枪弹外观检测中的图像处理及识别算法应用研究

论文摘要

在传统的枪弹工厂里，枪弹的外观尺寸和缺陷是由检验员手动测量和目视检测，由于这样的检测需要长时间注视待检对象，再加上检验员自身素质、技能和经验等一些客观条件的限制可能会出现器件的漏检，质量参差不齐以及对特殊的外观图像缺陷不能准确识别等问题。随着技术的飞速发展，工厂对器件检测的智能化程度要求也越来越高，尤其是在对测量精度、效率以及实时性要求较高的枪弹行业表现得更为突出，传统的人工检测手段已经远远不能满足行业的需求。因此，如何解决以上这些问题已成为研究的热点之一。图像处理及识别技术的快速发展，为解决这些问题提供了关键的方法。本文以数字图像处理和识别的基本算法为背景，对枪弹外观图像的特征进行了分析，并结合枪弹外观图像检测的复杂性，把图像处理及识别技术应用于枪弹外观图像的轮廓，尺寸以及表面缺陷的检测中去。文中首先对图像处理及识别的相关的理论知识进行了简单介绍，对其应用领域进行了概括总结。之后，提出了枪弹外观图像的预处理技术，包括图像的噪声及其滤波方法，表面反光现象及其处理，图像增强技术的应用等。在对原始图像进行滤波、处理的基础之上，比较了基本边缘检测算子的优劣，并提出一种基于蚁群算法的枪弹外观轮廓提取方法。在尺寸测量方面，找出了测量尺寸需要用到的关键点，采用Harris角点检测和Hough直线拟合的方法，准确测量了枪弹的长，宽以及底圆直径等关键部分的距离，并进行了误差分析。最后，用差分算法提取缺陷区域的特征参数,对于不同的缺陷区域构造分割方法，分别采用连通区域标记法和面积拟合的方法求解其面积，根据形态学知识对枪弹表面的划痕进行分类、测量和分析，对点划痕求出其轮廓及面积，线划痕求出其长度，最后与给定标准值进行比较，进而判断产品合格与否。最后，把论文中的算法进行MATLAB仿真或者VC++6.0程序验证，得到了预期的结果。实验结果表明,在枪弹外观检测中应用图像处理及识别算法可以有效克服现有的人工视觉检测方法的缺陷，检测的结果可以充分显示出算法有比较高的优越性和适用性，更重要的是稳定性和准确度也得到了提高。

论文目录

• 摘要
• Abstract
• 1 前言
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.2.1 图像处理及识别技术的理论研究
• 1.2.2 在外观检测方面的应用成果
• 1.3 论文的主要研究内容及创新点
• 1.3.1 论文主要研究内容
• 1.3.2 论文的主要创新点
• 1.4 论文的组织架构
• 2 枪弹外观检测基础
• 2.1 数字图像处理及识别的相关理论
• 2.1.1 图像处理及识别的概念和方法
• 2.1.2 主要应用及发展动向
• 2.2 枪弹外观图像的预处理
• 2.2.1 图像预处理基础
• 2.2.2 枪弹图像噪声分类及小波去噪方法
• 2.2.3 枪弹图像增强处理
• 2.2.4 枪弹表面反光现象处理
• 2.3 图像特征的提取和分类
• 2.3.1 特征提取的相关概念
• 2.3.2 图像特征的分类及匹配方法
• 2.4 本章小结
• 3 枪弹外观图像的轮廓提取
• 3.1 轮廓提取的基础方法
• 3.2 图像边缘检测
• 3.2.1 边缘结构性分析
• 3.2.2 边缘检测的基本步骤
• 3.2.3 基于检测算子的边缘检测方法
• 3.3 一种基于蚁群算法的新轮廓提取方法
• 3.3.1 蚁群算法的原理
• 3.3.2 蚁群算法应用于图像边缘检测的过程
• 3.3.3 枪弹外观轮廓提取
• 3.3.4 轮廓提取结果
• 3.3.5 轮廓图像误差分析
• 3.4 本章小结
• 4 枪弹外观图像的尺寸测量
• 4.1 尺寸测量及其关键点
• 4.1.1 尺寸测量
• 4.1.2 兴趣点
• 4.2 枪弹外观尺寸的测量方法和结果
• 4.2.1 Harris 角点检测方法
• 4.2.2 兴趣点的标定算法
• 4.2.3 直线间距离测量
• 4.2.4 线段长度测量
• 4.2.5 尺寸测量的误差分析
• 4.3 本章小结
• 5 枪弹外观图像的缺陷识别
• 5.1 缺陷识别的相关理论知识
• 5.2 缺陷图像分割
• 5.3 枪弹外观的锈斑检测
• 5.3.1 锈斑检测原理及流程
• 5.3.2 锈斑图像特征提取及选择
• 5.3.3 锈斑图像的检测结果
• 5.3.4 锈斑缺陷图像面积计算
• 5.4 枪弹外观的划痕检测
• 5.4.1 划痕的分类
• 5.4.2 不同类型划痕的检测算法
• 5.4.3 实验结果分析
• 5.5 本章小结
• 6 总结及下一步研究计划
• 6.1 论文主要成果总结
• 6.2 下一步的研究计划
• 致谢
• 参考文献
• 个人简历、在学期间发表的学术论文及取得的研究成果