在基于图像的轨道检测系统中，光照变化和表面反射特性容易影响轨道表面缺陷的分割效果。本文提出了一种基于背景减法的轨道表面缺陷图像分割算法。其次，为了提高精度，结合相关系数和欧几里得距离来测量像素邻域之间的相似度。然后，利用相似度测量结果确定邻域平均尺度，多尺度建立背景图像模型。最后，通过差分图像的图像差分和设定阈值实现轨道表面缺陷的分割。该方法充分利用了轨道图像中像素邻域之间的相似度信息，并建立了背景图像的精确模型。 因此，该方法可以有效减少照明不均匀的影响和轨道表面的反射特性，同时突出图像中的缺陷区域。实验结果表明，该方法具有良好的效果。对块状缺陷和线性缺陷的分割都产生了影响，这些缺陷在图像中离散分布。

资源0积分，为辅助博文上传的资源，CSDN不要给我随意涨积分！！！

瑕疵检测代码-matlab 缺陷检测 Matlab代码用于基于Extreme Edge的缺陷检测，如以下文章所示：Zouhir Wakaf，Hamid A.Jalab（2016）。 基于缺陷区域直方图极端边缘的缺陷检测。 沙特国王大学学报-计算机与信息科学。 DOI：10.1016 / j.jksuci.2016.11.001

用matlab画误差椭圆代码Defect_Detection_MatLab Matlab实施的自动化缺陷检测项目 项目结构概述 该项目是用Matlab编写的，并使用Matlab r2017a版本运行。 该项目已在macOS Sierra，Windows 7，Windows 10和Ubuntu 17.10平台上进行了测试。 代码的某些部分需要支持CUDA的GPU才能正常运行。 该项目具有三种文件类型：函数，脚本和数据文件夹。 函数可以分为几类，例如数据解析器，筛选方法等。脚本可以分为几类，例如图像增强，列车级联对象检测器。 为了方便调用不同的函数，所有函数文件和脚本都直接位于同一文件夹中。 图像数据位于项目文件夹的子文件夹中。 图像数据文件夹可分为几类，例如正图像，负图像。 例如，两组正面图像分别位于文件夹“ positive”和“ aug_training_positive_images”中。 下图显示了项目结构的概述。 以下各节介绍了有关每个类别的更多详细信息。 源代码 剧本 要开始该项目，请仔细阅读所有脚本，以详细了解完整的工作流程。 这些脚本可以逐步运行，并在工作区以及命令行窗口

DFT的matlab源代码 surface-defect-detection 分享一些表面缺陷检测的文章，主要检测对象是：金属表面、LCD屏、建筑、输电线等缺陷或异常检物。方法以分类方法、检测方法、重构方法、生成方法为主。电子版论文放在了paper文件的对应日期文件下。 2019.01 [1]CNN做分类 论文题目：A fast and robust convolutional neural network-based defect detection model in product quality control 摘要：The fast and robust automated quality visual inspection has received increasing attention in the product quality control for production efficiency. To effectively detect defects in products, many methods focus on the handcrafted optica

Fabric-defect-detection Fabric defect detection based on computer vision 整体分为五个模块：1）读取图像模块；2)缺陷检测模块；3)缺陷定位模块；4)保存模块；5)退出模块 布匹缺陷检测系统框架图 布匹缺陷检测系统界面图 加载图片界面图 缺陷检测界面图 缺陷区域定位界面图 保存系统界面图 退出系统界面图

TFT-LCD_defects_detecter-Qt-opencv：基于改进的显着性模型的TFT-LCD缺陷检测器

钢缺陷检测，分割和分类。 2021年3月28日更新： 目前正在进行中 预计完成时间：2021年3月1日

Severstal：钢缺陷检测-Kaggle 准确度：89.5％| 排名1的90.8％ 排名：345/2427 战队：岩浆蓝调 ， ， 平板钢板的生产过程特别精细。 从加热，轧制到干燥和切割，几台机器在准备装运时就接触扁钢。 如今，谢韦尔（Severstal）使用高频摄像机的图像来驱动缺陷检测算法。 竞争涉及开发模型以对钢板上的表面缺陷进行定位和分类。

英文| [简体中文]（ ） 表面缺陷检测：数据集和论文 :horse: :chart_increasing:在表面缺陷研究领域不断总结开源数据集非常重要。收集并汇编了2017年以来的重要重要论文，可以在 文件夹。 :whale: 数据集下载： | 介绍 目前，基于机器视觉的表面缺陷设备已在3C，汽车，家用电器，机械制造，半导体和电子，化学，制药，航空航天，轻工等多个行业的各个领域中广泛取代了人工视觉检查。基于机器视觉的传统表面缺陷检测方法通常使用常规图像处理算法或人为设计的特征以及分类器。一般而言，成像方案通常是通过使用被检查表面或缺陷的不同属性来设计的。合理的成像方案有助于获得照明均匀的图像，并清晰地反映物体的表面缺陷。近年来，许多基于深度学习的缺陷检测方法也已广泛用于各种工业场景中。 与计算机视觉中清晰的分类，检测和分割任务相比，缺陷检测的要求非常普遍。实际上，它的要求可以分为三个不同的级别：“缺陷是什么”（分类），“缺陷在哪里”（