基于机器视觉的缺陷检测的原理与方法

发布时间:2024-08-16  

基于统计分类的方法: (1)基于KNN方法(最近邻法):利用相似度,找出k个训练样本,然后打分,按得分值排序。 (2)基于Naive Bayes算法:计算概率,构建分类模型。


引导:

医生对病人进行诊断就是一个典型的分类过程,任何一个医生都无法直接看到病人的病情,只能观察病人表现出的症状和各种化验检测数据来推断病情,这时医生就好比一个分类器,而这个医生诊断的准确率,与他当初受到的教育方式(构造方法)、病人的症状是否突出(待分类数据的特性)以及医生的经验多少(训练样本数量)都有密切关系。

一、KNN分类器 1.1.1最近邻算法

定义:计算未知样本与所有训练样本的距离,并以最近邻者的类别作为决策未知样本类别的唯一依据。

缺陷:对噪声数据过于敏感。

措施:将被决策样本周边的多个最近样本计算在内,扩大参与决策的样本量,以避免个别数据直接决定决策结果。

1.1.2K-最近邻算法(KNN)

基本思路:选择未知样本一定范围内的K个样本,该K个样本中某一类型出现的次数最大,则未知样本判定为该类型。

举例说明: 如果K=3,绿色圆点的最近的3个邻居是2个红色小三角形和1个蓝色小正方形,少数从属于多数,基于统计的方法,判定绿色的这个待分类点属于红色的三角形一类。如果K=5,绿色圆点的最近的5个邻居是2个红色三角形和3个蓝色的正方形,还是少数从属于多数,基于统计的方法,判定绿色的这个待分类点属于蓝色的正方形一类。

9ebd898e-1932-11ee-962d-dac502259ad0.png

算法执行步骤:

(1)输入测试集。 (2)设定参数k。 (3)遍历测试集,对于测试集中每个样本,计算该样本(测试集中)到训练集中每个样本的距离;取出训练集中到该样本(测试集中)的距离最小的k个样本的类别标签;对类别标签进行计数,类别标签次数最多的就是该样本(测试集中)的类别标签。 (4)遍历完毕,输出测试集的类别。

1.1.3 知识补充 距离度量表示的是两样本之间的相似程度。 常用距离度量方式:

9ed9bc12-1932-11ee-962d-dac502259ad0.png

二、朴素贝叶斯分类器

2.1贝叶斯公式 贝叶斯公式理解 https://www.zhihu.com/question/19725590/answer/241988854 (怎样用非数学语言讲解贝叶斯定理(Bayes’s theorem)?) 2.2朴素贝叶斯分类器 2.2.1基本思想 对于给出的待分类项,求解在此项出现的条件下各个类别出现的概率,哪个最大,就认为此待分类项属于哪个类别。

9ef81d60-1932-11ee-962d-dac502259ad0.png

2.2.2朴素贝叶斯“公式”

9f101cf8-1932-11ee-962d-dac502259ad0.png

9f2b627e-1932-11ee-962d-dac502259ad0.png

2.2.3朴素贝叶斯分类器

9f4deb32-1932-11ee-962d-dac502259ad0.png

三、瑕疵缺陷检测

检测方法: (1)瑕疵缺陷图像特征的选择与提取。 (2)计算缺陷图像与标准图像关于灰度的差值。 (3)通过差值与设定阈值比较判断是否存在缺陷。 3.1缺陷图像差分法 3.1.1基本原理

9f623a4c-1932-11ee-962d-dac502259ad0.png

3.1.2基本流程 (1)有效检测区域的设定 (2)图像配准与剪裁 (3)设定差分阈值 (4)缺陷位置的判别 3.2缺陷图像特征的选择与提取 详见:https://zhuanlan.zhihu.com/p/43488853 3.2.1特征提取方法 (1)灰度值特征 (2)灰度差特征 (3)直方图特征 (4)变换系数特征 (5)线条和角点的特征 (5)灰度边缘特征 (6)纹理特征

3.2.2特征选择(数据降维) 降维的原因:在机器学习中,如果特征值即维度过多,会引发维度灾难。维度灾难最直接的后果就是过拟合现象,进而导致分类识别的错误,因此我们需要对所提的特征进行降维处理。 基本原理:特征选择是将原始空间进行变换,重新生成一个维数更小各维之间更独立的特征空间。 降维面临的问题:

(1)降维后数据应该包含更多的信息?

(2)降维后会损失多少信息?

(3)降维后对分类识别效果有多大影响?

数据降维后的好处:

(1)进行数据压缩,减少数据存储所需空间以及计算所需时间。

(2)消除数据间的冗余,以简化数据,提高计算效率。

(3)去除噪声,提高模型性能。

(4)改善数据的可理解性,提高学习算法的精度。

(5)将数据维度减少到2维或者3维,进行可视化。 常用方法:主成分分析,随机映射,非负矩阵分解。

3.2.3主成分分析(PCA) 方法概述:此方法目标是找到数据中最主要的元素和结构,去除噪音冗余,将原有的复杂数据降维,揭露出隐藏在复杂数据背后的简单结构。主成分分析就是试图在力保数据信息丢失最少的原则下,对这种多变量的数据表进行最佳综合简化。这些综合指标就称为主成分,也就是说,对高维变量空间进行降维处理,很显然,识辨系统在一个低维空间要比在一个高维空间容易得多。从线性代数角度来看,PCA目标是找到一组新正交基去重新描述得到的数据空间,这个维度就是主元。

3.3灰度形态学的缺陷检测 3.3.1概述 灰度数学形态学的基本运算有膨胀、腐独、开启和关闭,其中利用膨胀和腐蚀的组合可构成开启和关闭,而利用开启和关闭又可构成形态滤波器。 在灰度图像的形态分析中,结构元素可以是何的三维结构,常用的有圆锥、圆柱、半球或抛物线。模板尺寸总是奇数,这样檬板中心正好对应一个像素。

3.3.2 形态操作对图像影响

(1)膨胀灰度图像的结果是,比背景亮的部分得到扩张,而比背景暗的部分受到收缩。

(2)腐蚀灰度图像的结果是,比背景暗的部分得到扩张,而比背景亮的部分受到收缩。

(3)开启一幅图像可消除图中的孤岛或尖峰等过亮的点。

(4)关闭一幅图可将比背景暗且尺寸比结构元素小的结构除掉。

(5)形态滤波器是非线性信号滤波器,它通过变换来局部地修改信号的几何特征。将开运算和闭运算结合起来可消除噪声。

(6)如果用一个小的结构元素先开启再闭合一幅图像,就有可能将图像中小于结构元素的类似噪声结构除去。

3.3.3实例说明 电路板布线的缺陷检测:对于一幅大小为1100×870、灰度级为256的电路板灰度图像,其布线缺陷分为断线和毛刺,利用灰度形态学检测这些缺陷。取结构元素为5×5的半球模板,首先对原图灰度开启,消除比邻域亮且尺寸比结构元素小的区域;然后对原图灰度闭合,消除比邻域暗且尺寸比结构元素小的区域,两次结果差异即为缺陷。

9f817650-1932-11ee-962d-dac502259ad0.png

四、划痕检查

概述:划痕检测的基本分析过程分为两步首张,确定检测产品表面是否有划痕,其次,在确定被分析图像上存在划痕之后,对划痕进行提取。由于在工业检测中图像的多样性,对于每一种圈像,都要经过分析综合考虑各种手段来进行处理达到效果。一般来说,划痕部分的灰度值和周围正常部分相比要暗,也就是划痕部分灰度值偏小,而且大多都是在光滑表面,所以整幅图的灰度变化总体来说非常均匀,缺乏纹理特征。

基本方法:基于统计的灰度特征或者阈值分割的方法将划痕部分标出。


文章来源于:电子工程世界    原文链接
本站所有转载文章系出于传递更多信息之目的,且明确注明来源,不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。

我们与500+贴片厂合作,完美满足客户的定制需求。为品牌提供定制化的推广方案、专属产品特色页,多渠道推广,SEM/SEO精准营销以及与公众号的联合推广...详细>>

利用葫芦芯平台的卓越技术服务和新产品推广能力,原厂代理能轻松打入消费物联网(IOT)、信息与通信(ICT)、汽车及新能源汽车、工业自动化及工业物联网、装备及功率电子...详细>>

充分利用其强大的电子元器件采购流量,创新性地为这些物料提供了一个全新的窗口。我们的高效数字营销技术,不仅可以助你轻松识别与连接到需求方,更能够极大地提高“闲置物料”的处理能力,通过葫芦芯平台...详细>>

我们的目标很明确:构建一个全方位的半导体产业生态系统。成为一家全球领先的半导体互联网生态公司。目前,我们已成功打造了智能汽车、智能家居、大健康医疗、机器人和材料等五大生态领域。更为重要的是...详细>>

我们深知加工与定制类服务商的价值和重要性,因此,我们倾力为您提供最顶尖的营销资源。在我们的平台上,您可以直接接触到100万的研发工程师和采购工程师,以及10万的活跃客户群体...详细>>

凭借我们强大的专业流量和尖端的互联网数字营销技术,我们承诺为原厂提供免费的产品资料推广服务。无论是最新的资讯、技术动态还是创新产品,都可以通过我们的平台迅速传达给目标客户...详细>>

我们不止于将线索转化为潜在客户。葫芦芯平台致力于形成业务闭环,从引流、宣传到最终销售,全程跟进,确保每一个potential lead都得到妥善处理,从而大幅提高转化率。不仅如此...详细>>