金屬拉鏈缺陷檢測(cè)系統(tǒng)研究與實(shí)現(xiàn).pdf

1、金屬拉鏈在生產(chǎn)過程中，由于各種原因?qū)е吕滄滮X、拉頭和限位碼的缺失，鏈帶存在邊緣破損、有污垢等缺陷。金屬拉鏈外觀質(zhì)量判斷一直是影響產(chǎn)品生產(chǎn)效率的一個(gè)難題。隨著計(jì)算機(jī)技術(shù)的發(fā)展，利用數(shù)字圖像處理技術(shù)實(shí)現(xiàn)產(chǎn)品外觀質(zhì)量的自動(dòng)鑒別已成為解決這一難題的有效途徑。本文研究探索一種基于改進(jìn)型脈沖耦合神經(jīng)網(wǎng)絡(luò)(PulseCoupledNeuralNetworks，PCNN)和灰度躍變檢測(cè)算法的金屬拉鏈缺陷檢測(cè)方法。
　　 本文以金屬拉鏈產(chǎn)品外觀

2、質(zhì)量自動(dòng)檢測(cè)為研究對(duì)象，依靠數(shù)字圖像處理技術(shù)，將脈沖耦合神經(jīng)網(wǎng)絡(luò)、數(shù)學(xué)形態(tài)學(xué)算法、區(qū)域像素分析和灰度躍變檢測(cè)算法運(yùn)用于圖像分割、特征提取及圖像邊緣分析中，設(shè)計(jì)了金屬拉鏈缺陷自動(dòng)檢測(cè)系統(tǒng)。
　　 首先，本文介紹課題研究?jī)?nèi)容的相關(guān)市場(chǎng)需求、技術(shù)背景和研究意義;分析數(shù)字圖像處理技術(shù)在金屬拉鏈外觀質(zhì)量檢測(cè)中的運(yùn)用現(xiàn)狀、脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像分割和其在數(shù)學(xué)形態(tài)學(xué)領(lǐng)域的研究現(xiàn)狀。
　　 其次，根據(jù)金屬拉鏈外觀質(zhì)量檢測(cè)的功能需求、技術(shù)

3、特點(diǎn)提出系統(tǒng)的總體設(shè)計(jì)方案，分析硬件構(gòu)成和系統(tǒng)運(yùn)行機(jī)理，完成對(duì)圖像傳感器、鏡頭、光源、光照箱等硬件的選型和設(shè)計(jì)。
　　 最后，在軟件設(shè)計(jì)部分，通過對(duì)幾種常見圖像濾波算法的特性分析，結(jié)合實(shí)驗(yàn)分析結(jié)果選擇適合于拉鏈圖像特征的濾波算法;根據(jù)拉鏈圖像特點(diǎn)和系統(tǒng)技術(shù)要求，為提高金屬拉鏈圖像二值分割處理速度，降低檢測(cè)算法復(fù)雜性，對(duì)傳統(tǒng)脈沖耦合神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，結(jié)合幾種常用分割算法進(jìn)行拉鏈圖像分割實(shí)驗(yàn)，對(duì)比分析圖像分割性能實(shí)現(xiàn)圖像特征提取;研

4、究利用數(shù)學(xué)形態(tài)學(xué)算法和脈沖耦合神經(jīng)網(wǎng)絡(luò)提取拉鏈特征目標(biāo)，根據(jù)實(shí)驗(yàn)結(jié)果分析兩者優(yōu)劣，探索合適的圖像特征目標(biāo)提取算法，并在此基礎(chǔ)上分析鏈齒和鏈帶邊緣缺陷;通過分析特征圖像邊緣區(qū)域的灰度變化程度，檢測(cè)灰度躍變點(diǎn)，從而識(shí)別拉鏈鏈齒和鏈帶區(qū)域存在的缺陷，實(shí)現(xiàn)對(duì)拉鏈產(chǎn)品外觀質(zhì)量的自動(dòng)檢測(cè)。
　　 實(shí)驗(yàn)結(jié)果表明:
　　 (1)本文對(duì)脈沖耦合神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，減少網(wǎng)絡(luò)參數(shù)，解決了傳統(tǒng)脈沖耦合神經(jīng)網(wǎng)絡(luò)參數(shù)過多、模型過于復(fù)雜等問題，在不影響

5、網(wǎng)絡(luò)工作特性原則下，提高網(wǎng)絡(luò)運(yùn)行速度，通過遺傳算法獲取最佳網(wǎng)絡(luò)模型參數(shù)，實(shí)驗(yàn)結(jié)果顯示該算法可以快速有效地從背景圖像中分割出金屬拉鏈邊緣輪廓，具有很強(qiáng)的適應(yīng)性;
　　 (2)在運(yùn)用脈沖耦合神經(jīng)網(wǎng)絡(luò)的自動(dòng)波特性提取拉頭、左右限位碼等圖像特征點(diǎn)，將傳統(tǒng)數(shù)學(xué)形態(tài)學(xué)算法和脈沖耦合神經(jīng)網(wǎng)絡(luò)算法進(jìn)行了實(shí)驗(yàn)對(duì)比分析。在相同的軟硬件平臺(tái)和操作系統(tǒng)實(shí)驗(yàn)條件下，利用上述兩種算法對(duì)多張系統(tǒng)隨機(jī)獲取的尺寸為640*480的金屬拉鏈圖像進(jìn)行特征提取，實(shí)驗(yàn)結(jié)

6、果表明，采用傳統(tǒng)數(shù)學(xué)形態(tài)學(xué)算法提取拉頭、左右限位碼時(shí)，會(huì)存在不能完全準(zhǔn)確提取或過度分割的現(xiàn)象，穩(wěn)定性較差，而脈沖耦合神經(jīng)網(wǎng)絡(luò)算法能夠有效區(qū)分不同特征目標(biāo)，穩(wěn)定性好，獲取的邊緣圖像輪廓清晰，可以看出本文采用的算法相對(duì)于傳統(tǒng)算法更加適合于拉鏈圖像特征;
　　 (3)在缺陷分析實(shí)驗(yàn)中，對(duì)不同缺陷類型產(chǎn)品進(jìn)行批量性測(cè)試，結(jié)果表明本文采用區(qū)域像素分析和灰度躍變檢測(cè)算法，可以快速準(zhǔn)確判斷出相關(guān)區(qū)域中是否存在相應(yīng)部件的缺失或不規(guī)整，本文設(shè)計(jì)的