視覺缺陷檢測設(shè)備檢測方法及特征選擇與提取!
作者 : 安徽思普泰克發(fā)布時間 : 2020-05-20 瀏覽 : 240 次
安徽思普泰克視覺缺陷檢測設(shè)備采用ccd照相機將被檢測的目標轉(zhuǎn)換成圖像信號，傳送給專用的圖像處理系統(tǒng)，根據(jù)像素分布和亮度、顏色等信息，轉(zhuǎn)變成數(shù)字化信號，圖像處理系統(tǒng)對這
安徽思普泰克視覺缺陷檢測設(shè)備采用ccd照相機將被檢測的目標轉(zhuǎn)換成圖像信號，傳送給專用的圖像處理系統(tǒng)，根據(jù)像素分布和亮度、顏色等信息，轉(zhuǎn)變成數(shù)字化信號，圖像處理系統(tǒng)對這些信號進行各種運算來抽取目標的特征。
視覺缺陷檢測設(shè)備的檢測方法：
1、計算了缺陷圖像與標準圖像的灰度差。
2、通過將差值與設(shè)定的閾值進行比較，可以判斷出缺陷。
3、缺陷圖像的特征選擇與提取。
視覺缺陷檢測設(shè)備缺陷圖像差分法
基本流程
1、有效探測區(qū)域設(shè)置
2、圖像配準與裁剪
3、設(shè)置差異閾值
4、缺陷位置識別
視覺缺陷檢測設(shè)備缺陷圖像的特征選擇與提取
視覺缺陷檢測設(shè)備的特征提取方法
1、灰度特性
2、灰度差分特征
3、直方圖特征
4、變換系數(shù)特性
5、線和角的特征
6、灰色邊緣特征
7、紋理特征
視覺缺陷檢測設(shè)備的特征選擇(數(shù)據(jù)降維)
降維的原因：在機器學(xué)習(xí)中，如果特征值太多，即維數(shù)太多，就會造成維數(shù)災(zāi)難。維數(shù)災(zāi)難最直接的后果是過擬合，導(dǎo)致分類和識別的誤差。因此，我們需要降低所提出特征的維數(shù)。
基本原理：特征選擇是對原始空間進行變換，以較小的維數(shù)重新生成一個更加獨立的特征空間。
降維問題：
1、 降維后的數(shù)據(jù)是否應(yīng)該包含更多信息?
2、降維后會丟失多少信息?
3、降維對分類識別有什么影響?
數(shù)據(jù)維度縮減的好處：
(1) 數(shù)據(jù)壓縮減少了數(shù)據(jù)存儲所需的空間和計算所需的時間。
(2) 消除數(shù)據(jù)之間的冗余，簡化數(shù)據(jù)，提高計算效率。
(3) 去除噪聲，提高模型的性能。
(4) 提高了數(shù)據(jù)的可理解性和學(xué)習(xí)算法的準確性。
(5) 將數(shù)據(jù)維度減少到二維或三維以便可視化。
常用方法：主成分分析、隨機映射、非負矩陣分解。
主成分分析
方法概述：該方法的目標是發(fā)現(xiàn)數(shù)據(jù)中最重要的元素和結(jié)構(gòu)，去除噪聲冗余，降低原始復(fù)雜數(shù)據(jù)的維數(shù)，揭示隱藏在復(fù)雜數(shù)據(jù)背后的簡單結(jié)構(gòu)。主成分分析(PCA)是在最小化數(shù)據(jù)丟失的原則下對多元數(shù)據(jù)表進行簡化的一種嘗試。
這些綜合指標被稱為主成分，即降低高維變量空間的維數(shù)，可見低維空間的識別系統(tǒng)要比高維空間容易得多。PCA從線性代數(shù)的角度出發(fā)，尋找一組新的正交基來重新描述作為主元的數(shù)據(jù)空間。
視覺缺陷檢測設(shè)備的檢測方法：
1、計算了缺陷圖像與標準圖像的灰度差。
2、通過將差值與設(shè)定的閾值進行比較，可以判斷出缺陷。
3、缺陷圖像的特征選擇與提取。
視覺缺陷檢測設(shè)備缺陷圖像差分法
基本流程
1、有效探測區(qū)域設(shè)置
2、圖像配準與裁剪
3、設(shè)置差異閾值
4、缺陷位置識別
視覺缺陷檢測設(shè)備缺陷圖像的特征選擇與提取
視覺缺陷檢測設(shè)備的特征提取方法
1、灰度特性
2、灰度差分特征
3、直方圖特征
4、變換系數(shù)特性
5、線和角的特征
6、灰色邊緣特征
7、紋理特征
視覺缺陷檢測設(shè)備的特征選擇(數(shù)據(jù)降維)
降維的原因：在機器學(xué)習(xí)中，如果特征值太多，即維數(shù)太多，就會造成維數(shù)災(zāi)難。維數(shù)災(zāi)難最直接的后果是過擬合，導(dǎo)致分類和識別的誤差。因此，我們需要降低所提出特征的維數(shù)。
基本原理：特征選擇是對原始空間進行變換，以較小的維數(shù)重新生成一個更加獨立的特征空間。
降維問題：
1、 降維后的數(shù)據(jù)是否應(yīng)該包含更多信息?
2、降維后會丟失多少信息?
3、降維對分類識別有什么影響?
數(shù)據(jù)維度縮減的好處：
(1) 數(shù)據(jù)壓縮減少了數(shù)據(jù)存儲所需的空間和計算所需的時間。
(2) 消除數(shù)據(jù)之間的冗余，簡化數(shù)據(jù)，提高計算效率。
(3) 去除噪聲，提高模型的性能。
(4) 提高了數(shù)據(jù)的可理解性和學(xué)習(xí)算法的準確性。
(5) 將數(shù)據(jù)維度減少到二維或三維以便可視化。
常用方法：主成分分析、隨機映射、非負矩陣分解。
主成分分析
方法概述：該方法的目標是發(fā)現(xiàn)數(shù)據(jù)中最重要的元素和結(jié)構(gòu)，去除噪聲冗余，降低原始復(fù)雜數(shù)據(jù)的維數(shù)，揭示隱藏在復(fù)雜數(shù)據(jù)背后的簡單結(jié)構(gòu)。主成分分析(PCA)是在最小化數(shù)據(jù)丟失的原則下對多元數(shù)據(jù)表進行簡化的一種嘗試。
這些綜合指標被稱為主成分，即降低高維變量空間的維數(shù)，可見低維空間的識別系統(tǒng)要比高維空間容易得多。PCA從線性代數(shù)的角度出發(fā)，尋找一組新的正交基來重新描述作為主元的數(shù)據(jù)空間。
是一家專業(yè)研發(fā)生產(chǎn)自動化檢測設(shè)備，視覺檢測設(shè)備，光學(xué)篩選機的生產(chǎn)廠家，本公司提供不同行業(yè)的自動化檢測設(shè)備的非標定制生產(chǎn)···
關(guān)注微信公眾號
關(guān)注公司抖音號
Copyright ? 2018-2022 安徽思普泰克智能制造科技有限公司 備案號：皖I(lǐng)CP備19009977號-1