由于冷軋生產中帶鋼的材料規(guī)格、生產設備、軋制工藝等諸多因素,會使板帶材表面產生不同種類的缺陷,影響了實用性和美觀性。本文對板帶材表面缺陷檢測系統(tǒng)進行了設計,建立了板帶材表面缺陷圖像庫,改進了卷積神經網絡算法,并利用改進的卷積神經網絡對缺陷圖像庫進行訓練和測試。首先,針對板帶材表面缺陷檢測裝置的圖像采集和傳輸問題,分別從硬件和軟件兩方面進行研究。硬件結構設計中,對系統(tǒng)中光源、照明方式和圖像傳感器進行了深入探討;研究了FPGA處理器和存儲部件SDRAM、以太網DM9000A等外設的選取和電路連接問題,并在FPGA上建立Nios系統(tǒng)。軟件設計中,在FPGA內利用I2C總線對CMOS傳感器MT9M034的相關寄存器進行配置,編寫了MT9M034采集程序和DM9000A IP核;在Nios中引入μC/OS-II實時操作系統(tǒng)和Lwip協(xié)議,完成了系統(tǒng)采集和傳輸部分的軟件設計。其次,針對采集缺陷圖像過程中產生的噪聲問題,分析了噪聲類型和常見濾波方式,設計了基于FPGA的快速中值濾波,實現(xiàn)缺陷圖像的快速中值濾波。針對網絡訓練中缺少訓練樣本問題,利用系統(tǒng)的圖像采集模塊采集了7類板帶材表面缺陷圖像,對圖像進行人工擴展,建立了板帶材表面缺陷圖像庫。最后,傳統(tǒng)板帶材表面缺陷檢測過程中,需要手動提取缺陷特征,過程復雜。針對這一問題,提出了基于卷積神經網絡的檢測方法,并在板帶材表面缺陷圖像庫上進行測試,得到6.86%的誤識率。卷積神經網絡在圖像庫識別率不高是因為特征提取不夠,因此本文在網絡中加入Gabor卷積核,提出了基于Gabor核的深度卷積神經網絡。利用網絡在板帶材表面缺陷圖像庫上進行訓練和測試,獲得0.28%的較低誤識率。
【學位單位】：燕山大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TP391.41;TG115.28
【部分圖文】：

第 2 章 板帶材表面缺陷檢測系統(tǒng)整體設計第 2 章 板帶材表面缺陷檢測系統(tǒng)整體設計文研究所涉及的缺陷帶材在冷軋過程中，由于材料規(guī)格、生產設備、軋制工藝等諸多影響表面產生的缺陷種類繁多，包括劃痕、翹皮、結疤、氧化、硌痕、邊酸洗等 50 余種缺陷類型。這些缺陷根據其產生機理可將其分為材質缺、損傷缺陷以及工藝缺陷等類型[49]，根據其外觀特征可以將其分為點以及面缺陷等類型。于對所有的缺陷類型進行研究工作量太大，所以本文以其中的劃痕、氧化、黑線、油漬、黑點等 7 類常見缺陷為研究對象，缺陷圖像如圖 2-

MT9M034的RTL圖

第 2 章 板帶材表面缺陷檢測系統(tǒng)整體設計寄存器 RCR 為 0x8F 使能數(shù)據接收功能。，將 Lwip 協(xié)議在 μC/OS-II 操作系統(tǒng)中創(chuàng)建任務堆棧，其中包括，DHCP 任務等，為 Lwip 中創(chuàng)建的各個任務分配好中斷優(yōu)先級。9000A 接收中斷請求時，進入任務中執(zhí)行 Lwip 的相關線程，完成像的以太網傳輸，采集的板帶材表面缺陷圖像如圖 2-16 所示。

【參考文獻】

相關期刊論文 前10條

1 王曉鵬;;基于FPGA和SOPC以太網通信系統(tǒng)解決方案[J];數(shù)字技術與應用;2015年12期

2 陳功;苗瑞;張潔;;基于GA-SVM的帶鋼表面缺陷模式識別[J];電子設計工程;2015年21期

3 胡正平;陳俊嶺;王蒙;趙淑歡;;卷積神經網絡分類模型在模式識別中的新進展[J];燕山大學學報;2015年04期

4 余慧敏;馬續(xù)創(chuàng);;國內外板帶材表面質量檢測方法研究進展[J];重型機械;2014年05期

5 仲兆準;謝光偉;鐘勝奎;張運詩;沈峰;;帶鋼表面缺陷在線檢測系統(tǒng)的設計[J];北京工業(yè)大學學報;2014年07期

6 李永波;李柏林;熊鷹;;基于HOG特征的鐵路扣件狀態(tài)檢測[J];傳感器與微系統(tǒng);2013年10期

7 楊水山;何永輝;王康健;;高速冷連軋帶鋼表面質量在線檢測系統(tǒng)開發(fā)與應用[J];世界鋼鐵;2013年03期

8 徐姍姍;劉應安;徐f;;基于卷積神經網絡的木材缺陷識別[J];山東大學學報(工學版);2013年02期

9 任海鵬;馬展峰;;基于復雜網絡特性的帶鋼表面缺陷識別[J];自動化學報;2011年11期

10 徐鳳云;;神經網絡決策樹算法在鋼材表面缺陷檢測中的應用研究[J];西昌學院學報(自然科學版);2011年02期

相關博士學位論文 前1條

1 楊水山;冷軋帶鋼表面缺陷機器視覺自動檢測技術研究[D];哈爾濱工業(yè)大學;2009年

相關碩士學位論文 前7條

1 房敏;鋼板表面缺陷圖像檢測與分類技術研究[D];大連海事大學;2017年

2 許豪;基于機器視覺的帶鋼表面缺陷圖像處理與識別[D];武漢科技大學;2012年

3 秦振興;冷軋鋼板表面質量在線監(jiān)測系統(tǒng)研究[D];遼寧科技大學;2012年

4 石軍彥;基于線陣CCD鋼板表面缺陷檢測系統(tǒng)的研究[D];燕山大學;2010年

5 郭平;基于機器視覺的鋼板表面缺陷檢測技術研究[D];南昌大學;2010年

6 楊媛和;寬幅鋼板表面缺陷在線檢測技術研究[D];長春理工大學;2010年

7 劉海博;基于機器視覺的鋼板表面缺陷檢測系統(tǒng)研究[D];吉林大學;2008年

本文編號：2822829