《表2 缺陷检测算法时间统计》
s
图7至图10为不同缺陷种类在不同算法下的运行结果,其中一幅图像(左上:GLCM,右上:LBP+AdaBoost,左下:相位谱显著性,右下:本文)分别表示为四种算法的实验结果。对于LBP+AdaBoost方法,模型训练时需固定样本大小,因此训练样本会出现一定程度拉伸或压缩,导致模型不能准确表征特征。对于刀洞等微小缺陷而言,漏检情况的发生主要受算法本身图像预处理和后处理影响,在图像去噪与滤波过程中,前景目标的弱化对后续图像分割影响极大,易导致漏检。本文算法采用光度立体学,避免传统图像预处理、增强的方法,有效实现皮革缺陷的增强,皮革表面缺陷不平整度增强,便于后续图像处理。本文算法在检测皮革缺陷的过程中还能准确定位皮革缺陷所在位置,避免了LBP+AdaBoost缺陷标注矩形框较大的问题,提高了皮革利用率。从客观定量指标对检测结果进行评价,本文所提出的算法能很好检测不同材质皮革的皮革缺陷,准确率更高,速度更快。其准确率统计、算法运行时间分别如表1、2所示。
图表编号 | XD0035465300 严禁用于非法目的 |
---|---|
绘制时间 | 2019.04.15 |
作者 | 刘根、蔡念、肖盼、林健发 |
绘制单位 | 广东工业大学信息工程学院、广东工业大学信息工程学院、佛山缔乐视觉科技有限公司、广东工业大学信息工程学院、佛山缔乐视觉科技有限公司、佛山缔乐视觉科技有限公司 |
更多格式 | 高清、无水印(增值服务) |