基于机器视觉的纸病检测方法研究与应用

论文摘要

随着中国国民经济的持续稳定发展,中国造纸工业发生了根本性变化,纸和纸板生产量持续大幅度增长。然而,在造纸生产过程中,由于设备磨损、生产原料质量和环境污染等原因,会造成一些外观纸病,而利用传统的人工检测方式进行纸病检测已经难以胜任。为此,本文研究讨论了基于机器视觉的纸病检测方法,并把取得的研究成果在实验室现有设备基础上进行系统集成,模拟造纸生产线的纸病检测。本文根据机器视觉的基本原理,研究了针对四种常见纸病的数字图像处理算法,包括图像平滑去噪、图像增强、图像分割和图像数学形态学处理;并且提取和分析了10个纸病图像特征;利用BP神经网络建立了纸病分类器,取得了较好的识别效果,识别率达91%。在此基础上,本文利用智能图像传感器、微型计算机等设备,构建了纸病检测的硬件系统;并利用Delphi软件开发平台、MATLAB软件和第三方控件DVTSID,自主研发了一套集图像预处理、特征提取和分类识别于一体的纸病检测系统,达到了预期效果。虽然本论文取得了一定的研究成果,但是由于纸病种类繁多,研究得到的检测方法还存在着局限性,检测系统距离实用化还存在着一定差距。因此,本文最后对研究中存在的不足进行了总结,并对下一步工作的重点提出了建议。

论文目录

• 致谢
• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 造纸工业的现状和发展
• 1.2 纸病检测的重要性
• 1.3 关于机器视觉技术
• 1.4 国内外纸病检测方法研究现状
• 1.4.1 国外研究现状
• 1.4.2 国内研究现状
• 1.5 本课题研究的目的和意义
• 第二章 基于机器视觉的纸病检测系统构成
• 2.1 纸病检测原理
• 2.2 纸病的主要类型、特征及其产生原因
• 2.3 纸病检测系统的构成
• 2.4 纸病检测系统的软件开发工具
• 第三章 基于机器视觉的纸病检测图像处理方法研究
• 3.1 机器视觉中图像处理理论基础和概述
• 3.2 纸病图像的平滑去噪
• 3.2.1 图像的噪声
• 3.2.2 图像的平滑去噪
• 3.3 图像增强
• 3.3.1 灰度变换
• 3.3.2 直方图均衡化
• 3.4 图像分割
• 3.4.1 图像边缘检测
• 3.4.2 图像阈值分割
• 3.5 数学形态学处理
• 3.5.1 腐蚀和膨胀
• 3.5.2 展开和封闭
• 3.6 纸病数字图像处理结果及分析
• 3.7 纸病图像特征提取和选择
• 3.7.1 形态特征
• 3.7.2 灰度特征
• 3.7.3 纹理特征
• 3.7.4 纸病特征量选择结果
• 第四章 基于BP 神经网路的纸病分类器设计
• 4.1 神经网络概述
• 4.2 BP 算法
• 4.3 BP 神经网络的结构设计
• 4.4 纸病分类器的训练及验证
• 4.4.1 训练样本的选择
• 4.4.2 分类器的训练
• 4.4.3 纸病分类器识别效果验证
• 4.5 实验结果分析
• 第五章 基于机器视觉的纸病检测系统集成
• 5.1 纸病检测系统集成
• 5.1.1 纸病检测系统硬件构成
• 5.1.2 纸病检测系统软件构成
• 5.2 系统测试结果与分析
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 附录
• 详细摘要