基于机器视觉的纸病检测方法研究与应用

摘要

随着中国国民经济的持续稳定发展，中国造纸工业发生了根本性变化，纸和纸板生产量持续大幅度增长。然而，在造纸生产过程中，由于设备磨损、生产原料质量和环境污染等原因，会造成一些外观纸病，而利用传统的人工检测方式进行纸病检测已经难以胜任。为此，本文研究讨论了基于机器视觉的纸病检测方法，并把取得的研究成果在实验室现有设备基础上进行系统集成，模拟造纸生产线的纸病检测。 本文根据机器视觉的基本原理，研究了针对四种常见纸病的数字图像处理算法，包括图像平滑去噪、图像增强、图像分割和图像数学形态学处理：并且提取和分析了10个纸病图像特征；利用BP神经网络建立了纸病分类器，取得了较好的识别效果，识别率达91％。在此基础上，本文利用智能图像传感器、微型计算机等设备，构建了纸病检测的硬件系统；并利用Delphi软件开发平台、MATLAB软件和第三方控件DVTSID，自主研发了一套集图像预处理、特征提取和分类识别于一体的纸病检测系统，达到了预期效果。 虽然本论文取得了一定的研究成果，但是由于纸病种类繁多，研究得到的检测方法还存在着局限性，检测系统距离实用化还存在着一定差距。因此，本文最后对研究中存在的不足进行了总结，并对下一步工作的重点提出了建议。

目录

文摘

英文文摘

声明

致谢

第一章绪论

1.1造纸工业的现状和发展

1.2纸病检测的重要性

1.3关于机器视觉技术

1.4国内外纸病检测方法研究现状

1.4.1国外研究现状

1.4.2国内研究现状

1.5本课题研究的目的和意义

第二章基于机器视觉的纸病检测系统构成

2.1纸病检测原理

2.2纸病的主要类型、特征及其产生原因

2.3纸病检测系统的构成

2.4纸病检测系统的软件开发工具

第三章基于机器视觉的纸病检测图像处理方法研究

3.1机器视觉中图像处理理论基础和概述

3.2纸病图像的平滑去噪

3.2.1图像的噪声

3.2.2图像的平滑去噪

3.3图像增强

3.3.1灰度变换

3.3.2直方图均衡化

3.4图像分割

3.4.1图像边缘检测

3.4.2图像闽值分割

3.5数学形态学处理

3.5.1腐蚀和膨胀

3.5.2展开和封闭

3.6纸病数字图像处理结果及分析

3.7纸病图像特征提取和选择

3.7.1形态特征

3.7.2灰度特征

3.7.3纹理特征

3.7.4纸病特征量选择结果

第四章基于BP神经网络的纸病分类器设计

4.1神经网络概述

4.2 BP算法

4.3 BP神经网络的结构设计

4.4纸病分类器的训练及验证

4.4.1训练样本的选择

4.4.2分类器的训练

4.4.3纸病分类器识别效果验证

4.5实验结果分析

第五章基于机器视觉的纸病检测系统集成

5.1纸病检测系统集成

5.1.1纸病检测系统硬件构成

5.1.2纸病检测系统软件构成

5.2系统测试结果与分析

第六章总结与展望

6.1总结

6.2展望

参考文献

附录：图像预处理主要函数名称表