压印图案的划痕检测
本文探讨了复杂背景下的划痕检测方法。提出了四种解决方案：直接差分法（需亚像素级对齐）、模板匹配差分法（依赖匹配精度）、SVM特征分类法（无法定位）和CNN神经网络（需大量训练样本）。实验表明，各方法均存在不同局限，特别是CNN方法受样本数量和质量影响较大，难以实现完全准确识别。研究揭示了复杂背景下精确划痕检测的技术挑战。
简单的划痕检测背景是均匀的平面。能通过色差或直线形状提取。
但背景是复制压印图案时，简单方法就行不通了。
原图:
如上图。这个样例难点在于，背景压印图案和划痕高度相似。不管是色差还是形状、面积特征都和划痕相同。即便霍夫曼直线检测，和频域提取方法都不能区分。
本文介绍多个方法实现:
- 直接差分法-
- 模板匹配后差分法.
- SVM特征区分法
- cnn卷积神经网络
1 直接差分法-直接与无划痕图像比对.
该方法速度快,效果好.但要求物体在不同图像中的位置相同.精度至少得是亚像素级别.
效果图:
2 模板匹配后差分法.
需要通过模板匹配先定位物体位置.调整后,再进行差分比较.但如果模板匹配的精度不够.导致定位偏差.从而无法提提取到目标划痕.
效果图:
2 SVM特征区分法
提取物体多种特征例如: 然后使用svm分析并判断划痕.但缺点在于无法标记划痕位置.也无法得到出划痕长度,面积等特征.
效果图:
3 cnn卷积神经网络
准备大量图片样本用于训练.然后等待cnn神经网络开窍. 样本至少的500张以上.并且这是使用样本扩充器前的要求.实际用于训练的数量更多.
但遗憾的是,不知是样本不足.还是模型的细节识别能力不足.即便是训练样本,模型也不能100%准确识别.
效果图:
效果图2:
失败效果:
火山引擎开发者社区是火山引擎打造的AI技术生态平台，聚焦Agent与大模型开发，提供豆包系列模型（图像/视频/视觉）、智能分析与会话工具，并配套评测集、动手实验室及行业案例库。社区通过技术沙龙、挑战赛等活动促进开发者成长，新用户可领50万Tokens权益，助力构建智能应用。
更多推荐
6
0- 0
已为社区贡献1条内容
所有评论(0)