带钢表面缺陷检测算法的研究

论文摘要

带钢表面缺陷是衡量带钢质量的主要因素,由于原材料、轧制设备、加工工艺和系统控制等多方面原因,造成带钢表面出现多种缺陷,影响最终产品的性能和质量。因此,带钢表面缺陷检测算法的研究必将为企业带来巨大的经济价值和现实意义。本文对带钢表面缺陷图像的处理和识别技术进行了深入的研究,提出了检测算法的总体方案,成功实现了带钢表面缺陷的实时检测,提高了带钢生产的自动化水平。在预处理阶段,采用自适应滤波去除图像中的噪声,使图像得到增强;根据缺陷图像的表现特性,提出了一种光照不均匀校正算法;针对传统阈值选择算法的不足,提出一种基于最大类间类内距离比准则的阈值选择算法,成功实现了目标缺陷区域与背景的分离。根据特征向量的类可分离性准则和仿射不变性准则,提出将对于目标的旋转、平移和尺度变化保持不变的不变矩描述子作为缺陷图像的特征向量进行提取;采用主成分分析法对特征向量进行空间降维处理,将原始22维特征向量压缩为15维特征向量,有效地提高了系统的运行速度。研究了统计学习理论中的一类支持向量机分类方法;详细讨论了一类支持向量机分类器设计中核函数的选择和参数的设置问题;将一类支持向量机与BP神经网络进行了性能比较,分析了一类支持向量机在模式识别中的优越性。采用本文研究的算法,利用工业现场获得的180幅带钢缺陷图像进行测试,对于乳液斑缺陷、孔洞缺陷、辊印缺陷、欠酸洗缺陷、划伤缺陷和边裂缺陷等六类缺陷的正确识别率分别为90.00%、90.00%、90.00%、100.0%、93.33%和90.00%,平均的识别率为90%以上,且系统能够保证在5帧/s以上的速度对缺陷进行识别。可见,本文的缺陷检测算法不仅具有较高的正确识别率,而且适合于工业现场的实时检测。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 区域提取方法
• 1.2 特征提取方法
• 1.3 模式识别方法
• 1.3.1 传统模式识别方法
• 1.3.2 传统模式识别方法存在的问题
• 1.3.3 统计学习理论和支持向量机
• 1.4 课题背景及研究的目的和意义
• 1.4.1 国内外研究现状
• 1.4.2 研究目的和意义
• 1.5 本课题主要研究内容
• 第2章 图像增强及目标区域提取算法
• 2.1 图像增强处理
• 2.1.1 常见噪声模型
• 2.1.2 空域滤波方法
• 2.1.3 光照不均匀校正算法
• 2.2 图像目标区域提取
• 2.2.1 基于最小误判概率准则的阈值选择算法
• 2.2.2 基于最大类间类内距离比准则的阈值选择算法
• 2.2.3 最大类间类内距离比准则阈值选择算法的改进
• 2.3 本章小结
• 第3章 目标区域特征提取与选择算法
• 3.1 特征提取与选择基本准则
• 3.1.1 类可分离性准则
• 3.1.2 仿射不变性准则
• 3.2 基于不变矩的目标区域特征提取
• 3.2.1 不变矩的平移和尺度不变性
• 3.2.2 不变矩的旋转不变性
• 3.2.3 22 维不变矩特征向量的提出
• 3.2.4 不变矩仿射不变性实验
• 3.2.5 不变矩用于带钢表面缺陷检测可行性分析
• 3.3 基于主成分分析法的特征向量空间降维处理
• 3.3.1 主成分分析法的特性分析
• 3.3.2 基于主成分分析的空间降维方法
• 3.4 本章小结
• 第4章 基于一类支持向量机的分类器设计
• 4.1 一类支持向量机分类
• 4.1.1 一类支持向量机分类的原理
• 4.1.2 一类支持向量机分类的优越性
• 4.2 一类支持向量机分类器设计中的若干关键问题
• 4.2.1 核函数对分类器性能的影响
• 4.2.2 核函数参数和惩罚系数对分类器性能的影响
• 4.2.3 一类支持向量机分类器的设计方法
• 4.3 一类支持向量机与BP 神经网络性能比较实验
• 4.4 本章小结
• 第5章 带钢表面缺陷检测算法实验研究
• 5.1 常见缺陷的特点及产生原因
• 5.2 带钢表面缺陷检测算法结构设计
• 5.3 带钢表面缺陷检测算法实验
• 5.3.1 带钢表面缺陷的预处理
• 5.3.2 带钢表面缺陷的特征提取与选择
• 5.3.3 带钢表面缺陷的分类决策
• 5.3.4 实验结果分析
• 5.4 与其他带钢表面缺陷检测算法的对比实验
• 5.4.1 基于纹理特征和BP 神经网络的传统检测算法
• 5.4.2 基于纹理特征和一类支持向量机的检测算法
• 5.4.3 基于不变矩特征和BP 神经网络的检测算法
• 5.4.4 实验结果分析
• 5.5 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的学术论文
• 致谢