基于机器视觉的强化木地板表面瑕疵检测方法研究

论文摘要

以小径材为原材料强化木地板俗称人造木地板,具有耐磨、美观、环保、防潮、阻燃、防蛀、安装便捷、易于清洁护理、经济实用等诸多优点,且具有价格优势,所以应用发展迅速。然而在国内强化木地板生产线上,对于产品表面粘贴的木纹装饰纸的外观质量检验目前还是依靠人工目测,劳动强度大,不仅容易造成视觉疲劳,而且由于不同检测员的认识不同,检测结果受主观因素影响产生差异,外观质量难以保证。同时人工检测速度慢,效率低。本课题试图探索人工智能方法的强化木地板表面质量检测,提高该生产线的自动化水平。本文详细论述了利用视频摄像机进行强化木地板在线质量检测的具体方法,包括图像处理、特征提取和模式识别,这三个步骤是机器视觉研究的核心内容。作者首先通过调研北京科诺森华木地板厂等生产企业的技术要求,制定了课题研究的技术路线。在图像分割环节,本文试验了蚁群算法、最大类间方差算法和最大熵的遗传算法三种处理方法,结果表明遗传算法能够更好地提取地板表面浅色和深色缺陷,且运算速度较快。本文选取强化木地板表面缺陷的颜色特征和纹理特征进行了参数计算,并采用主成分分析法对这些参数做了降维处理,有效减少了后期运算的复杂程度。最后运用BP神经网络对实验样板进行了识别分类,完成了强化木地板表面质量智能检测方法研究的全过程。经MATLAB仿真表明,运用BP神经网络对强化木地板表面瑕疵进行检测效果不够理想,不能应用于实际生产。

论文目录

• 摘要
• ABSTRACT
• 1. 绪论
• 1.1 课题研究的目的与意义
• 1.2 课题研究的技术背景
• 1.2.1 数字图像处理技术简介
• 1.2.2 模式识别理论
• 1.2.3 木材缺陷检测的研究现状
• 1.3 课题研究的内容与方法
• 2. 机器视觉基础
• 2.1 数字图像
• 2.1.1 数字图像表示
• 2.1.2 数字图像存储
• 2.1.3 数字图像文件格式标准
• 2.2 数字图像的计算机识别方法
• 2.2.1 数字图像处理方法
• 2.2.2 数字图像识别方法
• 2.3 本章小结
• 3. 强化木地板表面缺陷图像处理
• 3.1 强化木地板表面缺陷分类与检测类型的选取
• 3.1.1 强化木地板简介
• 3.1.2 强化木地板表面缺陷种类与分析
• 3.1.3 检测类型的选取
• 3.2 强化木地板表面缺陷图像预处理
• 3.2.1 空间域灰度修正
• 3.2.2 空间域灰度平滑
• 3.3 强化木地板表面缺陷图像分割
• 3.3.1 图像分割处理方法概述
• 3.3.2 基于最大类间方差（OTSU）的图像分割处理
• 3.3.3 基于蚁群算法的图像分割处理
• 3.3.4 基于遗传算法和最大熵的图像分割处理
• 3.4 本章小结
• 4. 强化木地板表面缺陷特征参数提取
• 4.1 特征参数与常用图像特征
• 4.1.1 特征参数提取概述
• 4.1.2 常用图像特征
• 4.2 强化木地板表面缺陷图像特征参数计算
• 4.2.1 强化木地板表面缺陷图像颜色特征的计算
• 4.2.2 强化木地板表面缺陷图像纹理特征的计算
• 4.2.3 强化木地板表面缺陷特征参数计算结果
• 4.3 基于主成分分析（PCA）的强化木地板表面缺陷图像特征提取
• 4.3.1 PCA概述
• 4.3.2 PCA程序设计流程
• 4.3.3 基于主成分分析的降维结果
• 4.4 本章小结
• 5. 强化木地板表面缺陷图像检测的人工神经网络
• 5.1 人工神经网络
• 5.1.1 人工神经网络概述
• 5.1.2 神经元工作原理
• 5.1.3 神经网络的学习过程
• 5.2 基于BP神经网络的缺陷分类识别
• 5.2.1 BP神经网络原理
• 5.2.2 BP算法实现步骤
• 5.2.3 BP网络算法参数设置
• 5.3 强化木地板表面缺陷图像检测的神经网络实现
• 5.4 本章小结
• 6. 研究方法的实验
• 6.1 程序设计环境简介
• 6.1.1 仿真工具MATLAB
• 6.1.2 VisualC++6.0
• 6.1.3 实验运行界面
• 6.2 强化木地板表面缺陷图像处理程序结构
• 6.3 实验结果仿真与分析
• 6.4 课题研究的展望
• 附表
• 参考文献
• 个人简介
• 导师简介
• 获得成果目录清单
• 致谢