中北大学信息与通信工程学院, 山西 太原 030051
复杂结构件内部零件装配正确性检测是工业产品检测必不可少的流程之一,但目前仍缺少一种系统稳健性较高的检测方法以完善整个检测流程。针对这个问题,综合计算机断层扫描(CT)检测技术与卷积神经网络分类识别算法,改变以往以连通区域为特征的检测方法,自动识别图像中的感兴趣区域,使合格品的判断标准由区域特征变为个体特征。将CT系统采集的投影数据序列输入卷积神经网络,对工件内部零件进行精确定位并分类,以产品内部零件分类结果作为零件漏装检测的判断标准,以标准工件投影匹配检测工件投影,通过对比完成零件位移检测。通过实验验证可得,所提方法在模拟工件产品和实际产品检测中可完成对工件内部零件漏缺和换位的识别,整个系统对工件内部零件的相互遮挡等因素具有一定的稳健性。
图像处理 激光技术 无损检测 装配检测 卷积神经网络 分类识别 角度匹配 激光与光电子学进展
2018, 55(4): 041012
为了充分利用高光谱图像中包含的空间信息, 将一种改进的双边滤波应用到其目标检测中, 提出基于光谱角匹配的双边滤波稀疏表示高光谱目标检测算法。通过将光谱角匹配与双边滤波相结合, 用高光谱图像像元之间的相似性作为双边滤波器中值域距离的权值, 在抑制了图像各波段中噪声的同时突出了目标, 然后通过稀疏表示算法进行目标检测。实测的高光谱数据实验显示, 与传统稀疏表示方法和普通双边滤波稀疏表示方法比较, 所提方法在检测效果上有一定的提高。证明了充分利用高光谱图像的空间信息能进一步提高其目标检测的效果。
光谱角匹配 目标检测 双边滤波 稀疏表示 高光谱 spectral angle matching target detection bilateral filter sparse representation hyperspectral