基于机器视觉的粘扣带疵点快速检测方法的研究与实现

论文摘要

在粘扣带的生产中,对于质量的控制是非常重要的一个部分,它往往关系到企业生死存亡的问题。但目前大部分的疵点检测仍然由人工来完成,不仅效率低下,而且容易出现误检和漏检,给产品质量带来隐患。为此,本文探索了基于机器视觉的粘扣带外观疵点检测方法,重点研究了系统的硬件框架结构、图像分析软件,并针对粘扣带纹理特征,提出了相应的图像优化算法,最终研制了一套粘扣带外观疵点检测机。首先,针对粘扣带幅宽特点以及高精度、高速度的检测要求,并结合粘扣带在图像采集、疵点分割与分类等方面的特性,给出了系统的整体设计方案,提出了各种硬件的选择,特别是光照、采集方面,保证了系统框架的稳定可靠。通过分析粘扣带特有的纹理特征及存在的大部分噪声,本文提出了基于均值的自适应滤波器,它充分发挥了线形滤波器与非线性滤波器各自的优点,能有效的解决图像采集过程中出现的噪声问题。为了能提高系统的效率,降低每幅图片的处理时间,本文设计出了依有无疵点的分类处理方法,只将存在疵点的图像提取出来进行后续的处理,而没有疵点的图像仅仅作为界面的显示部分,而不经过后面的预处理及疵点提取分类处理。大大的节约了系统的运算时间,十分适合于在线检测系统。针对粘扣带特有的幅宽,本文提出了基于一阶特征值的图像分割算法,将图像中不感兴趣的部分剔除,将运算量大的算法尽可能的只处理所要检测的区域。实验表明能大大的节约运算时间,而且得到的边缘较为精确。考虑粘扣带两面的纹理特征差异,因而本文提出了不同的检测算法以分别处理粘扣带的两面。然后,采用BP神经网络对分割出的疵点进行分类处理,并根据厂家要求对所检的粘扣带进行打标处理。并根据要求对打标机的控制作了详细的说明。最后,在上述理论研究和实验对比的基础上,研制开发出了一套基于机器视觉的粘扣带外观疵点检测机。实验表明,该设备在线的经济检测速度能达到100m/min,最高的检测速度能达到200m/min,最高的检测精度为0.5mm,且疵点识别率高,很好地满足了实际生产需要。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究的目的和意义
• 1.2 课题来源
• 1.3 国内外研究动态
• 1.3.1 机器视觉的国内外发展概况
• 1.3.2 基于机器视觉的粘扣带商业检测系统发展现状
• 1.4 本文研究思路和研究方法
• 1.5 本章小结
• 第2章 检测系统总体方案设计
• 2.1 粘扣带自动检测系统的总体设计方案
• 2.1.1 系统需求分析
• 2.1.2 系统模块设计
• 2.2 系统的软件开发环境
• 2.3 图像采集系统的硬件设计
• 2.3.1 CCD 相机的选择及其原理
• 2.3.2 光源的选择
• 2.3.3 计算机的配置
• 2.4 本章小结
• 第3章 粘扣带疵点图像的采集分类与预处理
• 3.1 数字图像采集原理
• 3.2 粘扣带疵点采集及形成原因
• 3.3 图像的预处理
• 3.3.1 预处理定义
• 3.3.2 图像预处理第一部分算法
• 3.3.3 图像预处理后续算法
• 3.3.3.1 图像噪声来源及其分类
• 3.3.3.2 图像噪声模型
• 3.4 基于粘扣带图像的常用滤波方法
• 3.5 基于均值的快速自适应滤波器
• 3.6 本章小结
• 第4章 粘扣带边缘及疵点检测
• 4.1 边缘检测的步骤
• 4.2 经典边缘检测算子
• 4.2.1 一阶微分边缘算子
• 4.2.2 二阶微分边缘算子
• 4.2.3 Canny 边缘检测算子
• 4.2.4 各种边缘算子对粘扣带的检测结果分析
• 4.3 基于一阶特征值的边缘检测方法
• 4.4 疵点检测算法
• 4.4.1 常见的空域疵点检测算法
• 4.4.2 常见的频域疵点检测算法
• 4.5 疵点分割方法
• 4.5.1 粘扣带检测难点
• 4.5.2 针对粘扣带疵点分割方法
• 4.6 本章小结
• 第5章 粘扣带疵点分类模块设计及分类打标实现
• 5.1 模式识别理论
• 5.2 粘扣带疵点分类概述
• 5.3 BP 神经网络分类器设计
• 5.3.1 BP 神经网络的原理
• 5.3.2 BP 网络确定因素
• 5.3.3 粘扣带疵点分类特征选取
• 5.3.4 基于BP 网络的多层感知器的选取
• 5.4 分类实验结果
• 5.5 粘扣带疵点分类打标模块的实现
• 5.6 本章小结
• 第6章 粘扣带表面疵点检测系统实现
• 6.1 疵点检测系统软件实现
• 6.1.1 软件实现流程图
• 6.1.2 软件界面图
• 6.1.3 实验结果图及分析
• 6.2 系统硬件构建
• 6.3 参展情况
• 6.4 小结
• 第7章 总结与展望
• 参考文献
• 致谢
• 附录