基于机器视觉的磁瓦表面缺陷检测系统
本文关键词:基于机器视觉的磁瓦表面缺陷检测系统
更多相关文章: 磁瓦表面缺陷 同态滤波 图像分块 视觉注意机制 随机森林
【摘要】:磁瓦是永磁电机的组成部分,其表面缺陷检测是磁瓦生产过程中的一个重要环节。目前磁瓦生产企业常用的措施是人工目测检测,严重影响了生产效率和产品质量。因此本文提出了一种基于机器视觉的磁瓦表面检测方法,可实现实时、非接触、高效率、高精度的磁瓦表面缺陷在线检测。该方法在磁瓦生产线上的合理运用对企业自动化生产具有重要意义。具体研究内容如下:首先在分析磁瓦表面缺陷种类和特点的基础上,对图像处理平台、相机、镜头进行选型,针对性地设计了弧形直射型光源,以获取高质量的磁瓦表面图像,并对图像进行滤波处理。针对磁瓦表面亮度不均匀问题,通过对三种常用的亮度不均匀校正算法结果进行对比,提出了一种改进同态滤波算法,并用形态学顶帽和底帽变换增强图像对比度。该方法能有效均衡图像亮度,并一定程度上凸显缺陷区域。其次,结合图像分块思想,提出采用改进均值、熵值和方差灰度特征量描述图像块特征。通过对比灰度特征量快速判断磁瓦表面是否存在缺陷。针对图像纹理情况,采用基于视觉注意机制的方法分割缺陷图像块,并提出了从视觉特征选择方法、融合特征显著图的角度改进Itti视觉显著计算模型的方案。再次,通过对各种图像特征的分析,选择改进均值、熵值和方差灰度特征量和阈值化图像的七个Hu不变矩作为缺陷分类的依据。利用随机森林分类器将缺陷图像块分类,识别出缺陷种类。最后在上述分析研究的基础上,搭建系统软件,并对软件平台和算法进行测试,验证平台的稳定性和算法的可靠性。本文提出的算法能够有效地检测磁瓦表面缺陷,具有较好的实时性和可靠性,为后续在现场环境的在线缺陷检测奠定坚实的基础。
【关键词】:磁瓦表面缺陷 同态滤波 图像分块 视觉注意机制 随机森林
【学位授予单位】:安徽工业大学
【学位级别】:硕士
【学位授予年份】:2016
【分类号】:TP391.41;TM351
【目录】:
- 摘要4-5
- Abstract5-8
- 第一章 绪论8-12
- 1.1 课题研究背景和意义8
- 1.2 机器视觉检测技术研究现状8-10
- 1.2.1 机器视觉检测定义8-9
- 1.2.2 国内外研究现状9-10
- 1.3 磁瓦表面缺陷视觉检测技术10-11
- 1.4 课题提出和研究内容11-12
- 第二章 检测装置总体设计12-19
- 2.1 磁瓦典型缺陷分析12-13
- 2.2 检测装置硬件设计13-17
- 2.2.1 图像处理平台14
- 2.2.2 光源设计14-15
- 2.2.3 相机选型15-17
- 2.2.4 镜头选型17
- 2.3 检测算法思路17-18
- 2.4 本章小结18-19
- 第三章 磁瓦表面图像预处理19-28
- 3.1 中值滤波19-20
- 3.2 亮度不均匀处理20-27
- 3.2.1 磁瓦表面亮度分析20
- 3.2.2 亮度不均匀处理方法20-25
- 3.2.3 基于改进同态滤波的亮度不均匀校正25-27
- 3.3 本章小结27-28
- 第四章 磁瓦表面缺陷检测和分割28-49
- 4.1 磁瓦表面缺陷快速检测28-36
- 4.1.1 磁瓦表面图像分块28
- 4.1.2 图像块灰度特征量28-33
- 4.1.3 基于改进的灰度特征量的缺陷检测33-36
- 4.2 磁瓦表面图像分割36-40
- 4.2.1 图像分割简述36-38
- 4.2.2 磁瓦表面图像分割算法分析38-40
- 4.3 基于视觉注意机制的磁瓦表面缺陷分割40-48
- 4.3.1 视觉注意简介40
- 4.3.2 视觉显著度计算模型40-43
- 4.3.3 基于改进Itti模型的磁瓦表面缺陷分割43-48
- 4.4 本章小结48-49
- 第五章 磁瓦表面缺陷特征提取和分类49-58
- 5.1 缺陷图像特征提取49-51
- 5.2 基于随机森林缺陷分类51-54
- 5.2.1 决策树51-52
- 5.2.2 随机森林52-54
- 5.3 基于随机森林的磁瓦缺陷分类实验分析54-56
- 5.4 本章小结56-58
- 第六章 磁瓦缺陷检测系统软件设计与测试58-66
- 6.1 软件流程和模块化设计58-62
- 6.1.1 系统软件流程58-59
- 6.1.2 软件平台模块化设计59-62
- 6.2 软件测试62-65
- 6.2.1 软件平台测试62-63
- 6.2.2 算法测试63-65
- 6.3 本章小结65-66
- 第七章 总结与展望66-68
- 7.1 总结66
- 7.2 展望66-68
- 参考文献68-72
- 附录A 插图清单72-74
- 附录B 表格清单74-75
- 附录C 程序源码75-86
- 在学研究成果86-87
- 致谢87
【相似文献】
中国期刊全文数据库 前10条
1 尤政,胡庆英,林闽,李建;用于表面缺陷检测的激光超声技术[J];宇航计测技术;1998年06期
2 罗磊;张二虎;;基于图像分析的纸张表面缺陷检测系统的研究与实现[J];西安理工大学学报;2014年02期
3 王义文;蔺勇智;贾冬开;张中然;刘献礼;;空气与油液介质下钢球表面缺陷检测效果对比分析[J];轴承;2010年05期
4 蒋新苗;刘献礼;王鹏;赵彦玲;马振锋;;基于图像技术的钢球表面缺陷检测研究[J];哈尔滨理工大学学报;2006年02期
5 冯蒙丽;王丽;丁红胜;;电磁反演与交变磁场方法的金属表面缺陷检测[J];测试技术学报;2007年04期
6 卢湖川,王友军,李辉;火车轮对表面缺陷检测[J];大连理工大学学报;2004年06期
7 乐静;郭俊杰;朱虹;;基于EMD和Snakes模型信息融合的表面缺陷检测方法[J];仪器仪表学报;2006年12期
8 罗志勇,王斌,刘栋玉,吕新民,,江涛;带钢表面缺陷检测系统的发展[J];钢铁;1996年S1期
9 朱光;朱学芳;张华坤;;复杂背景下TFT-LCD表面缺陷检测系统的设计[J];电子测量与仪器学报;2011年12期
10 李炜,黄心汉,王敏,万国红;基于机器视觉的带钢表面缺陷检测系统[J];华中科技大学学报(自然科学版);2003年02期
中国重要会议论文全文数据库 前5条
1 韩立强;;基于图像分割技术的汽车发动机缸体表面缺陷检测[A];面向21世纪的科技进步与社会经济发展(下册)[C];1999年
2 郭庆华;田陆;袁英宏;黄郁君;;嵌入式系统在钢板表面缺陷检测中的应用[A];2012第四届先进轧钢精整及钢材包装技术学术研讨会文集[C];2012年
3 郭庆华;田陆;袁英宏;黄郁君;;嵌入式系统在钢板表面缺陷检测中的应用[A];2012年全国轧钢生产技术会论文集(下)[C];2012年
4 张凤全;高娜;于明;赵晓安;张慧娟;;图像处理在物体表面缺陷检测中的应用[A];图像图形技术与应用进展——第三届图像图形技术与应用学术会议论文集[C];2008年
5 刘乃强;徐科;;形态学梯度在带钢表面缺陷检测中的应用[A];全国炼钢连铸过程自动化技术交流会论文集[C];2006年
中国博士学位论文全文数据库 前6条
1 王世通;精密表面缺陷检测散射成像理论建模及系统分析研究[D];浙江大学;2015年
2 程万胜;钢板表面缺陷检测技术的研究[D];哈尔滨工业大学;2008年
3 王义文;钢球表面缺陷检测关键技术研究及样机研制[D];哈尔滨理工大学;2010年
4 赵立明;基于激光扫描成像与异源CCD融合的连铸热坯表面缺陷检测方法研究[D];重庆大学;2014年
5 丛家慧;引入人类视觉特性的带钢表面缺陷检测与识别方法研究[D];东北大学;2010年
6 王鹏;基于运动视觉技术的钢球表面缺陷检测[D];哈尔滨理工大学;2008年
中国硕士学位论文全文数据库 前10条
1 于跃;基于PMP的钢轨表面缺陷检测研究[D];西南交通大学;2015年
2 汪磊;铝箔复卷机运动仿真分析及表面缺陷检测系统研究[D];浙江大学;2015年
3 付邦瑞;钢坯表面裂纹图像检测[D];电子科技大学;2015年
4 杨林;冷态热轧钢板表面缺陷检测系统技术研究[D];重庆大学;2015年
5 李娇娇;基于改进DAGSVM的钢板表面缺陷检测系统设计与实现[D];重庆大学;2015年
6 王松芳;基于特征分类的低分辨率触摸屏表面缺陷检测[D];北京交通大学;2016年
7 李帮建;基于计算机视觉的表面缺陷检测及应用[D];东南大学;2015年
8 杨建华;多口径发动机包覆层表面缺陷检测方法研究[D];中北大学;2016年
9 张露林;基于GPU的卫生用品表面缺陷检测软件设计[D];浙江大学;2016年
10 朱健;基于机器视觉的连接器表面缺陷检测算法研究[D];南京理工大学;2016年
本文编号:1110969
本文链接:https://www.wllwen.com/kejilunwen/dianlidianqilunwen/1110969.html