基于CCD图像的器件表面裂纹检测算法的研究

摘要

随着科学技术的迅猛发展，对于器件的精度及质量要求随之上升。在实际生产和使用中，器件将受到外界各种因素的影响，导致在其表面产生裂纹，进而造成器件品质的负面影响，严重时使器件报废。因此基于上述这一情况，在生产过程中对器件进行裂纹检测非常关键。结合视觉检测技术，通过CCD摄像机对器件进行拍摄，并将模拟图像信号转换为计算机可以处理的数字图像信号，然后在计算机上运用图像处理技术对器件进行裂纹识别。为此本文研究了一套器件表面裂纹分类识别算法，通过该算法就能高效地检测出表面含有裂纹的器件及裂纹类型，在实际的生产和使用中可以快速、高效地识别出表面含有裂纹的器件，从而可本文对该套裂纹检测算法从以下几个方面研究以保证生产线生产效率、质量，也避免了后续使用中因裂纹器件而对系统造成的危害和资源的浪费。:
　　 第一，基于数字图像处理技术，结合视觉检测方法，完成器件表面图像边缘的提取。将CCD采集的器件裂纹图像进行灰度处理，使其满足图像边缘提取要求;由于图像采集和传输过程中容易产生的噪声，又考虑到传统的软阈值去噪法所具有的不足和缺陷，文中提出一种改进的小波阈值去噪算法实现图像去噪，它能保护图像边缘清晰完整;
　　 第二，采用B样条小波边缘检测算法提取图像边缘，通过算法仿真并与其它算法作比较，得出此算法能抑制噪声及提高图像边缘提取的完整度。
　　 第三，在裂纹图像被阈值分割和二值化后，对图像进行裂纹特征提取及识别，通过对二值化后裂纹图像的特征分析，提取了二值化图像裂纹在X，Y轴上投影像素数日以及总的裂纹像素数日作为识别的特征输入。在确定了特征输入后，本文设计了一个三输入四输出的神经网络，将三个提取特征作为输入，并规定了4个输出分别代表横向裂纹、纵向裂纹、网状裂纹和无裂纹。然后对隐含层神经元数目为30、60和150的3个神经网络做了分析对比，最后得出隐含层神经元数目为60的神经网络能够胜任器件表面裂纹的识别分类功能。

目录

声明

摘要

插图索引

附表索引

第一章 绪论

1．1 课题意义及研究背景

1．2 国内外研究现状

1．3 图像处理技术的发展与应用

1．4 小波变换的研究现状

1．5 课题的研究内容

1．6 论文结构

1．7 本章小结

第二章 CCD图像采集系统和小波分析介绍

2．1 CCD概述

2．1．1 CCD的成像原理

2．2 数字图像的采集

2．2．1 图像采集系统框架和实物图

2．2．2 数字图像的数学描述

2．3 小波分析

2．3．1 连续小波变换

2．3．2 离散小波变换

2．3．3 多分辨率分析

2．4 Mallat算法

2．4．1 双尺度方程

2．4．2 分解算法

2．4．3 重构算法

2．5 二维Mallat分析算法

2．5．1 二维正交小波变换

2．5．2 图像的小波分解与重构

2．6 本章小结

第三章 器件表面裂纹图像的预处理

3．1 RGB图像灰度化

3．2 小波阈值去噪理论

3．3 小波阈值去噪的算法改进

3．4 MATLAB仿真实验及分析

3．5 B样条小波边缘检测

3．5．1 经典的边缘检测

3．5．2 小波边缘检测原理

3．5．3 B样条小波边缘检测原理

3．5．4 Matlab仿真及分析

3．6 图像分割

3．6．1 基于最优阈值的图像分割

3．6．2 图像的二值化

3．7 本章小结

第四章 裂纹的分类识别

4．1 图像特征选取

4．1．1 投影特征

4．1．2 裂纹像素数

4．2 模式识别

4．2．1 BP神经网络算法对器件表面裂纹的分类识别

4．2．2 根据提取特征建立BP神经网络

4．3 本章小结

结论与展望

参考文献

致谢

附录A 攻读学位期间所发表的学术论文目录