【導(dǎo)讀】了玻璃制品的外觀質(zhì)量，也降低了玻璃的使用價(jià)值和再次加工率。為了提高玻璃質(zhì)量及。方便玻璃質(zhì)量等級(jí)劃分，必須對(duì)缺陷進(jìn)行分類(lèi)。本文針對(duì)玻璃缺陷圖像的特點(diǎn)，基于圖。了分類(lèi)的精度和效率。技術(shù)，較為完整的提取出了目標(biāo)缺陷的核心輪廓，完成了圖像的預(yù)處理。缺陷分類(lèi)器的輸入向量。最后，通過(guò)實(shí)驗(yàn)整體驗(yàn)證了缺陷分類(lèi)算法的有效性，取得了良好的識(shí)別。效果，為后期地投入實(shí)際生產(chǎn)打下了堅(jiān)實(shí)的基礎(chǔ)。

　　

【正文】 氣泡 中北大學(xué) 20xx 屆畢業(yè)論文 5 結(jié)論 本課題針對(duì)玻璃生產(chǎn)企業(yè)在缺陷分類(lèi)過(guò)程中存在的問(wèn)題和不足，基于圖像處理與模 式識(shí)別技術(shù)，提出一種玻璃缺陷的自動(dòng)識(shí)別算法，有 效地提高了分類(lèi)的自動(dòng)化程度和準(zhǔn) 確性，優(yōu)化了玻璃缺陷檢測(cè)系統(tǒng)的整體性能。本文在深入分析了缺陷特征的基礎(chǔ)上，主 要完成了以下工作 : (1)在玻璃缺陷圖像的消噪過(guò)程中，針對(duì)圖像噪聲的類(lèi)型和特點(diǎn)，采用中值濾波算法進(jìn)行處理，基本消除了噪聲干擾，改善了缺陷圖像的質(zhì)量。 (2)根據(jù)缺陷目標(biāo)邊緣灰度的不連續(xù)性及漸變性，利用邊緣檢測(cè)方法，定位出缺陷目標(biāo)的位置和大體輪廓，比較精確地分割出了缺陷目標(biāo)的核心尺寸。 (3)針對(duì)缺陷圖像幾何形狀上的差異，提出利用了 Hu不變矩對(duì)于缺陷圖像具有抗平移、旋轉(zhuǎn)特性， Hu不變矩描述其形狀特征， Hu不變矩提取的 7 個(gè)特征值作為分類(lèi)器的輸入向量。 (4)選擇感知器神經(jīng)網(wǎng)絡(luò)作為缺陷分類(lèi)器，在分析了感知器神經(jīng)網(wǎng)絡(luò)算法的基礎(chǔ)上，針對(duì)其局部性小、收斂速度慢等缺點(diǎn)，設(shè)計(jì)了基于感知器神經(jīng)網(wǎng)絡(luò)的玻璃缺陷設(shè)計(jì)。 (5)通過(guò)實(shí)驗(yàn)對(duì)常見(jiàn)的 3 種類(lèi)型的玻璃缺陷進(jìn)行了識(shí)別，驗(yàn)證了算法的有效性。 中北大學(xué) 20xx 屆畢業(yè)論文 附錄 ： clear clc close all p=[0,1000。0,1000。0,1000。0,1000。0,1000。0,1000。0,1000] t=2。 identification=newp(p,t)。 P=load (39。39。)。 T=load (39。39。)。 identification=train(identification,)。 r=input(39。請(qǐng)輸入要處理的玻璃缺陷圖片名稱(chēng) 39。,39。s39。)。 newP=tuxiangchuli(r)。 newT=sim(identification,newP)。 a1=[0。0]。 a2=[0。1]。 a3=[1。0]。 if(newT==a1) disp(39。該樣本是劃痕 39。) end if(newT==a2) disp(39。該樣本是氣泡 39。) end if(newT==a3) disp(39。該樣本是夾雜 39。) end function tezhengjuzhen=tuxiangchuli(yangben) [I,map]=imread(yangben) B=rgb2gray(I) C=medfilt2(B,[3,3]) subplot(2,3,1) imshow(I,map),axis image,title(39。原圖像 39。) subplot(2,3,2) imshow(C,map),axis image,title(39。中值濾波后的圖像 39。) BW1=edge(C,39。sobel39。)。 BW2=edge(C,39。canny39。)。 BW3=edge(C,39。prewitt39。)。 BW4=edge(C,39。roberts39。)。 subplot(2,3,3) imshow(BW1,map),title(39。sobe算子邊緣檢測(cè)后的圖像 39。)。 subplot(2,3,4) 中北大學(xué) 20xx 屆畢業(yè)論文 imshow(BW2,map),title(39。canny算子邊緣檢測(cè)后的圖像 39。)。 subplot(2,3,5) imshow(BW3,map),title(39。prewitt算子邊緣檢測(cè)后的圖像 39。)。 subplot(2,3,6) imshow(BW4,map),title(39。roberts算子邊緣檢測(cè)后的圖像 39。)。 inv_m7=getfeature4(BW4)。 tezhengjuzhen=inv_m739。 子 函數(shù) function inv_m7 = getfeature4(image) %將圖像矩陣的數(shù)據(jù)類(lèi)型轉(zhuǎn)換成雙精度型 image=double(image)。 %%%=================計(jì)算 、 、 ========================= %計(jì)算圖像的零階幾何矩 m00=sum(sum(image))。 m10=0。 m01=0。 [row,col]=size(image)。 for i=1:row for j=1:col m10=m10+i*image(i,j)。 m01=m01+j*image(i,j)。 end end %%%=================計(jì)算 、 ================================ u10=m10/m00。 u01=m01/m00。 %%%=================計(jì)算圖像的二階幾何矩、三階幾何矩 ============ m20 = 0。m02 = 0。m11 = 0。m30 = 0。m12 = 0。m21 = 0。m03 = 0。 for i=1:row for j=1:col m20=m20+i^2*image(i,j)。 m02=m02+j^2*image(i,j)。 m11=m11+i*j*image(i,j)。 m30=m30+i^3*image(i,j)。 m03=m03+j^3*image(i,j)。 m12=m12+i*j^2*image(i,j)。 m21=m21+i^2*j*image(i,j)。 end end %%%=================計(jì)算圖像的二階中心矩、三階中心矩 ============ y00=m00。 中北大學(xué) 20xx 屆畢業(yè)論文 y10=0。 y01=0。 y11=m11u01*m10。 y20=m20u10*m10。 y02=m02u01*m01。 y30=m303*u10*m20+2*u10^2*m10。 y12=m122*u01*m11u10*m02+2*u01^2*m10。 y21=m212*u10*m11u01*m20+2*u10^2*m01。 y03=m033*u01*m02+2*u01^2*m01。 %%%=================計(jì)算圖像的歸格化中心矩 ==================== n20=y20/m00^2。 n02=y02/m00^2。 n11=y11/m00^2。 n30=y30/m00^。 n03=y03/m00^。 n12=y12/m00^。 n21=y21/m00^。 %%%=================計(jì)算圖像的七個(gè)不變矩 ====================== h1 = n20 + n02。 h2 = (n20n02)^2 + 4*(n11)^2。 h3 = (n303*n12)^2 + (3*n21n03)^2。 h4 = (n30+n12)^2 + (n21+n03)^2。 h5 = (n303*n12)*(n30+n12)*((n30+n12)^23*(n21+n03)^2)+(3*n21n03)*(n21+n03)*(3*(n30+n12)^2(n21+n03)^2)。 h6 = (n20n02)*((n30+n12)^2(n21+n03)^2)+4*n11*(n30+n12)*(n21+n03)。 h7 = (3*n21n03)*(n30+n12)*((n30+n12)^23*(n21+n03)^2)+(3*n12n30)*(n21+n03)*(3*(n30+n12)^2(n21+n03)^2)。 a1=abs(log(abs(h1)))。 a2=abs(log(abs(h2)))。 a3=abs(log(abs(h3)))。 a4=abs(log(abs(h4)))。 a5=abs(log(abs(h5)))。 a6=abs(log(abs(h6)))。 a7=abs(log(abs(h7)))。 inv_m7= [a1 a2 a3 a4 a5 a6 a7]。 englishi中北大學(xué) 20xx 屆畢業(yè)論文 參考文獻(xiàn) [1]. Expert System for Identifying Defects:Stones and Cord in Glass[C]. Proceeding of the Sixth European Conference on Artificial Intelligence. 1984:36253637 [2] Sehmiedl. R. Automation of Flaw Detection on the Float Glass Ribbon[J].,62 (11):408409 [3] Latham. V, Nixon. M, Mayars. C. Automatic Optical Inspection of Table Glass[J]. Glass Technology. 1986, 27(6):188194 [4] Kysztof. J. Cios, Robert. E. Tjia, . Study of Continuous ID3 and Radial Basis Function Algorithms for the Recognition of Glass Defects[J]. IEEE. 1991:4954 [5]邊肇祺，張學(xué)工 .模式識(shí)別 [M].北京 :清華大學(xué)出版社 .20xx [6]鄭斌 .玻璃缺陷圖像識(shí)別的關(guān)鍵技術(shù)研究 [D].武漢 :武漢理工大學(xué) .20xx [7]張宏林 .數(shù)字圖像模式識(shí)別技術(shù)及工程實(shí)踐 [M].北京 :人民郵電出版社 .20xx [8]葉世偉，史忠值 .神經(jīng)網(wǎng)絡(luò)原理 [M].北京 :機(jī)械工業(yè)出版社 .20xx [9]王建雄 .玻璃缺陷識(shí)別 [D].湖南 :中南大學(xué) .20xx [10]王立 .基于中值濾波和小波變換的改進(jìn)型圖像去噪研究 [D].北京 :北京郵電大學(xué) .20xx [11]李彥軍，蘇紅旗，楊峰 .改進(jìn)的中值濾波圖像去噪方法研究 [J].計(jì)算機(jī)工程與設(shè)計(jì) .20xx, 30 (12):29952997 [12] 李捷，唐星科，蔣延軍 . 幾 種 邊 緣 檢 測(cè) 算 法 的 比 較 研 究 [J]. 信息技術(shù)術(shù) .20xx,(12):106108 [13]董長(zhǎng)虹 .Matlab 神經(jīng)網(wǎng)絡(luò)與應(yīng)用 [M].北京 :國(guó)防工業(yè)出版社 .20xx [14]李俊山，李旭輝 數(shù)字圖像處理 [M].北京：清華大學(xué)出版社 .20xx [15]申富饒，徐燁，鄭俊，晁靜 神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí) [M].北京：機(jī)械工業(yè)出版社 .20xx中北大學(xué) 20xx 屆畢業(yè)論文 致謝 本論文是在尊敬的導(dǎo)師金永教授的悉心指導(dǎo)下完成的。從課題的選擇、研究方向 的確定、一直到論文撰寫(xiě)過(guò)程中細(xì)節(jié)問(wèn)題的推敲以及論文的審閱都包含著導(dǎo)師無(wú)數(shù)的心 血。導(dǎo)師淵博的知識(shí)，嚴(yán)謹(jǐn)?shù)目茖W(xué)作風(fēng)，敏銳的洞察力，勤奮的工作態(tài)度，精益求精的 工作精神給我留下了深刻的印象。在此，向關(guān)心培養(yǎng) 我的導(dǎo)師致以衷心的感謝和誠(chéng)摯的 敬意 ! 感謝我身邊的每一位同學(xué)、師兄、師姐、師弟、師妹，是我們共同的努力創(chuàng)造了優(yōu) 秀的學(xué)習(xí)和科研環(huán)境，使我不斷進(jìn)步，不斷取得成功 ! 感謝所有支持和幫助我的朋友們 !