轮胎 X 射线图像中的缺陷检测：传统方法与深度结构的结合
计算机视觉与模式识别
2024-02-29 v1 机器学习
图像与视频处理
摘要
本文介绍了一种用于轮胎 X 射线图像自动缺陷检测的稳健方法，该方法利用了局部二值模式（LBP）和灰度共生矩阵（GLCM）特征等传统特征提取方法，以及基于傅里叶和小波的特征，并辅以先进的机器学习技术。认识到轮胎 X 射线图像中复杂模式和纹理固有的挑战，本研究强调了特征工程对于提升缺陷检测系统性能的重要性。通过精心将这些特征的组合与随机森林（RF）分类器集成，并将其与 YOLOv8 等先进模型进行比较，该研究不仅基准测试了传统特征在缺陷检测中的性能，还探索了经典方法与现代方法之间的协同效应。实验结果表明，当经过微调并与机器学习模型结合时，这些传统特征可以显著提高轮胎缺陷检测的准确性和可靠性，旨在为轮胎制造中的自动质量保证树立新标准。
引用
@article{arxiv.2402.18527,
title = {Defect Detection in Tire X-Ray Images: Conventional Methods Meet Deep Structures},
author = {Andrei Cozma and Landon Harris and Hairong Qi and Ping Ji and Wenpeng Guo and Song Yuan},
journal= {arXiv preprint arXiv:2402.18527},
year = {2024}
}
备注
7 pages, 2 figures, 3 tables, submitted to ICIP2024