机器视觉方法在带钢表面缺陷检测中的应用研究

摘要

钢铁冶金工业作为我国国民经济的支柱型产业，在近年来得到了迅猛的发展，钢板作为钢铁行业主要的产品之一，已成为汽车、船舶以及航空航天等行业的重要原材料，其质量好坏直接关系到后续产品的质量与性能，因此带钢表面质量的检测具有重大意义。
　　本文应用机器视觉检测系统对带钢表面缺陷进行检测和分类，对图像处理的各个关键环节逐个分析，并根据实验数据得到分析效果较好的流程算法。本文研究内容与成果主要有以下几个方面：
　　1.本文运用了专用的带钢表面检测系统，该系统主要由小型带钢传输装置和机器视觉检测系统所构成。
　　2.根据缺陷图像噪声的特点，运用传统去噪方法和小波阈值、小波包算法对图像进行降噪处理，实验结果表明，小波包算法可以在去除噪声的同时较好的保留图像细节信息。
　　3.针对带钢表面缺陷种类繁多、边缘复杂、目标较小等特点，运用模角分离小波对图像进行边缘检测。该方法用尺度独立的算法区分了阶梯型边界和屋脊型边界，有效排除了噪声引起的边缘的干扰，检测到的边缘轮廓较相对连续、清晰。
　　4.提取缺陷区域的几何、灰度、纹理等特征值后，利用反馈型Elman神经网络建立网络缺陷分类器，通过分类器识别的正确率证明了Elman神经网络的有效性。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 课题研究背景及意义

1.2 带钢表面缺陷检测方法综述

1.3 本文主要研究内容及结构安排

第2章 带钢表面缺陷检测系统

2.1 检测实验平台总体结构简介

2.2 带钢传输装置

2.3 图像处理的总体流程

2.4 本章小结

第3章 图像去噪算法研究

3.1 传统的图像去噪方法

3.2 基于小波变换的图像去噪算法

3.3 本章小结

第4章 图像分割算法研究

4.1 阈值分割法

4.2 边缘检测算子

4.3 基于模角分离小波的边缘检测方法

4.4 本章小结

第5章 缺陷特征提取

5.1 几何特征

5.2 灰度特征

5.3 纹理特征

5.4 不变矩与拓扑特征

5.5 本章小结

第6章 基于人工神经网络的缺陷识别与分类

6.1 BP神经网络

6.2 Elman神经网络

6.3 基于BP和Elman网络的缺陷识别及其对比

6.4 本章小结

第7章 总结与展望

7.1 全文总结

7.2 展望

致谢

参考文献

附录1攻读硕士学位期间发表的论文及专利

附录2攻读硕士学位期间参加的科研项目