砂紙生產中砂紙缺陷自動檢測系統(tǒng)的設計,砂紙,生產,出產,缺陷,缺點,自動檢測,系統(tǒng),設計 譯文及原文譯文：基于圖像處理的瓷磚表面缺陷檢測的分析與評價摘要陶瓷、瓷磚行業(yè)需要對產品質量進行分級。目前，分級通常使用人工控制系統(tǒng)。自動分級系統(tǒng)對增強質量控制和產品營銷至關重要。因為在瓷磚生產線的不同階段會產生六種不同類型的缺陷,所以提出了許多圖像處理技術對不同缺陷進行檢測。本文調查了已被用于檢測表面缺陷的模式識別和圖像處理算法。每個方法似乎是有限的檢測缺陷的一些小組。檢測技術可以分為三類:統(tǒng)計模式識別,提取特征向量和紋理圖像分類。方法如小波變換、濾波、形態(tài)學和輪廓波變換都能使預處理任務更有效。其他包括統(tǒng)計方法、神經(jīng)網(wǎng)絡和基于模型的算法可以應用于提取表面缺陷。統(tǒng)計方法適合識別大斑點等缺陷,小波處理等技術檢測小針孔等缺陷。本文對目前的算法進行了徹底調查，并且對評價參數(shù)的監(jiān)督和非監(jiān)督參數(shù)進行討論。用各種性能參數(shù),對不同的缺陷檢測算法進行比較和評估。1.引言如今,陶瓷,瓷磚行業(yè)代表最具活力的產業(yè)之一,在產品和自動化生產上有各種各樣的創(chuàng)新。然而產品的缺陷檢測和分級仍然由人工完成，自動分級尚未完善的[1]。分級與整個制造線有隱性的關系，因為各種表面缺陷,如顏色、像圖,裂縫或擦傷,弧度,碰撞會在瓷磚生產的不同階段產生[1]。自動分級的主要困難是在缺陷檢測時所需的圖像處理算法。不同等級的挑戰(zhàn)就是各種各樣的顏色,不同的紋理設計,實時處理要求,大塊的缺陷[1]。當前分級通常分為三個階段:首先,線性刨床衡量瓷磚弧度衡量;然后,堆垛機衡量大小差異；最后,表面缺陷是由人工視覺檢測并在產品表面用馬克筆標記。這種傳統(tǒng)且非自動分級過程面臨的問題是誤差大,過程不可重復,高成本,低速度。工業(yè)生產線的另一個負面因素來自于人道主義人員和不健康的環(huán)境。自動分級系統(tǒng)將有更高的效率,更低的成本,并且能使產品類型統(tǒng)一。當前瓷磚和陶瓷驗證市場大量需要自動分級來提高的生產速度[2]。在現(xiàn)代生產線,瓷磚實際上是將上述三個評估標準分為五個等級,五級被認為是廢品。到目前為止,各種處理算法已經(jīng)提出了智能分級。這些方法可根據(jù)缺陷檢測機制分為四個主要類別:過濾方法、結構技術、統(tǒng)計方法和基于模型的方法(表1)。數(shù)學翻譯和過濾方法通常使用基于模式識別的缺陷檢測的方法。結構處理由傳統(tǒng)的形態(tài)學圖像處理和邊緣檢測算法組成?；谀Ｐ偷姆椒òǔＲ妶D像處理模型的自回歸(AR)和隱馬爾可夫模型(HMM)。在統(tǒng)計方法中,亮度直方圖一般用于缺陷檢測。統(tǒng)計方法的特點是簡單性以及低復雜性[4]。因為瓷磚生產線上的各種化學制品和機械生產過程,導致各種類型的表面缺陷出現(xiàn)在最終的產品上。缺陷通常有不同的視覺形態(tài),有時是矛盾的。因此,所需的分級系統(tǒng)應該包括各種圖像處理算法用來以覆蓋不同類型的缺陷。本文提出的分級算法在對生產線的產品質量和計算復雜性進行了討論和評估。在第 2 部分中,對出現(xiàn)在生產線上的不同類型的表面缺陷進行了研究。在第3 部分,對不同的缺陷檢測算法進行了討論。然后,第四節(jié)處理參數(shù)，用測試結果評估缺陷檢測算法。用質量參數(shù),對檢測技術進行了比較。最后,第五節(jié)的討論得出結論。表 1 不同的缺陷檢測方法2.陶瓷和瓷磚的表面缺陷陶瓷產品在生產線上經(jīng)過各種化學和機械階段。瓷磚的生產由八個主要階段:成型、干燥、鏡面、烘焙、分級、分類[92],如圖 1 所示。鏡面缺陷發(fā)生在上釉和印刷階段。斷裂和裂縫發(fā)生在烘焙階段。邊緣缺陷發(fā)生在上釉線的傳送過程中。此外,針孔缺陷通常發(fā)生在干燥中[3]。表面缺陷可分為六大類，分別具有以下特征(圖 2)[5]。針孔針孔缺陷是一種在產品表面出現(xiàn)小洞的缺陷。針孔大小通常小于 1 毫米。同時,針孔的出現(xiàn)常帶有雜物和凹陷。此缺陷通常產生在烘焙。蝕釉這個問題源于角落部分的釉聚集。釉積累是通常在幾毫米的缺陷部分。這個缺陷出現(xiàn)在緩慢的上釉過程中[5]。裂紋最常見的缺陷是裂紋，因為快速烘烤過程中溫度迅速升高或降低。陶瓷邊緣裂紋主要是由于溫度上升引起的。由降低溫度引起的裂紋也稱為空氣冷裂縫,經(jīng)常產生在快速烘烤過程中[6]臟物一些水滴狀斑點可能存在于陶瓷的表面，被稱作臟物缺陷。一般是由于進爐前濕度沒調整過或冷卻時間不夠引起的。刮傷這種缺陷是由于在某個方向上噴涂的時候打滑產生的。這種缺陷經(jīng)常是在上釉線到干燥爐的時候產生。邊緣缺陷邊緣缺陷最常發(fā)生在烘烤階段，但是也可能發(fā)生在其他的制造階段。3.陶瓷制品的缺陷檢測算法對于表面缺陷的檢測,它需要整個產品表面分析。所以,應該先獲取高分辨率圖像。系統(tǒng)必須有適當?shù)恼彰鱽慝@得一個合適的表面照片。根據(jù)表 1,缺陷檢測算法可分為四個主要組成部分。在這里,對每一部分的主要算法進行了討論。3.1 過濾方法在過濾方法中,通常使用數(shù)學變換和過濾器。在這方面,可以使用線性和非線性變換。最重要的算法包括小波和輪廓波變換,獨立分量分析(ICA)分析、伽柏過濾和人工神經(jīng)網(wǎng)絡在下面討論。3.1.1 小波變換根據(jù)多分辨率的性質分析,用程序延長小波變換(10、11)。在小波變換中,兩個低通 h 和高通 g 過濾器稱為父和母函數(shù),分別使用濾波器組的方式(圖 3)[12]。在圖 3 中,輸入是一個 n m 圖像還有四輸出,LH、HL 和 HH 大小為(n / 2)、(m / 2)。在每個階段,輸入圖像分為四個子圖片。小波變換用于預處理和紋理特征提取[13]。2001 年,Kumar 和 Pang 提出了一種基于小波變換的缺陷檢測方法。那里,小波變換系數(shù)的頻道包含重要的信息用于處理紋理圖像的特征。這個方法是對處理非常柔軟的質地變化是有用的[14]。2005 年,Yang 等人運用類似的方法檢測缺陷紡織廠的紡織物。在這個方法中所面臨的挑戰(zhàn)是如何選擇小波。此外,測試階段是依賴于數(shù)據(jù)點的數(shù)量[15]。3.1.2 輪廓波變換輪廓波變換最初目的是克服小波變換的不易選定小波類型[16]。輪廓波變換用多分辨率和空頻曲線的小波。輪廓波變換結合拉普拉斯算子的直接二維濾波器組(圖 4)。圖像通過拉普拉斯算子轉換為帶通圖片。這種變換具有良好的去噪性。[17]。2012 年,Ai 等人提出了一個新的基于輪廓波變換的特征提取方法從金屬表面圖像中提取足夠和有效的特點。在這項研究中,在特定方向的識別是重要的缺陷,并介紹了輪廓波變換靈活的方向設置。這種方法的缺點是需要額外信息的輪廓波變換。鑄造板和鋁條的表面缺陷的總分類率分別是 93.55%和 92.5%[18]。3.1.3 遺傳算法遺傳算法可以找到一個未達最佳標準的解決方案(19、20)。在缺陷檢測的背景下,首先被認為是統(tǒng)計關系來確定像素對應于表面缺陷。然后,遺傳算法優(yōu)化這些相關參數(shù)。這些參數(shù)可能代表閾值點或形態(tài)學方法參數(shù)(21、22)。2002 年,Zheng 等人介紹了一個基于遺傳算法的方法來檢測表面缺陷。在該算法中,使用形態(tài)學參數(shù)包括基本元素和閾值點。不過,這種方法非常簡單,但是測試階段仍然是一個有爭議的問題[23]。3.1.4ICAICA 算法是一個基本的源分離方法(24、25)。ICA 算法在圖像處理應用程序中,通常假設輸入圖像相結合兩個或多個獨立的圖像。ICA 算法試圖找到最基本的圖像。在缺陷檢測中,缺陷應該是在前景和背景模式。然后,ICA 用于區(qū)分前景和背景(途徑)。2006 年,Tsai 等人提出了一種基于 ICA 的缺陷檢測方法。他們使用了限制ICA 模型設計一個最優(yōu)濾波器從無噪聲的背景檢測表面缺陷。該算法需要無噪聲模式。此外,噪聲使性能降低[27]。3.1.5 人工神經(jīng)網(wǎng)絡人工神經(jīng)網(wǎng)絡(ANN)大多是用于人工智能(29、30)。在圖像處理和缺陷檢測系統(tǒng)中,神經(jīng)網(wǎng)絡作為分類器。應用圖像提取特征向量的神經(jīng)網(wǎng)絡。在缺陷檢測上,特征向量分為兩類：無缺陷的和有缺陷的 ANN[31]。2008 年,Suyi 等人提出了紡織品缺陷檢測[32]。神經(jīng)網(wǎng)絡有一些缺陷,即相關測試過程需要長時間,容易陷入局部最小值,影響算法的準確性。而粒子群優(yōu)化具有良好的搜索能力,但在這個工作粒子群 Optimization-Back-Propagation(PSO-BP)算法用于神經(jīng)網(wǎng)絡的測試階段而不如 BP 算法快。3.1.6 伽柏過濾器伽柏過濾器具有相同的空間和頻率域。這些過濾器可以從組合獲得一個指數(shù)和高斯函數(shù)如下[33]:這里的 x0，y0 是空間坐標中心，u0，v0 是濾波器頻率中心，s 和 β 代表高斯橢圓的 x 和 y 偏差。盡管伽柏過濾器不是正交的,但是他們覆蓋完整信息的圖像,可以選擇指定的頻率和方向。在表面缺陷檢測應用程序中,缺陷可能是運用伽柏過濾器后一個簡單的閾值導致的缺陷區(qū)域[34]。因此,伽柏過濾器主要用在預處理階段。2010 年,格瓦拉等人介紹了織物疵點檢測的一種方法,在紡織行業(yè)基于伽柏過濾器的規(guī)模的變化。他們提出的方法存在計算復雜度高的問題。除此之外,該方法需要一個參考無缺陷物品[35]。3.2 結構方法結構方法中用于缺陷檢測是一個直觀的過程。這些方法使用形態(tài)學操作以及邊緣檢測缺陷檢測的方法。3.2.1 形態(tài)學方法基于形態(tài)學的圖像處理需要二進制和灰度形態(tài)學方法。每個圖像像素的輸出值由確定的輸入像素值及其相鄰的像素確定[36-38]。所以,適當?shù)倪x擇元素往往是最重要的部分[39]。關閉操作導致一些區(qū)域的圖像平和,通常用混合小斷裂和消除了小洞,填補環(huán)境中[40]。形態(tài)學方法通常用于改善圖像,平滑圖像,減少缺陷圖像中噪聲。同時,利用形態(tài)學運算,在缺陷圖像邊緣檢測實現(xiàn)[41-43]。2009 年,Yiu 等人提出了一種新的基于形態(tài)學算子方法檢測織物紋理缺陷。在這種方法中,首先使用伽柏小波設計形態(tài)學方法的基本元素。這種算法便于輸入圖像，先后經(jīng)過開閉運算,中值濾波,閾值分割，缺陷判斷，再輸出圖像即可。該方法的檢測類型和細節(jié)上存在缺陷[44]。3.2.2 邊緣檢測算法最簡單的邊緣檢測方法是圖像的梯度(45、46)。邊緣檢測是最后一步?？梢詫崿F(xiàn)通過選擇合適的閾值使圖像的邊緣精度提高[47]。邊緣檢測方法用于檢測表面缺陷的邊緣缺陷檢測和圖像分割[48]。2011 年,Salimian 和 Pourghassem提出一種方法檢測陶瓷和瓷磚邊緣缺陷。在這種方法中,邊緣用高精算法首先檢測到。然后,角的角度是由使用內積。最后如果角大約是 89 - 92 則是有缺陷的邊緣[9]。2006 年,穆克吉等人介紹了一個基于密度的邊緣缺陷檢測技術。提取邊緣密度,他們用離散余弦變換(DCT)。檢測帶鋼邊界后,帶鋼表面缺陷檢測通過使用一個紋理解碼器基于高斯濾波器。該技術速度低因為它需要使用小塊[49]。3.3 基于模型的方法在基于模型的圖像處理中,選擇一個模型來分析所需的圖像參數(shù)。它包含了隱馬爾科夫模型(HMM)[50]。HMM 模型可以被想象為一組相互關聯(lián)的有一系列的連接概率的狀態(tài)[51]。其他基于模型的方法是有限的區(qū)間[52],自回歸模型(AR)[53 - 56],[57]和分形模型。3.3.1 隱馬爾可夫模型在這里,一個獨立的區(qū)域將會分配給每個特性。通常使用一些圖像測試HMM。如果隱馬爾可夫模型用于缺陷檢測、三個組件的狀態(tài),必須定義向量 π 和狀態(tài)轉移矩陣。發(fā)生的概率有缺陷或無缺陷狀態(tài)零地區(qū)的圖像表示為向量 π。必須提醒,每個 N M 小區(qū)域的圖像被認為是一種狀態(tài),N 和 M 代表區(qū)域的大小。從有缺陷的概率的變化為無缺陷條件(反之亦然)所示狀態(tài)改變矩陣。2008 年,Hadizadeh 和 Shokouhi 介紹使用 1-D HMM 缺陷檢測的方法。在這種方法中,輸入圖像預測的 HMM。然后,模型輸出和輸入圖像之間的差異表現(xiàn)出缺陷[49]。這種方法的一個主要問題是統(tǒng)計計算的復雜性。3.3.2 自回歸模型AR 模型包括閾值自回歸模型和指數(shù)自回歸模型[60]表示一個簡單的基于模型的方法(61、62)。AR 模型參數(shù)的確定了所需的紋理,紋理的特定區(qū)域不相容的模型參數(shù)可以被視為缺陷區(qū)域。2010 年,Bu 等人提出了一個方法基于新的時間序列譜分析方法對織物紋理缺陷檢測,使用 AR 譜基于 Burg-algorithm[63]。同時需要測試階段和非確定性和統(tǒng)計結果是這個方法的缺點。3.4 統(tǒng)計方法統(tǒng)計方法通常用于分類問題。主要方法包括直方圖曲線特性,符合威布爾分布,同現(xiàn)矩陣和自相關。3.4.1 直方圖曲線圖像直方圖描述像素的數(shù)量在每個輸入圖像的亮度。圖 5 展示了一個有缺陷的圖像及其直方圖。如果最優(yōu)閾值點在圖像直方圖,缺陷模式可以簡單地由閾值提取[64]。2006 年,Hui-Fuang Ng 提出缺陷檢測的閾值方案應用于直方圖。這種方法是基于大津法和計算理想點直方圖曲線的缺陷檢測。它可以簡單的實現(xiàn),但有時結果存在很大的誤差[65]。3.4.2 同現(xiàn)矩陣Haralick 和他的同事們用鄰接矩陣來研究不同材質的屬性[66]。應用灰度共生矩陣建立灰度共生矩陣法(GLCM)關于鄰近的像素值之間的關系在數(shù)學上表達為這里的 c 是同現(xiàn)矩陣，I 是 NL M 圖片，x 是距離和方向參數(shù)(67、68)。同現(xiàn)矩陣可以創(chuàng)建在任何方向和距離特征提取參數(shù)供選擇。通常同現(xiàn)矩陣用于六個方向特征提取和缺陷檢測[69]。但在某些情況下只有兩個方向的同現(xiàn)矩陣用于缺陷檢測應用程序[70]。GLCM 用來提取特征,如熵,對比度,角二階矩、相關性,和逆差距(71 - 73)。熵熵定義圖像的復雜性。越復雜的紋理,熵值越大。對比度圖像的對比度決定了區(qū)域的像素數(shù)量變化。角二階矩角二階矩是衡量圖像同質性。因此它適用于判斷結構紊亂的圖像。逆差距相關參數(shù)方程如下2012 年,Mingde 等人提出了一個基于支持向量數(shù)據(jù)(計算)的算法。在這種方法中,首先創(chuàng)建兩個 GLCM 描述織物紋理。GLCMs 應用灰度共生矩陣建立的降低計算的復雜性。接下來,SVD 用于分類的分類器。該算法適合實時應用程序[74]。得到特征向量需要復雜的計算是這方法的一個缺點。3.4.3 威布爾分布最近的研究表明,一個隨機紋理可以用威布爾分布分析[75]。此外,大多數(shù)文獻表明,威布爾分布的圖像準確分割的無監(jiān)督圖。分布也被用于視覺內容分析(76、77)。在 β 分布寬度事實上代表了圖像的對比,和 γ 分布峰值代表圖像大小的種子。威布爾分布可以形象派生的分布。在這種情況下,較低的 β 參數(shù)的數(shù)量會導致較低的圖像對比。同時,低價值的參數(shù) γ 是粗的象征或崎嶇不平的紋理圖像。還方程定義 x40[78]。圖 6 演示了四個例子。在這個圖中,第一列是輸入圖像,第二列是推導振幅,第三列是提取圖像的直方圖,第四列是分布安裝。在這個圖中,特別挑選的圖片被用來代替實際瓷磚圖像更好地評估算法在沒有噪音從能力的角度缺陷模式的提取。此外,與特定相關的測試圖像直方圖涵蓋所有可能的情況。紋理缺陷檢測的,首先,圖像分為相同的塊,每一塊的梯度幅值計算。接下來,直方圖的圖像梯度計算,最后,最后一階段包括威布爾分布擬合直方圖圖像的梯度。獲得分布參數(shù)和考慮他們的陣列特征向量,可以檢測到的距離范圍內的缺陷。圖7 演示了這些階段[74]。此外,期望最大化方法可用于計算分布參數(shù)(79、80)。2011 年費邊蒂姆和 Erhardt 巴斯缺陷檢測,提出了一種非參數(shù)方法只使用兩個特性。這種方法的優(yōu)點是快速聚類,因為它只使用兩個特性,但與此同時,特征向量生成包括圖像等復雜計算推導和分布參數(shù)擬合[74]。3.4.4 自相關自相關圖像表示圖像像素之間的相似度。自相關法用圖像處理檢查圖像塊之間的相關性[81]。2010 年,Hoseini 等人利用自相關函數(shù)作為缺陷檢測工具。這個方法有四個階段。在第一步中,原始的紋理模式是從 defectless 圖像中提取(測試階段)。在第二步中,將有缺陷的區(qū)域與輸入的參考圖像做對比。第三階段計算圖像背景的均值，減少高頻信息。在最后一步中,對檢測到的缺陷使用閾值分割[82]。4.缺陷檢測方法評價4.1 評估標準可以使用不同的標準來評估各種檢測方法包括錯誤定義和缺陷檢測診斷或誤診的比例。對于錯誤的計算,正確的判斷應考慮評估不同的算法輸出。在這種情況下,缺陷通常是由人工視覺和相關檢測模式定義進行評估。圖 8 展示了一個有缺陷的瓷磚圖像及其缺陷圖像,是由人工視覺判斷[83]。應該提醒的是,監(jiān)督評價方法是主觀的和相對的方法[84]。監(jiān)督評價方法的參數(shù)包括品質因數(shù)(FOM)[85],[86]豪斯多夫距離,和 Odet 的標準(ODI 與 UDIn)[87]。品質因數(shù)在這個方程中,d(i)是第 i 個像素的圖像和最近的像素的圖像之間的距離。card(I)是 I 圖像像素的數(shù)量。豪斯多夫距離Odet 的標準Odet 的標準包括兩個錯誤從發(fā)散衡量標準,這是一個受歡迎的評價標準。和在這些方程 d0(k)是 k 像素之間的距離，檢測算法輸出圖像和最近的像素圖像缺陷模式。同時,d0(k)、k 像素之間的距離是檢測算法輸出圖像和最近的像素圖像缺陷模式。沒有像素的數(shù)量是錯誤檢測到缺陷像素和 ν 是像素的數(shù)量是錯誤的檢測是無缺陷像素。對數(shù)是缺陷的最大允許距離和 n 是一個比例因子,考慮不同的權重不同的像素根據(jù)缺陷模式的距離圖像[88]。同時,錯誤的定義可以用作標準算法評估。例如在檢測錯誤(ODE)命名。在這個方程 card(It)和 card(Is)輸出圖像的缺陷像素算法,分別和缺陷模式的圖像。此外另一個定義它/ s,分配給用于算法輸出的像素數(shù)量缺陷像素的形象而不是缺陷模式的圖像。另一個錯誤可以被引入作為一個標準來評估算法。降低檢測錯誤。這個誤差方程如下:應該注意,在上面的方程 card(It)和 card(Is)輸出圖像的缺陷像素算法,分別和缺陷模式的圖像。另一方面,另一個定義/ s,分配給像素的數(shù)量用于缺陷模式缺陷像素的形象而不是輸出圖像的算法。另一種類型的錯誤是本地化錯誤實際上是規(guī)范化的像素數(shù)量錯誤診斷、誤診算法相比,輸出圖像的缺陷模式的形象。這個錯誤方程如下:BO 和 FO 表示缺陷模式的背景和前景區(qū)域像素的圖像,和英國電信和英國《金融時報》表示算法的背景和前景區(qū)域像素輸出圖像[89]。FOM 主要代表實驗距離作為標準。統(tǒng)一的 FOM 值越接近,更好的輸出質量。豪斯多夫距離理論上可能是一個很好的衡量代表兩個集合的相似性。然而,展覽大對噪聲的敏感性。ODI 可以顯示檢測到的缺陷區(qū)域之間的分歧在輸出。同樣,UDI 演示的散度受到缺陷模式的檢測區(qū)域圖像。豪斯多夫距離和 Odet 條件收斂于團結,算法效果更好。這兩個標準是更適合于檢測大型缺陷,如臟缺陷,但Odet 則可以更好地檢測大缺陷,如裂縫和缺陷邊緣。如果檢測到故障比現(xiàn)有的更大,誤差測量的歌唱更適用。LDE 相比之下,更有效的發(fā)現(xiàn)缺陷,他們是小于一個真正的。頌歌和 LDE 零完美的檢測結果。勒是一個衡量,妥協(xié) LDE 歌唱和表演。勒的影響,和檢測情況。它可能被認為是一個合適的測量評估小斷層的探測針孔等缺陷。較低的 LE 測量缺陷的表現(xiàn)出更好的性能檢測。另一個評估類別是無監(jiān)督的,大多是用于統(tǒng)計方法。在這種情況下,不需要先天的缺陷模式的形象。獨立從人工視覺檢測的方法相比,其優(yōu)點是監(jiān)督方法。然而,統(tǒng)計結果不確定性的價值可以枚舉作為他們的缺點[90]。在這些方法中,Entropy-based 和非負分解可以命名為[91 - 93]。在 Entropy-based 方法中,基于熵評價函數(shù)。這種方法使用缺陷和無缺陷地區(qū)輸出圖像的熵的評價算法。同時,輪廓熵可以用于分配的百分比像素屬于每個地區(qū)已被錯誤的檢測是有缺陷的區(qū)域。最后,應該提醒的是,沒有明確的評價體系的診斷錯誤的檢測。非負分解方法是一種評價衡量缺陷和無缺陷區(qū)域之間的對比。4.2 評價缺陷檢測方法現(xiàn)在不同的缺陷檢測方法評估和比較而言,上述的性能標準。表 2 說明了所有這些選擇的標準檢測方法?？梢钥吹?基于直方圖方法的局部誤差小于其他方法,而基于共生矩陣的方法有最大的本地檢測錯誤和不當行為出現(xiàn)在本地錯誤。如前所述,在展示了像素錯誤地診斷為缺陷檢測錯誤。在檢測技術中,伽柏過濾器導致最大的檢測誤差?；谥狈綀D的方法提供最佳性能的檢測誤差。在較低的檢測誤差的情況下,形態(tài)運營商導致的最低檢測錯誤。伽柏過濾器演示最差表現(xiàn)的較低的檢測誤差。三個標準的品質因數(shù),豪斯多夫距離和 Odet 的標準也被利用。應該注意的是,算法的性能越好,接近統(tǒng)一的測量圖的方法(圖 9)。關于豪斯多夫距離標準,基于直方圖,神經(jīng)網(wǎng)絡,和形態(tài)運營商展示最好的表演和同現(xiàn)矩陣顯示最低的評價。Odet 的標準而言,小波變換和形態(tài)學運算符執(zhí)行更有效率。5.結論本文研究了不同的表面缺陷檢測方法。每種方法都有自己的優(yōu)點和缺點。一些方法速度快但精度較低,其他方法精度高但計算復雜速度慢。根據(jù)實時處理的要求,陶瓷、瓷磚行業(yè)存在不同的模式、同事達到高速度，高精度是一個挑戰(zhàn)。每種方法只能在特殊的缺陷檢測方面達到高速度和高精度。表 3 顯示了各種方法之間的定量和定性的比較。它可以很容易地看到,基于直方圖的方法有非常高的速度。低計算復雜度和效率高的特定特征直方圖的方法?；谏窠?jīng)網(wǎng)絡方法在測試階段還有問題,但是他們的速度在測試階段是相當不錯的。形態(tài)學技術和伽柏過濾器也可以作為候選的實時應用程序。相比之下,同現(xiàn)技術的計算復雜度最高。小波反式復雜的計算與快速應用程序的要求不符。小波變換和形態(tài)學技術對噪聲的處理最好。因此,本文得出結論是,提出的通用算法還不能檢測所有的的缺陷類型。所以,混合方法對工業(yè)應用是必不可少的?？梢钥闯?統(tǒng)計方法更適合檢測大斑點等缺陷。一些方法,如小波變換和伽柏過濾器可以檢測小像針孔缺陷,盡管他們的問題是計算太復雜。結構性方法適用于檢測陶瓷的邊緣裂紋缺陷。計算復雜的基于模型的方法,可以檢測更大缺陷。參考文獻[1]Rawlings RD, Wu JP, Boccaccini AR. Glass-ceramics: their production from wastes—a review. Springer J Mater Sci 2006;41(3):733–61.[2]Sezzi G. World production and consumption of ceramic tile. Ceram World Rev 2006;14(58):54–71.[3] Hawks L. Selecting ceramic tile. Archived USU Extension Publications; Utah State University, Digital Commons; 1987 (Paper 515).[4] Kim J, Fisher JW, Yezzi A, Cetin M, Willsky AS. A nonparametricstatistical method for image segmentation usinginformationtheory and curveevolution. IEEE Trans. Image Process 2004;14(10):1486–502.[5] Atiqur Rahaman GM, Hossain MM. Automatic defect detection and classifica-tion technique from image: a special case using ceramic tiles. Int J Comput Sci Inf Secur (IJCSIS) 2009;1(1):22–30.[6] Jones JT. The ceramic and pottery defect series. 3rd ed. Fabiano Nazario Santos; 2007 available on /http://ceramiedefeets.com/df01.pdfS.[7] Mansoory MS, Tajik H, Mohamadi G, Pashna M, Edge defect detection in ceramic tile based on boundary analysis using fuzzy thresholding and radon transform. In: Proceedings of the IEEE international symposium on signal processing and information technology (ISSPIT); 2008, pp. 58-62.[8] Gonzalez JMV, Linuesa FA, Garcia FL, A ceramic tile inspection system for detecting corner defects. In: Proceedings of the IX Spanish symposium on pattern recognition and image analysis; 2001, 2, No. 1, pp. 213-218.[9] Najafabadi FS, Pourghassem H, Corner defect detection based on dot product in ceramic tile images. In: Proceedings of IEEE 7th international colloquium on signal processing and its applications (CSPA); 2011, pp. 293-7.[10] Hocenski ?, Rimac-Drlje S, Keser T, Visual diagnostics based on image wavelet transform, In: Proceedings of 9th European conference on power electronics and applications; 2001, pp. 627-31.[11] Krishnaiah GC, Prasad TJ, Prasad MNG. Algorithm for improved image compression and reconstruction performances. Signal and Image Process: Int J (SIPIJ) 2012;3(2):79–98.[12] Fathi A, Monadjemi AH, Mahmoudi F. Defect detection of tiles with combined undecimated wavelet transform and GLCM features. Int J Soft Comput Eng (IJSCE) 2012;2(2):30–4.[13] Ghazvini M, Monadjemi SA, Movahhedinia N, Jamshidi K. Defect detection of tiles using 2D-wavelet transform and statistical features. World Acad Sci Eng Technol 2009;25 910–904.[14] Kumar A, Pang G, Identification of surface defects in textured materials using wavelet packets. In: Proceedings of the 36th IEEE/IAS annual meeting, vol. 1, 2001, Chicago, IL, pp. 247-51.[15] Yang X, Gao J, Pang G, Yung N, Textile defect classification using discriminative wavelet frames. In: Proceedings of the IEEE international conference on information acquisition; 2005, pp. 54-8.[16] Ma C, Zaho C, Hou Y, Pavement distress detection based on nonsubsampled contourlet transform. In: Proceedings of the IEEE international conference on computer science and software engineering, CSSE 2008, Wuhan, China, 2008;pp. 28-31.[17] Eslami R, Radha H, Wavelet based contourlet transform and its application to image coding. In: Proceedings of the international conference on image processing; 2004, pp. 3-6.[18] Ai Y, Xu K. Feature extraction based on contourlet transform and its applica-tion to surface inspection of metals. J Opt Eng 2012;51(11).[19] Snyers D, Petillot Y. Image processing optimization by genetic algorithm with a new coding scheme. Pattern Recognit Lett 1995;16(8):843–8.[20] Loft B, Snow J. A genetic algorithm for drawing ordered sets. Tex Coll Math J 2006;1(2):10–25.[21] Yun JP, Choi S, Seo B, Park CH, Kim SW, Defects detection of billet surface using optimized gabor filters. In: Proceedings of the 17th world congress interna-tional federation of automatic control Seoul, Korea; 2008, pp. 77-82.[22] Frayman Y, Zheng H, Nahavandi S. Machine vision system for automatic inspection of surface defects in aluminum die casting. J Adv Comput Intell and Intelli Inf 2005;10(3):281–2.[23] Zheng H, Kong LX, Nahavandi S. Automatic inspection of metallic surface defects using genetic algorithms. J Materi Process Technol 2002;125:427–33.[24] Karande KJ, Talbar SN. Independent component analysis of edge information for face recognition. Int J Image Process (IJIP) 2012;3(3):120–30.[25] Lee TW, Lewicki MS, Sejnowski TJ, ICA mixture models for image processing. In: Proceedings of the 6th joint symposium on neural computation proceed-ings; 1999, pp. 79-86.[26] Sezer OG, Ertüzün A, Er?il A. Independent component analysis for texture defect detection. Pattern Recognit Image Anal 2004;14(2):303–7.[27] Tsai DM, Tseng YH, Chao SM, Yen CH, Independent component analysis based filter design for defect detection in low-contrast textured images, In: Proceed-ings of the 18th international conference on pattern recognition (ICPR); 2006,pp. 231-4.[28] Qader IA, Amara FA, Abudayyeh O. Fractals and Independent Component Analysis for Defect Detection in Bridge Decks, Hindawi Publishing Corporation Advances in Civil Engineering. Article ID 506464 2011:1–14.[29] Petersen ME, Ridder D, Handels H. Image processing with neural networks—a review. Pattern Recognit—PR 2002;35(10):2279–301.[30] Kheradpisheh Saeed Reza, Behjati-Ardakani Fatemeh, Ebrahimpour Reza. Combining classifiers using nearest decision prototypes. Appl Soft Comput 2013;13(12):4570–8.[31] Branca A, Delaney W, Lovergine FP, Distante A. Surface defect detection by texture analysis with a neural network. Int Conf Robot Autom (ICRA) 1995:1497–502.[32] Suyi L, Jingjing L, Leduo Z, Classification of fabric defect based on PSO-BP neural network. In: Proceedings of the second international conference on genetic and evolutionary computing; 2008, pp. 137-40.[33] Tsai DM, Wu SK. Automated surface inspection using Gabor filters. Int J Adv Manuf Technol 2000;16(7):1–26.[34] Polzleitner W. Defect detection on wooden surface using Gabor filters with evolutionary algorithm design. Int Sympos Neural Networks (ISNN) 2001:750–5.[35] Chen S, Feng J, Zou L, Study of fabric defects detection through gabor filter based on scale transformation. In: Proceedings of the international conference on image analysis and signal processing (IASP); 2010, pp. 97-9.[36] Juang LH, Wu MN. Psoriasis image identification using k-means clustering with morphological processing. Elsevier Meas 2011;44(5):895–905.[37] Kaur B, Mohal G, Gupta P, kaur J. Mathematical morphological edge detection for different applications: a comparative study. Int J Comput Sci Technol (IJCST) 2011;2(2):216–20.[38] Lu S, Chen BM, Ko CC. Perspective rectification of document images using fuzzy set and morphological operations. Image Vision Comput 2005;23 (5):541–53.[39] NagaRaju C, NagaMani S, Prasad G, Sunitha S. Morphological edge detection algorithm based on multi-structure elements of different directions. Int J Inf Communi Technol Res 2011;1(1):37–43.[40] Bouaynaya N, Schonfeld D. Spatially variant morphological image processing: theory and applications. IEEE Trans Pattern Anal Mach Intell 2008;30 (5):823–36.[41] Elbehiery H, Hefnawy A, Elewa M. Surface defects detection for ceramic tiles using image processing and morphological techniques. World Acad Sci, Engi Technol 2005:158–62.[42] Pahsa A. Morphological image processing with fuzzy logic. J Aeronaut Space Technol / Havacilik ve Uzay 2006;2(3):27.[43] Bouaynaya N, Charif-Chefchaouni M, Schonfeld D. Spatially variant morpho-logical restoration and skeleton representation. IEEE Trans Image Process 2006;15(11):3579–91.[44] Mak KL, Peng P, Yiu KFC. Fabric defect detection using morphological filters. Image Vision Comput 2009:1585–92.[45] Narendra VG, Hareesh KS. Study and comparison of various image edge detection techniques used in quality inspection and evaluation of agricultural and food products by computer vision. Int J Agri Biol Eng 2011;4(2):1–8.[46] Maini R, Aggarwal H. Study and comparison of various image edge detection techniques. Int J Image Process (IJIP) 2009;3(1):1–12.[47] Sham FC, Chen N, Long L. Surface crack detection by flash thermography on concrete surface. Journal of Insight-Winston then Northampton 2008;50 (5):240–3.[48] Tsai DM, Chao SM. Anisotropic diffusion-based defect detection for low-contrast glass substrates. J Image Vision Comput 2008;26(2):1–35.[49] Mukherjee A, Chaudhuri S, Dutta PK, Sen S, Patra A. An object-based coding scheme for frontal surface of defective fluted ingot. ISA Trans 2006;45(1):1–8.[50] Hadizadeh H, Shokouhi SB. Random texture defect detection using 1-D hidden Markov models based on local binary patterns. Trans Inf Sys (IEICE) 2008;E91-D(7):1937–45.[51] Thede SM, Harper MP, A second-order Hidden Markov Model for part-of-speech tagging. In: ACL '99 Proceedings of the 37th annual meeting of the association for computational linguistics on computational linguistics; 1999,pp. 175-182.[52] Ramage D, Hidden Markov Models Fundamentals. Machine Learning Free Book, CS229 Section Notes; 2007.[53] Deguchl K, Two dimensional autoregressive model for analysis and synthesis of gray-level texture. In: Proceeding of the first international symposium for science on form; 1986, pp. 441-9.[54] Lu SW, Xu H. Textured image segmentation using autoregressive model and artificial neural network. Pattern Recognit 1995;28(12):1807–17.[55] Debure K, Kubota T, Autoregressive texture segmentation and synthesis for wavelet image compression. In: Proceedings of image and multidimensional digital signal processing; 1998, pp. 131-4.[56] Ergen B, Texture analysis and classification using autoregressive signal modeling method. In: Proceedings of 1st Taibah university international conference on computing and information technology (ICCIT2012); 2012,pp. 107-10.[57] Kasparis T, Tzannes NS, Bassiouni M, Chen Q. Texture description using fractal and energy features. Comput Electr Eng Elsevier 1995;21(1):21–32.[58] Nefian AV, Hayes MH. Hidden Markov models for face recognition. IEEE Int Conf Acoust Speech Signal Process 1999:2721–4.[59] Dementhon D, Doermann D, Stückelberg MV. Hidden Markov models for images. International Conference on Pattern Recognition 2000:1–9.[60] Joshi MS, Bartakke PP, Sutaone MS, Texture representation using autoregres-sive models. In: Proceedings of the International conference on advances in computational tools for engineering applications; 2009, pp. 386-90.[61] Alata O, Ramananjarasoa C. Unsupervised textured image segmentation using 2-D quarter plane autoregressive model with four prediction supports. Pattern Recognit Lett 2005;26(8):1069–81.[62] Tugnait JK. Consistent order selection for noncausal autoregressive models via higher-order statistics. Int Federation Autom Control 1990;26(2):311–20.[63] Bu HG, Huang XB, Wang J, Chen X. Detection of fabric defects by auto-regressive spectral analysis and support vector data description. Text Res J 2010;80(7):591–601.[64] Singh S, Kaur M. Machine vision system for automated visual inspection of tile’s surface quality. IOSR J Eng 2012;2(3):429–32.[65] Ng HF. Automatic thresholding for defect detection. Pattern Recognit Lett 2006;27(14):1644–9.Haralick RM, Sha