基于机器视觉的带钢表面孔洞检测系统的研究

论文摘要

在现代化大生产中,视觉检测是不可缺少的环节。机器视觉作为一种现代检测手段,综合应用图像处理与分析、模式识别、人工智能等技术,正广泛运用于工业产品的在线检测,特别是表面缺陷检测领域。冷轧生产线上由于带钢薄、张力大,来料的孔洞特别是边部位置的孔洞极易引发机组断带,给生产带来致命的影响。本课题结合生产中对带钢表面孔洞缺陷的检测要求,对基于机器视觉的自动检测系统进行研究。主要工作如下：（1）基于机器视觉原理,构建反射、透射光联合式带钢表面孔洞检测系统的软、硬件结构。在现有成果的基础上展开研究,提出改善系统检测性能的方法。（2）根据图像的灰度标准差判断带钢表面有无疑似孔洞缺陷,统计并分析噪声特性,采用中值滤波器,在去除噪声的同时有效保留图像的边缘细节,提高了分辨力。（3）将传统阈值分割和聚类分析方法相结合,提出适合带钢表面孔洞检测的二值分割法。此方法能更有效地分离图像中的目标和背景；采用数学形态学滤波器去除图像分割引起的孤立噪声点。（4）提取目标区域的特征参数,综合周长、面积、圆度和重心坐标等特征值对缺陷进行识别和定位,将检测结果显示给用户。（5）编制VC++程序,对检测系统软件部分的性能进行测试。通过查阅文献,了解国内外相关领域的发展状况,提出将机器视觉技术应用于带钢表面孔洞检测的研究思路。本课题从理论、实验两方面深入研究,对现有检测方法进行改进,最终达到提高检测速度和识别率的目的。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.2 带钢表面孔洞检测技术
• 1.2.1 传统无损检测技术
• 1.2.2 机器视觉检测技术
• 1.3 国内外研究概况及发展趋势
• 1.3.1 国外研究状况
• 1.3.2 国内研究成果
• 1.3.3 研究方向及发展趋势
• 1.4 研究目的和意义
• 1.5 论文主要工作
• 第二章 带钢表面孔洞机器视觉检测系统构建
• 2.1 孔洞缺陷类型
• 2.2 孔洞检测主要技术要求
• 2.3 孔洞检测系统的工作原理及基本架构
• 2.3.1 光源
• 2.3.2 CCD摄像机
• 2.3.3 照明方式
• 2.4 孔洞检测流程
• 2.5 本章小结
• 第三章 带钢表面孔洞机器视觉检测关键技术
• 3.1 疑似孔洞缺陷提取技术
• 3.1.1 差影法提取
• 3.1.2 基于直方图提取
• 3.1.3 基于灰度特征提取
• 3.2 图像预处理技术
• 3.2.1 图像噪声的分离
• 3.2.2 噪声特性分析
• 3.2.3 滤波器设计
• 3.3 图像分割技术
• 3.3.1 基于边界的分割方法
• 3.3.2 基于区域的分割方法
• 3.4 本章小结
• 第四章 孔洞缺陷的特征提取和分类识别
• 4.1 孔洞缺陷特征提取和选择原则
• 4.2 孔洞缺陷特征提取
• 4.2.1 孔洞缺陷的特征定义
• 4.2.2 孔洞缺陷的特征统计及与其他缺陷的比较
• 4.3 孔洞缺陷分类识别
• 4.3.1 基于特征相对距离的缺陷分类
• 4.3.2 基于图像形态距离的缺陷分类
• 4.4 本章小结
• 第五章 软件系统设计
• 5.1 开发环境
• 5.2 程序框架
• 5.3 功能单元
• 5.3.1 低层处理单元
• 5.3.2 中层处理单元
• 5.3.3 高层处理单元
• 5.4 算法流程
• 5.4.1 目标区域面积
• 5.4.2 目标区域周长
• 5.4.3 缺陷识别和定位
• 5.5 检测界面
• 5.6 本章小节
• 第六章 实验结果及误差分析
• 6.1 检测实验
• 6.1.1 检测环境
• 6.1.2 实验过程
• 6.1.3 实验结果
• 6.2 检测精度及误差分析
• 6.2.1 CCD相机引起的误差
• 6.2.2 系统的噪声误差
• 6.2.3 图像处理算法误差
• 6.2.4 计算累计误差
• 6.3 本章小结
• 第七章 结论
• 参考文献
• 致谢