基于机器视觉的磁瓦表面缺陷检测系统

发布时间：2017-10-29 02:17

  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