摘要：针对深度学习算法无法兼容设备检测及新样本收集、检测时效性及泛化能力差的瓶颈，提出了一种基于SURF特征改进的传统模板匹配检测算法。首先，使用SURF算法对图像进行特征提取，采用乘积量化理论构建搜索树，结合特征点空间位置信息快速筛选匹配点；其次，根据匹配点获取单应性矩阵和仿射变换矩阵，通过两矩阵结合筛选“内点”进行偏移量计算并执行图像配准；最后，结合局部缺陷密度度量法思想，综合区域前景及区域背景加权方式计算缺陷密度，通过缺陷密度判定标签是否合格，同时针对小字符特征少又含有局部偏移的场景，使用改进方法避免误判。结果表明，算法提升特征点匹配稳定性及检测精度，且在自建数据集上的准确率、召回率及F分数分别为98.67%、97.69% 及98.18%，均优于主流方法，在设备上实际应用满足实时性要求。该算法能有效提升特征点稳定性和检测精度，满足设备检测时效性要求，为其实际应用提供了技术参考。
文章目录
1 基于SURF特征改进方法
1.1 图像预处理及特征提取
1.2 特征点过滤及匹配
1.3 图像配准与缺陷判定
1.4 小字符局部偏位改进
2 实验结果
2.1 数据集
2.2 评估指标
2.3 消融实验
2.4 缺陷检测算法比较
2.5 实用情况
3 结 语
