机器视觉的铜带表面缺陷图像检测关键技术研究
机器视觉的铜带表面缺陷图像检测关键技术研究
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20190820212704。
（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。
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
如图2.1所示，铜带表面缺陷检测需要经过六个步骤实现，即图像采集、滤波、目标检测、图像分割、特征提取及缺陷分类。以下各小节将对基于机器视觉的铜带表面缺陷检测系统进行详细阐述。
2.1图像采集子系统
图像采集系统由照明装置、摄像机及图像采集卡组成，其目的是获取高分辨率高质量的图像，以使图像处理软件能够对缺陷进行准确的检测和识别。
光照设备在视觉检测系统的前端，其质量好坏将直接影响到采集到的图像信息质量以及后期信息处理结果，因此，选择适当的照明设备是成功实现缺陷检测的第一步。对于光源的选择主要考虑其光源种类，照明均匀性，光源照明结构等。由于实际生产中，铜带处于高速运行状态，因此，光源的光照稳定性是不可忽视的一点。光源的照明频率要保证远大于摄像机扫描频率，使铜板表面的图像亮度在相机曝光时间内积分值不变或者波动很小，否则就会采集到明暗相间的“条纹图像”。因此，系统可以实用高频荧光灯，其频率可达70kHz以上，且光源优于LED灯，并且价格便宜。
此外，选择合适的摄像机也是表面缺陷处理过程中重要的环节之一，摄像机的性能不仅会影响到采集到的图像分辨率、图像质量等，同时也会直接影响到系统运行模式。摄像机的主要参数有：像素深度、曝光方式、快门速度、像素尺寸及分辨率等。常用摄像机有CCD摄像机、TV摄像机、数字摄像机，尤其是线阵和面阵CCD摄像机，在计算机视觉发展和应用中起着至关重要的作用。在实际生产过程中，铜带始终处于运动状态，因此可以考虑使用线阵CCD摄像机构建系统。其中，线阵CCD摄像机[4]是一种比较特殊的高像素摄像机，其像元呈一维线状排列，每次只采集一行图像数据，这就意味着当被测物体与相机纵向相对运动时才会采集到二维图像。线阵CCD摄像机还存在着高扫描率和高分辨率，数据冗余量小，光照均匀性容易实现等缺陷，因此，本系统拟采用线阵CCD摄像机进行图像采集。
2.2图像实时处理子系统
图像实时处理子系统完成对图像的滤波、缺陷目标区域检测、图像分割等图像预处理工作。
（1）图像滤波。系统中图像的传送和转换会造成图像降质，造成图像降质的因素被称为噪声。图像噪声[5]种类很多，在进行产品缺陷检测时，噪声很容易被误认为是产品缺陷，从而造成系统功能下降，因此要首先去除图像噪声即进行图像滤波。
（2）目标检测。目标检测是检测图像中是否存在缺陷，如果没有则无需进一步处理，否则，图像将被送到缓冲区等待进一步处理。为了满足系统的实时性要求，图像的预处理和目标区域(ROI)检测两个步骤都要实时完成。
（3）缺陷分类。系统的主要功能是检测出铜带的表面缺陷，并对缺陷进行分类。对缺陷进行具体分析之前要先把缺陷图像从原始图像中分割出来。
2.3缺陷分类子系统
缺陷分类子系统的目的是通过对图像特征数据进行进一步计算来实现将铜带表面缺陷进行分类的功能，通过各种分类器来实现。铜带表面缺陷分类的过程，又叫模式识别。模式识别的目的是构造自动处理某些信息的机器系统，以代替人类完成分类和识别的任务，自20世纪50、60年代发展成为一门学科以来，至今已得到了迅速的发展和广泛应用。模式识别包括两个相互关联的阶段，学习和实现阶段，前者的作用是对样本进行特征选择，寻找分类的规律；后者则是根据分类规律对未知样本集进行分类和识别。模式识别的研究内容非常广泛，包括文字识别、指纹识别、语音识别、地震信号和声呐信号分析、图像分析等等。
缺陷分类处理步骤如图2.2所示
依据铜带表面缺陷的特点，本文选取缺陷的灰度共生矩阵及不变矩作为目标的特征数据。在进行缺陷分类时，由于BP神经网络算法具有很强的非线性映射能力，能够实现比较复杂的运算，适合于用高速并行处理系统来实现对类型空间的复杂划分，因此系统分类器采用BP神经网络结构。
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
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20190820212704。
（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。
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
如图2.1所示，铜带表面缺陷检测需要经过六个步骤实现，即图像采集、滤波、目标检测、图像分割、特征提取及缺陷分类。以下各小节将对基于机器视觉的铜带表面缺陷检测系统进行详细阐述。
2.1图像采集子系统
图像采集系统由照明装置、摄像机及图像采集卡组成，其目的是获取高分辨率高质量的图像，以使图像处理软件能够对缺陷进行准确的检测和识别。
光照设备在视觉检测系统的前端，其质量好坏将直接影响到采集到的图像信息质量以及后期信息处理结果，因此，选择适当的照明设备是成功实现缺陷检测的第一步。对于光源的选择主要考虑其光源种类，照明均匀性，光源照明结构等。由于实际生产中，铜带处于高速运行状态，因此，光源的光照稳定性是不可忽视的一点。光源的照明频率要保证远大于摄像机扫描频率，使铜板表面的图像亮度在相机曝光时间内积分值不变或者波动很小，否则就会采集到明暗相间的“条纹图像”。因此，系统可以实用高频荧光灯，其频率可达70kHz以上，且光源优于LED灯，并且价格便宜。
此外，选择合适的摄像机也是表面缺陷处理过程中重要的环节之一，摄像机的性能不仅会影响到采集到的图像分辨率、图像质量等，同时也会直接影响到系统运行模式。摄像机的主要参数有：像素深度、曝光方式、快门速度、像素尺寸及分辨率等。常用摄像机有CCD摄像机、TV摄像机、数字摄像机，尤其是线阵和面阵CCD摄像机，在计算机视觉发展和应用中起着至关重要的作用。在实际生产过程中，铜带始终处于运动状态，因此可以考虑使用线阵CCD摄像机构建系统。其中，线阵CCD摄像机[4]是一种比较特殊的高像素摄像机，其像元呈一维线状排列，每次只采集一行图像数据，这就意味着当被测物体与相机纵向相对运动时才会采集到二维图像。线阵CCD摄像机还存在着高扫描率和高分辨率，数据冗余量小，光照均匀性容易实现等缺陷，因此，本系统拟采用线阵CCD摄像机进行图像采集。
2.2图像实时处理子系统
图像实时处理子系统完成对图像的滤波、缺陷目标区域检测、图像分割等图像预处理工作。
（1）图像滤波。系统中图像的传送和转换会造成图像降质，造成图像降质的因素被称为噪声。图像噪声[5]种类很多，在进行产品缺陷检测时，噪声很容易被误认为是产品缺陷，从而造成系统功能下降，因此要首先去除图像噪声即进行图像滤波。
（2）目标检测。目标检测是检测图像中是否存在缺陷，如果没有则无需进一步处理，否则，图像将被送到缓冲区等待进一步处理。为了满足系统的实时性要求，图像的预处理和目标区域(ROI)检测两个步骤都要实时完成。
（3）缺陷分类。系统的主要功能是检测出铜带的表面缺陷，并对缺陷进行分类。对缺陷进行具体分析之前要先把缺陷图像从原始图像中分割出来。
2.3缺陷分类子系统
缺陷分类子系统的目的是通过对图像特征数据进行进一步计算来实现将铜带表面缺陷进行分类的功能，通过各种分类器来实现。铜带表面缺陷分类的过程，又叫模式识别。模式识别的目的是构造自动处理某些信息的机器系统，以代替人类完成分类和识别的任务，自20世纪50、60年代发展成为一门学科以来，至今已得到了迅速的发展和广泛应用。模式识别包括两个相互关联的阶段，学习和实现阶段，前者的作用是对样本进行特征选择，寻找分类的规律；后者则是根据分类规律对未知样本集进行分类和识别。模式识别的研究内容非常广泛，包括文字识别、指纹识别、语音识别、地震信号和声呐信号分析、图像分析等等。
缺陷分类处理步骤如图2.2所示
依据铜带表面缺陷的特点，本文选取缺陷的灰度共生矩阵及不变矩作为目标的特征数据。在进行缺陷分类时，由于BP神经网络算法具有很强的非线性映射能力，能够实现比较复杂的运算，适合于用高速并行处理系统来实现对类型空间的复杂划分，因此系统分类器采用BP神经网络结构。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
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/txgc/2157.html
