机器视觉的铜带表面缺陷检测关键技术研究
机器视觉的铜带表面缺陷检测关键技术研究
铜带是现代工业的重要原材料，其表面缺陷是评价其质量的重要因素，如何检测并及时发现表面缺陷一直受到铜带制造业的关注。传统的人工检测方法已不能满足需求，因此研究和开发铜带表面缺陷自动检测系统已经成为铜加工制造业的共识。
本文研究了基于机器视觉的铜带表面缺陷检测技术和分类技术，提出铜带表面缺陷检测系统的整体方案，着重讨论图像滤波方法、图像分割方法、特征选择与提取方法以及缺陷分类方法，主要研究内容如下：
（1）设计铜带表面缺陷检测系统的总体方案，主要由图像采集、图像预处理、特征提取、缺陷识别四个部分组成。
（2）在对图像处理技术研究的基础上，设计图像滤波算法、图像分割算法。
（3）讨论提取的特征量类型，在基于边缘检测的基础上使用缺陷图像纹理特征、不变矩作为分类器输入层特征向量。
（4）研究缺陷分类方法，设计基于BP神经网络的分类器，并针对其存在的不足之处提出优化方法，实现非线性复杂运算和高速并行处理。20191110213741
以上方法在MATLAB上进行了仿真试验，试验结果表明本文方法具有较高可行性，是有效的铜带表面缺陷检测与分类方法。
关键词：铜带表面缺陷检测；机器视觉；BP神经网络
摘要 I
Abstract II
第1章 绪论 1
1.1课题研究的背景和意义 1
1.1.1机器视觉检测系统概述 1
1.1.2机器视觉检测系统的优势 2
1.2国内外研究现状 2
1.2.1机器视觉的发展状况 2
1.2.2表面缺陷视觉检测研究现状 3
1.3本文主要研究内容 3
第2章 铜带表面缺陷检测系统方案设计 5
2.1图像采集子系统 5
2.2图像实时处理子系统 6
2.3缺陷分类子系统 6
2.4本章小结 7
第3章 铜带表面缺陷图像预处理算法研究 8
3.1图像滤波去噪算法 8
3.1.1图像的噪声类型 8
3.1.2邻域平均法 9
3.1.3梯度倒数加权法 10
3.1.4中值滤波 11
3.1.5实验结果与分析 11
3.2图像ROI检测 12
3.3图像增强 13
3.3.1灰度线性变换 13
3.3.2直方图均衡化 13
3.3.3实验结果分析与总结 14
3.4图像分割算法 15
3.4.1图像分割算法综述 15
3.4.2基于Canny算子的边缘检测 17
3.5本章小结 18
第4章 特征提取与缺陷分类 19
4.1模式识别 19
4.2特征提取 20
4.2.1特征描述算法 20
4.2.2铜带表面缺陷图像特征描述算法 21
4.3 BP神经网络 23
4.3.1传统BP神经网络算法 23
4.3.2改进的BP神经网络 26
4.4基于L-M算法改进的BP神经网络的铜带表面缺陷分类器设计 27
4.4.1 BP神经网络分类器结构设计 27
4.4.2分类结果统计与分析 28
4.5本章小结 29
第5章 结论与展望 30
5.1课题总结 30
5.2研究展望 30
参考文献 31
致谢 33
1.1课题研究的背景和意义
铜带是我国加工制造业中重要的原材料之一，在工业生产过程中处于举足轻重的地位。铜带不仅在电子、通讯、交通运输等领域中应用广泛，在电子、通信、半导体产业的发展中，也扮演着越来越重要的角色。在生产力，制造力不断扩大的同时，人们对于产品的表面质量也提出了越来越高的要求。一方面是因为表面瑕疵会使产品的商业价值贬值，另一方面，商品表面质量缺陷会给使用或后续加工造成巨大安全隐患。
然而，在生产加工过程中，由于工艺、生产环境等原因，铜带表面不可避免的会产生空洞、刮痕、油污等缺陷。虽然表面缺陷是人眼可辨的外在缺陷，但是传统的人工检测[1]方法存在着很大局限性：
（1）时间局限性。研究表明，当物体运动速度大于3m/s时，人眼就无法看清物体的形态，1m/s时，无法分辨物体上的细微形态。实际生产过程中，铜带运行速度大于1.5m/s，此时，人工检测已经难以满足缺陷检测的准确性。
（2）空间局限性。对于面积较大较明显的缺陷人眼可以很容易识别，而对于存在的微小差异，仅凭肉眼便很难分辨了。
（3）主观局限性。人类主观意识强烈，工作过程中会受到心情、思维、疲劳度及周围环境等因素的影响，降低工作效率。
正因如此，如何找到一种高效、无损的铜带表面缺陷检测技术成为一项亟待攻克的难题。
近年来，随着电子科学、计算机技术的不断发展，机器视觉技术也得到了突飞猛进的发展。人们逐渐意识到机器视觉能在金属材料表面缺陷自动检测领域取代人眼发挥前所未有的优势，于是，基于机器视觉的表面缺陷检测技术逐渐发展成为铜带表面缺陷检测的主流技术。
1.1.1机器视觉检测系统概述
计算机视觉[2]就是用各种成像系统代替生物视觉器官作为输入敏感手段，由计算机代替大脑完成对信息的处理和解释。机器视觉系统[3]是指通过机器视觉产品（即图像摄取装置，分CMOS和CCD两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。
1.1.2机器视觉检测系统的优势
(1)安全、可靠。由于检测系统与被观测对象无接触，因此机器视觉是一种无损伤检测技术；其次，机器检测系统可以不知疲倦地长时间适应相对恶劣的工作环境。
(2)视觉范围。机器视觉可以观察人眼观察不到的范围，如红外线、微波、超声波等，扩展人类视觉范围。
(3)高效。机器视觉系统能够快速获取大量数据信息并在线进行实时处理，大大提高生产效率和生产的自动化程度，易于实现信息集成。
1.2国内外研究现状
1.2.1机器视觉的发展状况
机器视觉的研究产生于20实际60年代中期，由美国学者L.R.罗伯兹关于理解多面体组成的积木世界研究开始的。当时运用的预处理、边缘检测、对象建模等技术一直在机器视觉研究中运用。随着科学技术的不断进步，机器直觉技术已经发展成为一门涉及图像处理、光学成像、计算机软硬件技术、机械工程技术、传感器、模拟与数字视频技术等领域的综合技术。
目前，机器视觉技术在欧美及日本这些发达国家已经非常普及，主要体现在半导体及电子行业，例如PCB印刷电路、SMT表面贴装、电子生产加工等设备，其中40%-50%都集中在半导体行业。究其原因，一方面，上述国家工业生产自动化程度高，人力成本在整个生产成本中所占比例较大；另一方面，其设备制造业发达，高科技产品所占比例较大，消费者对产品质量和一致性的要求较高。这些因素使得机器视觉在国外得到广泛应用从而推动了其快速发展。
在我国，现代化和工业化才刚刚起步，图像和机器视觉技术和欧美等国家存在着很大的差距，但政府正极力支持装备制造业，这使得这些领域核心技术之一的机器视觉技术得到大力发展，被越来越多的生产商接纳和使用，使其逐渐发展成为工业化和智能化的趋势。随着中国工业化进程脚步的加快，工业体系的不断完善，劳动力成本的不断上升，自动化程度的不断提高，国家对科研投入的不断加大，机器视觉技术也会随之发展，在更多的领域中取得更高的应用水平。
1.2.2表面缺陷视觉检测研究现状
机器视觉技术重要应用领域之一便是表面缺陷检测。目前，基于机器视觉的表面缺陷检测技术已经涉及到包括金属加工、印刷、玻璃、纺织、医药、冶金、包装、农产品等在内的多种领域。
国外机器视觉检测技术起步于20世纪70年代中期，到20世纪90年代中期，随着大规模集成电路技术、计算机技术以及视觉理论模型的快速发展，机器视觉检测技术在工业发达国家得到恶劣更广泛的应用。在表面检测领域表现杰出的公司有德国的VMT、瑞士的BOBST、美国的NI、PROIMAGE、日本的DAC等公司，他们可以提供产品表面缺陷视觉在线检测系统地产品及方案。
近几年，国内从事视觉检测技术开发的公司和高校在不断增加，在理论算法和检测系统设计上都取得了骄人的成果。目前国内在视觉检测技术领域存在着的问题主要集中在以下几个方面：
（1）视觉系统地开发和应用局限于小系统集成，对于宽幅、大数据量的在线实时检测技术不成熟；
（2）视觉检测系统处于“实验室”研究阶段，其能否满足条件恶劣的工厂环境，还有待验证。
（3）国内企业在图像采集终端的技术落后于国外，导致国内很多公司偏向于高额采集国外进口相机和采集卡。
1.3本文主要研究内容
本文以“基于机器视觉的铜带表面缺陷检测关键算法研究”课题为背景，根据机器视觉检测的特点和铜带表面缺陷特点，结合自动检测、图像处理和人工神经网络等技术，研究铜带表面缺陷检测的关键技术。本文各章节安排如下：
第1章 介绍本课题的背景、意义、前景、研究内容及论文章节安排。
第2章 提出铜带表面缺陷检测系统的详细结构设计。
第3章 主要介绍了铜带图像预处理算法。预处理过程主要包括：图像ROI检测，滤波降噪、图像增强、缺陷图像分割。最后根据实验仿真结果选取最优算法。
第4章 讨论了图像特征提取和缺陷分类算法，选取几何特征、不变矩作为铜带图像特征向量，在研究BP神经网络分类器的的基础上，设计一种基于L-M改进算法的BP神经网络分类器。
1.1课题研究的背景和意义
铜带是我国加工制造业中重要的原材料之一，在工业生产过程中处于举足轻重的地位。铜带不仅在电子、通讯、交通运输等领域中应用广泛，在电子、通信、半导体产业的发展中，也扮演着越来越重要的角色。在生产力，制造力不断扩大的同时，人们对于产品的表面质量也提出了越来越高的要求。一方面是因为表面瑕疵会使产品的商业价值贬值，另一方面，商品表面质量缺陷会给使用或后续加工造成巨大安全隐患。
然而，在生产加工过程中，由于工艺、生产环境等原因，铜带表面不可避免的会产生空洞、刮痕、油污等缺陷。虽然表面缺陷是人眼可辨的外在缺陷，但是传统的人工检测[1]方法存在着很大局限性：
（1）时间局限性。研究表明，当物体运动速度大于3m/s时，人眼就无法看清物体的形态，1m/s时，无法分辨物体上的细微形态。实际生产过程中，铜带运行速度大于1.5m/s，此时，人工检测已经难以满足缺陷检测的准确性。
（2）空间局限性。对于面积较大较明显的缺陷人眼可以很容易识别，而对于存在的微小差异，仅凭肉眼便很难分辨了。
（3）主观局限性。人类主观意识强烈，工作过程中会受到心情、思维、疲劳度及周围环境等因素的影响，降低工作效率。
正因如此，如何找到一种高效、无损的铜带表面缺陷检测技术成为一项亟待攻克的难题。
近年来，随着电子科学、计算机技术的不断发展，机器视觉技术也得到了突飞猛进的发展。人们逐渐意识到机器视觉能在金属材料表面缺陷自动检测领域取代人眼发挥前所未有的优势，于是，基于机器视觉的表面缺陷检测技术逐渐发展成为铜带表面缺陷检测的主流技术。
1.1.1机器视觉检测系统概述
计算机视觉[2]就是用各种成像系统代替生物视觉器官作为输入敏感手段，由计算机代替大脑完成对信息的处理和解释。机器视觉系统[3]是指通过机器视觉产品（即图像摄取装置，分CMOS和CCD两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。
1.1.2机器视觉检测系统的优势
(1)安全、可靠。由于检测系统与被观测对象无接触，因此机器视觉是一种无损伤检测技术；其次，机器检测系统可以不知疲倦地长时间适应相对恶劣的工作环境。
(2)视觉范围。机器视觉可以观察人眼观察不到的范围，如红外线、微波、超声波等，扩展人类视觉范围。
(3)高效。机器视觉系统能够快速获取大量数据信息并在线进行实时处理，大大提高生产效率和生产的自动化程度，易于实现信息集成。
1.2国内外研究现状
1.2.1机器视觉的发展状况
机器视觉的研究产生于20实际60年代中期，由美国学者L.R.罗伯兹关于理解多面体组成的积木世界研究开始的。当时运用的预处理、边缘检测、对象建模等技术一直在机器视觉研究中运用。随着科学技术的不断进步，机器直觉技术已经发展成为一门涉及图像处理、光学成像、计算机软硬件技术、机械工程技术、传感器、模拟与数字视频技术等领域的综合技术。
目前，机器视觉技术在欧美及日本这些发达国家已经非常普及，主要体现在半导体及电子行业，例如PCB印刷电路、SMT表面贴装、电子生产加工等设备，其中40%-50%都集中在半导体行业。究其原因，一方面，上述国家工业生产自动化程度高，人力成本在整个生产成本中所占比例较大；另一方面，其设备制造业发达，高科技产品所占比例较大，消费者对产品质量和一致性的要求较高。这些因素使得机器视觉在国外得到广泛应用从而推动了其快速发展。
在我国，现代化和工业化才刚刚起步，图像和机器视觉技术和欧美等国家存在着很大的差距，但政府正极力支持装备制造业，这使得这些领域核心技术之一的机器视觉技术得到大力发展，被越来越多的生产商接纳和使用，使其逐渐发展成为工业化和智能化的趋势。随着中国工业化进程脚步的加快，工业体系的不断完善，劳动力成本的不断上升，自动化程度的不断提高，国家对科研投入的不断加大，机器视觉技术也会随之发展，在更多的领域中取得更高的应用水平。
1.2.2表面缺陷视觉检测研究现状
机器视觉技术重要应用领域之一便是表面缺陷检测。目前，基于机器视觉的表面缺陷检测技术已经涉及到包括金属加工、印刷、玻璃、纺织、医药、冶金、包装、农产品等在内的多种领域。
国外机器视觉检测技术起步于20世纪70年代中期，到20世纪90年代中期，随着大规模集成电路技术、计算机技术以及视觉理论模型的快速发展，机器视觉检测技术在工业发达国家得到恶劣更广泛的应用。在表面检测领域表现杰出的公司有德国的VMT、瑞士的BOBST、美国的NI、PROIMAGE、日本的DAC等公司，他们可以提供产品表面缺陷视觉在线检测系统地产品及方案。
近几年，国内从事视觉检测技术开发的公司和高校在不断增加，在理论算法和检测系统设计上都取得了骄人的成果。目前国内在视觉检测技术领域存在着的问题主要集中在以下几个方面：
（1）视觉系统地开发和应用局限于小系统集成，对于宽幅、大数据量的在线实时检测技术不成熟；
（2）视觉检测系统处于“实验室”研究阶段，其能否满足条件恶劣的工厂环境，还有待验证。
（3）国内企业在图像采集终端的技术落后于国外，导致国内很多公司偏向于高额采集国外进口相机和采集卡。
1.3本文主要研究内容
本文以“基于机器视觉的铜带表面缺陷检测关键算法研究”课题为背景，根据机器视觉检测的特点和铜带表面缺陷特点，结合自动检测、图像处理和人工神经网络等技术，研究铜带表面缺陷检测的关键技术。本文各章节安排如下：
第1章 介绍本课题的背景、意义、前景、研究内容及论文章节安排。
第2章 提出铜带表面缺陷检测系统的详细结构设计。
第3章 主要介绍了铜带图像预处理算法。预处理过程主要包括：图像ROI检测，滤波降噪、图像增强、缺陷图像分割。最后根据实验仿真结果选取最优算法。
第4章 讨论了图像特征提取和缺陷分类算法，选取几何特征、不变矩作为铜带图像特征向量，在研究BP神经网络分类器的的基础上，设计一种基于L-M改进算法的BP神经网络分类器。
第5章 结论与展望
5.1课题总结
本文在研究与吸收有关铜带表面缺陷识别理论的基础上，综合运用计算机图像处理和模式识别等技术，研究了机器视觉在铜带表面缺陷检测中的应用。已完成工作如下：
（1）设计铜带表面缺陷检测系统的总体方案，主要由图像采集、图像预处理、特征选择与提取、图像识别四个部分组成。
（2）研究研究了图像滤波算法和分割算法，通过实验发现，中值滤波是抑制铜带表面图像噪声的一种有效手段，Canny算法能够明显的将图像中的缺陷部分突现出来。
（3）对模式识别方法进行研究，提出了采用基于BP神经网络的分类器，并针对其存在的不足之处提出优化方法，实现非线性复杂运算和高速并行处理。
5.2研究展望
由于本文研究的需要和作者能力所限，在研究过程中还涉及一些没有能够更深入探讨和解决的问题，但这些问题也是非常重要的。有待继续深入研究的问题如下：
（1）进一步研究图像处理算法，提高针对铜带表面图像处理的通用性和实时性，并可将比较成熟的算法固化到硬件中。
（2）增加缺陷样本类型和数量，扩大可识别缺陷类型。且检测到表面缺陷信息后，如何将信息反馈给机组并实现工艺的及时调整，还需大量研究工作。
（3）增加铜带缺陷图像的特征提取方法，并讨论相应的特征选择算法，使得缺陷描述更全面且无冗余。这样便可提高铜带缺陷分类的准确率。
（4）结合模式分类计数的发展，研究出更加健壮的模式分类器以实现缺陷的有效分类，使系统不仅能够识别已知系统，并对新的缺陷进行自动识别。同时需要采集积累大量的缺陷样本进行分类器的训练设计，才能保证分类器具有很好的推广能力。
铜带是现代工业的重要原材料，其表面缺陷是评价其质量的重要因素，如何检测并及时发现表面缺陷一直受到铜带制造业的关注。传统的人工检测方法已不能满足需求，因此研究和开发铜带表面缺陷自动检测系统已经成为铜加工制造业的共识。
本文研究了基于机器视觉的铜带表面缺陷检测技术和分类技术，提出铜带表面缺陷检测系统的整体方案，着重讨论图像滤波方法、图像分割方法、特征选择与提取方法以及缺陷分类方法，主要研究内容如下：
（1）设计铜带表面缺陷检测系统的总体方案，主要由图像采集、图像预处理、特征提取、缺陷识别四个部分组成。
（2）在对图像处理技术研究的基础上，设计图像滤波算法、图像分割算法。
（3）讨论提取的特征量类型，在基于边缘检测的基础上使用缺陷图像纹理特征、不变矩作为分类器输入层特征向量。
（4）研究缺陷分类方法，设计基于BP神经网络的分类器，并针对其存在的不足之处提出优化方法，实现非线性复杂运算和高速并行处理。20191110213741
以上方法在MATLAB上进行了仿真试验，试验结果表明本文方法具有较高可行性，是有效的铜带表面缺陷检测与分类方法。
关键词：铜带表面缺陷检测；机器视觉；BP神经网络
摘要 I
Abstract II
第1章 绪论 1
1.1课题研究的背景和意义 1
1.1.1机器视觉检测系统概述 1
1.1.2机器视觉检测系统的优势 2
1.2国内外研究现状 2
1.2.1机器视觉的发展状况 2
1.2.2表面缺陷视觉检测研究现状 3
1.3本文主要研究内容 3
第2章 铜带表面缺陷检测系统方案设计 5
2.1图像采集子系统 5
2.2图像实时处理子系统 6
2.3缺陷分类子系统 6
2.4本章小结 7
第3章 铜带表面缺陷图像预处理算法研究 8
3.1图像滤波去噪算法 8
3.1.1图像的噪声类型 8
3.1.2邻域平均法 9
3.1.3梯度倒数加权法 10
3.1.4中值滤波 11
3.1.5实验结果与分析 11
3.2图像ROI检测 12
3.3图像增强 13
3.3.1灰度线性变换 13
3.3.2直方图均衡化 13
3.3.3实验结果分析与总结 14
3.4图像分割算法 15
3.4.1图像分割算法综述 15
3.4.2基于Canny算子的边缘检测 17
3.5本章小结 18
第4章 特征提取与缺陷分类 19
4.1模式识别 19
4.2特征提取 20
4.2.1特征描述算法 20
4.2.2铜带表面缺陷图像特征描述算法 21
4.3 BP神经网络 23
4.3.1传统BP神经网络算法 23
4.3.2改进的BP神经网络 26
4.4基于L-M算法改进的BP神经网络的铜带表面缺陷分类器设计 27
4.4.1 BP神经网络分类器结构设计 27
4.4.2分类结果统计与分析 28
4.5本章小结 29
第5章 结论与展望 30
5.1课题总结 30
5.2研究展望 30
参考文献 31
致谢 33
1.1课题研究的背景和意义
铜带是我国加工制造业中重要的原材料之一，在工业生产过程中处于举足轻重的地位。铜带不仅在电子、通讯、交通运输等领域中应用广泛，在电子、通信、半导体产业的发展中，也扮演着越来越重要的角色。在生产力，制造力不断扩大的同时，人们对于产品的表面质量也提出了越来越高的要求。一方面是因为表面瑕疵会使产品的商业价值贬值，另一方面，商品表面质量缺陷会给使用或后续加工造成巨大安全隐患。
然而，在生产加工过程中，由于工艺、生产环境等原因，铜带表面不可避免的会产生空洞、刮痕、油污等缺陷。虽然表面缺陷是人眼可辨的外在缺陷，但是传统的人工检测[1]方法存在着很大局限性：
（1）时间局限性。研究表明，当物体运动速度大于3m/s时，人眼就无法看清物体的形态，1m/s时，无法分辨物体上的细微形态。实际生产过程中，铜带运行速度大于1.5m/s，此时，人工检测已经难以满足缺陷检测的准确性。
（2）空间局限性。对于面积较大较明显的缺陷人眼可以很容易识别，而对于存在的微小差异，仅凭肉眼便很难分辨了。
（3）主观局限性。人类主观意识强烈，工作过程中会受到心情、思维、疲劳度及周围环境等因素的影响，降低工作效率。
正因如此，如何找到一种高效、无损的铜带表面缺陷检测技术成为一项亟待攻克的难题。
近年来，随着电子科学、计算机技术的不断发展，机器视觉技术也得到了突飞猛进的发展。人们逐渐意识到机器视觉能在金属材料表面缺陷自动检测领域取代人眼发挥前所未有的优势，于是，基于机器视觉的表面缺陷检测技术逐渐发展成为铜带表面缺陷检测的主流技术。
1.1.1机器视觉检测系统概述
计算机视觉[2]就是用各种成像系统代替生物视觉器官作为输入敏感手段，由计算机代替大脑完成对信息的处理和解释。机器视觉系统[3]是指通过机器视觉产品（即图像摄取装置，分CMOS和CCD两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。
1.1.2机器视觉检测系统的优势
(1)安全、可靠。由于检测系统与被观测对象无接触，因此机器视觉是一种无损伤检测技术；其次，机器检测系统可以不知疲倦地长时间适应相对恶劣的工作环境。
(2)视觉范围。机器视觉可以观察人眼观察不到的范围，如红外线、微波、超声波等，扩展人类视觉范围。
(3)高效。机器视觉系统能够快速获取大量数据信息并在线进行实时处理，大大提高生产效率和生产的自动化程度，易于实现信息集成。
1.2国内外研究现状
1.2.1机器视觉的发展状况
机器视觉的研究产生于20实际60年代中期，由美国学者L.R.罗伯兹关于理解多面体组成的积木世界研究开始的。当时运用的预处理、边缘检测、对象建模等技术一直在机器视觉研究中运用。随着科学技术的不断进步，机器直觉技术已经发展成为一门涉及图像处理、光学成像、计算机软硬件技术、机械工程技术、传感器、模拟与数字视频技术等领域的综合技术。
目前，机器视觉技术在欧美及日本这些发达国家已经非常普及，主要体现在半导体及电子行业，例如PCB印刷电路、SMT表面贴装、电子生产加工等设备，其中40%-50%都集中在半导体行业。究其原因，一方面，上述国家工业生产自动化程度高，人力成本在整个生产成本中所占比例较大；另一方面，其设备制造业发达，高科技产品所占比例较大，消费者对产品质量和一致性的要求较高。这些因素使得机器视觉在国外得到广泛应用从而推动了其快速发展。
在我国，现代化和工业化才刚刚起步，图像和机器视觉技术和欧美等国家存在着很大的差距，但政府正极力支持装备制造业，这使得这些领域核心技术之一的机器视觉技术得到大力发展，被越来越多的生产商接纳和使用，使其逐渐发展成为工业化和智能化的趋势。随着中国工业化进程脚步的加快，工业体系的不断完善，劳动力成本的不断上升，自动化程度的不断提高，国家对科研投入的不断加大，机器视觉技术也会随之发展，在更多的领域中取得更高的应用水平。
1.2.2表面缺陷视觉检测研究现状
机器视觉技术重要应用领域之一便是表面缺陷检测。目前，基于机器视觉的表面缺陷检测技术已经涉及到包括金属加工、印刷、玻璃、纺织、医药、冶金、包装、农产品等在内的多种领域。
国外机器视觉检测技术起步于20世纪70年代中期，到20世纪90年代中期，随着大规模集成电路技术、计算机技术以及视觉理论模型的快速发展，机器视觉检测技术在工业发达国家得到恶劣更广泛的应用。在表面检测领域表现杰出的公司有德国的VMT、瑞士的BOBST、美国的NI、PROIMAGE、日本的DAC等公司，他们可以提供产品表面缺陷视觉在线检测系统地产品及方案。
近几年，国内从事视觉检测技术开发的公司和高校在不断增加，在理论算法和检测系统设计上都取得了骄人的成果。目前国内在视觉检测技术领域存在着的问题主要集中在以下几个方面：
（1）视觉系统地开发和应用局限于小系统集成，对于宽幅、大数据量的在线实时检测技术不成熟；
（2）视觉检测系统处于“实验室”研究阶段，其能否满足条件恶劣的工厂环境，还有待验证。
（3）国内企业在图像采集终端的技术落后于国外，导致国内很多公司偏向于高额采集国外进口相机和采集卡。
1.3本文主要研究内容
本文以“基于机器视觉的铜带表面缺陷检测关键算法研究”课题为背景，根据机器视觉检测的特点和铜带表面缺陷特点，结合自动检测、图像处理和人工神经网络等技术，研究铜带表面缺陷检测的关键技术。本文各章节安排如下：
第1章 介绍本课题的背景、意义、前景、研究内容及论文章节安排。
第2章 提出铜带表面缺陷检测系统的详细结构设计。
第3章 主要介绍了铜带图像预处理算法。预处理过程主要包括：图像ROI检测，滤波降噪、图像增强、缺陷图像分割。最后根据实验仿真结果选取最优算法。
第4章 讨论了图像特征提取和缺陷分类算法，选取几何特征、不变矩作为铜带图像特征向量，在研究BP神经网络分类器的的基础上，设计一种基于L-M改进算法的BP神经网络分类器。
1.1课题研究的背景和意义
铜带是我国加工制造业中重要的原材料之一，在工业生产过程中处于举足轻重的地位。铜带不仅在电子、通讯、交通运输等领域中应用广泛，在电子、通信、半导体产业的发展中，也扮演着越来越重要的角色。在生产力，制造力不断扩大的同时，人们对于产品的表面质量也提出了越来越高的要求。一方面是因为表面瑕疵会使产品的商业价值贬值，另一方面，商品表面质量缺陷会给使用或后续加工造成巨大安全隐患。
然而，在生产加工过程中，由于工艺、生产环境等原因，铜带表面不可避免的会产生空洞、刮痕、油污等缺陷。虽然表面缺陷是人眼可辨的外在缺陷，但是传统的人工检测[1]方法存在着很大局限性：
（1）时间局限性。研究表明，当物体运动速度大于3m/s时，人眼就无法看清物体的形态，1m/s时，无法分辨物体上的细微形态。实际生产过程中，铜带运行速度大于1.5m/s，此时，人工检测已经难以满足缺陷检测的准确性。
（2）空间局限性。对于面积较大较明显的缺陷人眼可以很容易识别，而对于存在的微小差异，仅凭肉眼便很难分辨了。
（3）主观局限性。人类主观意识强烈，工作过程中会受到心情、思维、疲劳度及周围环境等因素的影响，降低工作效率。
正因如此，如何找到一种高效、无损的铜带表面缺陷检测技术成为一项亟待攻克的难题。
近年来，随着电子科学、计算机技术的不断发展，机器视觉技术也得到了突飞猛进的发展。人们逐渐意识到机器视觉能在金属材料表面缺陷自动检测领域取代人眼发挥前所未有的优势，于是，基于机器视觉的表面缺陷检测技术逐渐发展成为铜带表面缺陷检测的主流技术。
1.1.1机器视觉检测系统概述
计算机视觉[2]就是用各种成像系统代替生物视觉器官作为输入敏感手段，由计算机代替大脑完成对信息的处理和解释。机器视觉系统[3]是指通过机器视觉产品（即图像摄取装置，分CMOS和CCD两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。
1.1.2机器视觉检测系统的优势
(1)安全、可靠。由于检测系统与被观测对象无接触，因此机器视觉是一种无损伤检测技术；其次，机器检测系统可以不知疲倦地长时间适应相对恶劣的工作环境。
(2)视觉范围。机器视觉可以观察人眼观察不到的范围，如红外线、微波、超声波等，扩展人类视觉范围。
(3)高效。机器视觉系统能够快速获取大量数据信息并在线进行实时处理，大大提高生产效率和生产的自动化程度，易于实现信息集成。
1.2国内外研究现状
1.2.1机器视觉的发展状况
机器视觉的研究产生于20实际60年代中期，由美国学者L.R.罗伯兹关于理解多面体组成的积木世界研究开始的。当时运用的预处理、边缘检测、对象建模等技术一直在机器视觉研究中运用。随着科学技术的不断进步，机器直觉技术已经发展成为一门涉及图像处理、光学成像、计算机软硬件技术、机械工程技术、传感器、模拟与数字视频技术等领域的综合技术。
目前，机器视觉技术在欧美及日本这些发达国家已经非常普及，主要体现在半导体及电子行业，例如PCB印刷电路、SMT表面贴装、电子生产加工等设备，其中40%-50%都集中在半导体行业。究其原因，一方面，上述国家工业生产自动化程度高，人力成本在整个生产成本中所占比例较大；另一方面，其设备制造业发达，高科技产品所占比例较大，消费者对产品质量和一致性的要求较高。这些因素使得机器视觉在国外得到广泛应用从而推动了其快速发展。
在我国，现代化和工业化才刚刚起步，图像和机器视觉技术和欧美等国家存在着很大的差距，但政府正极力支持装备制造业，这使得这些领域核心技术之一的机器视觉技术得到大力发展，被越来越多的生产商接纳和使用，使其逐渐发展成为工业化和智能化的趋势。随着中国工业化进程脚步的加快，工业体系的不断完善，劳动力成本的不断上升，自动化程度的不断提高，国家对科研投入的不断加大，机器视觉技术也会随之发展，在更多的领域中取得更高的应用水平。
1.2.2表面缺陷视觉检测研究现状
机器视觉技术重要应用领域之一便是表面缺陷检测。目前，基于机器视觉的表面缺陷检测技术已经涉及到包括金属加工、印刷、玻璃、纺织、医药、冶金、包装、农产品等在内的多种领域。
国外机器视觉检测技术起步于20世纪70年代中期，到20世纪90年代中期，随着大规模集成电路技术、计算机技术以及视觉理论模型的快速发展，机器视觉检测技术在工业发达国家得到恶劣更广泛的应用。在表面检测领域表现杰出的公司有德国的VMT、瑞士的BOBST、美国的NI、PROIMAGE、日本的DAC等公司，他们可以提供产品表面缺陷视觉在线检测系统地产品及方案。
近几年，国内从事视觉检测技术开发的公司和高校在不断增加，在理论算法和检测系统设计上都取得了骄人的成果。目前国内在视觉检测技术领域存在着的问题主要集中在以下几个方面：
（1）视觉系统地开发和应用局限于小系统集成，对于宽幅、大数据量的在线实时检测技术不成熟；
（2）视觉检测系统处于“实验室”研究阶段，其能否满足条件恶劣的工厂环境，还有待验证。
（3）国内企业在图像采集终端的技术落后于国外，导致国内很多公司偏向于高额采集国外进口相机和采集卡。
1.3本文主要研究内容
本文以“基于机器视觉的铜带表面缺陷检测关键算法研究”课题为背景，根据机器视觉检测的特点和铜带表面缺陷特点，结合自动检测、图像处理和人工神经网络等技术，研究铜带表面缺陷检测的关键技术。本文各章节安排如下：
第1章 介绍本课题的背景、意义、前景、研究内容及论文章节安排。
第2章 提出铜带表面缺陷检测系统的详细结构设计。
第3章 主要介绍了铜带图像预处理算法。预处理过程主要包括：图像ROI检测，滤波降噪、图像增强、缺陷图像分割。最后根据实验仿真结果选取最优算法。
第4章 讨论了图像特征提取和缺陷分类算法，选取几何特征、不变矩作为铜带图像特征向量，在研究BP神经网络分类器的的基础上，设计一种基于L-M改进算法的BP神经网络分类器。
第5章 结论与展望
5.1课题总结
本文在研究与吸收有关铜带表面缺陷识别理论的基础上，综合运用计算机图像处理和模式识别等技术，研究了机器视觉在铜带表面缺陷检测中的应用。已完成工作如下：
（1）设计铜带表面缺陷检测系统的总体方案，主要由图像采集、图像预处理、特征选择与提取、图像识别四个部分组成。
（2）研究研究了图像滤波算法和分割算法，通过实验发现，中值滤波是抑制铜带表面图像噪声的一种有效手段，Canny算法能够明显的将图像中的缺陷部分突现出来。
（3）对模式识别方法进行研究，提出了采用基于BP神经网络的分类器，并针对其存在的不足之处提出优化方法，实现非线性复杂运算和高速并行处理。
5.2研究展望
由于本文研究的需要和作者能力所限，在研究过程中还涉及一些没有能够更深入探讨和解决的问题，但这些问题也是非常重要的。有待继续深入研究的问题如下：
（1）进一步研究图像处理算法，提高针对铜带表面图像处理的通用性和实时性，并可将比较成熟的算法固化到硬件中。
（2）增加缺陷样本类型和数量，扩大可识别缺陷类型。且检测到表面缺陷信息后，如何将信息反馈给机组并实现工艺的及时调整，还需大量研究工作。
（3）增加铜带缺陷图像的特征提取方法，并讨论相应的特征选择算法，使得缺陷描述更全面且无冗余。这样便可提高铜带缺陷分类的准确率。
（4）结合模式分类计数的发展，研究出更加健壮的模式分类器以实现缺陷的有效分类，使系统不仅能够识别已知系统，并对新的缺陷进行自动识别。同时需要采集积累大量的缺陷样本进行分类器的训练设计，才能保证分类器具有很好的推广能力。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/txgc/2153.html
