金屬工件表面紋理缺陷的識(shí)別與分類是21世紀(jì)工業(yè)自動(dòng)化領(lǐng)域中的熱點(diǎn)問題。金屬工件表面的劃痕、斑點(diǎn)、凹坑等缺陷,可能會(huì)造成組裝后的機(jī)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(duì)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(jī)理。針對(duì)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(duì)于具有方向性的紋理可以從梯度的方向上反應(yīng)出來。實(shí)驗(yàn)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(jìn)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(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,從而改善標(biāo)準(zhǔn)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(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明PSO改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)相比標(biāo)準(zhǔn)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(zhǔn)確率,三種缺陷特征的分類平均準(zhǔn)確率高達(dá)94%。 

【文章來源】：長(zhǎng)春工業(yè)大學(xué)吉林省

【文章頁數(shù)】：64 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

機(jī)器視覺技術(shù)的應(yīng)用

第 1 章 緒 論變層級(jí)越少，圖像色調(diào)單一且模糊。直方圖均衡化運(yùn)算簡(jiǎn)單，處理圖像速度快。廣泛應(yīng)用于增強(qiáng)圖像暗部細(xì)節(jié)、增強(qiáng)高速運(yùn)動(dòng)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(zhǔn)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(diǎn)和凹坑等）。紋理特征提取方法分為以下四類：統(tǒng)計(jì)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(jī)場(chǎng)模型法[22]、Gibbs 隨機(jī)場(chǎng)模型法等）和信號(hào)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(yùn)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(yùn)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(jìn)行 Gabor 小波變換，運(yùn)算過程如下：()()(),,FzIzGzuvuv （2-16）其中，, 為通過卷積運(yùn)算得到的特征圖像； 為初始圖像；*為卷積運(yùn)算。圖 2.1 二維卷積運(yùn)算

【參考文獻(xiàn)】：
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(cè)研究[J]. 丁紅衛(wèi),王文果,萬良,羅劍.  計(jì)算機(jī)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(dòng)駕駛汽車及技術(shù)發(fā)展研究[J]. 王治平.  科技經(jīng)濟(jì)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(cè)量與儀器學(xué)報(bào). 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(jì)算機(jī)科學(xué). 2018(S2)
[6]基于Gabor小波變換的圖像輪廓角點(diǎn)檢測(cè)[J]. 馬迎春,劉慧鋒,張航.  測(cè)試技術(shù)學(xué)報(bào). 2018(04)
[7]人臉識(shí)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(cè)與特征提取技術(shù)研究綜述[J]. 李秀怡.  中國(guó)管理信息化. 2017(23)
[9]基于K-means顏色聚類分割與邊緣檢測(cè)的文字提取[J]. 吳春法,潘亞文,王敬.  電腦知識(shí)與技術(shù). 2017(28)
[10]基于Tamura紋理特征的織物組織識(shí)別算法[J]. 梅軍,張森林,樊臻.  輕工機(jī)械. 2017(04)

博士論文
[1]森林生物量遙感估測(cè)及人為干擾對(duì)森林碳儲(chǔ)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(jī)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(jìn)及其應(yīng)用研究[D]. 秦媛.南京郵電大學(xué) 2018
[3]金屬表面細(xì)微缺陷的識(shí)別與分類研究[D]. 吳煥新.長(zhǎng)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(shí)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(píng)價(jià)方法的研究[D]. 盧培磊.武漢工程大學(xué) 2015
[7]基于機(jī)器視覺的手機(jī)隔板劃痕檢測(cè)研究[D]. 宋迪.湘潭大學(xué) 2014
[8]基于馬爾科夫隨機(jī)場(chǎng)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(bào)方法研究[D]. 王圣.華中科技大學(xué) 2013



本文編號(hào)：2953643