Please wait a minute...
浙江大学学报(工学版)
J4  2010, Vol. 44 Issue (3): 448-452    DOI: 10.3785/j.issn.1008973X.2010.03.006
自动化技术、计算机技术     
基于多元图像分析的表面缺陷检测算法
 王宣银, 梁冬泰
浙江大学 流体传动及控制国家重点实验室,浙江 杭州 31007
Surface defect detection based on multivariate image analysis
 WANG Xuan-Yin, LIANG Dong-Tai
 全文: PDF 
摘要：

为了提高工业产品质量控制中表面缺陷检测的准确性和可靠性,提出一种基于多元图像分析（MIA)的表面缺陷检测算法.采用合格样本图像和被测图像堆叠构成多元被测图像,利用基于主成分分析(PCA)的多元图像处理方法,获得多元被测图像的主分量表示,将去掉第一主分量和噪音后的Q统计图像作为缺陷特征的检测空间,利用阈值处理检测缺陷.金属罐内壁的表面缺陷检测实验结果表明,与现有基于直方图阈值处理等检测方法相比,受照明不均匀影响小,提高了图像检测系统的准确性和鲁棒性,使缺陷的误检率大大降低.
关键词：  ;  机器视觉检测;  多元图像分析;  主成分分析;  Q统计量    
Abstract:

 A new approach based on multivariate image analysis (MIA) was proposed to improve the accuracy and reliability of surface defect detection for industrial product quality control. Multivariate test images are constructed by stacking both the standard defectfree images and the test image. MIA technique uses multiway principal component analysis (PCA) to obtain the principal component scores of the multivariate test images. As the feature space for defect detection, the Qstatistic image is derived from the residuals which are left after the extraction of the first principal component and the noise. In the Qstatistic image, surface defects can be efficiently detected by using an appropriate threshold. Experimental results showed the effectiveness of the proposed method. Compared with the gray histogram based method, the proposed method has less sensitivity to the inhomogeneous of illumination, and has more robustness and reliability of defect detection with lower pseudo reject rate.
Key words:  automated vision inspection    multivariate image analysis    principal component analysis    Qstatistic
出版日期: 2010-04-01
:  TP391.41  
基金资助:

教育部新世纪优秀人才支持计划资助项目（NCET-04-0545）
通讯作者: 王宣银(1966-)，男，湖南衡阳人，教授，博导，主要从事机器人、智能机器与图像信息技术等研究工作.     E-mail: xywang@zju.edu.cn
服务　　
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章　　
王宣银
梁冬泰

引用本文:

王宣银, 梁冬泰. 基于多元图像分析的表面缺陷检测算法[J]. J4, 2010, 44(3): 448-452.

WANG Xuan-Yin, LIANG Dong-Tai. Surface defect detection based on multivariate image analysis. J4, 2010, 44(3): 448-452.

链接本文:

http://www.zjujournals.com/xueshu/eng/CN/10.3785/j.issn.1008973X.2010.03.006    或    http://www.zjujournals.com/xueshu/eng/CN/Y2010/V44/I3/448

［1］ MALAMAS E, PETRAKIS G M, ZERVAKIS M, et al. A survey on industrial vision system, applications and tools ［J］. Image and Vision Computing, 2003, 21(2): 171188.
［2］ NIKHIL R P, SANKAR K P. A review on image segmentation techniques ［J］. Pattern Recognition, 1993, 26(9): 12771294.
［3］ 张润楚. 多元统计分析 ［M］. 北京：科学出版社,2006.
［4］ GELADI P, GRAHN H. Multivariate Image Analysis ［M］.Chichester U K: Wiley, 1996.
［5］ ESBENSEN KH, GELADI P. Strategy of multivariate image analysis ［J］. Chemometrics and Intelligent Laboratory Systems, 1989, 7(12): 6786.
［6］ BHARATI MH, MACGREGOR JF. Multivariate image analysis for realtime process monitoring and control ［J］. Industrial & Engineering Chemistry Research, 1998, 37(12): 47154724.
［7］ BHARATI MH, MACGREGOR JF. Texture analysis of images using Principal Component Analysis ［C］// SPIE/Photonics Conference on Process Imaging for Automatic Control. Boston, MA: SPIE,2000: 2737.
［8］ BHARATI M H, MACGREGOR J F, TROPPER W. Softwood lumber grading through online multivariate image analysis techniques ［J］. Industrial and Engineering Chemistry Research, 2003, 42(21): 53455353.
［9］  PRATSMONTALBAN J M, FERRER A. Integration of colour and textural information in multivariate image analysis: defect detection and classification issues ［J］. Journal of Chemometrics, 2007, 21(12): 1023.
［10］ GELADI P, ISAKSSON H, LINDQVIST L, et al. Principal component analysis of multivariate images ［J］. Chemometrics and Intelligent Laboratory Systems, 1989, 5(3): 209220.
［11］ NOMIKOS P, MACGREGOR J F. Multivariate SPC charts for monitoring batch processes ［J］. Technometrics, 1995, 37(1): 4159.
［12］ GONZALEZ R C, WOODS R E. Digital Image Processing ［M］, 2th ed. New Jersey, USA: Prentice Hall, 2002.
[1] 张俊红, 张玉声, 王健, 徐喆轩, 胡欢, 赵永欢. 考虑热机耦合的排气歧管多目标优化设计[J]. 浙江大学学报(工学版), 2017, 51(6): 1153-1162.
[2] 任迪, 万健, 殷昱煜, 周丽, 高敏. 基于贝叶斯分类的Web服务质量预测方法研究[J]. 浙江大学学报(工学版), 2017, 51(6): 1242-1251.
[3] 宋瑞祥, 张庆国, 于海敬, 徐丽, 施悯悯. 遥感数据的城市不透水面估算及增温效应[J]. 浙江大学学报(工学版), 2017, 51(5): 1051-1056.
[4] 李静, 王哲. 似平面应力条件下混凝土的变形特性[J]. 浙江大学学报(工学版), 2017, 51(4): 745-751.
[5] 蒋鑫龙, 陈益强, 刘军发, 忽丽莎, 沈建飞. 面向自闭症患者社交距离认知的可穿戴系统[J]. 浙江大学学报(工学版), 2017, 51(4): 637-647.
[6] 李明, 刘扬, 唐雪松. 疲劳裂纹的跨尺度分析[J]. 浙江大学学报(工学版), 2017, 51(3): 524-531.
[7] 张捷, 肖新标, 王瑞乾, 金学松. 高速列车铝型材声振特性测试及等效建模[J]. 浙江大学学报(工学版), 2017, 51(3): 545-553.
[8] 李晓东, 祝跃飞, 刘胜利, 肖睿卿. 基于权限的Android应用程序安全审计方法[J]. 浙江大学学报(工学版), 2017, 51(3): 590-597.
[9] 苏星, 王慧泉, 金仲和. 实时高可靠综合电子系统的逻辑架构设计[J]. 浙江大学学报(工学版), 2017, 51(3): 628-636.
[10] 潜龙昊, 胡士强, 杨永胜. 多节双八面体变几何桁架臂逆运动学解析算法[J]. 浙江大学学报(工学版), 2017, 51(1): 75-81.
[11] 张伟, 胡友德, 郑立荣. 基于频率可调驻波振荡器的芯片时钟系统设计[J]. 浙江大学学报(工学版), 2017, 51(1): 168-176.
[12] 谢罗峰, 徐慧宁, 黄沁元, 赵越, 殷国富. 应用双树复小波包和NCA-LSSVM检测磁瓦内部缺陷[J]. 浙江大学学报(工学版), 2017, 51(1): 184-191.
[13] 刘海宾, 王勇, 马鹏磊, 谢玉东. 基于平行式振荡翼系统参数耦合分析[J]. 浙江大学学报(工学版), 2017, 51(1): 153-159.
[14] 厉文榜,方梦祥,岑建孟,肖平,时正海,山石泉,王勤辉,骆仲泱. K-Fe复合催化剂对煤半焦气化速率与产物的影响[J]. 浙江大学学报(工学版), 2016, 50(9): 1746-1751.
[15] 江衍铭,郝偌楠,蔡文柄. 台湾洪水预报进展及模型实务应用[J]. 浙江大学学报(工学版), 2016, 50(9): 1784-1790.