【正文】 在此，向關(guān)心培養(yǎng)我的導(dǎo)師致以衷心的感謝和誠摯的敬意! 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，使我不斷進步，不斷取得成功! 感謝所有支持和幫助我的朋友們!。從課題的選擇、研究方向的確定、一直到論文撰寫過程中細節(jié)問題的推敲以及論文的審閱都包含著導(dǎo)師無數(shù)的心血。inv_m7= [a1 a2 a3 a4 a5 a6 a7]。 a6=abs(log(abs(h6)))。 a4=abs(log(abs(h4)))。 a2=abs(log(abs(h2)))。h7 = (3*n21n03)*(n30+n12)*((n30+n12)^23*(n21+n03)^2)+(3*n12n30)*(n21+n03)*(3*(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)。h3 = (n303*n12)^2 + (3*n21n03)^2。%%%=================計算圖像的七個不變矩======================h1 = n20 + n02。 n12=y12/m00^。 n30=y30/m00^。 n02=y02/m00^2。y03=m033*u01*m02+2*u01^2*m01。y12=m122*u01*m11u10*m02+2*u01^2*m10。y02=m02u01*m01。y11=m11u01*m10。y10=0。 m21=m21+i^2*j*image(i,j)。 m03=m03+j^3*image(i,j)。 m11=m11+i*j*image(i,j)。for i=1:row for j=1:col m20=m20+i^2*image(i,j)。m21 = 0。m30 = 0。m02 = 0。u01=m01/m00。 m01=m01+j*image(i,j)。[row,col]=size(image)。 m10=0。function inv_m7 = getfeature4(image) %將圖像矩陣的數(shù)據(jù)類型轉(zhuǎn)換成雙精度型image=double(image)。inv_m7=getfeature4(BW4)。roberts算子邊緣檢測后的圖像39。)。subplot(2,3,5)imshow(BW3,map),title(39。canny算子邊緣檢測后的圖像39。)。subplot(2,3,3)imshow(BW1,map),title(39。roberts39。)。BW3=edge(C,39。canny39。)。)BW1=edge(C,39。)subplot(2,3,2)imshow(C,map),axis image,title(39。)endfunction 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。) endif(newT==a3) disp(39。)endif(newT==a2) disp(39。if(newT==a1) disp(39。a3=[1。a2=[0。a1=[0。newP=tuxiangchuli(r)。s39。請輸入要處理的玻璃缺陷圖片名稱39。identification=train(identification,)。39。)。P=load (39。0,1000]t=2。0,1000。0,1000。 附錄：clearclcclose allp=[0,1000。 (4)選擇感知器神經(jīng)網(wǎng)絡(luò)作為缺陷分類器，在分析了感知器神經(jīng)網(wǎng)絡(luò)算法的基礎(chǔ)上，針對其局部性小、收斂速度慢等缺點，設(shè)計了基于感知器神經(jīng)網(wǎng)絡(luò)的玻璃缺陷設(shè)計。 (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。 圖 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果 圖 平均絕對誤差圖 表 感知器網(wǎng)絡(luò)判決后輸出的部分測試樣本結(jié)果缺陷類型目標(biāo)輸出判決結(jié)果檢測劃痕100劃痕檢測劃痕200劃痕檢測夾雜101夾雜檢測夾雜210氣泡檢測氣泡110氣泡檢測氣泡210氣泡 5 結(jié)論 本課題針對玻璃生產(chǎn)企業(yè)在缺陷分類過程中存在的問題和不足，基于圖像處理與模式識別技術(shù)，提出一種玻璃缺陷的自動識別算法，有效地提高了分類的自動化程度和準(zhǔn)確性，優(yōu)化了玻璃缺陷檢測系統(tǒng)的整體性能。檢測結(jié)果顯示有的夾雜形狀像氣泡的可能被檢測成氣泡可見識別度需要進一步提高，對于某些測試樣本出現(xiàn)了誤判現(xiàn)象，這可能是由于缺陷物體形狀的不確定性以及前期的預(yù)處理、特征提取造成的特征信息損失，從而影響了識別率，需要在口后對算法進一步改進。實驗中首先選取三種狀態(tài)(劃痕、夾雜、氣泡)的玻璃圖像，每種狀態(tài)各4幅，共12幅作為訓(xùn)練樣本集，先按照第二章介紹的方法作預(yù)處理，再按照第三章的方法獲得7維的特征向量，然后輸入感知器神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。 按照前面所有章節(jié)的闡述，完成了整個識別算法的設(shè)計。即：若： 則 () 玻璃缺陷類型識別及結(jié)果分析、輸出層神經(jīng)元個數(shù) 感知器神經(jīng)網(wǎng)絡(luò)輸入層的節(jié)點數(shù)，就是圖像經(jīng)過特征提取后的維數(shù)，在第三章中，經(jīng)過Hu不變矩提取出7個特征量，因此，輸入層的節(jié)點數(shù)為12。 θ 圖 感知器神經(jīng)網(wǎng)絡(luò)的模型感知器實質(zhì)上是一種神經(jīng)元模型，是一個多輸入/單輸出的非線性器件。更值得一提的是，盡管在1958年Rosenblatt關(guān)于感知器的論文就首次發(fā)表了，感知器在今天依然是有效的。它的發(fā)明者Rosenbalatt是一位心理學(xué)家。2. 互連神經(jīng)元的連接強度，即突觸權(quán)值，用于存儲獲取的知識。表 各種玻璃缺陷通過Hu不變矩提取的特征值C1C2C3C4C5C6C7劃痕氣泡夾雜4 基于感知器神經(jīng)網(wǎng)絡(luò)的玻璃缺陷分類識別神經(jīng)網(wǎng)絡(luò)是由簡單處理單元組成的大規(guī)模并行分布式處理器，天然地具有存儲經(jīng)驗知識和使之可用的特性。將每種狀態(tài)的圖像各取4幅，共12幅，經(jīng)過預(yù)處理后。而且，7個Hu不變矩值的變化范圍很大，為了便于比較，可采用取對數(shù)的方法進行數(shù)據(jù)壓縮。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。因為僅用中心矩，提取的缺陷圖像特征僅具有平移不變性。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