金屬工件表面紋理缺陷的識別與分類是21世紀工業(yè)自動化領(lǐng)域中的熱點問題。金屬工件表面的劃痕、斑點、凹坑等缺陷,可能會造成組裝后的機器使用壽命縮短、安全隱患等問題。為保證產(chǎn)品的質(zhì)量,本文針對金屬工件表面紋理缺陷的提取與分類方法展開了相關(guān)研究工作。本文在研究灰度共生矩陣算法提取缺陷特征的基礎(chǔ)之上,分析了紋理缺陷的相關(guān)機理。針對紋理缺陷在圖像中的灰度跳變信息,提出了灰度-梯度共生矩陣算法。該方法是將圖像中紋理的梯度信息引入灰度共生矩陣,使其對于具有方向性的紋理可以從梯度的方向上反應(yīng)出來。實驗證明,基于灰度-梯度共生矩陣算法提取的缺陷特征可以更好的保留紋理的邊緣、紋溝或者其他尖銳的紋理信息。為了提高紋理缺陷的分類精度,本文提出了改進的RBF神經(jīng)網(wǎng)絡(luò)分類算法。該方法利用粒子群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的基函數(shù)中心x_i、方差σ、輸出權(quán)值ω,并對網(wǎng)絡(luò)進行訓(xùn)練,從而改善標準RBF神經(jīng)網(wǎng)絡(luò)易出現(xiàn)的網(wǎng)絡(luò)收斂慢和網(wǎng)絡(luò)發(fā)散問題,并提高缺陷分類準確率。實驗結(jié)果表明PSO改進的RBF神經(jīng)網(wǎng)絡(luò)相比標準RBF神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)分類方法提高了缺陷分類準確率,三種缺陷特征的分類平均準確率高達94%。 

【文章來源】：長春工業(yè)大學(xué)吉林省

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【部分圖文】：

機器視覺技術(shù)的應(yīng)用

第 1 章 緒 論變層級越少，圖像色調(diào)單一且模糊。直方圖均衡化運算簡單，處理圖像速度快。廣泛應(yīng)用于增強圖像暗部細節(jié)、增強高速運動物體顯示效果等方面[16-17]。1.2.3 圖像特征提取算法研究現(xiàn)狀圖像特征提取是圖像處理過程中十分重要的環(huán)節(jié)，特征提取的結(jié)果直接影響到圖像特征提取與分類的準確率。圖像特征分為以下四類：紋理特征、形狀特征、顏色特征和空間關(guān)系特征[18-19]。不同的圖像特征提取算法提取不同的圖像特征，本文研究的金屬表面缺陷特征屬于紋理特征（如劃痕、斑點和凹坑等）。紋理特征提取方法分為以下四類：統(tǒng)計法（如灰度共生矩陣[20]、圖像的能量譜函數(shù)[21]等）、幾何法（如 Voron棋盤格特征法、結(jié)構(gòu)法等）、模型法（如馬爾科夫隨機場模型法[22]、Gibbs 隨機場模型法等）和信號處理法（如小波變換[23]、自回歸紋理模型法[24]）。紋理特征提取方法分類如圖 1.3 所示。

Gabor 小波的核函數(shù)通過卷積運算可以得到 Gabor 特征圖譜。如圖2.1 所示，A 為含有缺陷特征的圖像，B 為 Gabor 小波的核函數(shù)。卷積的運算公式如下： i jC ( x,y)A(i,j)B(xi,yj)（2-15）將輸入的含有缺陷特征的圖像進行 Gabor 小波變換，運算過程如下：()()(),,FzIzGzuvuv （2-16）其中，, 為通過卷積運算得到的特征圖像； 為初始圖像；*為卷積運算。圖 2.1 二維卷積運算

【參考文獻】：
期刊論文
[1]基于BP神經(jīng)網(wǎng)絡(luò)的電網(wǎng)物資需求預(yù)測研究[J]. 丁紅衛(wèi),王文果,萬良,羅劍.  計算機技術(shù)與發(fā)展. 2019(06)
[2]基于粒子群算法的RBF神經(jīng)網(wǎng)絡(luò)零件表面缺陷分類[J]. 岳曉峰,劉天.  電子技術(shù)與軟件工程. 2019(04)
[3]自動駕駛汽車及技術(shù)發(fā)展研究[J]. 王治平.  科技經(jīng)濟導(dǎo)刊. 2019(05)
[4]基于超聲圖像的生物組織損傷判定方法研究[J]. 陳興,丁亞軍,錢盛友,郭燕.  電子測量與儀器學(xué)報. 2019(01)
[5]局部自相關(guān)函數(shù)在基于內(nèi)容的圖像檢索中的應(yīng)用[J]. 胡志軍,劉廣海,蘇又.  計算機科學(xué). 2018(S2)
[6]基于Gabor小波變換的圖像輪廓角點檢測[J]. 馬迎春,劉慧鋒,張航.  測試技術(shù)學(xué)報. 2018(04)
[7]人臉識別技術(shù)綜述及分析[J]. 黨永成.  電子技術(shù)與軟件工程. 2018(03)
[8]圖像紋理檢測與特征提取技術(shù)研究綜述[J]. 李秀怡.  中國管理信息化. 2017(23)
[9]基于K-means顏色聚類分割與邊緣檢測的文字提取[J]. 吳春法,潘亞文,王敬.  電腦知識與技術(shù). 2017(28)
[10]基于Tamura紋理特征的織物組織識別算法[J]. 梅軍,張森林,樊臻.  輕工機械. 2017(04)

博士論文
[1]森林生物量遙感估測及人為干擾對森林碳儲量影響研究[D]. 田靜.東北林業(yè)大學(xué) 2017
[2]高光譜圖像的分類技術(shù)研究[D]. 何同弟.重慶大學(xué) 2014
[3]支持向量機方法及其應(yīng)用研究[D]. 王書舟.哈爾濱工業(yè)大學(xué) 2009

碩士論文
[1]基于BP神經(jīng)網(wǎng)絡(luò)的太湖葉綠素濃度反演[D]. 王根深.南京郵電大學(xué) 2018
[2]粒子群算法改進及其應(yīng)用研究[D]. 秦媛.南京郵電大學(xué) 2018
[3]金屬表面細微缺陷的識別與分類研究[D]. 吳煥新.長春工業(yè)大學(xué) 2018
[4]BP神經(jīng)網(wǎng)絡(luò)方法在新產(chǎn)品開發(fā)中的應(yīng)用研究[D]. 王勝男.山東建筑大學(xué) 2018
[5]基于主成分分析的焊縫缺陷識別算法研究[D]. 張君.西安石油大學(xué) 2017
[6]無參考視頻平滑度評價方法的研究[D]. 盧培磊.武漢工程大學(xué) 2015
[7]基于機器視覺的手機隔板劃痕檢測研究[D]. 宋迪.湘潭大學(xué) 2014
[8]基于馬爾科夫隨機場模型的圖像分割算法研究[D]. 朱瑤.哈爾濱工程大學(xué) 2014
[9]浮選泡沫圖像紋理特征提取研究及應(yīng)用[D]. 林霞.中南大學(xué) 2013
[10]基于神經(jīng)網(wǎng)絡(luò)的水文預(yù)報方法研究[D]. 王圣.華中科技大學(xué) 2013



本文編號：2953643