内容缺陷检测的论文分享！

今天papercrazy在给大家带来发表在《Int J Adv Manuf Technol》的关于内容缺陷检测的论文，原理简单，适合入门的学者阅读，让大家较为深入的了解论文检测是怎样的?

一、文献：Defect inspection and extraction of the mobile phone cover glass based on the principal components analysis[1]

二、关键词：玻璃表面缺陷检测;主成分分析

三、背景：

1.问题所在

人工视觉检测和电气功能测试是玻璃缺陷检测最常用的方法。人工检查是一项费时费力的工作：判断方式主观，依赖检测员的经验。电气化检测一般是等手机盖玻璃制造完成后才能进行，无法实时监测。因此，利用机器视觉的缺陷检测技术是应用新方向。传统的方法综述如图1所示。

图1 论文背景提到的缺陷检测技术

2.问题难度

缺陷检测任务有两种：缺陷检测和缺陷分类，前者仅判断是否存在缺陷，后者需要给出具体缺陷类型。缺陷分类的难点在于：同一类型的缺陷可能具有不同的尺寸、方向甚至不同的位置，通过几何形状来判断会导致识别率很低。在图像对比度增强，传统的分段线性变换方法不适用：过度的拉伸或者压缩可能导致背景和前景混淆。在噪声处理，电子噪声、模数转换误差、污渍都可能引入噪声，给检测带来难度。

四、问题定义

1.任务

设计一个基于服务器的分布式缺陷检测处理系统，该系统能够拍摄的图像发送到计算机进行缺陷检测，最后输出：缺陷图像的类别、勾勒出的缺陷区域。

2.数据量与特性

在本实验中，共有100个玻璃盖缺陷图像(全部是有缺陷的)，分为划痕、裂纹、变形、断边和角切割。玻璃盖灰度图像大小为320×200。

五、解决流程

1、数据获取：每台摄像机按照一定的速度拍摄玻璃盖的图像

2、数据预处理：对比度增强、二值化、Blob去噪

3、利用PCA识别缺陷类型：输出类别

4、边缘提取：勾勒缺陷区域

六、流程细节

1. 数据预处理

1)对比度增强：建立灰度直方图，在灰度图里面-背景像素数值偏小，前景像素数值偏大。找出灰度图的分布峰值，灰度值小于阈值α(在分布峰值附近)置零，大于阈值α的范围进行非线性增强，这一步的目的是将增强前景，压缩背景亮度。2)二值化：OTSU, 将分割阈值从0到255循环，将图像灰度值分为两类0类和1类，计算0,1两类的类间方差，当类间方差最大时，对应的就是所求的最佳二值化阈值。二值化后，0代表背景(正常的区域)，1表示缺陷区域或者噪声。3)去噪：blob连通区域分析，根据相邻像素的关系赋予像素点标签，然后将标签相同的像素点视为同一个连通域，将连通域面积小于阈值τ的视为噪声区域予以删除。

2. PCA缺陷识别

获取数据预处理后的图像特征矩阵X, 计算X的协方差矩阵并求特征值和特征向量，保留满足最大贡献值(提取关键特征)的特征向量(降维过程)，特征向量*协方差矩阵得出新生成的图像特征矩阵。计算训练集和测试集图像特征矩阵的欧式距离，选择离测试样本最近的训练样本标签作为预测类别。

3. 边缘提取

在去噪的过程中获得连通域的表示，在这个阶段，使用动态扫描的方式把前景的边缘勾勒出来，输出图片的缺陷区域。

以上就是论文查重服务商papercrazy给我们带来的有关专业的内容缺陷检测论文分享的相关介绍，该文是较为专业对于论文检测数据识别，在此pepercrazy相比其他的论文检测系统，PaperCrazy 重复率控制的是非常严格的。Paper Craz论文检测系统采用国际领先的海量论文动态语义跨域识别技术，通过与国内外大专院校、科研机构等资源单位的长期合作，通过合作和信息的交互，我们的系统拥有了更为专业和丰富的全文数据资源，保证了比对源的专业性和广泛性，通过运用最新的云检测服务部署使其能够快捷、稳定、准确地检测到文章中存在的抄袭和不当引用的现象。