墻紙的生產(chǎn)使用量在近幾年成倍增長(zhǎng),大量的產(chǎn)品生產(chǎn)以及高強(qiáng)度的生產(chǎn)線使得工人工作壓力增大、生產(chǎn)設(shè)備老化,導(dǎo)致生產(chǎn)出含有缺陷的墻紙產(chǎn)品,因此墻紙產(chǎn)品缺陷檢測(cè)成為墻紙生產(chǎn)線上重要的一環(huán)。由于目前的墻紙缺陷檢測(cè)系統(tǒng)主要是在硬件監(jiān)控上,并且需要大量人力進(jìn)行檢測(cè),成本高檢測(cè)精度較低,因此采用圖像檢測(cè)的方式成為墻紙檢測(cè)的發(fā)展趨勢(shì)。選用圖像檢測(cè)的方式檢測(cè)成本低、速度快,由于墻紙紋路繁多、花紋復(fù)雜等因素,導(dǎo)致實(shí)際缺陷識(shí)別檢測(cè)不準(zhǔn)確,因此一套完整的、準(zhǔn)確的墻紙缺陷檢測(cè)系統(tǒng)在墻紙生產(chǎn)中有著舉足輕重的地位,目前常見(jiàn)的墻紙缺陷種類(lèi)有裂紋、孔洞、褶皺、黑斑四種。在圖像基礎(chǔ)上進(jìn)行實(shí)驗(yàn)研究,對(duì)墻紙的裂紋、孔洞、褶皺、黑斑四種缺陷進(jìn)行分割檢測(cè)和分類(lèi)識(shí)別,并且設(shè)計(jì)一套檢測(cè)應(yīng)用系統(tǒng),將實(shí)驗(yàn)?zāi)Ｐ鸵浦驳綄?shí)際應(yīng)用當(dāng)中,確保算法的準(zhǔn)確性。主要工作和創(chuàng)新點(diǎn)如下:(1)針對(duì)墻紙背景復(fù)雜,影響缺陷檢測(cè)結(jié)果等問(wèn)題,通過(guò)觀察分析帶有缺陷的原始?jí)垐D像,對(duì)圖像進(jìn)行預(yù)處理操作。通過(guò)對(duì)比RGB、HSV、LAB三種顏色空間中的缺陷圖像,選擇在RGB顏色空間中進(jìn)行處理,再通過(guò)對(duì)R、G、B三通道顏色分量進(jìn)行疊加,以達(dá)到增強(qiáng)缺陷、抑制和濾除墻紙背景圖像的目的,為后面的缺陷檢測(cè)做好準(zhǔn)備。(2)針對(duì)預(yù)處理后圖像的缺陷檢測(cè),首先對(duì)墻紙圖像的灰度直方圖進(jìn)行高斯擬合,使其圖像近似成一條高斯函數(shù)曲線,并利用高斯函數(shù)的參數(shù)作為輸入值,分割閾值作為輸出值,使用廣義回歸神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練,對(duì)墻紙黑斑缺陷進(jìn)行分割。(3)針對(duì)使用廣義回歸神經(jīng)網(wǎng)絡(luò)能夠檢測(cè)缺陷種類(lèi)有限的問(wèn)題,在該方法的分割思想基礎(chǔ)上,提出一種改進(jìn)最大類(lèi)間方差法(Otsu)方法進(jìn)行缺陷分割。通過(guò)對(duì)傳統(tǒng)Otsu方法進(jìn)行改進(jìn),使其分割閾值隨著前后景的復(fù)雜程度進(jìn)行改變,從而能夠分割出缺陷,最后利用分割后的二值圖像得到原始圖像中的缺陷部分位置。通過(guò)該方法解決了廣義回歸神經(jīng)網(wǎng)絡(luò)分割缺陷種類(lèi)單一等問(wèn)題,實(shí)現(xiàn)了裂紋、孔洞、褶皺、黑斑四種缺陷的分割檢測(cè)。(4)針對(duì)缺陷識(shí)別速度和準(zhǔn)確率等問(wèn)題,對(duì)BP(Back Propagation,BP)神經(jīng)網(wǎng)絡(luò)、徑向基(Radical Basis Function,RBF)神經(jīng)網(wǎng)絡(luò),和使用遺傳算法(Genetic Algorithm,GA)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比,并選擇收斂速度最快、識(shí)別準(zhǔn)確率最高的模型。在檢測(cè)到圖像中的缺陷之后,對(duì)缺陷部分進(jìn)行分類(lèi)識(shí)別,首先是選擇能夠表征缺陷部分的特征。實(shí)驗(yàn)選擇缺陷圖像的灰度特征、幾何特征共七個(gè)特征分量作為分類(lèi)模型的輸入特征,并對(duì)輸入特征進(jìn)行歸一化,使計(jì)算后的特征數(shù)值范圍能夠統(tǒng)一。然后對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值進(jìn)行實(shí)數(shù)編碼,使用網(wǎng)絡(luò)的期望輸出與實(shí)際輸出計(jì)算適應(yīng)度,再利用遺傳算法的選擇、交叉、變異操作新的染色體來(lái)修改模型,從而得到優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò),最后對(duì)BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和GA-BP神經(jīng)網(wǎng)絡(luò)的收斂速度、分類(lèi)精度等進(jìn)行對(duì)比,選擇使用GA-BP神經(jīng)網(wǎng)絡(luò)作為分類(lèi)模型,解決了模型收斂速度慢、分類(lèi)準(zhǔn)確率低等問(wèn)題。(5)對(duì)實(shí)驗(yàn)研究進(jìn)行驗(yàn)證之后,在實(shí)驗(yàn)的基礎(chǔ)上開(kāi)發(fā)一套完整的墻紙缺陷軟件系統(tǒng),系統(tǒng)軟件不僅能夠完成缺陷檢測(cè)、缺陷識(shí)別和檢測(cè)結(jié)果查看,還能夠?qū)z測(cè)結(jié)果進(jìn)行統(tǒng)計(jì)分析,形成豐富的統(tǒng)計(jì)圖和統(tǒng)計(jì)表便于用戶觀察和維護(hù),實(shí)現(xiàn)了檢測(cè)結(jié)果和結(jié)果統(tǒng)計(jì)可視化的需求。實(shí)驗(yàn)表明,對(duì)原始圖像的RGB顏色空間處理后的預(yù)處理圖像,利用改進(jìn)Otsu方法檢測(cè)墻紙裂紋、孔洞、褶皺、黑斑四種缺陷的準(zhǔn)確率相比于其他方法更高,分割后的缺陷更為完整,并且由于方法計(jì)算復(fù)雜度較低,因此檢測(cè)速度快。在計(jì)算了圖像的特征之后,使用特征向量作為輸入量,利用GA-BP神經(jīng)網(wǎng)絡(luò)作為分類(lèi)模型進(jìn)行分類(lèi)識(shí)別。相比于其他模型收斂速度更快,分類(lèi)準(zhǔn)確率更高,平均識(shí)別準(zhǔn)確率達(dá)95.25%,并且該方法對(duì)單幅像的平均識(shí)別時(shí)間為0.923s,檢測(cè)識(shí)別效率高。通過(guò)改進(jìn)Otsu算法與GA優(yōu)化神經(jīng)網(wǎng)絡(luò)相結(jié)合的方式,能夠快速、精確地識(shí)別出墻紙缺陷,研究結(jié)果為墻紙生產(chǎn)質(zhì)量檢測(cè)提供了參考。
【學(xué)位單位】：西華大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類(lèi)】：TP391.41;TP183;TS761.6
【部分圖文】：

常見(jiàn)的墻紙缺陷有裂紋、孔洞、褶皺、黑斑四種，裂紋缺陷主要是由于墻紙與生產(chǎn)設(shè)備發(fā)生擦掛導(dǎo)致；孔洞缺陷在產(chǎn)品印刷過(guò)程中產(chǎn)生，其特點(diǎn)是缺陷域灰度值明顯低于周?chē)�，并且缺陷區(qū)域形狀不規(guī)則；褶皺缺陷由于產(chǎn)品在生外部張力或折疊導(dǎo)致，其幾何形狀呈線性形狀，與裂紋缺陷相近，與孔洞和差較大；黑斑缺陷主要是由于產(chǎn)品印刷過(guò)程中有雜質(zhì)、鐵銹、油墨等混入而圍缺陷，其圖像灰度值明顯低于背景圖像，且缺陷幾何形狀有一定的規(guī)律。

圖 1.3 墻紙生產(chǎn)設(shè)備Fig. 1.3 Wallpaper production equipment由于墻紙紋理復(fù)雜、背景種類(lèi)繁多等因素，使得缺陷檢測(cè)變得非常困難。對(duì)于墻紙缺陷檢測(cè)，首先應(yīng)明確缺陷的種類(lèi)（主要針對(duì)褶皺、孔洞、裂紋、黑斑四種缺陷進(jìn)行分析），然后觀察缺陷，找到一種方法能夠同時(shí)檢測(cè)出不同缺陷。對(duì)于缺陷的識(shí)別，在檢測(cè)出缺陷以后，對(duì)缺陷部分的幾何、灰度等特征進(jìn)行提取搭建模型，使得缺陷檢測(cè)系統(tǒng)能夠自動(dòng)識(shí)別出該墻紙含有哪種缺陷。表 1.1 人工檢測(cè)與機(jī)器檢測(cè)比較Tab. 1.1 Comparison between manual detection and machine detection人工檢測(cè) 機(jī)器檢測(cè)速度 慢 低準(zhǔn)確率 低 高疲勞 易疲勞 不疲勞工作時(shí)長(zhǎng) 八小時(shí)每天 可連續(xù)工作檢測(cè)成本 高 低效率 低 高

(a)原始圖像 (b)R 通道 (c)G 通道 (d)B 通道圖 2.1 RGB 顏色模型Fig. 2.1 RGB Color ModelHSV 顏色空間 顏色空間的提出，是為了將彩色圖像的視覺(jué)信息和數(shù)字信息更好地由色調(diào)（Hue）、飽和度（Saturation）、明度（Value）組成。其中的顏色情況。而飽和度用于描述顏色接近色譜的程度，也就是顏色的值范圍為 0%~100%，飽和度越高，顏色越純，色彩越艷。明度描述度的取值范圍通常為 0%~100%，明度越低，則圖像越黑，明度越高
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張昱;張健;;模糊專(zhuān)家系統(tǒng)在TFT-LCD缺陷檢測(cè)中的應(yīng)用[J];光電子·激光;2006年06期

2 吳明復(fù);纖維增強(qiáng)復(fù)合材料的應(yīng)用及其缺陷檢測(cè)[J];航天工藝;1988年01期

3 張興森;邊美華;梁慶國(guó);盧展強(qiáng);;基于渦流檢測(cè)的電力線夾缺陷檢測(cè)與分類(lèi)方法[J];中國(guó)科技論文;2017年04期

4 張國(guó)強(qiáng);張曉;隋文濤;;基于敲擊信號(hào)的剎車(chē)片內(nèi)部缺陷檢測(cè)[J];組合機(jī)床與自動(dòng)化加工技術(shù);2017年10期

5 包正林;;有關(guān)閥門(mén)缺陷檢測(cè)方法的分析[J];科技創(chuàng)業(yè)家;2013年22期

6 黃艷紅;高曉蓉;杜路泉;;光纖光柵傳感器在橋梁缺陷檢測(cè)和結(jié)構(gòu)健康監(jiān)測(cè)中的應(yīng)用[J];鐵道技術(shù)監(jiān)督;2007年11期

7 馬少林;用于全壽命風(fēng)險(xiǎn)管理的缺陷檢測(cè)和預(yù)防技術(shù)研究[J];航空兵器;2005年02期

8 蘇若;吳際;劉超;楊海燕;;基于多視角卡牌模型的需求缺陷檢測(cè)[J];計(jì)算機(jī)科學(xué);2018年10期

9 顧杰;肖遼;馬軍山;;機(jī)器視覺(jué)在TFT-LCD暗畫(huà)面缺陷檢測(cè)中的應(yīng)用[J];光學(xué)儀器;2017年03期

10 李羽可;涂君;宋小春;;超聲相控陣缺陷檢測(cè)聚焦技術(shù)仿真分析[J];測(cè)控技術(shù);2016年07期

相關(guān)博士學(xué)位論文 前10條

1 艾矯燕;基于計(jì)算機(jī)視覺(jué)的墻地磚顏色分類(lèi)和缺陷檢測(cè)研究[D];華南理工大學(xué);2003年

2 張昱;基于機(jī)器視覺(jué)的TFT-LCD屏mura缺陷檢測(cè)技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2006年

3 彭艷華;基于激光散斑的輪胎制造內(nèi)部缺陷檢測(cè)與疲勞壽命預(yù)估[D];華南理工大學(xué);2017年

4 陸向?qū)?基于主動(dòng)紅外熱成像的倒裝焊缺陷檢測(cè)方法研究[D];華中科技大學(xué);2012年

5 陳志彥;并行譜域光學(xué)相干層析成像系統(tǒng)的研制與應(yīng)用研究[D];浙江大學(xué);2017年

6 陸寧;基于主動(dòng)紅外熱成像的倒裝焊缺陷檢測(cè)方法研究[D];華中科技大學(xué);2012年

7 趙云山;基于符號(hào)分析的靜態(tài)缺陷檢測(cè)技術(shù)研究[D];北京郵電大學(xué);2012年

8 何健鵬;面向鋼板缺陷檢測(cè)的電磁超聲蘭姆波換能器研究[D];北京科技大學(xué);2018年

9 崔克彬;基于圖像的絕緣子缺陷檢測(cè)中若干關(guān)鍵技術(shù)研究[D];華北電力大學(xué)(北京);2016年

10 康維新;基于小波和支持向量機(jī)的樁基缺陷檢測(cè)技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 徐雁冰;基于機(jī)器視覺(jué)的卡口式車(chē)燈外觀缺陷檢測(cè)系統(tǒng)研究[D];湘潭大學(xué);2019年

2 韓慧;基于深度學(xué)習(xí)的工業(yè)缺陷檢測(cè)方法研究[D];重慶郵電大學(xué);2019年

3 楊洋;基于機(jī)器視覺(jué)的汽車(chē)保險(xiǎn)盒內(nèi)孔缺陷檢測(cè)系統(tǒng)研究[D];南京航空航天大學(xué);2019年

4 郭毅強(qiáng);晶圓表面缺陷視覺(jué)檢測(cè)研究[D];哈爾濱工業(yè)大學(xué);2019年

5 顧小東;基于深度學(xué)習(xí)的小樣本圖像缺陷檢測(cè)方法研究[D];哈爾濱工業(yè)大學(xué);2019年

6 宋柯;基于圖像的墻紙缺陷檢測(cè)與識(shí)別方法研究及實(shí)現(xiàn)[D];西華大學(xué);2019年

7 馬浩;色織物表面缺陷檢測(cè)算法研究[D];西安工程大學(xué);2019年

8 郭根;基于機(jī)器視覺(jué)的絲餅外觀缺陷檢測(cè)系統(tǒng)設(shè)計(jì)[D];西安工程大學(xué);2019年

9 殷鵬;基于遷移學(xué)習(xí)的織物布面缺陷檢測(cè)研究[D];西安工程大學(xué);2019年

10 劉嬈;卷積神經(jīng)網(wǎng)絡(luò)在紡織品缺陷檢測(cè)中的應(yīng)用研究[D];西安工程大學(xué);2019年

本文編號(hào)：2885770