机器视觉技术及应用课件：机器视觉检测.pptx

机器视觉检测

机器视觉检测机器视觉表面缺陷检测7.1项目任务一：齿轮缺陷检测7.2项目任务二：锂电池类别检测7.3项目任务三：齿轮缺陷检测7.4

机器视觉检测机器视觉表面缺陷检测01

7.1机器视觉表面缺陷检测?图像的表面特征1.纹理特征纹理是表达图像的一种重要特征，它不依赖于颜色或亮度而反映图像的同质现象，反映了表面结构组织排列的重要信息以及它们与周围环境的联系。常见的纹理特征提取方法主要包括以下几种：灰度共生矩阵：灰度共生矩阵是一种统计方法，用于描述图像中灰度级别之间的空间关系。方向梯度直方图：方向梯度直方图是一种常用的纹理特征提取方法。局部二值模式(LBP)：局部二值模式是一种用于纹理特征提取的简单有效方法。高斯滤波器组：高斯滤波器组是一种基于多尺度分析的纹理特征提取方法。还有尺度不变特征变换等方法。直方图统计方法：在一定程度上可以用于纹理特征的描述，尤其在一些特定场景下，可以通过纹理在灰度级别之间的分布信息进行纹理特征的提取。

7.1机器视觉表面缺陷检测?图像的表面特征2.形状特征形状是图像中物体的几何结构和轮廓，可以通过提取图像的边缘、轮廓、拐角等特征来描述图像的形状特征。形状特征是进行物体识别时所需要的关键信息之一，它不随周围的环境如亮度等因素的变化而变化。形状特征提取方法有多种，常用的方法有：边缘检测：边缘检测是一种常用的图像形状特征提取方法。轮廓提取：轮廓提取是一种基于边缘的图像形状特征提取方法。霍夫变换：霍夫变换是一种用于检测特定形状（如直线、圆）的图像形状特征提取方法。斑点分析方法：斑点分析是一种用于提取和分析图像中的斑点或小区域的形状特征的方法。斑点分析方法可以被视为图像形状特征提取的一个子领域，它专注于对离散斑点进行定量分析。这些方法可以与其他形状特征提取方法结合使用，以综合分析和描述图像中的形状特征。

7.1机器视觉表面缺陷检测?图像的表面特征3.颜色特征颜色特征是人类感知和区分不同物体的一种基本视觉特征，是一种全局特征，描述了图像或图像区域所对应的景物的表面性质。颜色特征对于图像的旋转、平移、尺度变化都不敏感，表现出较强的鲁棒性。常用的图像颜色特征提取方法主要有：颜色直方图：颜色直方图是一种统计图表，用于描述图像中各个颜色的分布情况。颜色矩：颜色矩是一种统计量，用于描述图像颜色的分布和集中程度。色彩空间变换：将图像从一种色彩空间转换到另一种色彩空间，可以提取不同的颜色特征。

7.1机器视觉表面缺陷检测?表面缺陷的视觉软件处理方法1.直方图统计方法基于直方图特征（统计特征）的方法-HistogramTool。直方图特征方法计算简单，具有平移和旋转不变性，对颜色像素的精确空间分布不敏感等，在表面检测、缺陷识别中有不少应用。2.斑点分析方法VisionPro视觉软件中为基于形状特征的几何形态分析方法-BlobTool工具。斑点分析又成为Blob（斑点）分析，是一种基于对一致图像区域分析的机器视觉的基本技术，用于从背景中清晰辨别出被检物体区域。BlobTool用于分析和识别二值化图像中的形状特征。Blob（斑点）是指图像中的一个连通区域，其边界由同一类像素组成。BlobTool通过分析Blob（斑点）的几何形态特征来描述和识别目标形状。

7.1机器视觉表面缺陷检测?表面缺陷的视觉软件处理方法3.图像/模板匹配方法模板匹配是一种最基本的模式识别方法。VisionPro视觉软件中为PatInspectTool工具，该工具将输入图像区域中包含的特征与经过训练的图案中存储的特征进行比较，并生成突出显示它们之间差异的输出图像。

模板匹配工具训练图像，生成标准偏差图像和阈值图像捕获匹配图像对匹配图像归一化计算原始差异图像生成阈值差异图像进一步分析

7.1机器视觉表面缺陷检测?表面缺陷的视觉软件处理方法PatInspect工具，就是在待检测图像上，根据不同的感兴趣区域（ROI）用指定的匹配方法与模板库中的所有图像进行有哪些信誉好的足球投注网站匹配，完全仔细地对模板图像与待检图像进行比对，并生成突出显示它们之间差异的输出图像。这种方法相比Blob分析有较好的检测精度，同时也能区分不同的缺陷类别。如果图像或者模板发生变化，比如旋转，修改某几个像素，图像翻转等操作之后，就无法进行匹配了。

模板匹配工具使用多个实际图像的统计训练方法，从中创建训练有素的图案。训练图像在背景，照明和对象放置方面都必须与期望捕获的图像非常相似。必须没有缺陷，代表将检查的图像对象的理想示例。采用如图所示公式，将其平均化为当前的训练模式。

模板匹配工具标准偏差图像使用训练模式，采用如图所示的公式生成标准偏差图像。每个像素都是统计训练图像中像素值的标准偏差的量度。表示训练图案中每个像素的预期可变程度。

模板匹配工具训练图像采用单个输入图像，则工具将使