基于机器视觉的玻璃质量在线检测系统研究

摘要

随着国际国内市场对玻璃产品需求的迅速增长，促使玻璃生产无论从质量、品种，还是生产工艺都发生了变化。特别是现代生产技术的不断发展，高端产品对玻璃原板质量要求越来越 高，因此全面保证玻璃质量，提高其等级就显得尤其重要。目前，国内玻璃质量在线检测主要采用人工检测的方法，人工在线检测不仅工作量大而且效率低、自动化水平低。针对这一问题，本文根据视觉技术的理论及图像处理技术，通过对玻璃质量在线检测系统关键技术的分析与研究，研究开发了基于机器视觉的玻璃质量检测系统。
　　 通过对视觉技术基本原理的分析，结合玻璃生产实际环境和应用特点，给出了玻璃质量检测系统的总体方案，分析了玻璃质量检测系统的基本原理。构建了系统的硬件系统和软件系统，讨论了硬件系统的主要构成，研究了软件系统的算法，提出了系统的主要技术指标。
　　 根据玻璃的应用特点，开发了玻璃图像获取系统；通过对所获得的玻璃缺陷原图进行对比分析，得出了影响玻璃缺陷图像质量的主要因素。为了减少外界环境对图像质量的影响，系统采用线性变换、灰度直方图、滤波去噪等图像点运算处理技术，得到增强的灰度玻璃缺陷图像，为后续图像处理提供了“干净”的图像奠定了基础。
　　 分析了运动模糊图像消失技术，采用了一种基于数学形态的滤波处理方法，提高了运动图像的清晰度，并将所获得图像与模板图像进行差影运算，得到了玻璃缺陷特征。结合玻璃缺陷的本身特点，通过对各阈值分割算法进行分析，提出了一种自适应阈值算法。系统采用数学形态中的开闭运算消除了图像进行二值化处理时噪声对图像的影响。通过对各种经典边缘检测算子进行对比分析，给出了基于Canny算子的玻璃缺陷边缘检测方法，并提取到玻璃缺陷边缘特征。通过对特征图像进行插值计算，得到亚像素级的缺陷图像，并将所得到缺陷图像的特征参数组成矢量，为玻璃缺陷模式识别提供特征信息。
　　 根据玻璃缺陷的特征，通过分析传统的BP算法的优缺点，设计了基于神经网分类器，提出了一种改进的BP神经网络识别算法，并将改进后的算法应用于玻璃缺陷分类和字符识别中。经实验表明，与传统的BP识别算法相比较，改进后的算法收敛速度快，识别误判率较低。
　　 实验结果表明，该系统性能稳定，抗干扰能力强，系统检测精度为0.3mm，缺陷识别率为91.75％，实现100％的连续检测。