基于神經(jīng)網(wǎng)絡的玻璃缺陷類型識別方法畢業(yè)設(shè)計-wenkub
2023-07-08 08:37:56 本頁面
【正文】 manual classification method, improves the classification accuracy and efficiency. This paper first analyzes the noise type and character of the defect image, the median filtering algorithm for reduction of defect image, eliminating the noise。 國外從上世紀90年代初就開始研究玻璃缺陷自動檢測及識別技術(shù)，憑借其雄厚的經(jīng)濟實力和先進的技術(shù)基礎(chǔ)，至今己研制出多種檢測設(shè)備，不僅價格昂貴，且技術(shù)資料保密，規(guī)模小的企業(yè)難以負擔，在我國己經(jīng)建成投產(chǎn)的140多條浮法玻璃生產(chǎn)線中，僅有少數(shù)幾家大公司采用。因此，提高浮法玻璃缺陷分類的自動化程度對于減小人為誤差，降低玻璃生產(chǎn)成本，確保玻璃生產(chǎn)效率，增加企業(yè)的經(jīng)濟效益具有重要的作用和意義。 國內(nèi)外研究現(xiàn)狀 模式識別是借助計算機技術(shù)和數(shù)學方法來完成事物識別的一種綜合技術(shù)，它用于樣品的分類識別，揭示的是事物內(nèi)部規(guī)律和隱含性質(zhì)。目前，不變矩與紋理特征提取是應用比較廣泛的兩種提取技術(shù)。因此，本文采用Hu不變矩來提取玻璃缺陷的特征。這種網(wǎng)絡依靠系統(tǒng)的復雜程度，通過調(diào)整內(nèi)部大量節(jié)點之間相互連接的關(guān)系，從而達到處理信息的目的。實際運用階段的工作則是用己學習訓練好的網(wǎng)絡進行模式識別及分類。而且所能解決的問題存在著收斂算法，并能從數(shù)學上嚴格證明，一次對神經(jīng)網(wǎng)絡的研究起了重要推動作用。 第二章針對缺陷圖像中存在的噪聲，利用中值濾波算法對缺陷圖像進行了預處理，并用邊緣檢測將缺陷目標區(qū)域從圖像中分割出來。 2 玻璃缺陷圖像的預處理 預處理是目標識別系統(tǒng)中的重要環(huán)節(jié)，它有選擇地加強了對特征提取有用的信息，從而增強所提取特征的穩(wěn)定性和準確性。本章就這兩個內(nèi)容分別進行分析和研究。圖 含有噪聲的玻璃劃痕缺陷圖片圖 含有噪聲的玻璃夾雜缺陷圖片 含有噪聲的玻璃氣泡缺陷圖片缺陷圖像中的噪聲來源主要有兩個，一個來自于攝像機，另外一個來自于圖像信號數(shù)字化過程中產(chǎn)生的像素抖動誤差，下面分別對這兩種來源的噪聲進行闡述。其標準差等于均值的平方根。根據(jù)產(chǎn)生電子的機理不同，暗電流噪聲可分為熱電噪聲和固定結(jié)構(gòu)噪聲。實際實驗表明:當曝光時間少于一定量，暗電流噪聲可以忽略不計。光響應非均勻性沒有一定的規(guī)律，因器件而異，具有很大隨機性。包括由復位電路產(chǎn)生的復位噪聲(KTC)和1/ f噪聲。這類噪聲多滿足無規(guī)則隨機性，頻譜較寬，幅度不等。 如果使用標準復合視頻信號輸出攝像機，則用圖像采集卡將模擬視頻圖像數(shù)字化中的像素抖動(pixel fitter)就成為測量系統(tǒng)的主要誤差來源之一。這種誤差表現(xiàn)為整行像素的整體前移或后移。像素抖動表現(xiàn)為一種隨機誤差。均值濾波也成為線性濾波，其采用的主要方法為領(lǐng)域平均法。 中值濾波的基本思想是對一個窗口內(nèi)的所有像素的灰度進行排序，取排序結(jié)果的中間值作為原圖像中心點出的像素的灰度值。 圖 中值濾波后劃痕的圖像圖 中值濾波后夾雜的圖像 圖 中值濾波后氣泡的圖像 玻璃缺陷圖像的分割 經(jīng)過預處理后的圖像盡管濾除了干擾，但是目標缺陷的表達形式還不夠緊湊，不能直接進行特征提取，為了進一步分析和辨識目標，需要將缺陷特征相對集中的區(qū)域從整幅圖像中分割出來。 基于邊緣檢測的分割技術(shù)主要依賴于對圖像中不同區(qū)域間的不連續(xù)性，即邊緣的識別達到分割效果。如果一個像素落在圖像中某一個物體的邊界上，那么它的鄰域?qū)⒊蔀橐粋€灰度級的變化帶。 在各類缺陷圖像中，劃痕與氣泡大量存在階躍性邊緣，以氣泡為例，透射光線在其邊緣將發(fā)生折射，因此，氣泡邊緣的光強增大，邊緣灰度值就偏高。常見的邊緣檢測算子有Robert算子、 Sobel算子、Prewitt算子、Canny算等。01101001圖 Roberts算子模塊 2. Sobel算子 Sobel邊緣算子的掩模模板是兩個3X3的卷積核。它具有方向性，在水平方向和垂直方向上形成最強烈的邊緣。 (3)對梯度幅值應用非極大值抑制。111000111101101101圖 Prewitt算子模塊用上述各種邊緣檢測算子對各種缺陷圖像進行邊緣檢測，檢測效果如面所示:圖 劃痕邊緣檢測結(jié)果圖 夾雜邊緣檢測結(jié)果圖 氣泡邊緣檢測結(jié)果 經(jīng)過比對可以看出roberts算子邊緣檢測后的圖像輪廓比較清晰，所以選用roberts算子邊緣檢測后的圖像作為經(jīng)過預處理后的圖像，這位下一章提取特征值奠定了基礎(chǔ)。所以在選取玻璃缺陷的特征參數(shù)時，要盡量反映缺陷本身的特征，盡量選取缺陷之間最能區(qū)別于其它缺陷的特征。根據(jù)這兩種特點，本章基于Hu不變矩進行提取，利用這種方法提取出的特征可以描述缺陷，作為感知器神經(jīng)網(wǎng)絡的輸入。此外，還可以定義了f(x,y)的m+n階中心距為: m,n=0,1,2... ()其中分別表示圖像關(guān)于x軸和y軸的灰度重心坐標: （） （）歸一化中心矩為： （）其中，m+n=2,3... 以上是連續(xù)的情況，而數(shù)字圖像都是經(jīng)過離散化的，因此需要計算離散情況下的m+n階矩，設(shè)一幅分辨率為的二維離散的玻璃缺陷圖像的灰度函數(shù)為相應的原點矩和中心距公式如下: （） （）重心坐標為： （） （）矩特征的物理意義 (1)零階矩 根據(jù)矩的定義，圖像的零階矩定義為: （）可見，如果為灰度圖像，則表示圖像灰度值的總和，也可以看做為物體的質(zhì)量。(3)二階矩圖像的二階矩有三個:，也稱之為慣性矩(Moments of Inertia)，它們可以確定物體的幾個重要的特征，具體特性描述如下:①主軸二階中心距常用來確定目標的主軸，目標的主軸通常有一對長軸和短軸，分別代表最大二階矩和最小二階矩的方向，根據(jù)矩理論，主軸方向角θ可以按照下述公式計算: （）公式中θ為主軸與坐標軸的夾角，其范圍在[,]。 (4)三階矩 對于三階矩，使用圖像在x軸和y軸上的投影比使用圖像本身描述更方便。扭曲是一個景點統(tǒng)計量，用來衡量關(guān)于均值對稱分布的偏差程度。為此，M. K. Hu提出了不變矩，他給出了連續(xù)函數(shù)矩的定義和關(guān)于矩的基本性質(zhì)，證明了有關(guān)矩的平移不變性、旋轉(zhuǎn)不變性以及比例不變性等性質(zhì)，具體給出了具有平移不變性、旋轉(zhuǎn)不變性和比例不變性的七個不變矩的表達式，公式如下: （） （） （） （） （） （） （）這七個矩特征構(gòu)成的矩組對于平移、比例和旋轉(zhuǎn)變換都是不變的量，代表了玻璃缺陷圖像形狀的基本特征，可以將上述的7個不變矩的測量值作為特征矢量。將每種狀態(tài)的圖像各取4幅，共12幅，經(jīng)過預處理后。2. 互連神經(jīng)元的連接強度，即突觸權(quán)值
教學教案相關(guān)推薦
鄂ICP備17016276號-1