的重要信息，并及时作出反应，这种具有选择性和主动性的心理活动被称为注意机制。近年来，人类视觉注意机制逐渐引起了图像信息领域研究者的广泛关注，并有了一些如基于注意机制的图像压缩与编码、基于注应用，意机制的场景渲染、基于注意机制的目标检测、基于注意机制的目标识别和基于注意机制的主动视
θ ｋ＝
π（） …，ｋ－１ｋ＝１，２，ｎｎ（）４
在若干个空间尺度上物的中央周边滤波器结构，提取低级特征，通过组合得到的特征图生成３个分别对应于颜色、灰度和方位，特征显著性描述，而显著性图为这３个特征显著性描述的线性组
— — 丛家慧颜云辉视觉注意机制在带钢表面缺陷检测中的应用 —
视觉注意机制在带钢表面缺陷检测中的应用
丛家慧颜云辉
东北大学，沈阳，１１０００４
摘要：针对图像中存在的低对比度及微小缺陷，提出一种基于人类视觉注意机制的带钢表面缺陷检测方法。该方法以人类视觉系统的生理结构和功能为基础，结合Ｇ多分辨率的特ａｂｏｒ滤波器多尺度、点和人类视觉系统所具有的多通道和多分辨率特征，建立了带钢表面缺陷检测模型。实验结果表明，该方法不但可准确检测出缺陷区域，得到区域焦点位置坐标，而且检测速度快，可以满足在线实时检测要求。关键词：人类视觉系统；注意机制；表面缺陷检测；Ｇａｂｏｒ滤波器）中图分类号：ＴＰ３９１．４１文章编号：１００４—１３２Ｘ（２０１１１０—１１８９—０４ＡｌｉｃａｔｉｏｎｏｆＨｕｍａｎＶｉｓｕａｌＡｔｔｅｎｔｉｏｎＭｅｃｈａｎｉｓｍｉｎＳｕｒｆａｃｅＤｅｆｅｃｔＩｎｓｅｃｔｉｏｎｏｆＳｔｅｅｌＳｔｒｉｐｐｐｐＣｏｎＪｉａｈｕｉＹａｎＹｕｎｈｕｉｇ，，ＮｏｒｔｈｅａｓｔｅｒｎＵｎｉｖｅｒｓｉｔＳｈｅｎａｎ１１０００４ｙｙｇ：ＡｂｓｔｒａｃｔＩｔｉｓｄｉｆｆｉｃｕｌｔｔｏｔｈｅｄｅｆｅｃｔｓｉｆｏｎｌｂａｓｅｄｏｎｉｎｆｏｒｍａｔｉｏｎ．Ｉｎｒｅｓｏｎｓｅｔｏｔｈｅｕｄｅｒａｙｐｊｇｇｙ，ｌｏｗｃｏｎｔｒａｓｔａｎｄｓｍａｌｌｄｅｆｅｃｔｓａｎｏｖｅｌａｌｏｒｉｔｈｍｂａｓｅｄｏｎｈｕｍａｎｖｉｓｕａｌａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｗａｓｇ，ｒｏｏｓｅｄ．ＡｃｃｏｒｄｉｎｔｏｂｉｏｌｏｉｃａｌｓｔｒｕｃｔｕｒｅａｎｄｆｕｎｃｔｉｏｎｏｆｈｕｍａｎｖｉｓｕａｌｓｓｔｅｍａｄｅｔｅｃｔｉｏｎｍｏｄｅｌｐｐｇｇｙｂｕｉｌｔｃｏｍｂｉｎｉｎｍｕｌｔｉｌｅｓｃａｌｅｓａｎｄｆｒｅｕｅｎｃｉｅｓｏｆＧａｂｏｒｆｉｌｔｅｒｗｉｔｈｍｕｌｔｉｃｈａｎｎｅｌａｎｄｍｕｌｔｉｆｒｅｅｎｗａｓ－ｇｐｑｑｃｏｆｈｕｍａｎｖｉｓｕａｌｓｓｔｅｍ．Ｔｈｅｅｘｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｉｓｍｅｔｈｏｄｉｓｅｆｆｅｃｔｉｖｅｔｏｄｅｔｅｃｔｔｈｅｙｙｐ，ｓｕｒｆａｃｅｄｅｆｅｃｔｓａｎｄｅｓｔａｂｌｉｓｈｔｈｅｃｏｏｒｄｉｎａｔｅｏｓｉｔｉｏｎｏｆｄｅｆｅｃｔｒｅｉｏｎ．Ｔｈｅｉｎｓｅｃｔｉｏｎｓｅｅｄｉｓｆａｓｔｐｇｐｐ ’ ｗｈｉｃｈｃａｎｓａｔｉｓｆｔｈｅｒｅａｌ－ｔｉｍｅｄｅｔｅｃｔｉｏｎｓｓｔｅｍｓｄｅｍａｎｄｓ．ｙｙ：；Ｋｅｗｏｒｄｓｈｕｍａｎｖｉｓｕａｌｓｓｔｅｍ；ａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ；ｓｕｒｆａｃｅｄｅｆｅｃｔｉｎｓｅｃｔｉｏｎＧａｂｏｒｆｉｌｔｅｒｙｐｙ