基于支持向量机的带钢表面缺陷识别研究

论文摘要

随着社会的进步和发展,带钢产品在社会生产和生活中的应用越来越广泛,因此带钢产品的质量就成为人们所关注的重点。在现有的带钢表面缺陷检测方法中,存在实时性差、识别率较低、检测环境恶劣等弊端,因此带钢表面缺陷检测技术的研究工作,已经成为国内外学者研究热点之一。本文对带钢表面缺陷识别技术进行了深入研究,主要研究内容如下:1.图像预处理算法研究。对于带钢表面缺陷图像,本文采用了多种不同的图像去噪方法,并对去噪效果进行了科学评价。依据试验结果以及实际需要,选择中值滤波算法。2.图像边缘检测算法的研究。采用多种算法进行缺陷边缘检测。对比试验效果,考虑实时性以及精确性的因素,选择了Canny算子进行边缘检测。3.特征提取算法研究。对缺陷图像提取了Hu不变矩特征、灰度特征、几何特征、基于灰度共生矩阵的纹理特征、基于亮度直方图的纹理特征,并对以上特征进行分析,确定分类识别所用三种特征量。4.分类识别算法研究。本文采用了基于支持向量机的分类识别方法和传统的BP神经网络识别方法,对缺陷进行分类识别。实验结果证明,基于支持向量机的分类识别算法更具优势。5.基于融合技术的分类方法研究。本文在第四章分析和实验的基础上,采用了基于融合算法的分类方法。通过试验证明,基于融合技术的分类方法能够有效地降低分类器的复杂程度,使其更具互补性,有效地提高的分类精度。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 课题的研究意义
• 1.2 带钢表面缺陷识别国内外研究现状
• 1.3 课题的来源
• 1.4 课题主要研究内容
• 2. 缺陷区域分析
• 2.1 区域算法流程
• 2.2 图像预处理
• 2.2.1 图像噪声的基本概念及来源
• 2.2.2 对噪声的描述
• 2.2.3 噪声的典型处理方法
• 2.2.4 带钢缺陷滤波效果实例
• 2.2.5 小结与分析
• 2.3 缺陷边缘提取
• 2.3.1 一阶边缘检测算子法
• 2.3.2 Canny算子法
• 2.3.3 二阶边缘检测算子法
• 2.4 缺陷图像边缘检测实例
• 2.5 小结与分析
• 3 缺陷特征提取与选择
• 3.1 特征提取意义
• 3.2 样本的选取
• 3.3 基于Hu不变矩的特征提取
• 3.3.1 Hu矩算法及其物理意义
• 3.3.2 Hu不变矩的基本性质
• 3.3.3 提取Hu不变矩缺陷特征实例
• 3.4 几何特征提取
• 3.4.1 提取缺陷图像几何特征实例
• 3.5 缺陷灰度特征提取
• 3.5.1 灰度特征描述
• 3.5.2 提取缺陷灰度特征实例
• 3.6 基于灰度共生矩阵的纹理特征提取
• 3.6.1 纹理特征描述
• 3.6.2 基于灰度共生矩阵的纹理特征提取
• 3.6.3 提取缺陷纹理特征实例
• 3.7 基于亮度直方图的纹理特征描述
• 3.7.1 基于亮度直方图的纹理特征描述
• 3.7.2 基于亮度直方图的纹理特征提取实例
• 3.8 特征选择
• 3.9 小结
• 4. 基于支持向量机的带钢表面缺陷识别技术
• 4.1 支持向量机理论简介
• 4.1.1 统计学习理论简介
• 4.1.2 支持向量机
• 4.1.3 核函数理论
• 4.1.4 支持向量机多类分类方法
• 4.2 基于支持向量机的缺陷识别实验
• 4.2.1 实验中核函数与参数的确定
• 4.2.2 支持向量机多分类实验
• 4.2.3 实验结果分析
• 4.3 基于神经网络的缺陷识别实验
• 4.3.1 神经网络结构及参数选择
• 4.3.2 BP神经网络分类实验
• 4.4 本章小结
• 5 基于融合技术的分类方法
• 5.1 融合技术简述
• 5.2 融合技术分类方案设计
• 5.3 基于融合技术的支持向量机分类实验
• 5.4 基于融合技术的神经网络分类实验
• 5.5 本章小结
• 6 总结及展望
• 6.1 总结
• 6.2 展望
• 致谢
• 参考文献