基于二值化赋范梯度的中厚板表面缺陷检测

• 作者: 徐科 梁颖 詹光曹
• 来源期刊: 表面技术
• 学科: 工学
• 关键词: 中厚板 缺陷检测 二值化赋范梯度(BING) ROI提取 规范化梯度(NG) 线性SVM
• 年，卷（期）: 2019,（10）
• 所属期刊栏目: 表面质量控制及检测
• 页码范围: 336-341
• 页数: 6页
• 分类号: TG142.71
• 字数: 3667字
• 语种: 中文
• DOI: 10.16490/j.cnki.issn.1001-3660.2019.10.041

摘要

目的 针对中厚板表面复杂、缺陷识别率低的问题,设计一种有效的候选窗口提取方法,提升中厚板表面缺陷检测的准确性与实时性.方法 引入视觉选择性注意机制,采用一种基于二值化赋范梯度特征(Binarized Normed Gradients,BING)的一般对象估计算法来快速准确地提取缺陷感兴趣区域(Region of Interest,ROI),有效缩短搜寻过程.首先将样本归一化到8×8大小,提取规范化梯度特征(Normed Gradients,NG),学习一个测量显著性的线性SVM分类器来预测图像窗口含有缺陷的可能性.然后再通过样本尺度优化显著性评分,学习一个校准显著评分的线性SVM分类器.最后将两个SVM模型级联,用于在线检测,提取缺陷感兴趣区域.结果 将训练好的BING模型与Inception-V3卷积神经网络相结合,用于中厚板表面缺陷检测与识别,BING算法有效减少了ROI数量,在ROI数量为500的情况下,达到了98.2％的召回率.结论 在保证缺陷召回率的前提下,BING生成的ROI数量比滑动窗口遍历方式少2个数量级,有效减少了后续识别算法的计算量,有利于引入复杂的分类器提升中厚板表面缺陷识别的准确率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	徐科	北京科技大学钢铁共性技术协同创新中心	60	1305	19.0	35.0
2	詹光曹		3	1	1.0	1.0
3	梁颖	北京科技大学钢铁共性技术协同创新中心	1	1	1.0	1.0