基于圖像分析技術(shù)的紙漿纖維與紙頁(yè)質(zhì)量檢測(cè)方法研究.pdf

1、基于圖像分析技術(shù)的紙漿纖維與紙頁(yè)表面質(zhì)量檢測(cè)是目前制漿造紙業(yè)的關(guān)鍵技術(shù)之一,直接影響紙頁(yè)的質(zhì)量,成為研究熱點(diǎn). 對(duì)于紙漿纖維圖像的分析,目標(biāo)是分析顯微狀態(tài)下紙漿纖維的形態(tài)、尺寸. 由于纖維形態(tài)的相對(duì)不確定性導(dǎo)致邊緣的重疊交叉,對(duì)其形態(tài)進(jìn)行識(shí)別,改善邊緣的定位和提取；對(duì)于紙頁(yè)的均勻性分析,通過(guò)圖像變換,將空間域圖像變換到頻域或小波域進(jìn)行分析,獲取其特征；對(duì)于紙頁(yè)的表面質(zhì)量缺陷,通過(guò)紋理分析提取其正常或缺陷結(jié)構(gòu)的特征,用基于

2、人工神經(jīng)網(wǎng)絡(luò)的方法及統(tǒng)計(jì)模式識(shí)別方法識(shí)別紙頁(yè)表面質(zhì)量缺陷的類型.本論文主要完成以下工作: 1.本文結(jié)合線狀目標(biāo)的特點(diǎn),改進(jìn)了基于方向小波的邊緣檢測(cè)方法,用于纖維邊緣檢測(cè),該方法能較好的完成具有分叉或重疊結(jié)構(gòu)的復(fù)雜圖像的邊緣檢測(cè). 在此基礎(chǔ)上,分析了基于邊界對(duì)同時(shí)檢測(cè)的線狀目標(biāo)分割方法,結(jié)合邊界對(duì)的特征及空間分布關(guān)系,提出了合理的費(fèi)用函數(shù)協(xié)調(diào)和增強(qiáng)邊緣提取的效果.對(duì)紙漿纖維識(shí)別,提出了綜合利用邊緣和骨架線兩個(gè)特征實(shí)現(xiàn)復(fù)雜纖

3、維圖像識(shí)別的方法,其中進(jìn)行邊緣提取時(shí)采用邊界對(duì)同時(shí)檢測(cè)法,骨架線提取時(shí)運(yùn)用變向骨架線跟蹤法. 2.在分析國(guó)內(nèi)外現(xiàn)有的幾種主要的表征方法基礎(chǔ)上,將小波變換多分辨分析技術(shù)與紙頁(yè)勻度表征進(jìn)行結(jié)合,提出一種新的紙頁(yè)勻度表征指數(shù)一小波勻度指數(shù)(WI<,n>)及表征算法,實(shí)驗(yàn)證明了算法的有效性. 3.根據(jù)紙頁(yè)缺陷圖像特點(diǎn),提出了綜合檢測(cè)分類方法:基于平穩(wěn)小波變換、圖像融合及奇異點(diǎn)檢測(cè)的邊緣檢測(cè)技術(shù)檢測(cè)缺陷；采用多個(gè)特征量作為分類器的

4、輸入進(jìn)行紙頁(yè)缺陷分類.實(shí)驗(yàn)證明了算法具有良好的抗噪聲性能及檢測(cè)效果. 4.提出了一種新的RBF神經(jīng)網(wǎng)絡(luò)在線學(xué)習(xí)算法,該算法能在線實(shí)時(shí)地調(diào)整RBF神經(jīng)網(wǎng)絡(luò)隱層單元數(shù)目和網(wǎng)絡(luò)參數(shù),且使用計(jì)算量小、運(yùn)算速度快的基于逆QR分解的Givens遞推最小二乘算法調(diào)整網(wǎng)絡(luò)權(quán)值,克服了離線訓(xùn)練方式的不足. 5.提出了一種新的有效的目標(biāo)跟蹤算法,可以跟蹤靜止或運(yùn)動(dòng)目標(biāo)的2D輪廓曲線.基于B.Snake跟蹤算法,該算法采用和下一點(diǎn)相連向量與控