基于神经网络的钢板表面缺陷识别若干问题的研究

论文摘要

关于钢板表面质量的检测，目前钢铁企业通常采用落后的人工目视抽检和频闪光检测等方式。然而这些方式具有抽检率低、实时性差、检测的置信度低、检测环境恶劣等弊端，因此适时地开展钢板表面缺陷在线无损检测技术的研究工作，已成为国内外学者和自动检测设备供应商所共同关注的课题。而基于神经网络的人工智能识别系统正是目前国内外研究的热点之一，它以其大规模并行处理、分布式存储和学习能力等特点在模式识别、过程建模、控制、故障诊断等方面显示出独特的优越性。因此，神经网络在钢板的表面缺陷分类中有很好的应用前景。本文在对此领域国内外发展状况进行分析的基础上，从检测系统的设计出发，通过对各种缺陷图像处理方法的尝试，深入研究了钢板表面自动检测系统的相关理论和关键技术，将神经网络方法成功的应用到了钢板的缺陷识别中。本文的主要研究内容与成果如下： 1．系统的设计。通过对钢板表面质量检测系统的分析，建立了完整的硬件系统和软件流程；针对钢板的生产环境，对检测光源以及CCD摄像机的选取提出了相关的见解；根据钢板表面缺陷的特点，提出了图像的处理及识别流程。 2．图像的处理。针对中值滤波的缺点，采用了自适应均值滤波法，其引入了噪声检测，保留了图像的大部分细节，在保证速度的同时也提高了滤波的效果；本文将拉普拉斯算子引入到图像处理过程，提出了一种小波滤波法，其有效的将锐化和平滑融合在一起，增强了图像滤波的可调性；针对传统Canny算子的局限性对其进行了改进，考虑了像素的对角方向，将其引入到差分均值计算中，从而提高了边缘定位的准确度，且抑制了噪声，有效的提高了边缘检测的效果。 3．特征的提取。提出了一种改进的投影特征参量提取方法，证明了其在坐标系不同旋转角度下的适应性；另外引入了Hu不变矩和Zernike矩，并讨论了它们对噪声的适应性，二者满足缩放，平移和旋转上的几何不变性，对于复杂的钢板表面缺陷来说，这两种特征参量组成的复合不变矩特征能全面有效的表征缺陷图像的多阶特征信息，在一定程度上可以作为缺陷识别的重要依据。 4．缺陷的识别。针对传统BP算法的缺点，引入了动态调节学习率、基于非线性变换和奇异值分解的改进算法，并尝试将带新型混合算法的径向基函数神经网络(RBFNN)引入到钢板表面缺陷识别中。经过计算机模拟，实验表明带新型混合算法的RBFNN识别率高，识别速度快，更能满足钢板表面缺陷识别的要求，是一种行之有效的方法。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题研究的目的及意义
• 1.1.1 课题的研究目的
• 1.1.2 课题的科学依据及意义
• 1.2 钢板表面质量检测的研究概况
• 1.2.1 人工检测方法
• 1.2.2 传统无损检测技术及应用
• 1.2.2.1 涡流检测技术的应用
• 1.2.2.2 红外检测技术的应用
• 1.2.2.3 漏磁检测技术的应用
• 1.2.3 机器视觉检测技术的发展概况
• 1.2.3.1 基于激光扫描的机器视觉检测技术
• 1.2.3.2 基于 CCD器件的机器视觉检测技术
• 1.2.3.3 我国在本领域的研究状况
• 1.2.4 在线检测技术的研究现状及展望
• 1.3 钢板表面缺陷识别技术的发展概况
• 1.3.1 图像处理与模式识别技术综述
• 1.3.1.1 图像处理技术的发展概况
• 1.3.1.2 模式识别技术的发展概况
• 1.3.2 缺陷识别技术的研究进展与现状分析
• 1.4 人工神经网络在钢板表面缺陷识别中的应用
• 1.4.1 人工神经网络的概念及特点
• 1.4.2 神经网络发展简史及分类
• 1.4.3 神经网络的应用
• 1.5 本文的主要研究内容
• 2 钢板表面质量检测系统的方案设计
• 2.1 钢板表面质量检测的系统组成
• 2.2 钢板表面质量检测系统的工作原理
• 2.3 系统的硬件结构及软件流程
• 2.3.1 硬件结构
• 2.3.2 软件流程
• 2.4 钢板表面质量检测系统的技术指标
• 2.5 本章小结
• 3 钢板表面缺陷图像处理算法的研究
• 3.1 数字图像处理原理
• 3.2 缺陷图像的增强
• 3.2.1 缺陷图像的对比度增强
• 3.3 缺陷图像平滑算法的探究
• 3.3.1 噪声的类型
• 3.3.2 空域中缺陷图像的平滑
• 3.3.3 缺陷图像的锐化
• 3.3.4 改进的小波滤波算法
• 3.4 一种改进的 Canny算子边缘检测方法
• 3.4.1 传统的Canny算子边缘检测机理
• 3.4.2 改进的Canny算子边缘检测算法
• 3.4.3 算法实例
• 3.5 本章小结
• 4 基于几何不变性的缺陷特征提取
• 4.1 样本库的建立
• 4.1.1 样本库的基本类型
• 4.1.2 样本库基本类型的扩展
• 4.2 特征的提取
• 4.2.1 特征提取的含义
• 4.2.2 常用的图像特征
• 4.3 一种改进的投影特征参量提取方法
• 4.3.1 方法原理
• 4.3.2 算法实例
• 4.4 基于 Hu不变矩的缺陷特征提取
• 4.4.1 图像的不变矩
• 4.4.2 矩的物理意义
• 4.4.3 计算不变矩特征值
• 4.4.4 算法实例
• 4.5 基于 Zernike不变矩的缺陷特征提取
• 4.5.1 Zernike矩描述
• 4.5.2 平移和缩放的归一化
• 4.5.3 算法实例
• 4.5.4 复合不变矩特征
• 4.6 复合不变矩特征对噪声适应性的讨论
• 4.7 本章小结
• 5 钢板表面缺陷识别中的神经网络方法
• 5.1 基于动态调节学习率改进 BP算法的缺陷识别方法
• 5.1.1 传统 BP算法的权值修正
• 5.1.2 传统 BP算法的缺点
• 5.1.3 针对学习率的两种改进
• 5.1.4 缺陷识别实验及分析
• 5.2 基于非线性变换和奇异值分解改进 BP算法的缺陷识别方法
• 5.2.1 奇异值分解及广义逆矩阵
• 5.2.2 隐层权值的矩阵求解
• 5.2.3 输出层权值的求解
• 5.2.4 算法的改进
• 5.2.5 缺陷识别实验及分析
• 5.3 用于缺陷识别的带新型混合算法的RBF神经网络
• 5.3.1 算法的改进原理
• 5.3.2 改进算法的实现
• 5.3.3 缺陷识别实验数据分析
• 5.4 本章小结
• 6 钢板表面缺陷识别实验及算法分析
• 6.1 实验系统的建立
• 6.1.1 硬件系统
• 6.1.2 软件流程
• 6.2 实验选取的缺陷图像类型
• 6.3 缺陷识别实验
• 6.3.1 缺陷图像的处理及分析
• 6.3.2 特征参数的提取
• 6.3.3 识别网络的建立
• 6.3.4 算法识别性能的比较与分析
• 6.4 本章小结
• 结论
• 创新点摘要
• 参考文献
• 附录A 六种代表样本的处理图像
• 攻读博士学位期间发表学术论文情况
• 致谢
• 大连理工大学学位论文版权使用授权书