基于機器視覺的熱軋鋼板表面缺陷檢測系統(tǒng)關(guān)鍵技術(shù)研究.pdf

1、我國雖然是鋼鐵生產(chǎn)大國，但國內(nèi)鋼板表面缺陷檢測技術(shù)發(fā)展落后，大多數(shù)中小企業(yè)仍舊停留在人工目測階段。因此，開發(fā)具有自主知識產(chǎn)權(quán)的表面缺陷檢測系統(tǒng)勢在必行。熱軋鋼板由于其惡劣的生產(chǎn)環(huán)境，使其受外界干擾程度加大，對基于機器視覺的檢測及識別的技術(shù)要求更高。在這個背景下，本文針對某鋼鐵企業(yè)的熱軋生產(chǎn)線，對鋼板表面缺陷檢測系統(tǒng)的關(guān)鍵技術(shù)做了深入的研究。
　　在圖像預(yù)處理階段，本文首先針對由線陣CCD得到的光照不均圖像進(jìn)行了灰度修正，使整幅缺陷

2、圖片的灰度達(dá)到同一范圍，增強了缺陷對比度。其次，以峰值性噪比作為評判指標(biāo)，研究了幾種常用濾波算法在缺陷圖像中的應(yīng)用，并以平滑效果較好的高斯濾波作為預(yù)處理濾波算法。
　　在圖像分割階段，本文分析了幾種經(jīng)典邊緣檢測算子和基于梯度閥值的方法，針對上述分割效果無法達(dá)到預(yù)期目標(biāo)的問題，提出了改進(jìn)的自適應(yīng)小波邊緣檢測新方法。實驗證明，該方法能夠較好的檢測缺陷邊緣，而且對噪聲有一定的抑制作用。
　　針對鋼板表面缺陷特征提取問題，本文首先提

3、取了包括形態(tài)特征、灰度特征和紋理特征的43維特征，然后采用Fisher準(zhǔn)則結(jié)合PCA主成分分析的方法對特征向量進(jìn)行降維。依據(jù)Fisher比值選擇33維特征，最終通過主成分分析選擇累計貢獻(xiàn)率達(dá)到95％的16維特征作為分類器的輸入。
　　BP神經(jīng)網(wǎng)絡(luò)和支持向量機(SVM)是模式識別領(lǐng)域的兩種常用分類算法，本文首先設(shè)計了基于這兩種方法的分類器用于鋼板表面缺陷識別，為解決這兩種方法分類準(zhǔn)確度和分類時間無法達(dá)到要求的問題，本文將二叉樹支持向