|
本文摘自：汤勃, 孔建益, 伍世虔. 机器视觉表面缺陷检测综述[J]. 中国图象图形学报, 2017, 22(12):1640-1663.关键词：机器视觉; 表面缺陷; 检测算法; 图像处理; 图像识别
0 引言
中国是一个制造大国，每天都要生产大量的工业产品。用户和生产企业对产品质量的要求越来越高，除要求满足使用性能外，还要有良好的外观，即良好的表面质量。但是，在制造产品的过程中，表面缺陷的产生往往是不可避免的。不同产品的表面缺陷有着不同的定义和类型，一般而言表面缺陷是产品表面局部物理或化学性质不均匀的区域，如金属表面的划痕、斑点、孔洞，纸张表面的色差、压痕，玻璃等非金属表面的夹杂、破损、污点，等等。表面缺陷不仅影响产品的美观和舒适度，而且一般也会对其使用性能带来不良影响，所以生产企业对产品的表面缺陷检测非常重视，以便及时发现，从而有效控制产品质量，还可以根据检测结果分析生产工艺中存在的某些问题，从而杜绝或减少缺陷品的产生，同时防止潜在的贸易纠份，维护企业荣誉。
人工检测是产品表面缺陷的传统检测方法，该方法抽检率低、准确性不高、实时性差、效率低、劳动强度大、受人工经验和主观因素的影响大，而基于机器视觉的检测方法可以很大程度上克服上述弊端。
美国机器人工业协会(RIA)对机器视觉下的定义为：“机器视觉是通过光学的装置和非接触的传感器自动地接收和处理一个真实物体的图像，以获得所需信息或用于控制机器人运动的装置”[1]。
机器视觉是一种无接触、无损伤的自动检测技术，是实现设备自动化、智能化和精密控制的有效手段，具有安全可靠、光谱响应范围宽、可在恶劣环境下长时间工作和生产效率高等突出优点。机器视觉检测系统通过适当的光源和图像传感器(CCD摄像机)获取产品的表面图像，利用相应的图像处理算法提取图像的特征信息，然后根据特征信息进行表面缺陷的定位、识别、分级等判别和统计、存储、查询等操作。
视觉表面缺陷检测系统基本组成主要包括图像获取模块、图像处理模块、图像分析模块、数据管理及人机接口模块。
图像获取模块由CCD摄像机、光学镜头、光源及其夹持装置等组成，其功能是完成产品表面图像的采集。在光源的照明下，通过光学镜头将产品表面成像于相机传感器上，光信号先转换成电信号，进而转换成计算机能处理的数字信号。目前工业用相机主要基于CCD或CMOS(complementary metal oxide semiconductor)芯片的相机。CCD是目前机器视觉最为常用的图像传感器。
光源直接影响到图像的质量，其作用是克服环境光干扰，保证图像的稳定性，获得对比度尽可能高的图像。目前常用的光源有卤素灯、荧光灯和发光二级管(LED)。LED光源以体积小、功耗低、响应速度快、发光单色性好、可靠性高、光均匀稳定、易集成等优点获得了广泛的应用。
由光源构成的照明系统按其照射方法可分为明场照明与暗场照明、结构光照明与频闪光照明。明场与暗场主要描述相机与光源的位置关系，明场照明指相机直接接收光源在目标上的反射光，一般相机与光源异侧分布，这种方式便于安装；暗场照明指相机间接接收光源在目标上的散射光，一般相机与光源同侧分布，它的优点是能获得高对比度的图像。结构光照明是将光栅或线光源等投射到被测物上，根据它们产生的畸变，解调出被测物的3维信息。频闪光照明是将高频率的光脉冲照射到物体上，摄像机拍摄要求与光源同步。
图像处理模块主要涉及图像去噪、图像增强与复原、缺陷的检测和目标分割。
由于现场环境、CCD图像光电转换、传输电路及电子元件都会使图像产生噪声，这些噪声降低了图像的质量从而对图像的处理和分析带来不良影响，所以要对图像进行预处理以去噪。图像增强目是针对给定图像的应用场合，有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果的图像处理方法。图像复原是通过计算机处理，对质量下降的图像加以重建或复原的处理过程。图像复原很多时候采用与图像增强同样的方法，但图像增强的结果还需要下一阶段来验证；而图像复原试图利用退化过程的先验知识，来恢复已被退化图像的本来面目，如加性噪声的消除、运动模糊的复原等。图像分割的目的是把图像中目标区域分割出来，以便进行下一步的处理。
图像分析模块主要涉及特征提取、特征选择和图像识别。
特征提取的作用是从图像像素中提取可以描述目标特性的表达量，把不同目标间的差异映射到低维的特征空间，从而有利于压缩数据量、提高识别率。表面缺陷检测通常提取的特征有纹理特征、几何形状特征、颜色特征、变换系数特征等，用这些多信息融合的特征向量来区可靠地区分不同类型的缺陷；这些特征之间一般存在冗余信息，即并不能保证特征集是最优的，好的特征集应具备简约性和鲁棒性，为此，还需要进一步从特征集中选择更有利于分类的特征，即特征的选择。图像识别主要根据提取的特征集来训练分类器，使其对表面缺陷类型进行正确的分类识别。
数据管理及人机接口模块可在显示器上立即显示缺陷类型、位置、形状、大小，对图像进行存储、查询、统计等。
机器视觉表面缺陷检测主要包括2维检测和3维检测，前者是当前的主要表面缺陷检测方式，也是本文的着重论述之处。
机器视觉在工业检测、包装印刷、食品工业、航空航天、生物医学工程、军事科技、智能交通、文字识别等领域得到了广泛的应用。工业检测领域是机器视觉应用中比重最大的领域，主要用于产品质量检测、产品分类、产品包装等，如：零件装配完整性检测，装配尺寸精度检测，位置/角度测量，零件识别，PCB板检测，印刷品检测，瓶盖检测，玻璃、烟草、棉花检测，以及指纹、汽车牌照、人脸、条码等识别。表面质量检测系统是工业检测的极其重要的组成部分，机器视觉表面缺陷检测在许多行业开始应用，涉及钢板[2-4]、玻璃[5-6]、印刷[7-9]、电子[10]、纺织品[11]、零件[12-13]、水果[14]、木材[15-16]、瓷砖[17-19]、钢轨[20]等多种关系国计民生的行业和产品。
1 研究现状、视觉软件系统和研究平台
1.1 研究现状
机器视觉在金属(特别是钢板)表面、纸张等印刷品、纺织品、磁砖、玻璃、木材等表面缺陷检测国内外有较多的研究成果，不乏成功应用系统和案例。
在钢板表面缺陷检测领域
美国Westinghouse公司采用线阵CCD摄像机和高强度的线光源检测钢板表面缺陷，并提出了将明域、暗域及微光域3种照明光路形式组合应用于检测系统的思路[21]。这些系统可识别的缺陷种类相对较少，并且不具备对周期性缺陷的识别能力。
美国Cognex公司研制成功了iS-2000自动检测系统和iLearn自学习分类器软件系统[22]。这两套系统配合有效改善了传统自学习分类方法在算法执行速度、数据实时吞吐量、样本训练集规模及模式特征自动选择等方面的不足；
Parsytec公司为韩国浦项制铁公司研制了冷轧钢板表面缺陷检测系统HTS，该系统能对高速运动的热轧钢板表面缺陷进行在线自动检测和分级的系统，在连轧机和CSP生产线上取得了良好的效果[23]；
英国European Electronic System公司研制的EES系统也成功地应用于热连轧环境下的钢板质量自动检测[24]。EES系统实时地提供高清晰度、高可靠性的钢板上下表面的缺陷图像，最终交由操作员进行缺陷类型的分类判别。
国内北京科技大学的高效轧制国家工程研究中心也在进行钢板表面质量检测系统的研制，对其常见缺陷类型进行了检测与识别，取得了一定的研究成果[25]；
东北大学、上海宝钢集团公司、武汉科技大学等科研院所研究了冷轧钢板表面缺陷的检测系统[26-28]；
重庆大学对高温连铸坯表面缺陷进行了研究[29]。
在其他领域，视觉表面缺陷检测也得到了广泛的研究和应用
文献[30]对规则纹理表面(天然木材、机械加工表面、纺织面料)的表面缺陷采用傅里叶变换进行图像的复原，高频的傅里叶分量对应表面纹理线型，而低频的傅里叶分量对应表面缺陷区域。
文献[31]研究了铝带连铸生产中的表面缺陷检测，通过红外检测提供铝带表面温度的分布情况以评估铝带质量，采集铝带图像，进行表面缺陷检测和分类。
文献[32]将机器视觉应用于集成电路晶片表面缺陷检测，使用模糊逻辑对表面凹坑缺陷的不同形状进行分析处理。
文献[33]利用图像对铁轨的表面质量进行自动检测，车载检测系统对铁轨的表面质量进行实时检测和分类。
文献[34]基于机器视觉系统对鸡肉包装前的质量检测，根据鸡肉图像的颜色信息，采用数学形态学方法对潜在的问题区域进行特征提取，然后按预定义的质量问题列表进行分类。
文献[35]针对随机纹理的彩色图像提出了一种利于分水岭变换的颜色相似性度量，提取了图像的颜色和纹理特征，实现了随机纹理表面缺陷的自动分割和检测。
文献[36]采用双目立体视觉，基于特征立体匹配算法对扫描电镜图像研究了物体的表面深度信息。
文献[37]介绍了一种皮革表面缺陷检测的方法，采用OTSU方法进行缺陷分割，利用欧式距离聚类法进行缺陷分类，在分类聚类时使用形态学算子进行腐蚀运算，实验结果表明了该方法的有效性。
文献[38]对玻璃缺陷进行了识别，把采集到的缺陷图像缩放到10×10的大小，然后把这个100个像素值作为特征向量，分别运用径向基(RBF)神经网络和决策树进行识别；该方法的缺点是不同缺陷缩放后造成部分信息的丢失。
文献[39]研究了一种玻璃缺陷识别的专家系统(ES)，首先需要电子显微技术和等离子射线获得缺陷信息作为知识库，对未知的玻璃缺陷通过搜索知识库对缺陷信息进行匹配，选择最相近的类别作为输出；该方法的缺点是分类采用贪婪搜索法，匹配速度慢。
文献[40]针对机器视觉在产品表面粗糙度的检测方法作了描述，首先建立粗糙度的模型，然后以表面的累加偏差作为特征通过神经网络(ANN)进行等级划分，并阐述了不同的ANN模型对识别结果的影响。
1.2 视觉软件系统
机器视觉软件系统除具有图像处理和分析功能外，还应具有界面友好、操作简单、扩展性好、与图像处理专用硬件兼容等优点。国外视觉检测技术研究开展的较早，已涌现了许多较为成熟的商业化软件，应该比较多的有HALCON、HexSight、Vision Pro、LEADTOOLS等[41]。
HALCON是德国MVtec公司开发的一套完善的标准的机器视觉算法包，拥有应用广泛的机器视觉集成开发环境维视图像开发定制软件，在欧洲以及日本的工业界已经是公认具有最佳效能的Machine Vision软件。HALCON的image processing library，由一千多个各自独立的函数和底层的数据管理核心构成，其函数库可以用C，C++，C#，Visual basic和Delphi等多种普通编程语言访问。HALCON百余种工业相机和图像采集卡提供接口，包括GenlCam，GigE和IIDC 1394。HALCO还具有强大的3维视觉处理能力，另外，自动算子并行处理(AOP)技术是HALCON的一个独特性能。HALCON应用范围涵盖自动化检测、医学和生命科学，遥感探测，通讯和监控等众多领域。
Adept公司出品的HexSight是一款高性能的、综合性的视觉软件开发包，它提供了稳定、可靠及准确定位和检测零件的机器视觉底层函数。HexSight的定位工具是根据几何特征、采用轮廓检测技术来识别对象和模式。在图像凌乱、亮度波动、图像模糊和对象重叠等方面有显著效果。HexSight能处理自由形状的对象，并具有功能强大的去模糊算法。HexSight软件包含一个完整的底层机器视觉函数库，可用来建构完整的高性能2D机器视觉系统，可利用Visual Basic、Visual C++或Borland Dephi平台方便地进行二次开发。其运算速度快，在一台2 GHz的处理器上寻找和定位一般的零部件不超过10 ms；具有1/40亚像素平移重复精度和0.05度旋转重复精度。此外，内置的标定模块能矫正畸变、投影误差和X-Y像素比误差，完整的检测工具包含硬件接口、图像采集、图像标定、图像预处理、几何定位、颜色检测、几何测量、Blob分析、清晰度评价(自动对焦)、模式匹配、边缘探测等多种多样，开放式体系结构，支持DirectShow、DCam，GigE vision等多种通用协议，几乎与市面上所有商业图像采集卡，以及各种USB、1394以及GigE接口的摄像机兼容。
Cognex公司的VisionPro是一套基于.Net的视觉工具，适用于包括FireWire和CameraLink在内的所有硬件平台，利用ActiveX控制可快速完成视觉应用项目程序的原模型开发，可使用相应的Visual Basic、VB.Net、C#或C++搭建出更具个性化的应用程序。
LEADTOOLS在数码图像开发工具领域中已成为全球领导者之一，是目前功能强大的优秀的图形、图像处理开发包，它可以处理各种格式的文件，并包含所有图形、图像的处理和转换功能，支持图形、图像、多媒体、条形码、OCR、Internet、DICOM等等，具有各种软硬件平台下的开发包。
此外，还有Dalsa公司的Sherlock检测软件，日本的OMRON和Keyence，德国SIEMENS等，这些机器视觉软件都能提供完整的表面缺陷检测方法。
国内机器视觉检测系统开发较晚，相关的企业主要是代理国外同类产品，提供视觉检测方案和系统集成，其中具有代表性的企业有凌华科技、大恒图像、视觉龙、凌云光子、康视达、OPT、三姆森和微视图像、海康威视等。
1.3 视觉硬件平台
机器视觉表面质量检测，特别是实时检测，图像采集的数据量大，所以如何提高图像处理速度显得十分重要。提高图像处理速度主要有两种手段，一是改善和优化图像处理算法，算法既要简单快速，又要兼顾实际效果；二是改善和优化实现算法的手段。目前，实时图像处理采集方案主要为下面几个方面[42]。
1) 通用计算机网络并行处理。这种处理结构采用“多客户机+服务器”的方式，一个图像传感器对应一台客户机，服务器实现信息的合成，图像处理的大部分工作由软件来完成。该结构虽然比较庞大，但升级维护方便、实时性较好。
2) 数字信号处理器(DSP)。DSP是一种独特的微处理器，是以数字信号来处理大量信息的器件。其工作原理是将接收到的模拟信号转换为“0”或“1”的数字信号，再对数字信号进行修改、删除和强化，并在其他系统芯片中把数字数据解译回模拟数据或实际环境格式，其实时运行速度远远超过通用微处理器。但是，DSP的体系仍是串行指令执行系统，而且只是对某些固定的运算进行硬件优化，故不能满足众多的算法要求。
3) 专用集成电路(ASIC)。ASIC是针对于某一固定算法或应用而专门设计的硬件芯片，有很强的实时性。但在实际应用中存在开发周期相对较长、成本高、适应性和灵活性差等缺点。
4) 现场可编程门阵列(FPGA)。FPGA由多个可编程的基本逻辑单元组成的一个2维矩阵，逻辑单元之间以及逻辑单元与I/O单元之间通过可编程连线进行连接。FPGA能在设计上具有很强的灵活性，集成度、工作速度也在不断提高，可实现的功能也越来越强；同时其开发周期短，系统易于维护和扩展，能够大大地提高图像数据的处理速度。
实时图像处理系统中，底层的信号数据量大，对处理速度的要求高，但运算结构相对比较简单，适合采用FPGA以硬件方式来实现；高层处理算法的特点是处理的数据量相对较少，但算法和控制结构复杂，可使用DSP来实现。所以，可以把二者的优点结合在一起以兼顾实时性和灵活性。
USB、串口、并口是计算机和外设进行通讯的常用接口，但对于数据量大的图像来说，串行RS-232协议难于达到图像采集实时性要求。USB口即使能满足所需速度，但要求外设必须支持USB协议，而USB协议与常用工程软件的接口还不普及。IEEE-1394接口具有廉价，速度快，支持热拔插，数据传输速率可扩展，标准开放等特点，在众多领域得到了广泛的应用。但随着数字图像采集速度的提高、数据量的增大，原有的标准渐难以满足需求。为了简化数据的连接，实现高速、高精度、灵活、简单的连接，在National Semiconductor公司等多家相机制造商共同制定推出了Camera Link标准。Camera Link是专门为数字摄像机的数据传输提出的接口标准，专为数字相机制定的一种图像数据、视频数据控制信号及相机控制信号传输的总线接口，其最主要特点是采用了低压差分信号(LVDS)技术，使摄像机的数据传输速率大大提高。
参考文献
[1] Bharath A, Petrou M. Next Generation Artificial Vision Systems:Reverse Engineering the Human Visual System[M]. London, UK: Artech House Publishers, 2008.
[2] Kazama A, Oshige T. A defect inspection technique using polarized images for steel strip surface[C]//Proceedings of the Volume 7072, Optics and Photonics for Information Processing Ⅱ. San Diego, California, United States:SPIE, 2008:#70720L.[DOI:10.1117/12.794685][3] Singhka D K H, Neogi N, Mohanta D. Surface defect classification of steel strip based on machine vision[C]//Proceedings of the International Conference on Computer and Communications Technologies. Hyderabad, India:IEEE, 2014:1-5.[DOI:10.1109/ICCCT2.2014.7066698].[4] Xu K, Wang L, Wang J Y. Surface defect recognition of hot-rolled steel plates based on Tetrolet transform[J]. Journal of Mechanical Engineering, 2016, 52(4): 13–19. [徐科, 王磊, 王璟瑜. 基于Tetrolet变换的热轧钢板表面缺陷识别方法[J]. 机械工程学报, 2016, 52(4): 13–19. ] [DOI:10.3901/JME.2016.04.013][5] George J, Janardhana S, Jaya J, Sabareesaan K J. Automatic defect detection inspectacles and glass bottles based on Fuzzy C Means Clustering[C]//International Conference on Current Trends in Engineering and Technology(ICCTET 2013), India:Coimbatore, 2013, 42(3):8-12.[DOI:10.1109/ICCTET.2013.6675901].[6] Yu X D, Chen Y P, Li A D, et al. Fast image matching algorithm based on projection[J]. Machinery & Electronics, 2013(3): 41–44. [于晓东, 陈幼平, 李安定, 等. 基于投影特征的快速图像匹配算法[J]. 机械与电子, 2013(3): 41–44. ] [DOI:10.3969/j.issn.1001-2257.2013.03.012][7] Kalviainen H, Saarinen P, Salmela P, et al. Visual inspection on paper by machine vision[C]//Proceedings of the Volume 5267, Intelligent Robots and Computer Vision XXI:Algorithms, Techniques, and Active Vision. Providence, RI, United States:SPIE, 2003, 5267:321-332.[DOI:10.1117/12.518668][8] Kalviainen H. Machine vision based quality control from pulping to papermaking for printing[J]. Pattern Recognition and Image Analysis, 2011, 21(3): 486–490. [DOI:10.1134/S1054661811020441][9] Seethalakshmi R, Sreeranjani T R, Balachandar T, et al. Optical character recognition for printed Tamil text using Unicode[J]. Journal of Zhejiang University:Science A, 2005, 6(11): 1297–1305. [DOI:10.1631/jzus.2005.A1297][10] Härter S, Klinger T, Franke J, et al. Comprehensive correlation of inline inspection data for the evaluation of defects in heterogeneous electronic assemblies[C]//2016 Pan Pacific Microelectronics Symposium. Big Island, HI, USA:IEEE, 2016:1-6.[DOI:10.1109/PanPacific.2016.7428408][11] Stojanovic R, Papadopoulos G D, Georgoudakis M, et al. Vision system for finished fabric inspection[C]//Proceedings of the Volume 4664, Machine Vision Applications in Industrial Inspection X. San Jose, California, United States:SPIE, 2002:97-103.[DOI:10.1117/12.460200][12] Kunakornvong P, Sooraksa P. Machine vision for defect detection on the air bearing surface[C]//2016 International Symposium on Computer, Consumer and Control. Xi'an, China:IEEE, 2016:37-40.[DOI:10.1109/IS3C.2016.20][13] Kumar B M, Ratnam M M. Machine vision method for non-contact measurement of surface roughness of a rotating workpiece[J]. Sensor Review, 2015, 35(1): 10–19. [DOI:10.1108/SR-01-2014-609][14] Arjenaki O O, Moghaddam P A, Motlagh A M. Online tomato sorting based on shape, maturity, size, and surface defects using machine vision[J]. Turkish Journal of Agriculture and Forestry, 2013, 37(1): 62–68. [DOI:10.3906/tar-1201-10][15] Ruz G A, Estévez P A, Ramírez P A. Automated visual inspection system for wood defect classification using computational intelligence technique[J]. International Journal of Systems Science, 2009, 40(2): 163–172. [DOI:10.1080/002077208026306-85][16] Srikanteswara S. Feature identification in wooden boards using color image segmentation[D]. Blacksburg, Virginia:The Virginia Polytechnic Institute and State University, 1997.[17] Ghazvini M, Monadjemi S A, Movahhedinia N, et al. Defect detection of tiles using 2D-wavelet transform and statistical features[J]. World Academy of Science, Engineering and Technology, 2009, 49: 901–904.[18] Silvestre J D, de Brito J. Ceramic tiling inspection system[J]. Construction and Building Materials, 2009, 23(2): 653–668. [DOI:10.1016/j.conbuildmat.2008.02.007][19] Deng S, Latifi S, Regentova E. Document segmentation using polynomial spline wavelets[J]. Pattern Recognition, 2001, 34(12): 2533–2545. [DOI:10.1016/S0031-3203(00)00160-6][20] Liu Z, Wang W, Wang P. Design of machine vision system for inspection of rail surface defects[J]. Journal of Electronic Measurement and Instrument, 2010, 24(11): 1012–1017. [刘泽, 王嵬, 王平. 钢轨表面缺陷检测机器视觉系统的设计[J]. 电子测量与仪器学报, 2010, 24(11): 1012–1017. ] [DOI:10.3724/SP.J.1187.2010.01012][21] Suresh B R, Fundakowski R A, Levitt T S, et al. A real-time automated visual inspection system for hot steel slabs[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1983, PAMI-5(6): 563–572. [DOI:10.1109/TPAMI.1983.4767445][22] Badger J C, Enright S T. Automated surface inspection system[J]. Iron and Steel Engineer, 1996, 73(3): 48–51.[23] Rodrick T J. Software controlled on-line surface inspection system[J]. Steel Times Int, 1998, 22(3): 30–31.[24] Park D G, Levoi M P, Haneghem A I. Practical application of on-line hot strip inspection system at hoogovens[J]. Iron and Steel Engineer, 1995, 72(7): 40–43.[25] Xu K, Yang C L, Zhou P. Technology of on-line surface inspection for hot-rolled steel strips and its industrial application[J]. Journal of Mechanical Engineering, 2009, 45(4): 111–114, 124. [徐科, 杨朝霖, 周鹏. 热轧带钢表面缺陷在线检测的方法与工业应用[J]. 机械工程学报, 2009, 45(4): 111–114, 124. ] [DOI:10.3901/JME.2009.04.111][26] Yan Y H, Peng Y S, Song K C, et al. Removing impulse noise from surface defect images of steel strip based on threshold theory[J]. Journal of Northeastern University:Natural Science, 2010, 31(5): 717–720. [颜云辉, 彭怡书, 宋克臣, 等. 基于阈值法的带钢表面缺陷图像脉冲噪声去除[J]. 东北大学学报:自然科学版, 2010, 31(5): 717–720. ] [DOI:10.3969/j.issn.1005-3026.2010.05.027][27] Peng T G, He Y H, Sun C. Recognition of unequal thickness printed lines in tin steel strip surface inspection system[J]. Baosteel Technology, 2015(2): 56–58. [彭铁根, 何永辉, 孙晨. 差厚打印线在镀锡带钢表面检测系统中的识别技术[J]. 宝钢技术, 2015(2): 56–58. ] [DOI:10.3969/j.issn.1008-0716.2015.02.012][28] Tang B, Kong J Y, Wang X D, et al. Feature dimensions reduction and its optimization for steel strip surface defect based on genetic algorithm[J]. Journal of Iron and Steel Research, 2011, 23(9): 59–62. [汤勃, 孔建益, 王兴东, 等. 基于遗传算法的带钢表面缺陷特征降维优化选择[J]. 钢铁研究学报, 2011, 23(9): 59–62. ] [DOI:10.13228/j.boyuan.issn1001-0963.2011.09.002][29] Ouyang Q, Zhang X L, Chen D F, et al. Nondestructive test of surface defect of hot slabs based on machine vision at high temperature state[J]. Journal of Chongqing University:Natural Science, 2007, 30(11): 27–31. [欧阳奇, 张兴兰, 陈登福, 等. 高温连铸坯表面缺陷的机器视觉无损检测[J]. 重庆大学学报:自然科学版, 2007, 30(11): 27–31. ] [DOI:10.3969/j.issn.1000-582X.2007.11.007][30] Tsai D M, Hsieh C Y. Automated surface inspection for directional textures[J]. Image and Vision Computing, 1999, 18(1): 49–62. [DOI:10.1016/S0262-8856(99)00009-8][31] Miller W, Jaskot J, McCoy B, et al. A distributed system for 100% inspection of aluminum sheet products[C]//Proceedings of the International Conference on Signal Processing Applications and Technology. 1996.[32] Li H, Lin J C. Using fuzzy logic to detect dimple defects of polished wafer surfaces[J]. IEEE Transactions on Industry Applications, 1994, 30(2): 317–323. [DOI:10.1109/28.287528][33] Alippi C, Casagrande E, Scotti F, et al. Composite real-time image processing for railways track profile measurement[J]. IEEE Transactions on Instrumentation and Measurement, 2000, 49(3): 559–564. [DOI:10.1109/19.850395][34] Barni M, Cappellini V, Mecocci A. Colour-based detection of defects on chicken meat[J]. Image and Vision Computing, 1997, 15(7): 549–556. [DOI:10.1016/S0262-8856(97)01138-4][35] Shafarenko L, Petrou M, Kittler J. Automatic watershed segmentation of randomly textured color images[J]. IEEE Transactions on Image Processing, 1997, 6(11): 1530–1544. [DOI:10.1109/83.641413][36] Lacey A J, Thacker N A, Crossley S, et al. A multi-stage approach to the dense estimation of disparity from stereo SEM images[J]. Image and Vision Computing, 1998, 16(5): 373–383. [DOI:10.1016/S0262-8856(97)00068-1][37] Hoang K, Wen W, Nachimuthu A, et al. Achieving automation in leather surface inspection[J]. Computers in Industry, 1997, 34(1): 43–54. [DOI:10.1016/S0166-3615(97)00019-5][38] Cios K J, Tjia R E, Liu N, et al. Study of continuous ID3 and radial basis function algorithms for the recognition of glass defects[C]//Proceedings of the International Joint Conference on Neural Networks. Seattle, USA:IEEE, 1991:49-54.[DOI:10.1109/IJCNN.1991.155148][39] Müller H, Strubel C, Bange K. Characterization and identification of local defects in glass[J]. Scanning, 2001, 23(1): 14–23.[40] Pontes F J, Ferreira J R, Silva M B, et al. Artificial neural networks for machining processes surface roughness modeling[J]. The International Journal of Advanced Manufacturing Technology, 2010, 49(9-12): 879–902. [DOI:10.1007/s00170-009-2456-2][41] [百度百科. HALCON机器视觉软件. 2012-11-22[2017-04-08]. http://baike.baidu.com/view/9645343.htm?fr=aladdin.][42] Malamas E N, Petrakis E G M, Zervakis M, et al. A survey on industrial vision systems, applications and tools[J]. Image and Vision Computing, 2003, 21(2): 171–188. [DOI:10.1016/S0262-8856(02)00152-X]
|
