發(fā)布時間：2020-11-16 07:03

　　 墻紙的生產(chǎn)使用量在近幾年成倍增長,大量的產(chǎn)品生產(chǎn)以及高強度的生產(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系統(tǒng)主要是在硬件監(jiān)控上,并且需要大量人力進行檢測,成本高檢測精度較低,因此采用圖像檢測的方式成為墻紙檢測的發(fā)展趨勢。選用圖像檢測的方式檢測成本低、速度快,由于墻紙紋路繁多、花紋復(fù)雜等因素,導(dǎo)致實際缺陷識別檢測不準(zhǔn)確,因此一套完整的、準(zhǔn)確的墻紙缺陷檢測系統(tǒng)在墻紙生產(chǎn)中有著舉足輕重的地位,目前常見的墻紙缺陷種類有裂紋、孔洞、褶皺、黑斑四種。在圖像基礎(chǔ)上進行實驗研究,對墻紙的裂紋、孔洞、褶皺、黑斑四種缺陷進行分割檢測和分類識別,并且設(shè)計一套檢測應(yīng)用系統(tǒng),將實驗?zāi)Ｐ鸵浦驳綄嶋H應(yīng)用當(dāng)中,確保算法的準(zhǔn)確性。主要工作和創(chuàng)新點如下:(1)針對墻紙背景復(fù)雜,影響缺陷檢測結(jié)果等問題,通過觀察分析帶有缺陷的原始墻紙圖像,對圖像進行預(yù)處理操作。通過對比RGB、HSV、LAB三種顏色空間中的缺陷圖像,選擇在RGB顏色空間中進行處理,再通過對R、G、B三通道顏色分量進行疊加,以達到增強缺陷、抑制和濾除墻紙背景圖像的目的,為后面的缺陷檢測做好準(zhǔn)備。(2)針對預(yù)處理后圖像的缺陷檢測,首先對墻紙圖像的灰度直方圖進行高斯擬合,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)模型進行訓(xùn)練,對墻紙黑斑缺陷進行分割。(3)針對使用廣義回歸神經(jīng)網(wǎng)絡(luò)能夠檢測缺陷種類有限的問題,在該方法的分割思想基礎(chǔ)上,提出一種改進最大類間方差法(Otsu)方法進行缺陷分割。通過對傳統(tǒng)Otsu方法進行改進,使其分割閾值隨著前后景的復(fù)雜程度進行改變,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。通過該方法解決了廣義回歸神經(jīng)網(wǎng)絡(luò)分割缺陷種類單一等問題,實現(xiàn)了裂紋、孔洞、褶皺、黑斑四種缺陷的分割檢測。(4)針對缺陷識別速度和準(zhǔn)確率等問題,對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)進行對比,并選擇收斂速度最快、識別準(zhǔn)確率最高的模型。在檢測到圖像中的缺陷之后,對缺陷部分進行分類識別,首先是選擇能夠表征缺陷部分的特征。實驗選擇缺陷圖像的灰度特征、幾何特征共七個特征分量作為分類模型的輸入特征,并對輸入特征進行歸一化,使計算后的特征數(shù)值范圍能夠統(tǒng)一。然后對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值進行實數(shù)編碼,使用網(wǎng)絡(luò)的期望輸出與實際輸出計算適應(yīng)度,再利用遺傳算法的選擇、交叉、變異操作新的染色體來修改模型,從而得到優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò),最后對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、分類精度等進行對比,選擇使用GA-BP神經(jīng)網(wǎng)絡(luò)作為分類模型,解決了模型收斂速度慢、分類準(zhǔn)確率低等問題。(5)對實驗研究進行驗證之后,在實驗的基礎(chǔ)上開發(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、缺陷識別和檢測結(jié)果查看,還能夠?qū)z測結(jié)果進行統(tǒng)計分析,形成豐富的統(tǒng)計圖和統(tǒng)計表便于用戶觀察和維護,實現(xiàn)了檢測結(jié)果和結(jié)果統(tǒng)計可視化的需求。實驗表明,對原始圖像的RGB顏色空間處理后的預(yù)處理圖像,利用改進Otsu方法檢測墻紙裂紋、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,并且由于方法計算復(fù)雜度較低,因此檢測速度快。在計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)作為分類模型進行分類識別。相比于其他模型收斂速度更快,分類準(zhǔn)確率更高,平均識別準(zhǔn)確率達95.25%,并且該方法對單幅像的平均識別時間為0.923s,檢測識別效率高。通過改進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、精確地識別出墻紙缺陷,研究結(jié)果為墻紙生產(chǎn)質(zhì)量檢測提供了參考。
【學(xué)位單位】：西華大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP391.41;TP183;TS761.6
【部分圖文】：

常見的墻紙缺陷有裂紋、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)品印刷過程中產(chǎn)生，其特點是缺陷域灰度值明顯低于周圍，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、背景種類繁多等因素，使得缺陷檢測變得非常困難。對于墻紙缺陷檢測，首先應(yīng)明確缺陷的種類（主要針對褶皺、孔洞、裂紋、黑斑四種缺陷進行分析），然后觀察缺陷，找到一種方法能夠同時檢測出不同缺陷。對于缺陷的識別，在檢測出缺陷以后，對缺陷部分的幾何、灰度等特征進行提取搭建模型，使得缺陷檢測系統(tǒng)能夠自動識別出該墻紙含有哪種缺陷。表 1.1 人工檢測與機器檢測比較Tab. 1.1 Comparison between manual detection and machine detection人工檢測 機器檢測速度 慢 低準(zhǔn)確率 低 高疲勞 易疲勞 不疲勞工作時長 八小時每天 可連續(xù)工作檢測成本 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】

相關(guān)期刊論文 前10條

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

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

3 張興森;邊美華;梁慶國;盧展強;;基于渦流檢測的電力線夾缺陷檢測與分類方法[J];中國科技論文;2017年04期

4 張國強;張曉;隋文濤;;基于敲擊信號的剎車片內(nèi)部缺陷檢測[J];組合機床與自動化加工技術(shù);2017年10期

5 包正林;;有關(guān)閥門缺陷檢測方法的分析[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和結(jié)構(gòu)健康監(jiān)測中的應(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)險管理的缺陷檢測和預(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[J];計算機科學(xué);2018年10期

9 顧杰;肖遼;馬軍山;;機器視覺在TFT-LCD暗畫面缺陷檢測中的應(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聚焦技術(shù)仿真分析[J];測控技術(shù);2016年07期

相關(guān)博士學(xué)位論文 前10條

1 艾矯燕;基于計算機視覺的墻地磚顏色分類和缺陷檢測研究[D];華南理工大學(xué);2003年

2 張昱;基于機器視覺的TFT-LCD屏mura缺陷檢測技術(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)?基于主動紅外熱成像的倒裝焊缺陷檢測方法研究[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;基于主動紅外熱成像的倒裝焊缺陷檢測方法研究[D];華中科技大學(xué);2012年

7 趙云山;基于符號分析的靜態(tài)缺陷檢測技術(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的樁基缺陷檢測技術(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;基于機器視覺的卡口式車燈外觀缺陷檢測系統(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)缺陷檢測方法研究[D];重慶郵電大學(xué);2019年

3 楊洋;基于機器視覺的汽車保險盒內(nèi)孔缺陷檢測系統(tǒng)研究[D];南京航空航天大學(xué);2019年

4 郭毅強;晶圓表面缺陷視覺檢測研究[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與識別方法研究及實現(xiàn)[D];西華大學(xué);2019年

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

8 郭根;基于機器視覺的絲餅外觀缺陷檢測系統(tǒng)設(shè)計[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)在紡織品缺陷檢測中的應(yīng)用研究[D];西安工程大學(xué);2019年

本文編號：2885770