基于機(jī)器視覺的帶鋼表面缺陷檢測與識別方法研究.pdf

1、帶鋼是現(xiàn)代工業(yè)的重要原材料,其表面存在缺陷與否是評價(jià)其質(zhì)量的重要因素,如何檢測并及時(shí)發(fā)現(xiàn)表面缺陷一直受到鋼鐵制造企業(yè)的關(guān)注。采用人工目視檢測和基于單一傳感器的檢測手段日益不能滿足現(xiàn)代鋼鐵工業(yè)的需要,基于機(jī)器視覺的方法實(shí)現(xiàn)鋼板表面質(zhì)量連續(xù)檢測和自動(dòng)識別越來越受到國內(nèi)外鋼鐵企業(yè)的重視。目前,基于機(jī)器視覺的檢測方法還有一些關(guān)鍵技術(shù)尚待進(jìn)一步研究解決,主要是數(shù)據(jù)實(shí)時(shí)處理能力不夠,低對比度、噪聲較大背景下弱小缺陷目標(biāo)檢測識別正確率不高、檢測的缺陷

2、目標(biāo)種類有限等。
　　 本文以高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金“基于計(jì)算機(jī)視覺的鋼板成像建模與表面缺陷實(shí)時(shí)重構(gòu)的應(yīng)用基礎(chǔ)研究(20104219110001)”和武漢市科技攻關(guān)項(xiàng)目“基于機(jī)器視覺的帶鋼表面質(zhì)量在線檢測系統(tǒng)研究開發(fā)(200910321100)”為依托,開展了帶鋼表面缺陷自動(dòng)檢測的相關(guān)理論和關(guān)鍵技術(shù)研究,主要研究內(nèi)容與成果如下:
　　 1.為快速而可靠地采集帶鋼表面圖像,基于視覺理論的圖像處理模型設(shè)計(jì)了檢測系統(tǒng)構(gòu)

3、架和軟件處理流程。針對圖像質(zhì)量的差異,提出了圖像的開關(guān)閾值分級去噪算法,即初級去噪針對所有圖像采用實(shí)時(shí)性強(qiáng)的經(jīng)典濾波算法；對存在目標(biāo)可疑區(qū)(ROI)且大于開關(guān)閾值的圖像進(jìn)行次級去噪,并采用了小波閾值降噪算法。此算法兼顧了實(shí)時(shí)性和有效性,改善了圖像的質(zhì)量。
　　 2.為獲取帶鋼表面缺陷目標(biāo),研究了不同噪聲強(qiáng)度背景下的圖像分割算法。針對帶鋼表面缺陷圖像,對比研究了基于經(jīng)典梯度算子的邊緣檢測、基于數(shù)學(xué)形態(tài)學(xué)方法的邊緣檢測和基于模角分離

4、小波(MAS)的邊緣檢測,提出了這些算法的適應(yīng)對象,即對于大量普通級噪聲圖像,采用實(shí)時(shí)性強(qiáng)的經(jīng)典梯度算子,而多結(jié)構(gòu)元素?cái)?shù)學(xué)形態(tài)學(xué)算法和模角分離小波(MAS)算法,則特別適用于低對比度、光照不均、噪聲較大背景下的弱小目標(biāo)的邊緣檢測。
　　 3.研究了從目標(biāo)區(qū)域提取灰度特征、幾何特征、形狀特征、紋理特征等多信息融合的多維特征量?；谶z傳算法(GA)對提取的帶鋼表面缺陷圖像的多維特征向量進(jìn)行降維優(yōu)化選擇,并同主成分分析(PCA)降維方

5、法進(jìn)行了對比,降低了大量無關(guān)的冗余信息,同時(shí)又提高了算法的效率。
　　 4.針對帶鋼表面的劃痕、黑斑、翹皮、輥印、褶皺、壓印和磷斑七種典型缺陷,對比研究了人工神經(jīng)網(wǎng)絡(luò)(ANN)、粗糙集理論(RS)和支持向量機(jī)(SVM)在帶鋼表面缺陷圖像中的識別和分類；提出了GA-PCA-SVM模型,并驗(yàn)證了其在帶鋼表面缺陷圖像中的識別分類的有效性、快速性和穩(wěn)健性,同時(shí)也驗(yàn)證了所提取的帶鋼表面缺陷圖像特征向量及其遺傳算法降維的有效性。